Data Analytics

Datenanalysen auf Knopfdruck: Mit Augmented Analytics wirst auch Du Analytics-Profi

jfreese
 Lesezeit: 11 Minuten    
6
arrow_down
6

Bist Du auch genervt von langwierigen Analytics Projekten, die nicht die erhofften Erkenntnisse bringen? Wünschst Du Dir nicht nur mehr datengetriebene Entscheidungen in Deinem Unternehmen, sondern auch die Sicherheit, dass die getroffenen Entscheidungen richtig sind? Dann solltest Du definitiv mehr über den Megatrend „Augmented Analytics“ erfahren, der Dir verlässliche Datenanalysen auf Knopfdruck verspricht. Wir zeigen Dir, was hinter diesem Trend steckt und wie Du Augmented Analytics einsetzen kannst, um viel schneller zu mehr Return-on-Investment aus Deinen Daten zu kommen.

Mal eben die Kundendaten der letzten zwölf Monate segmentieren. Kurz vor dem wichtigen Meeting noch schnell den Sales Forecast erstellen. Wer regelmäßig mit Daten arbeitet, dem fällt sofort auf: „Mal eben“ und „schnell“, das passt nicht mit datengetriebenen Arbeiten zusammen.

Außerdem wird es schnell kompliziert und die Ergebnisse von Datenanalysen und Machine Learning Modellen werden oft nicht richtig interpretiert. Das führt zu Fehlentscheidungen. Fatal, wenn man überlegt, dass es hier oft um Millionenbeträge in den Unternehmensentscheidungen geht.

„Augmented Analytics“ kann hier Abhilfe schaffen. Wir zeigen Dir, was dahintersteckt und wie Du es für mehr ROI einsetzt.

Beziehungsstatus: Es ist kompliziert…

Vermutlich würden wir alle viel mehr Daten in unsere Entscheidungen miteinbeziehen, wenn Analysen einfacher und schneller gingen, oder? Es ist ja nicht so, dass es an den passenden Tools scheitert. Im Gegenteil, eine ganze Reihe von Business Intelligence Tools sind auf dem Markt vorhanden, mit denen man Datenanalysen jeder Form und Komplexität durchführen kann.

Wo ist dann das Problem?

Es liegt an mehreren Herausforderungen, die unsere Beziehung zu Daten so kompliziert machen, die aber notwendig sind, um aus Daten nachhaltig signifikanten ROI zu generieren (siehe Grafik).  Für diese Probleme bietet der Ansatz des Augmented Analytics entsprechende Lösungen.

Beziehungskiller #1: Fehlende Ressourcen und Skills

Datenanalysen werden schnell komplex. Wenn es mehr sein soll als Korrelationsanalysen, braucht man Experten. Geht man also zum Team der Data Scientisten (insofern das im eigenen Unternehmen überhaupt existiert), hört man schnell folgendes: „Sorry, unsere Pipeline ist bis Ende des Quartals zu.“, „Dafür müssen wir erstmal alle Daten zusammensuchen und das kann ein paar Wochen dauern“, und so weiter…

Das ist frustrierend und daran scheitern schon viele Analytics-Projekte von vornherein.

Beziehungskiller #2: Verzerrte Analysen und Fehlentscheidungen

Aufgrund der knappen Ressourcen konzentriert man sich bei Datenanalysen deshalb auf das Wesentliche. Der Nutzer untersucht logischerweise nur die Hypothesen, die ihm am relevantesten erscheinen. Wichtige Insights werden dann aber übersehen. Falsche Business-Entscheidungen sind die Folge, allein weil die individuelle Hypothese schon verzerrt ist (Confirmation Bias). Ist zudem kein Data Scientist involviert, entstehen bei der Interpretation der Ergebnisse oft Missverständnisse und es werden schlichtweg falsche Entscheidungen getroffen, mit denen unter Umständen Millionen Euro verloren gehen.

Übrigens: Mehr zum Confirmation Bias erzählt Dir André in diesem Conversion Whiteboard Praxis-Tipp:

Puh, klingt irgendwie frustrierend, oder? Wie sollst Du da so richtig data-driven werden? Genau hier kommt Augmented Analytics ins Spiel.

Augmented Analytics ist die Zukunft der Datenanalyse

Auf diese geänderten Anforderungen an den Prozess der Datenanalyse hat der Markt reagiert. Laut dem Gartner Report ist Augmented Analytics DER neue Megatrend im Bereich Data Analytics.

Quelle: https://www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/

Dieser Ansatz soll all unsere Beziehungsprobleme mit Daten lösen und verspricht komplexe Analysen auf Knopfdruck. Auch für Dich. In Sekundenschnelle. Sich per Smartphone alle Ergebnisse erklären lassen. Die besten Entscheidungen treffen. Den ROI-Schatz heben. Privatjet. Yacht. Eigene Insel.

Etwas abgehoben, aber im Prinzip ist es genau das, was hinter Augmented Analytics steckt: Mehr Lust auf Datenanalysen, weil alles viel schneller und einfacher geht. Und man bessere Ergebnisse bekommt, die man auch noch richtig versteht. Endlich data-driven werden! Augmented Analytics soll dabei den gesamten traditionellen Prozess der Datenanalyse verschlanken und automatisieren und dabei dennoch nutzerfreundlich bleiben und valide Ergebnisse liefern.

Der traditionelle Prozess der Datenanalyse besteht im Kern aus den Schritten:

  1. Fragestellung
  2. Datenerhebung
  3. Datenanalyse
  4. Erkenntnisse & Maßnahmen

Die Probleme, auf die der Nutzer dabei trifft, wiederholen sich und kommen vielleicht auch Dir bekannt vor:

  • Die Sammlung der Daten ist aufwendig und kostet viel Zeit.
  • Dabei verliert man schnell den Überblick und weiß bei der eigentlichen Analyse gar nicht so genau, wonach man eigentlich suchen soll.
  • Die Ergebnisse sind missverständlich und werden von jedem anders interpretiert.
  • Es gibt keine richtigen Insights & Actions.

Das soll mit Augmented Analytics anders werden.

Welche Vorteile bringt Dir Augmented Analytics?

Augmented Analytics setzt im Prinzip an allen diesen Schwachstellen an und besteht aus drei Bausteinen, die Dir dabei helfen sollen, schneller an den Datenschatz zu kommen.

Im Folgenden schauen wir uns genauer an, was hinter diesen Begriffen eigentlich steckt. Anhand eines Beispiels zeigen wir Dir, wie Augmented Analytics Dir dabei hilft, wichtige Erkenntnisse aus Deinen Daten zu gewinnen.

1 Augmented Data Preparation

soll den Prozess der Datenerhebung deutlich beschleunigen. Angenommen, Du möchtest herausfinden, worin sich das Verhalten von Neu- und Bestandskunden in Deinem Onlineshop unterscheidet und welche Faktoren Einfluss auf das Kaufverhalten der beiden Segmente haben.

Im ersten Schritt müssen alle Daten gesammelt werden, mit denen man das Verhalten der Segmente messen kann. Diese können aus unterschiedlichen Datenquellen (Web Analytics, CRM, Customer Service, DWH), Zeitspannen, Datentabellen oder länderspezifischen Quellen stammen. Sie müssen miteinander vergleichbar gemacht und in eine große Datenmatrix gebracht werden. Dafür sind viele Arbeitsschritte notwendig, wie Datenbankabfragen, Aggregation, Skalierung und Zusammenführung von Tabellen. Wenn man das alles per Hand machen muss, dauert das nicht nur lange, sondern ist auch fehleranfällig.

Quelle: https://www.qlik.com/us/products/qlik-sense

Beim Augmented Data Preparation Ansatz geschehen diese Schritte auf Basis von Machine Learning Verfahren und Algorithmen vollautomatisch und der Nutzer muss nur die notwendigen Informationen als Input ins Tool eingeben. Innerhalb kürzester Zeit sind Deine Daten für die eigentliche Analyse vorbereitet, was sonst mehrere Tage Arbeit bedeutet. Das Tool übernimmt eine Vielzahl von Operationen und erleichtert so auch dem Nicht-Statistiker den Umgang mit komplexeren Datensätzen. Das Ergebnis ist eine einheitliche Datentabelle, in der alle benötigten Informationen zum Verhalten der Neu- und Bestandskunden enthalten sind und die direkt für die nachfolgende Datenanalyse verwendet werden kann.

2 Augmented Data Discovery

Nachdem Du alle relevanten Daten zu den Neu- und Bestandskunden für die Analyse vorbereitet hast, geht es an die eigentliche Datenanalyse. Nun sitzt Du vor Deinem riesigen Datenberg und fragst Dich: „Wo soll ich bloß anfangen? Welche Hypothesen soll ich prüfen? Und vor allem wie? Welche Methoden sind die richtigen?“

Augmented Data Discovery hilft Dir bei der Beantwortung dieser Fragen. Durch voll automatisierte Datenanalysen wird der Analyseprozess enorm vereinfacht und beschleunigt, bei gleichzeitiger Erhöhung der Validität der Ergebnisse.

Bezogen auf das Beispiel mit den Neu- und Bestandskunden untersucht die Plattform automatisch den kompletten riesigen Datensatz auf signifikante Unterschiede im Verhalten der Segmente, anstatt nur vorgefertigte Hypothesen zu prüfen. Es ist außerdem in der Lage, Prognosemodelle mit der dafür am besten passenden statistischen Methode zu erstellen und dem Nutzer zu sagen, welche Faktoren Einfluss auf das Kaufverhalten der Segmente haben. Diese Modelle müssten sonst in mühevoller Arbeit erstmal von einem Data Scientisten entwickelt werden. All das passiert hier fast in Sekundenschnelle.

Man muss dem System nur sagen, was man genau untersuchen möchte. Die wichtigsten Insights werden mit Hilfe der passenden Visualisierungen automatisch und verständlich dargestellt (Smart Data Visualization).

Kurz gesagt, hier findet die Arbeit statt, die sonst nur ein ausgebildeter Data Scientist übernehmen kann. Von einfachen Analysen bis hin zu komplexen Machine Learning Methoden ist hier alles möglich, ohne dass man die Methoden selber im Detail beherrschen muss. (Verstehen sollte man sie bestenfalls aber schon. ;-))

Aber:

Obwohl Augmented Analytics uns zum Data Scientisten werden lässt, bleibt der Data Scientist unverzichtbar.

Nur er ist in der Lage, die Modelle, die das Tool eigenständig in einer Art Blackbox entwickelt, genau zu verstehen, zu testen und zu validieren. Das ist enorm wichtig, um das Vertrauen in den Ansatz des Augmented Analytics innerhalb des Unternehmens zu stärken und Missverständnisse zu vermeiden.

Denn wenn bald fast jeder in der Lage ist, selber komplexe Datenanalysen durchzuführen, muss sichergestellt werden, dass das Tool auch richtig angewendet wird und Ergebnisse korrekt weitergegeben werden. Der Data Scientist bleibt so zum einen die wichtige Schnittstelle zwischen Plattform und Nutzern.

Außerdem kann er sich auf andere komplexe Themen konzentrieren: Wenn auch der normale Business User bald viele Analysen selber durchführen kann, kann der gefragte Data Scientist dafür sorgen, dass die Modelle und Ergebnisse des Tools implementiert und operationalisiert werden. Dadurch werden quasi zwei Fliegen mit einer Klappe geschlagen:

Durch die Skalierung der Datenanalysen innerhalb des Unternehmens steigt die Produktivität des eh schon teuren Data Scientisten und das gesamte Unternehmen wird mehr und mehr data-driven.

3 Conversational Analytics

Neben der Automatisierung des Analyseprozesses, geht es auch um mehr Nutzerfreundlichkeit. An dieser Stelle kann man fast von einer Vermenschlichung des Datenanalyseprozess sprechen, im wahrsten Sinne des Wortes solltest Du bald mit Deinen Daten sprechen können.

Ein digitaler Sprachassistent, wie man ihn etwa in Form von Apple’s Siri, Amazon’s Alexa oder Google Home kennt, soll jedem Nutzer – vom Analysten zum Management – dabei helfen, schnell an die Analysen zu kommen und die Ergebnisse im jeweiligen Kontext vor allem richtig zu interpretieren.

Quelle: https://www.archie.ai/

Das könnte dann so aussehen, dass der Manager im Sales Meeting sitzt, sein Smartphone zückt und per Sprachsteuerung nach den Unterschieden im Kaufverhalten zwischen Neu- und Bestandskunden fragt. Im Hintergrund geht dann die Analysemaschine los und nach ein paar Minuten werden die Ergebnisse in Form von interaktiven Dashboards nicht nur angezeigt sondern auch im Business-Kontext erklärt. Eine nette Stimme ertönt und erläutert den Meeting-Teilnehmern die Top Findings und deren Bedeutung für das Unternehmen. Nach ein paar Minuten werden so bereits erste wichtige Entscheidungen auf Basis der Zahlen getroffen.

Ein Beispiel für eine Augmented Analytics Plattform

Augmented Analytics bietet riesiges Potenzial, ist aber auch noch ganz am Anfang der Entwicklung. Ein Beispiel, wie so etwas aussehen könnte, zeigt Archie.ai, ein Artificial Intelligence Data Scientist, der zum Beispiel über Amazon’s Alexa bereits Fragen zu bestimmten Daten via Google Analytics beantworten kann.

Dazu gehören zum Beispiel auch:

  • Prognosen bezüglich der zukünftigen Traffic-Entwicklung,
  • der Conversion Rate der Website oder
  • welche Faktoren Einfluss auf die Page Views oder den Revenue per Visitor haben.

Archie nutzt dabei Methoden aus dem Machine Learning Bereich und greift via API auf Google Analytics zurück. Einfach die Frage in das Handy sprechen oder den Browser eingeben und kurze Zeit später gibts die passenden Analysen erklärt. Archie ist ein sehr interessantes Produkt, das sich ständig weiter entwickelt und bereits 1.200 datenspezifische Fragen beantworten kann.

Tipp: Man kann Archie in einer Demo-Version ausprobieren.

Du möchtest Augmented Analytics in Deinem Unternehmen ausprobieren?

Es gibt bereits mehrere Anbieter am Markt, die entsprechende Plattformen entwickelt haben, zum Beispiel Tableau Insights, Qlik Sense oder Sisense. Viele der neuen Tools bieten Pilotprojekte und Demo-Versionen an. So kannst Du herausfinden ob Augmented Analytics Deinem Unternehmen dabei hilft, schneller an die richtigen Analysen zu kommen und so richtig data-driven zu werden.

Fahrplan für ein Augmented Analytics Pilot-Projekt

Hier noch ein paar Tipps, wie Du vorgehen kannst, wenn Du ein Augmented Analytics Versuchs-Projekt starten möchtest:

1. Use Cases identifizieren

  • Finde heraus, bei welchen unternehmensrelevanten Fragestellungen der manuelle Analyseaufwand sehr hoch ist oder welche besonders fehleranfällig sind.
  • Konzentriere Dich dabei auf einige wenige, aber hochrelevante Fragestellungen.

2. Unterstützung von oben

  • Versuche, das Management und die Personen mit Entscheidungsbefugnissen von dem Mehrwert zu überzeugen, den die Investition in den Datenanalyseprozess hat.
  • Durch Business Cases und Beispielanalysen kannst Du berechnen, welche Einsparungen sich durch einen effizienteren Prozess ergeben bzw. welche Kosten invalide Datenanalysen mit sich bringen.

3. Toolauswahl

  • Überlege bei der Toolauswahl, inwiefern die Anforderungen an die Machine Learning Methoden abgebildet werden und die Tool-Features passend für die individuelle Fragestellung sind.
  • Involviere dabei alle beteiligten Teams um den Nutzerbedarf richtig abzubilden.
  • Nutze Demos oder kostenfreie Testphasen.

Noch klingt das ganze nach Zukunftsmusik und das ist es auch. Es ist aber auch ein super spannender Trend, den man als Daten-Nerd unbedingt verfolgen sollte. Wenn Augmented Analytics tatsächlich das halten kann, was es verspricht, wird das die Zukunft der Datenanalyse. Allerdings muss dabei auch sichergestellt werden, dass dieses mächtige Instrument nicht missbraucht und falsch eingesetzt wird, wenn es der breiten Masse von Business Usern zugänglich gemacht wird. Deshalb bleibt der Beruf des Data Scientisten auch in Zukunft unersetzbar.

Der Erfolg hängt wohl von einer Reihe von Faktoren ab, nicht zuletzt davon, inwiefern es gelingt, den mind shift im E-Commerce-Umfeld voranzutreiben und mehr Unternehmen dazu zu bringen, ihre Entscheidungen vor allem auf Basis von Daten zu treffen. Dazu braucht es auch einen gewissen Wandel in der Unternehmenskultur; weg vom Bauchgefühl hin zum datengetriebenen hocheffizienten Unternehmen. Das mag mehrere Jahre dauern. Es bleibt also spannend und wir halten Dich natürlich mit den neuesten Entwicklungen und Trends hier im Blog und in unserem Newsletter auf dem Laufenden.

Nutzt Du bereits Augmented Analytics Tools? Würden Dir Augmented Analytics Dein Arbeitsleben erleichtern? Lass es mich in den Kommentaren wissen!

Quellen:

  • https://pixabay.com/de/finger-ber%C3%BChren-hand-struktur-3139200/#
  • https://marketingland.com/4-questions-launch-data-driven-email-strategy-236118
  • https://www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-for-emerging-technologies-2017/
  • https://www.qlik.com/us/products/qlik-sense
  • https://www.archie.ai/

Über den Autor

Dr. Julia Engelmann

Principal Data Sciences

Julia hat sich als promovierte Volkswirtin einige Jahre intensiv mit ökonometrischen Modellen und statistischen Methoden beschäftigt und an der Helmut-Schmidt-Universität in Hamburg dazu gelehrt und geforscht. Im Data Science Team und Onsite Testing Team bei der Zalando SE in Berlin hat sie das Wissen und die Erfahrung in der Praxis angewendet und dort zahlreiche A/B Tests und Datenanalysen zum Nutzerverhalten durchgeführt. Als Principal Data Science bei konversionsKRAFT kümmert sie sich um die Bereiche Data Analytics und Data Science, Personalisierung und Web Analytics. Ihr Fokus liegt darauf, relevante Erkenntnisse über das Nutzerverhalten aus den Daten und Modellen zu generieren und für wirksame Optimierung und Personalisierung der digitalen Customer Journey zu nutzen.
Frage zum Artikel? Frag den Autor!

6 Kommentare

  1. Gravatar

    Marcel,

    Sehr aufschlussreich und ausführlich. Danke für den Beitrag.

    Beste Grüße

  2. Gravatar

    timbowaffel,

    Hat jetzt nicht so viel mit dem Thema zu tun.
    Wo auf der Limbic Map würde ich Menschen finden die DIY Innenrenovierung
    betreiben? Ich würde sie bei Individualismus, Mut, Autonomie, Erfolg und Stolz einordnen. Diese Leuten legen doch sicher trotzdem wert auf die Qualität der Produkte
    die sie verbauen und möchten der Firma vertrauen. Obwohl das dann mehr in Richtung Balance geht. Kann man mit unmoderierten User-Testing die wirkliche Motivation raus finden oder was ist eine gute Methode es raus zu finden?

    • Gravatar

      Deniz Kilic,

      Hallo Timbo,
      eine sehr interessante Frage, Danke Dir dafür. Ich würde Dir per E-Mail antworten, wenn das in Ordnung ist.
      Herzliche Grüße
      Deniz

  3. Gravatar

    timbowaffel,

    Hey Deniz,
    darüber würde ich mich sehr freuen. 🙂

  4. Gravatar

    Janet,

    Großartiger Artikel, jetzt weiß ich mehr über den Prozess der Datenanalyse. Ich habe die UIZ (www.webdesign-bpo.de) mit der Datenanalyse meines Unternehmens beauftragt, aber wenn ich mehr über den Prozess und alle wichtigen Schritte lerne, fühle ich mich stärker beteiligt.

  5. Gravatar

    Sam,

    Sehr hilfreich. Vielen Dank!

Schreibe einen Kommentar

Teile diesen Artikel

Kostenlos anmelden