Wat is augmented analytics?
Augmented analytics zijn analytics die zijn "verrijkt" met technologieën voor kunstmatige intelligentie.
Overzicht Augmented analytics
De eenvoudigste definitie van augmented analytics? Augmented analytics zijn analytics die 'augmented' zijn met technologieën voor kunstmatige intelligentie (AI), waaronder machine learning en Natural Language Processing (NLP). Machine learning automatiseert complexe analyseprocessen, zoals het voorbereiden van data en het genereren van inzichten. En NLP laat elke gebruiker, zelfs ongetrainde zakelijke gebruikers, vragen over hun data stellen en antwoorden krijgen op een eenvoudige, conversationele manier.
De term "augmented analytics" werd in 2017 bedacht door Gartner en wordt nu algemeen beschouwd als de toekomst van business intelligence (BI) en data analytics, inclusief predictive analytics.
Waarom is augmented analytics belangrijk?
Optimaal profijt van big data
Data vormt de grootste kans in de moderne economie. Hiermee kunnen bedrijven weten wat ze moeten produceren wanneer, wie ze moeten vermarkten, hoe te evolueren, en nog veel meer. Maar de huidige hoeveelheid gegevens is te groot voor mensen om alleen te interpreteren – of zonder vooringenomenheid – en aan de vereiste van onmiddellijke antwoorden is eenvoudigweg niet te voldoen. Technologieën zoals AI en machine learning zijn nodig om betekenisvolle inzichten te ontdekken in een zee van big data. Dit is een van de redenen waarom augmented analytics zo belangrijk is: ze combineren data science en kunstmatige intelligentie om bedrijven te helpen enorme datasets in realtime te analyseren.
Minder afhankelijk van dataspecialisten
Het analyseproces is een reeks handmatige, tijdrovende stappen die zo ingewikkeld zijn dat ze meestal alleen door dataspecialisten kunnen worden uitgevoerd. Deze professionele analisten moeten:
- Data uit meerdere bronnen verzamelen
- De data voorbereiden voor analyse
- De analyse uitvoeren
- Betekenisvolle inzichten vinden
- Bevindingen visualiseren
- Bevindingen op een aantrekkelijke manier delen
- Een actieplan maken
Het probleem is dat er wereldwijd een groot tekort is aan dataspecialisten, en dat ze duur zijn. Hoewel augmented analytics deze professionals niet volledig kan vervangen, kan je afhankelijkheid van dataspecialisten wel worden beperkt door processen zoals verzameling, voorbereiding, opschonen en analyse van data te automatiseren.
Naast het vrijmaken van de tijd van datawetenschappers voor belangrijkere taken, zoals het interpreteren van resultaten, kan augmented analytics de waarde van deze analisten voor jouw organisatie vergroten. Analyses op basis van AI- en machine learning helpen ze om verbindingen te maken die ze anders hebben gemist en vinden in minder tijd diepere inzichten. Deze technologieën kunnen ook werknemers in andere analyserollen – van bedrijfsanalisten tot burgerdatawetenschappers – helpen hun inzichten te verbeteren en hen te helpen het werk te doen dat voorheen alleen door deskundige datawetenschappers werd uitgevoerd.
Democratisering van analytics voor ongetrainde gebruikers
Een andere reden waarom augmented analytics zo belangrijk is, is dat ze ongetrainde “informatieverkenners” in het spel laten. Door complexe analyseprocessen te automatiseren en gebruikers in staat te stellen eenvoudig gegevens op te vragen door vragen te stellen, kunnen werknemers zonder vaardigheden op het gebied van data science gebruikmaken van geavanceerde analytics. Machine learning kan deze informatieverkenners begeleiden door aan te bevelen welke vraag ze vervolgens moeten stellen, en te suggereren waar ze dieper op moeten graven.
Met augmented analytics worden antwoorden op query's gegeven in de vorm van kant-en-klare datavisualisaties, zoals diagrammen, grafieken en kaarten. Daardoor hoeven gebruikers die niet zelf te maken. Deze visualisaties kunnen met eenvoudige opdrachten worden onderzocht, worden samengevoegd tot dataverhalen en gemakkelijk worden gedeeld met andere teams en managers, ook door degenen zonder universitair diploma.
De evolutie van analytics
Analytics en business intelligence hebben de afgelopen jaren een lange weg afgelegd: van geavanceerde tools voor professionals op het gebied van data en analytics naar analytics voor machine learning die iedereen kan gebruiken.
Traditionele analyses
Aangedreven door IT
Gebruikers hebben beperkte autonomie
Geavanceerde tools voor professionals in data en analytics
Focus op rapportage op schaal
Selfserviceanalyses
Aangedreven door het bedrijf
Gebruikers hebben meer autonomie
Gebruiksvriendelijke interface
Focus op gebruikergestuurde inzichten
Augmented analytics
Aangedreven door AI en machine learning
Gebruikers hebben echte autonomie
AI-tools en begeleide processen
Focus op snelle, diepe, voorheen verborgen inzichten
Use cases voor augmented analytics
Augmented analytics heeft het vermogen om bedrijfsprocessen ingrijpend te veranderen, maar hoe ziet dit eruit in de praktijk? Hier volgen enkele voorbeelden van use cases voor augmented analytics in finance, sales en marketing, logistiek, human resources en debiteurenbeheer.
Augmented analytics in finance Een bedrijfsanalist kan augmented analytics gebruiken om eenvoudig reis- en verblijfskosten in verschillende bedrijfsonderdelen te voorspellen en te beheersen.
Augmented analytics in debiteurenbeheer Incassomanagers kunnen machine learning in augmented analytics gebruiken om betalingsachterstanden te voorspellen, de juiste incassostrategie te bepalen en de cashflow de baas te blijven.
Augmented analytics in sales en marketing Sales- en marketingteams krijgen toegang tot betere klantprofielen (en een snelle identificatie van kansen voor cross- en upselling), met augmented analytics.
Augmented analytics in de maakindustrie Een analist voor een staalfabrikant kan augmented analytics gebruiken om de uitgaven in verschillende fabrieken in heel Europa te voorspellen, bewaken en controleren.
Augmented analytics in HR Met AI-analytics kunnen HR-managers werknemerverloop voorspellen, begrijpen waarom personeel vertrekt en corrigerende maatregelen nemen om de beste talenten te behouden.