Mit dem Einsatz von Machine Learning Algorithmen soll Webanalyse künftig wesentlich effizienter und smarter werden – schon ein Trend, oder noch Zukunftsmusik? Und sicher einsetzbar, oder aufgrund der vielfältigen Einsatzszenarien eher ein Risiko? Wer entscheidet dann über die kontextuale Dateninterpretation: Maschine statt Mensch? Gartner spricht von der Zukunft der Datenanalyse, die in 2 bis 5 Jahren Realität sein soll.

Welche Herausforderungen gibt es heute in der Web Analyse?

• Qualität & Quantität: Quasi auf Knopfdruck lassen sich Unmengen von Daten aus dem Internet generieren und in Dashboards zusammenstellen. Doch verlieren viele User schnell die Übersicht über die Notwendigkeit, Nützlichkeit und Aussagekraft der erhobenen Daten und daraus gewonnene Informationen.
• Eng gefasste Betrachtungen: Die fehlende Offenheit bei der Formulierung von Fragestellungen und Hypothesen bzw. Analysezielen führt dazu dass potentielle Erkenntnisse oft außen vor bleiben.
• Fehlende Ressourcen: Besonders der Mittelstand kämpft mit oft knappen Budgets. Hier kommt die Einbeziehung von Daten aus der Web Analyse für die Unternehmensentwicklung oft zu kurz, sodass Entwicklungspotentiale nicht voll ausgeschöpft werden können.
• Mangelnde Qualifizierung: Sind Mitarbeiter nicht umfassend geschult, werden Daten oft fehlinterpretiert. Es kommt zu Missverständnissen und falschen Empfehlungen.
• Sender-Empfänger-Problem: In der Kommunikation zwischen Analyst und Manager werden Ergebnisse nicht korrekt weitergegeben oder falsch verstanden. Das führt im worst case zu gravierenden Fehlentscheidungen und Umsatzverlusten.

Um diesen Herausforderungen und Risiken zu begegnen und sich im Analytics-Umfeld auch für die Zukunft zu rüsten, wird es notwendig sein, die traditionellen Prozesse der Datenanalyse zu verschlanken und zu automatisieren. Bestehende Möglichkeiten aus dem Augmented Analytics bieten bereits heute schon ein breites Anwendungsspektrum für viele Unternehmen.

Diese Einsatzbereiche sind mit Augmented Analytics möglich:

• Augmented Data Preparation: Auf Basis von Machine Learning Verfahren und Algorithmen erhalten Anwender vollautomatisch eine einwandfrei aufbereitete Datentabelle (aber Achtung: hier ist durch den Anwender Input nötig).
• Augmented Data Discovery: Voll automatisierte Datenanalysen auf Basis von Machine Learning Algorithmen bildet schon heut die Grundlage für die Erzielung von schnellen und validen Ergebnissen – u.A. durch die Identifikation von signifikanten Unterschieden in den erhobenen Daten oder auch dem Einsatz von statistischen Methoden für Prognosemodelle. So gelingt es, frühzeitig Einflussfaktoren zu identifizieren. Die Ergebnisse werden mit Hilfe von Smart Data Visualization aufbereitet und machen Erkenntnisse direkt sichtbar.
• Conversational Analytics: Der Einsatz von AI und Chatbots macht es möglich, analytische Fragenstellungen direkt von einem Sprachassistenten – ähnlich Apple’s Siri, Amazon’s Alexa oder Google Home – erklären zu lassen.

Hilft mir Augmented Analytics? Da gibt es nur eine Antwort: Ausprobieren. Use Case identifizieren, Tools kostenfrei testen, Business Case aufstellen und entscheiden.

Weiterlesen und Ausprobieren:

Business Intelligence der 3. Generation (Qlik)
Die Symbiose von Mensch und Maschine mit IBM (Watson)
Google Analytics bis zu 60% effizienter nutzen mit der KI (Archie)

Dieser Blog Eintrag entstand mit freundlicher Unterstützung der neo.eleven GmbH.