Augmented Intelligence in der BI – das Reporting der Zukunft

Die Entwicklungen im Bereich Augmented Intelligence ergeben neuartige Anwendungsfälle im Bereich der Business Intelligence.

Überblick

• Die nächste BI-Generation wird die Schwächen der jetzigen Self-Service-Generation überwinden und wird Unternehmen dabei unterstützen, die Herausforderungen des 21. Jahrhunderts zu bewältigen
• Augmented Intelligence bietet Unternehmen vielfältige Möglichkeiten in vier Schlüsselfeldern

Durch rapide Entwicklungen im Bereich Augmented Intelligence (“AI”; dt.: “erweiterte Intelligenz” – bezeichnet die Zusammenarbeit künstlicher Intelligenz mit menschlichem Urteilsvermögen zur Entscheidungsfindung) befindet sich auch der Bereich Business Intelligence (“BI”; dt.: “Geschäftsanalytik”) im Wandel. Studien zufolge werden rund 64% der Unternehmen in den kommenden Jahren künstliche Intelligenz (KI) in irgendeiner Form nutzen. Ein notwendiger Schritt, um in einer Zeit wachsender Anforderungen und steigender Kundenerwartungen auch in Zukunft kompetitiv bleiben zu können.

Der BI-Evolutionsprozess wird von technologischen Durchbrüchen und exponentiellem Wachstum des Datenvolumens beschleunigt, was den Weg für die Entwicklung einer neuen, durch KI angetriebenen Generation der Geschäftsanalytik ebnet. Dieser große Aufschwung von Business Intelligence wird sich in Form immer weiter ausgefeilter Anwendungen zeigen – was Unternehmen vor die Herausforderung stellt, die Auswirkungen dieser nächsten BI-Generation bewerten zu müssen.

Bisherige technologische Durchbrüche verstehen

Nötig wurde die laufende Weiterentwicklung von BI-Systemen durch das immer größer werdende Datenvolumen, Hyperautomatisierung sowie zunehmender Forderungen nach detailliertem Reporting in Echtzeit. Diese Trends stellten sich in der Vergangenheit für Unternehmen, welche datengesteuerte Strategien nutzten, oft als Herausforderung dar. Denn die damals statische, IT-zentrierte Generation war nicht in der Lage, solche Herausforderungen angemessen zu bewältigen. Darauf folgte eine Welle von Disruptoren in Form von Software und Tools, welche BI für Endnutzer schließlich vereinfachen sollte. Die interaktive Datennutzung durch den Endnutzer wurde gefördert, was die Notwendigkeit beschreibender Berichte durch IT reduzierte. 

Mögliche Fallstricke der aktuellen BI-Generation

Unternehmen werden heutzutage mit Daten regelrecht überschwemmt. Daraus entsteht die Herausforderung, das Sammeln und die Verarbeitung von Daten gezielter zu gestalten, um aus ihnen einen Mehrwert generieren zu können. Dieser Mehrwert kann vielerlei Gestalt sein – etwa eine Reduzierung der Kosten, eine Steigerung der Prozesseffizienz oder eine Verbesserung der User Experience. Zu einem weiteren Anstieg dieser Komplexität, und damit der Notwendigkeit eines gezielten Einsatzes von BI-Lösungen, führt die Verbreitung von Smartphones und sogenannter IoT (Internet of Things)-Geräte. Unter diesem Begriff werden Komponenten und Geräte verstanden, welche an ein Netzwerk angeschlossen sind und über dieses vollautomatisiert miteinander kommunizieren.  

Diese sogenannte Self-Service Generation wird jedoch durch eine Reihe wichtiger Treiber gehemmt:

• Komplexe Backend-Lösungen 
                                           Komplexe Datenmodellierungsdesigns und nicht nachhaltige Prozesswartung beeinträchtigen die Leistung.
• Größe des Datenvolumens
  Mit zunehmendem Datenvolumen werden traditionelle Methoden der periodischen Datenintegration und der manuellen Datenqualitätssicherung unpraktisch. Verstärkt wird dies durch einen Kompromiss zwischen Datengenauigkeit und Effizienz.
• Data-Storytelling
  Die Übersetzung von Daten in klare und umsetzbare „Insights“ sowie die Vermittlung von KPIs erfordern das Verständnis des geschäftlichen Kontexts und analytischer Überlegungen. Ein Mangel an datenwissenschaftlichen Fähigkeiten der zuständigen Personen unterstreicht dieses Problem. Des Weiteren ist es sehr zeitaufwändig, jeden Bericht an die Herausforderungen, Prioritäten und Wahrnehmungen der verschiedenen Stakeholder anzupassen.
• Inhärente Verzerrung
  Fragen, die heute gültig sind, werden in Zukunft vielleicht nicht mehr wichtig sein. Daher sind derzeit konstante Iterationen erforderlich, um die Anforderungen der Endnutzer erfüllen zu können. Verwechslung von Kausalität und Korrelation kann außerdem zu einer schlechten „Insight-to-Value“-Umwandlung führen.

Augmented Intelligence: Frischer Wind durch Evolution

So rasant wie die Digitalisierung als Ganzes auf dem Vormarsch ist, wird auch die technologische Evolution von BI-Lösungen vorangetrieben. Die dritte BI-Generation, genannt Augmented Intelligence, ist in der Lage, die eben genannten Schwächen der Self-Service-Generation zu überwinden. So kann sie Unternehmen dabei unterstützen, die Herausforderungen des 21. Jahrhunderts zu bewältigen. Die größte dieser Herausforderungen ist folgende:

Unternehmen wissen nur, was sie bereits wissen – was sie bisher noch nicht wissen, ist ihnen unbekannt. Das kann Entscheidungsprozesse kompliziert und langwierig machen. Denn wie entscheiden, wenn die zugrunde liegenden Informationen lückenhaft sind? Hier könnte AI es Endnutzer:innen in Zukunft durch automatischen Datenaustausch ermöglichen, die Führung zu übernehmen und aufkommende Geschäftsfragen spontan und fundiert zu beantworten.

Das BI-Ökosy

• Center of Excellence AI
  Die Einführung KI-basierter Automatisierung kann durch Mitarbeitende mit entsprechendem technischem Know-How vorangetrieben werden, die mit einem Entwurfsmuster ausgestattet ihre Fähigkeiten nutzen, um künstliche Intelligenz in auf das Unternehmen abgestimmter Form zu implementieren.
• Explainable AI (XAI)
  Da sich die Use-Cases von KI und maschinellem Lernen erhöhen, übertrifft die Technologie schnell die sie leitende Organisationssteuerung. Um dem entgegenzuwirken, kann XAI es Unternehmen ermöglichen, Erkenntnisse aus Algorithmen vollständig zu verstehen, indem sie die Details der hinterlegten Modelle und mögliche Vorurteile widerlegen.
• Datenautomatisierung
  Die nächste Phase der digitalen Transformation besteht aus Intelligenter Automatisierung (IA). Diese kann, wie ihr Name schon sagt, Daten automatisieren, was die Durchlaufzeit verkürzt und so die Effizienz steigert.
• Personalisierung
  Zukunftsorientierte Unternehmen schließen sich mehr und mehr der Personalisierung von Reporten an. Denn die Umstellung vom produktorientierten hin zum datengesteuerten und kundenorientierten Ansatz kann langfristig den Mehrwert der Berichte steigern.

Ein Schritt in die Zukunft

Oft denken Unternehmen nicht über eine Wachstumsstrategie für Innovation nach, welche auf dem Ausbau ihrer eigenen internen Talente basiert. Die Möglichkeit, verschiedene Datentypen auf diese Weise anzuwenden, kann für ein Unternehmen im Wachstum von entscheidender Bedeutung sein. Mit zunehmender Entwicklung der Technologie wird die Fähigkeit, KI auf verschiedene Aspekte der Organisation anzuwenden, weiter fortschreiten. Deswegen bietet Augmented Intelligence Unternehmen vielfältige Möglichkeiten in vier Schlüsselfeldern:

1. Use-Cases von Robotic Process Automation (RPA) und Machine Learning (ML)
   Die sogenannte Data-Lake-Architektur (Daten werden in exakt dem Format gespeichert, in dem sie der Datenbank ursprünglich hinzugefügt wurden) sowie flexible und iterative Datenmodelle werden über RPA- und ML-Modelle vollautomatisiert. Darüber hinaus können Unternehmen bereits im Vorfeld potenzielle Use-Cases identifizieren, um ML-Modelle zur Unterstützung von Predictive Analytics einzusetzen. Dabei handelt es sich um eine fortschrittliche Analysemethode, bei der sowohl historische als auch aktuelle Daten dazu genutzt werden, um Trends, Verhalten oder Aktivitäten vorherzusagen.
2. Zielführende Konversationen durch Natural Language Processing (NLP)
   Intelligente Sprachassistenten und Chatbots machen Daten für nicht technikaffine User:innen verständlicher. NLP ist eine Form der Computerlinguistik, die menschenähnliche Gesprächserlebnisse darstellen und verbessern kann. Sie kann dazu beitragen, hochdimensionale und nichtlineare Probleme anzugehen, gezielt Erkenntnisse zu generieren und Variablen zu identifizieren. So kann die Effizienz der Mitarbeitenden gesteigert und die endgültigen Ergebnisse positiv beeinflusst werden.
   
3. Vertrauen in künstliche Intelligenz gewinnt an Bedeutung
   Je ausgefeilter die KI, desto komplexer wird die Sicherstellung von Transparenz sowie die Interpretation der gelieferten, komplexen Modelle. Transparenz ist allerdings eine essentielle Grundlage für vernünftige Entscheidungen, Risikomanagement und Compliance. Auch als Faktor der Wertsteigerung spielt Transparenz eine gewichtige Rolle. Der derzeit bestehende Rahmen von Datenverwaltung und -steuerung ist nicht darauf ausgelegt, KI-Anwendungen zu skalieren und anzunehmen. Die Einführung einer ganzheitlichen Methode zur Datensteuerung und Überwachung komplexer Machine Learning-Modelle wird für Unternehmen daher zukünftig in den Fokus rücken.
4. Umdenken von Mitarbeitenden und Unternehmensführung
   Die Zugangsbarriere zu Daten und Insights wird durch die Demokratisierung der Daten drastisch gesenkt. Dies bringt ein gigantisches Potenzial mit sich, sowohl für die einzelnen Mitarbeitenden als auch für das Unternehmen als Ganzes. Dies kann bereits heute am stetig steigenden “Datenhunger” fast aller Geschäftsbereiche beobachtet werden. Der erhöhte Bedarf an enger Zusammenarbeit zwischen Teams, klaren Kommunikationskanälen sowie definierten Rollen und Verantwortlichkeiten wird diesen Wandel verstärken.
   Darüber hinaus wird die Rolle von Data-Scientists bzw. BI-Experten in Unternehmen neu zu bewerten sein. Hier sind insbesondere die Fragen der Verantwortlichkeit zu klären und wo im Unternehmensgefüge diese angesiedelt ist. Auch bedarf es solider Ansätze, um AI-Erweiterungen von BI-Systemen nachvollziehbar, stabil und wartbar zu halten. Unternehmen stehen also vor der Herausforderung, interne Rollen und Prozesse an eine von künstlicher Intelligenz getriebene Kultur anzupassen.

Autoren: Jens Körner, Mirko Waniczek, Ralf Kaul, Daniel Erbert