Was ist Augmented Analytics?
Augmented Analytics beschreibt eine Technologie, mit welcher Datenanalysen im geschäftlichen Umfeld und der sogenannten Business Intelligence unter der Anwendung von Komponenten des maschinellen Lernens und der natürlichen Sprachverarbeitung (Natural Language Processing – NLP) unterstützt werden können. Business Intelligence bezeichnet dabei Vorgänge zur Sammlung sowie Auswertung und Visualisierung von Daten im Unternehmenskontext.
Zielsetzung dieser „erweiterten Analysen“ ist die Unterstützung bei der Durchführung und Aufbereitung von Daten- und Erkenntnisanalysen, welche in weiterer Folge als Entscheidungsgrundlage dienen sollen.
Prozess und Nutzen
In der heutigen Geschäftswelt stellt das Generieren von Informationen und Rohdaten keine große Herausforderung dar. Ein kritischer Pfad im Rahmen von Big Data ersteht jedoch bei der nachfolgenden Datenanalyse, bei welcher die zuvor gesammelten Daten derart aufbereitet und interpretiert werden sollen, um schlussendlich als Entscheidungsgrundlage dienen zu können.
Genau an diesem Punkt setzt Augmented Analytics an, obwohl auch die Datengenerierung in dieses Konzept einbezogen werden kann. Der Mehrwert ergibt sich dadurch, dass in der Regel sowohl der manuelle als auch zeitliche Aufwand zur Datenanalyse reduziert werden kann, da Maschinen in der Lage sind, systematisch und schnell große Datenmengen zu durchsuchen. In Kombination mit den Methoden des maschinellen Lernens entstehen Möglichkeiten, Algorithmen zu entwickeln, welche in der Lage sind, Trends sowie Abhängigkeiten und Muster zu erkennen bzw. durch Vorhersagemodelle Prognosen zu erstellen. Diese Algorithmen können sich mitunter selbst optimieren, wodurch darüber hinaus eine Qualitätsverbesserung der Ergebnisse im Zeitverlauf resultieren kann.
Obwohl die Datengenerierung nicht das Kernelement der Methode ist, lässt sich die Datenerhebung auch in die Technologie integrieren und darüber hinaus Nutzen generieren, indem in der Datenbereinigung bzw. -aufbereitung nützliche Informationen von unbrauchbaren in den Rohdaten getrennt werden.
Durch die Implementierung der natürlichen Sprachverarbeitung in Augmented Analytics dient diese als Kommunikationsschnittstelle. Einerseits wird sie dazu genutzt, um Fragestellungen zur Durchführung der Datenanalysen richtig zu interpretieren, andererseits wird diese Technologie auch verwendet, um nach der Durchführung der Analyse die Ergebnisse aufzubereiten bzw. zu kommunizieren. Damit wird die Basis zur Unterstützung von Entscheidungen im geschäftlichen Umfeld gelegt, welche den Hauptnutzen von Augmented Analytics darstellt.
Augmented Analytics Anwendungen
Viele Unternehmen bieten Softwarelösungen an, welche sich Fertigkeiten von Augmented Analytics und Big Data zunutze machen. Neben beispielsweise SAP Analytics Cloud, Oracle Analytics Cloud, IBM Cognos Analytics oder Power BI von Microsoft bieten unter anderem auch die Unternehmen Tableau sowie SAS mit SAS Visual Analytics Lösungen auf diesem Gebiet an. Die Technologie findet etwa in folgenden Geschäftsfeldern Anwendung:
- Gesundheitswesen: Unternehmen setzen Augmented Analytics ein, um ihren Betrieb zu optimieren und die Aufenthaltsdauer sowie die Bettenbelegungsrate zu analysieren. Zudem können Prognosen über Wiedereinweisungen für kürzlich entlassene Patienten getroffen und entsprechend entgegengewirkt werden.
- Finanz- und Bankenwesen: In dieser Branche wird Augmented Analytics eingesetzt, um angebotene Dienstleistungen für Kunden zu verbessern und das Geschäftswachstum zu fördern. Dadurch können vorrangig Daten bezüglich Trends und Kundenakquisitionskosten bewertet werden, welche in weiterer Folge zu spezifisch angebotenen Dienstleistungen für verschiedene Kundengruppen entwickelt werden können. Zudem ist es möglich, Anomalien in Transaktionen zu identifizieren und im besten Fall bereits im Vorfeld zu bereinigen.
- Fertigung und Einzelhandel: Ähnlich wie im Bankenwesen wird die Technologie auch im Einzelhandel zur Analyse von Kundentrends und dem effizienten Einsatz von Werbemitteln genutzt. In der Produktion wird sie unter anderem für Kapazitätsplanungen, Prozess- und Lieferkettenoptimierungen eingesetzt.
- Fluggesellschaften: Auch Fluggesellschaften nutzen Big Data zur Erhöhung der Kundenzufriedenheit. Des Weiteren dient es für Prognosen von Nachfrageschwankungen, worauf mit entsprechenden Kapazitätsveränderungen reagiert werden kann.
- Telekommunikation: In der Telekommunikationsbranche lassen sich Daten zu Trends bezüglich Telefonverhalten sowie Internetnutzungsverhalten analysieren. Darauf aufbauend können sowohl Dienstleistungen für Kunden als auch beispielsweise eigene Bandbreitenkapazitäten optimiert werden.
