Die „Data-Nauten” der Zukunft – Wie Künstliche Intelligenz die Business Intelligence verändert

Beim „Wettlauf” zu Mond und Mars geht es darum, Menschen mit der besten und schnellsten Technologie auszustatten, um zum Ziel zu gelangen. Ähnlich verhält es sich mit modernen Anwendungen für Business Intelligence (BI) in Organisationen. Die Möglichkeiten der Künstlichen Intelligenz (KI) revolutionieren den BI-Markt und statten die „Data-Nauten” der Zukunft mit neuer und schnellerer Technologie aus, um bessere Geschäftsentscheidungen treffen zu können. Das Ziel: höchste Effizienz in der Organisation.

War vor kurzem noch BI das Schlagwort der Stunde, ist es aktuell KI. Dabei schließen sich die beiden Bereiche in keinster Weise aus; erst recht wird BI nicht von KI abgelöst. Das Hauptziel von BI ist es, aus Daten Informationen zu gewinnen, aufzubereiten und den entscheidenden Schnittstellen in Unternehmen verfügbar zu machen. Man will datengetrieben die Vergangenheit verstehen und die Zukunft vorhersagen. Entscheidungen zu treffen, soll durch das Aufbereiten von Informationen erleichtert werden. KI will dagegen menschliche Wahrnehmung sowie menschliches Handeln durch Maschinen nachbilden. Ein Programm wird durch menschlichen Input angelernt und entwickelt sich automatisch zu einem Expertensystem weiter.

Augmented Analytics: KI und BI wachsen zusammen

Anhand neuer Technologien soll dem Menschen Arbeiten und Leben erleichtert werden. Diesem Grundsatz folgt bereits das Konzept der BI, so dass KI als ein revolutionäres Erweiterungspaket im BI-Bereich gesehen werden kann. Dabei verschieben sich die methodischen Ansätze von entwickelten Online Analytical Processing-Cubes sowie „manuellem” DataMining hin zu maschinellem Lernen mit statistischen Modellen. Insbesondere die Prozesse der Datenaufbereitung und des Data Minings sind zeitintensiv. Zudem können menschliche Prognosen oder Einschätzungen von Lösungen zu schlechteren Ergebnissen führen. Während der Mensch lediglich bis zu 7 Faktoren abwägen kann, eröffnet das computergestützte Modell eine Bandbreite von mehr als 100 Einflussfaktoren.
 

Durch die Erweiterung von BI um Machine-Learning-Techniken kann zeitaufwendige Datenaufbereitung automatisiert werden. Das führt besonders in den Bereichen Datenqualität, Modellierung und Metadaten-Management zu besseren Ergebnissen. Zusätzlich kann zumindest teilweise die Verwaltung von Data Lakes und Datenbanken sowie die Datenintegration durch KI automatisiert werden.

Das bedeutet: Wir können die BI-Welt durch die Automatisierung, die KI ermöglicht, auf der einen Seite verändern; auf der anderen Seite ebnet KI auch den Weg für Augmented-Business-Intelligence, die Erweiterung klassischer BI-Ansätze. Beides, Automatisierung und Augmentation, sind letztlich KI-Methoden. Bei Augmented Analytics ist der Entscheidungsprozess des Menschen so stark datengetrieben unterstützt, dass z. B. automatisiert Erkenntnisse aus Datenmengen generiert und dem Mitarbeiter „proaktiv” mitgeteilt werden.
   
Viele Formen von Augmented Analytics zeigen sich in Abfragesystemen. Der Mensch kann mittels natürlicher Sprache seine Probleme und Fragen dem System stellen und bekommt daraufhin Ergebnisse geliefert. Diese können ebenfalls über Sprache oder alternativ über visuelle Darstellungen auf mobilen Devices bis hin zu HoloLenses (Augmented-Reality-Brillen) wieder ausgegeben werden.

Anwendungsbereiche von Augmented Analytics

Möglichen Umsetzungen von neuen Datentechnologien sind keine Grenzen mehr gesetzt. Dennoch gibt es für Augmented Analytics prädestinierte Bereiche: KI wirkt dort, wo sehr viele unstrukturierte und strukturierte Daten zusammenfallen, die der Mensch nicht mehr zeiteffizient überblicken kann.

Ein ausgeprägter Augmented-Reality-Bereich ist der Gesundheitsbereich, wo Augmented-Analytics Daten in Echtzeit auswertet und bei der richtigen Entscheidung hilft. Aber auch in den klassischen Business-Bereichen (z. B. Personal- und Finanzwesen sowie Vertrieb) führen Augmented-Analytics-Systeme zu schnelleren und besseren Entscheidungen. Insbesondere bei der Mustererkennung von Kundeninformationen aus Bildern, Social-Media-Texten und Verkaufshistorie können automatisiert Kundencluster gebildet werden, die wiederum automatisiert getriggert, individuelle Ansprachen zugesendet bekommen.