Hva er forbedret analyse?
Utvidet analyse er analyser som har blitt "utvidet" med kunstig intelligens teknologier.
Oversikt over utvidet analyse
Den enkleste utvidede analysedefinisjonen? Utvidet analyse er analyser som er "utvidet" med kunstig intelligens (AI) teknologier, inkludert maskinlæring og naturlig språkbehandling (NLP). Maskinlæring automatiserer komplekse analyseprosesser – som dataforberedelse og innsiktsgenerering. Og NLP lar alle brukere, selv uopplærte forretningsbrukere, stille spørsmål om sine data og få svar på en enkel, konversasjonell måte.
Begrepet "utvidet analyse" ble skapt av Gartner i 2017 og er nå allment antatt å være fremtiden for Business Intelligence (BI) og dataanalyse - inkludert prediktiv analyse.
Hvorfor er utvidet analyse viktig?
Utvinning av store datamuligheter
Data representerer den største muligheten i den moderne økonomien. Med det kan bedrifter vite hva de skal produsere når, hvem å markedsføre til, hvordan de skal utvikle seg, og så mye mer. Men mengden av data i dag er for massivt for mennesker til å tolke på egen hånd – eller uten skjevhet – og kravet til umiddelbare svar er rett og slett umulig å møte. Å aktivere teknologier som AI og maskinlæring er nødvendig for å avdekke meningsfull innsikt i et hav av Big Data. Dette er en av grunnene til at utvidet analyse er så viktig: De kombinerer datavitenskap og kunstig intelligens for å hjelpe bedrifter med å analysere massive datasett i sanntid.
Redusere avhengigheten av dataforskere
Analyseprosessen er en serie med manuelle, tidkrevende trinn som er så kompliserte at vanligvis bare dataforskere kan utføre dem. Disse profesjonelle analytikerne må:
- Samle inn data fra flere kilder
- Klargjør for analyse
- Utfør analysen
- Finn meningsfull innsikt
- Visualiser kontrollvurderinger
- Del funn på en overbevisende måte
- Opprett en handlingsplan
Problemet er, det er en stor mangel på data forskere over hele verden - og ansette dem er dyrt. Selv om utvidet analyse ikke erstatter disse profesjonelle, kan de redusere din avhengighet av dem ved å automatisere prosesser som datainnsamling, forberedelse, rensing og analyse.
I tillegg til å frigjøre dataforskernes tid til mer viktige oppgaver, som å tolke resultater, kan utvidet analyse øke verdien disse analytikerne tilfører organisasjonen din. Al- og maskinlæringsdrevne analyser hjelper dem med å få tilkoblinger de ellers har gått glipp av – og finne dypere innsikt på kortere tid. Disse teknologiene kan også styrke ansatte i andre analyseroller – fra forretningsanalytikere til samfunnsdataforskere – til å forbedre deres innsikt og hjelpe dem med å gjøre det arbeidet som tidligere kun ble utført av ekspertdataforskere.
Demokratiserende analyser for uopplærte brukere
En annen grunn til utvidet analyse er så viktig at de lar utrente "informasjonsutforskere" i spillet. Ved å automatisere komplekse analyseprosesser og tillate brukere å spørre data ganske enkelt ved å stille spørsmål, kan ansatte uten datavitenskapskompetanse utnytte avanserte analyser. Maskinlæring kan veilede disse informasjonsekspertene ved å anbefale hvilket spørsmål de bør stille, og foreslå hvor de skal grave dypere.
Med utvidet analyse kommer svar på spørringer i form av ferdige datavisualiseringer, som diagrammer, grafer og kart, slik at brukerne ikke trenger å opprette dem selv. Disse visualiseringene kan undersøkes med enkle kommandoer, settes sammen i datahistorier og enkelt deles med andre team og lederskap – uten behov for doktorgrad.
Utviklingen av analyser
Analyser og forretningsanalyse har kommet langt de siste årene – utviklet seg fra sofistikerte verktøy for data- og analysepersonell til maskinlæringsanalyser som alle kan bruke.
Tradisjonell analyse
Drevet av IT
Begrenset brukerautonomi
Sofistikerte verktøy for data- og analytikere
Fokus på rapportering på skala
Selvbetjeningsanalyse
Drevet av virksomheten
Mer brukerautonomi
Brukervennlig grensesnitt
Fokus på brukerstyrt innsikt
Utvidet analyse
Drevet av AI og maskinlæring
Ekte brukers autonomi
AI-verktøy og veiledede prosesser
Fokus på rask, dyp, tidligere skjult innsikt
Brukstilfeller for utvidet analyse
Utvidet analyse har makt til å revolusjonere forretningsprosesser – men hvordan ser dette ut i den virkelige verden? Her er noen eksempler på brukstilfeller for utvidet analyse innen økonomi, salg og markedsføring, logistikk, menneskelige ressurser og kundereskontro.
Utvidet analyse i finans En forretningsanalytiker kan bruke utvidet analyse til enkelt å prognostisere og kontrollere reise- og underholdningsutgifter (reise- og forretningsutgifter) på tvers av ulike bransjer.
Utvidet analyse i kundereskontro Collections-ledere kan bruke maskinlæring i utvidet analyse for å forutsi sene betalinger, fastsette riktig inkassostrategi og holde seg på toppen av kontantstrømmen.
Utvidet analyse i salg og markedsføring Salgs- og markedsføringsteam får bedre kundeprofiler – og rask identifisering av kryss- og oppsalgsmuligheter – ved hjelp av utvidet analyse.
Utvidet analyse i produksjon En analytiker for en stålprodusent kan bruke utvidet analyse til å forutsi, overvåke og kontrollere utgifter på tvers av ulike fabrikker i hele Europa.
Utvidet analyse i HR HR-ledere kan prognostisere medarbeideravgang, forstå årsakene til dette og iverksette korrigerende tiltak for å beholde de beste medarbeiderne – alle med AI-analyse.