Industriële werknemers die gebruikmaken van augmented analytics om virtuele gegevensdashboards weer te geven

Wat is augmented analytics?

Met augmented analytics kunnen zakelijke gebruikers meer gegevens voorbereiden, analyseren en visualisaties maken, zodat bedrijven sneller meer gegevensgestuurde beslissingen kunnen nemen.

Inzicht in augmented analytics

Van oudsher behoorden de complexiteiten van gegevensanalyse tot het domein van de dataprofessionals. Zij beschikten over de kennis, expertise en software die nodig zijn om belangrijke processen in de levenscyclus van gegevensanalyse uit te voeren. Deze omvatten het verkennen en voorbereiden van gegevens, modelontwerp en -ontwikkeling, en het genereren en verspreiden van inzichten. Dit werk, dat vaak handmatig en saai was, kon dagen, weken of langer in beslag nemen. Zakelijke teams wachtten aan de zijlijn op informatie waarop zij hun beslissingen en acties konden baseren.

Gezien de snelheid waarmee bedrijven nu moeten werken in uiterst concurrerende digitale omgevingen, is het echter gewoon niet langer mogelijk voor beslissers om simpelweg te gaan zitten wachten. Ze hebben sneller dan ooit meer en diepere inzichten nodig. De meeste teams van gegevenswetenschappers kunnen hun activiteiten echter niet snel genoeg opschalen om aan de eisen voor gegevensanalyses te voldoen, een probleem dat nog wordt verergerd door big data en andere grote, complexe gegevensarchieven.

Met behulp van kunstmatige intelligentie (AI) en gerelateerde technologieën helpt augmented analytics een transformatie teweeg te brengen in de manier waarop bedrijven business intelligence (BI) genereren, verbruiken en delen en business analytics (BA) uitvoeren.

Augmented analytics bevat drie belangrijke onderdelen:

  1. Machine learning (ML). ML is een type AI waarbij gebruik wordt gemaakt van algoritmes om snel historische gegevens te zoeken, patronen te identificeren, afwijkingen te identificeren en inzichten en aanbevelingen te genereren. ML-modellen werken het beste bij big data en leren doorlopend van nieuwe gestructureerde en ongestructurende gegevens, zonder menselijke tussenkomst. Aan ML-modellen liggen de meeste augmented analytics-mogelijkheden ten grondslag.
  2. Natuurlijke taaltechnologieën. Mensen en computers kunnen gemakkelijker met elkaar praten via natuurlijke taalverwerking (NLP), waarmee menselijke taal wordt geïnterpreteerd voor computers, en het genereren van natuurlijke taal (NLG), waarmee computercode in een menselijke taal wordt vertaald. Het gevolg is dat zakelijke gebruikers met machines kunnen communiceren in vraag- en antwoordsessies met vertrouwde domein- en branchetermen.
  3. Automatisering. Door ML aangestuurde technologieën automatiseren handmatige routinetaken in de levenscyclus van gegevensanalyse. Hierdoor wordt de tijd die nodig is voor het bouwen, trainen en implementeren van ML-modellen aanzienlijk verkort. Zo kunnen bijvoorbeeld technische en niet-technische personen snel onbewerkte gegevens ontdekken en voorbereiden met behulp van automatisch gegenereerde prompts. Tegen het einde van de levenscyclus kan het delen van inzichten worden versneld via op tekst gebaseerde rapporten die automatisch worden gemaakt en gedistribueerd met een door de gebruiker opgegeven frequentie.

Zoals de naam al aangeeft, dient augmented analytics niet als vervanging van menselijke intelligentie, intuïtie en nieuwsgierigheid, maar als aanvulling hierop. ML-modellen nemen contextuele en gedragsaanwijzingen die in de loop van de tijd van gebruikers zijn verzameld, beoordelen de menselijke bedoeling en voorkeuren, en bieden passende inzichten, richtlijnen en aanbevelingen in natuurlijke taal. Zij laten de werkelijke beslissing aan mensen over.

De voordelen van augmented analytics en tools voor augmented analytics

Mogelijk staat je bedrijf pas aan het begin van zijn augmented analytics-traject, maar het is een weg die zeker het bewandelen waard is. Denk maar eens aan de voordelen van het gebruik van augmented BI-tools:

  • Verbeterde besluitvorming. Met behulp van augmented analytics kunnen zakelijke gebruikers betere controle krijgen over gegevensanalyses en praktische inzichten genereren. Door het consolideren van specifieke metrische gegevens, key performance indicators (KPI's) en andere informatie in aangepaste datadashboards en rapporten, worden complexe gegevens begrijpelijker gemaakt. Bovendien maakt data-storytelling verhalen in natuurlijke taal mogelijk die de gegevens verder contextualiseren met grafieken en diagrammen.
  • Democratisering van gegevens. Wanneer meer mensen van verschillende afdelingen betrokken raken bij gegevensanalyse, neemt de vaardigheid op gegevensgebied toe. Na verloop van tijd treedt er een verschuiving in de organisatiecultuur op. Meer teams raken vertrouwd met het werken met gegevens en gaan samenwerken om hiermee zakelijke waarde te creëren.
  • Snellere gegevensvoorbereiding. Het proces van het maken van gegevenssets voor het bouwen, testen en trainen van ML-modellen wordt gestroomlijnd door middel van augmented gegevensvoorbereiding. Op basis van aanbevelingen die op hun projectvereisten zijn afgestemd, kunnen gebruikers gegevenssets kiezen en consolideren, gegevenssets opschonen, opmaken en verrijken, en nieuwe gegevenssets zoeken om ML-modellen verder te optimaliseren.
  • Gereduceerde analytische bias. Bias die wordt veroorzaakt door onvolledige gegevenssets, onjuiste aannamen en gebrek aan context leidt tot onnauwkeurige en onbetrouwbare resultaten. ML-algoritmen die grote hoeveelheden gegevens analyseren (en geautomatiseerde workflows die handmatige fouten verminderen) beperken bias tot een minimum.
  • Tijd- en kostenbesparingen. Met minder handmatige processen kunnen teams van gegevenswetenschappers productiever zijn en meer resources inzetten voor analyses van een hoger niveau. Bovendien geldt dat zakelijke teams zelf eenvoudigere analyses kunnen gaan uitvoeren als hun kennis van gegevens toeneemt, zodat gegevenswetenschappers kunnen worden vrijgemaakt voor complexere taken.

Uitdagingen voor tools voor augmented analytics

Net als veel andere BI- en BA-oplossingen op ondernemingsniveau maken de tools voor augmented analytics gebruik van AI-technologieën, terwijl bovendien rekening wordt gehouden met menselijke intelligentie.

Toch moet je bedrijf erop voorbereid zijn om veelvoorkomende obstakels die de invoering vertragen het hoofd te bieden. Tot de potentiële uitdagingen behoren onder meer:

  • Misvattingen over AI. Bij sommige werknemers bestaat mogelijk de angst dat zij zullen worden vervangen door AI-technologieën. Wees open in je communicatie en help hen begrijpen dat AI zijn beperkingen heeft. Augmented analytics heeft menselijk initiatief en domeinexpertise nodig om toegevoegde waarde te kunnen bieden.
  • Matige kennis van gegevens. Organiseer workshops en lever mentoren om zakelijke teams te helpen analyses met vertrouwen te benaderen. Breng gebruikers belangrijke gegevensconcepten en -termen bij en leer hen denken over gegevens op manieren die hun team en bedrijf helpen. Benadruk geslaagde augmented analytics-projecten.
  • Ineffectief gegevens- en modelbeheer. Train ML-modellen met behulp van uitgebreide, actuele gegevens die geen fouten of bias bevatten en werk regelmatig algoritmen bij om in ontwikkeling zijnde gegevensactiva te verwerken. Met gegevens van hoge kwaliteit en krachtige modellen vertrouwen je gebruikers op de tools bij het genereren van tijdige en nauwkeurige inzichten.
  • Irrelevante resultaten. Laat gebruikers zien hoe ze informatie genereren die betekenisvol is voor hun rollen en verantwoordelijkheden. Anders raken ze gefrustreerd en verspillen tijd aan het uitfilteren van irrelevante resultaten.
  • Onvoldoende computervermogen en schaalbaarheid. Afhankelijk van je IT-capaciteiten, kan een toename van de hoeveelheid informatie en verwerkingsvereisten invloed hebben op de responstijden.

Integratie van augmented analytics voor zakelijk succes

Een snelle 'tijd tot inzicht' is van groot belang voor het vermogen van je bedrijf om een concurrentievoordeel te verwerven en behouden. Een snelle 'tijd tot betekenisvol inzicht' is zelfs nog belangrijker. Tools voor augmented analytics kunnen de juiste mensen helpen de juiste informatie te genereren zodat deze klaarligt wanneer dat nodig is.

Met augmented BI houden zakelijke gebruikers zich bezig met gegevens via op de persoon afgestemde gespreksinteracties waarmee ze gegevens vanuit een nieuwe hoek kunnen bekijken en inzichten kunnen genereren die relevant zijn voor hun rollen. Bovendien kunnen zij, door gebruik te maken van mogelijkheden voor augmented analytics met tools voor business analytics, duidelijker inzicht krijgen in gebeurtenissen en trends, en vervolgens proactief plannen maken in plaats van alleen maar reageren.

Door snel en nauwkeurig gegevens te analyseren nemen organisaties betere zakelijke beslissingen en formuleren ze effectievere strategieën. Na verloop van tijd kunnen ze voor meer groei en hogere opbrengsten gaan.

De analyses van je bedrijf vereenvoudigen met Microsoft Power BI

Help je bedrijf meer gegevensgestuurd te worden zonder dat meer dataprofessionals nodig zijn door invoering van Power BI, dat de BI- en analysemogelijkheden versterkt met AI, machine learning en natuurlijke taaltechnologieën. Dit is een gebruiksvriendelijke, veilige en schaalbare oplossing die de besluitvorming tussen verschillende afdelingen verbetert en gegevenswetenschappers in staat stelt meer tijd te besteden aan complexe analyseprojecten.