Vad är utökad analys?
Denna webbsida har maskinöversatts för att underlätta för dig. SAP ger inga garantier angående korrektheten eller fullständigheten av maskinöversättningen. Den ursprungliga engelska webbsidan hittar du genom att använda världskartan i det övre högra hörnet på denna sida.
Den enklaste förstärkta analysdefinitionen? Förstärkta analyser är analyser som ”förstärks” med artificiell intelligens (AI)-teknik, inklusive maskininlärning och naturlig språkbearbetning (NLP). Maskininlärning automatiserar komplexa analysprocesser – som dataförberedelse och insiktsgenerering. Och NLP låter vilken användare som helst, även otränade företagsanvändare, ställa frågor om sina data och få svar på ett enkelt, konversationellt sätt.
Termen “augmented analytics” myntades av Gartner 2017 och anses nu allmänt vara framtiden för business intelligence (BI) och dataanalys – inklusive förutsägande analyser.
Varför är förstärkta analyser viktiga?
Utvinning av Big Data-opportunity
Uppgifterna utgör den största möjligheten i den moderna ekonomin. Med den kan företagen veta vad de ska producera när, vem de ska marknadsföra sig till, hur de ska utvecklas och så mycket mer. Men datamängden i dag är för massiv för att människor ska kunna tolka på egen hand – eller utan partiskhet – och kravet på omedelbara svar är helt enkelt omöjligt att uppfylla. Det behövs möjliggörande teknik som AI och maskininlärning för att få meningsfulla insikter i ett hav av Big Data. Detta är en av anledningarna till att förstärkta analyser är så viktiga: de kombinerar datavetenskap och artificiell intelligens för att hjälpa företag att analysera massiva datamängder i realtid.
Minska beroendet av datavetare
Analysprocessen är en serie manuella, tidskrävande steg som är så komplicerade att oftast bara datavetare kan utföra dem. Dessa professionella analytiker måste göra följande:
- Samla in data från flera källor
- Förbered för analys
- Utför analysen
- Hitta meningsfulla insikter
- Visualisera kontrollresultat
- Dela resultat på ett övertygande sätt
- Skapa en åtgärdsplan
Problemet är att det råder stor brist på datavetare över hela världen – och att anställa dem är dyrt. Utökade analyser ersätter inte dessa proffs, men de kan minska ditt beroende av dem genom att automatisera processer som datainsamling, förberedelse, rensning och analys.
Förutom att frigöra datavetare tid för viktigare uppgifter, som att tolka resultat, kan förstärkta analyser öka det värde som analytikerna tillför din organisation. AI- och maskininlärningsdrivna analyser hjälper dem att göra anslutningar som de annars kan ha missat – och hitta djupare insikter på mindre tid. Denna teknik kan också ge anställda i andra analysroller – från affärsanalytiker till medborgardatavetare – bättre insikter och hjälpa dem att utföra det arbete som tidigare bara utförts av experter på dataområdet.
År 2025 kommer bristen på datavetare inte längre att hindra antagandet av datavetenskap och maskininlärning i organisationer.
Demokratiserar analys för otränade användare
En annan anledning till att förstärkta analyser är så viktiga är att de släpper in otränade “informationsutforskare” i spelet. Genom att automatisera komplexa analysprocesser och låta användare avfråga data enkelt genom att ställa frågor kan medarbetare utan datakunskaper dra nytta av avancerade analyser. Maskininlärning kan vägleda dessa informationsutforskare genom att rekommendera vilken fråga de ska ställa härnäst – och föreslå var de ska gräva djupare.
Med utökade analyser får du svar på frågor i form av färdiga datavisualiseringar, som diagram, diagram och kartor – så att användare inte behöver skapa dem själva. Dessa visualiseringar kan undersökas med enkla kommandon, trasslas ihop till databerättelser och delas enkelt med andra team och ledarskap – ingen doktorsexamen krävs.
Analysens utveckling
Analyser och business intelligence har kommit långt under de senaste åren – från sofistikerade verktyg för data- och analyspersonal till maskininlärningsanalyser som vem som helst kan använda.
Traditionella analyser
- Styrd av IT
- Begränsad användarautonomi
- Sofistikerade verktyg för data- och analyspersonal
- Fokus på rapportering på skalan
Självbetjäningsanalys
- Drivs av företaget
- Ökad användarautonomi
- Användarvänligt gränssnitt
- Fokus på användardrivna insikter
Utökade analyser
- Drivs av AI och maskininlärning
- Verklig användarautonomi
- AI-verktyg och styrda processer
- Fokus på snabba, djupa, tidigare dolda insikter
Fördelar med utökade analyser
Utökade analyser ger många av samma fördelar som business intelligence – som förbättrad rapportering och bättre beslutsfattande – men de ger också en nivå av snabbhet och noggrannhet som är omöjlig utan artificiell intelligens och maskininlärning. Här är några specifika fördelar för utökade analyser:
- Snabbare dataförberedelse: Analytikerna lägger cirka 80 procent av sin tid på att förbereda data för analys. De exporterar stora dataset – ibland med miljontals poster – och kombinerar, rengör och strukturerar dem innan analysen kan påbörjas. Maskininlärningen i augmented analytics automatiserar processen, vilket frigör analytiker för fler värdefulla aktiviteter och minskar samtidigt fel.
- Automatiserad analys: Maskininlärningsmodeller kan automatisera komplexa analyser som annars skulle ta datavetare veckor att bygga på på egen hand. Svar och datavisualiseringar genereras direkt och är tillgängliga för användare så att de kan ägna mindre tid åt att gräva sig in i data och mer tid till att tolka insikter, berätta datagyer för ledningen och anropa förändringar.
- Djupare insikter: Maskiner kan titta på data på ett sätt som människor helt enkelt inte kan. De kan undersöka mycket större datamängder från fler vinklar – och de kan hitta statistiska korrelationer, relationer och mönster som är osynliga för det mänskliga ögat. Maskiner kan förstå data snabbt och i skala, öka den mänskliga intelligensen med opartiska insikter och tala om för användarna var de ska fokusera sin uppmärksamhet.
- Konversationsanalyser: Naturspråksbehandling – samma konversationella AI-teknik som ger digitala assistenter som Siri och Alexa – låter företagsanvändare utan kunskaper i frågespråk eller kod ställa frågor på ett konversationellt sätt. Och naturlig språkgeneration (NLG) ger dem svar i fullständiga meningar, skrivna eller verbala, som sammanfattar eller förklarar resultat.
- Direkt affärskontext: Insikter utan affärskontext är meningslösa. Genom att beakta användarens avsikt och beteende kan maskininlärningsalgoritmer leverera kontextmedvetna insikter som är klara för åtgärd. Genom att demokratisera analyser kan chefer och långtidsanställda öka insikterna med sin stamkunskap och djupa förståelse för affärsmodeller och verksamheter.
Använd ärenden för utökad analys
Förstärkta analyser har kraft att revolutionera affärsprocesserna – men hur ser det ut i den verkliga världen? Här är några exempel på användningsfall för utökad analys inom ekonomi, försäljning och marknadsföring, logistik, personaladministration och kundreskontra.
Utökad analys i finans
En affärsanalytiker kan använda förstärkta analyser för att enkelt prognostisera och styra rese- och representationskostnader inom olika affärsområden.
Utökad analys i kundreskontra
Inkassoansvariga kan använda maskininlärning i utökad analys för att förutse sena betalningar, bestämma rätt inkassostrategi och hålla dig ajour med likviditetsflödet.
Utökade analyser inom försäljning och marknadsföring
Försäljnings- och marknadsföringsteamet har bättre kundprofiler – och snabb identifiering av mer- och uppförsäljningsmöjligheter – med hjälp av förstärkta analyser.
Utökad analys i tillverkning
En analytiker för en ståltillverkare kan använda förstärkta analyser för att förutse, övervaka och kontrollera utgifter i olika fabriker i hela Europa.
Utökade analyser i HR
HR-chefer kan förutse avhopp för anställda, förstå orsakerna till detta och vidta korrigerande åtgärder för att behålla de bästa resultaten – alla med AI-analyser.
Analysordlista och relaterade termer
Förstärkt intelligens är praxis att utöka den mänskliga intelligensen med artificiell intelligens (AI). Snarare än science fiction-skildringen av maskiner som ersätter människor fokuserar utökad intelligens på AI:s hjälpande roll när det gäller att hjälpa människor att lära sig, fatta beslut och förnya sig.
Konversationsanalyser är analyser som använder konversationell AI-teknik – nämligen naturlig språkbearbetning (NLP) och naturlig språkgeneration (NLG) – för att ge maskiner förmågan att förstå mänskligt tal, processtext eller röstfrågor och ge svar på ett konversationellt sätt.
Naturspråksbearbetning är en gren av konversationell AI som gör det möjligt för datorer att förstå skrivet eller talat mänskligt språk. I samband med förstärkta analyser låter NLP användarna avfråga data genom att ställa frågor på ett naturligt sätt, antingen genom att skriva dem eller tala dem högt.
Naturspråksgenerering är en gren av konversationell AI som gör det möjligt för datorer att omvandla data till skrivet eller talat mänskligt språk. I samband med utökade analyser svarar NLG på användarfrågor genom att generera fraser som beskriver, sammanfattar eller förklarar resultat.
Avancerad analys är en typ av datavetenskap som använder sofistikerade tekniker och verktyg – inklusive Big Data och prediktiv analys – för att prognostisera framtida händelser, beteenden och trender. Utökade analyser förbättrar dessa redan avancerade funktioner med AI, maskininlärning och naturlig språkbearbetning – att automatisera komplexa prediktiva modelleringsuppgifter och göra det enklare för alla typer av användare att få fram framåtblickande insikter.
SAP Insights nyhetsbrev
Prenumerera idag
Få viktiga insikter genom att prenumerera på vårt nyhetsbrev.