Augmented analytics is een veelbesproken onderwerp, maar wat betekent deze term precies? Wat heeft Big Data te maken met de term? De term augmented analytics is in 2017 door onderzoeksbureau Gartner geïntroduceerd. Inmiddels wordt deze vorm van analytics gezien als de toekomst van business intelligence (BI) en data analytics, waaronder ook voorspellende analytics valt.
Wat is Augmented Analytics?
Volgens de meest eenvoudige definitie is augmented analytics een vorm van analytics aangevuld (augmented) met kunstmatige intelligentie. Denk hierbij aan machine learning-algoritmes en natural language processing (NLP). Machine learning automatiseert complexe analytische processen, zoals het voorbereiden van data en verzamelen van inzichten. Met NLP kunnen ongetrainde gebruikers vragen stellen over data, waarop zij via gesproken taal de antwoorden krijgen aangereikt.
Wat maakt augmented analytics zo belangrijk?
Data biedt in de moderne economie de grootste kansen. Dankzij data-analyse weten bedrijven onder meer wat zij produceren, wanneer zij deze producten het beste op de markt kunnen brengen en hoe hun organisatie zich in de toekomst moet ontwikkelen.
De hoeveelheid data die bedrijven vandaag de dag verzamelen is echter dusdanig groot, dat deze niet langer door uitsluitend mensen kunnen worden geanalyseerd. Ondanks de grote behoefte aan snelle antwoorden kunnen bedrijven door de omvang van datasets niet aan deze vraag voldoen. Technologieën als kunstmatige intelligentie (AI) en machine learning zijn nodig voor het extraheren van betekenisvolle inzichten uit Big Data.
Meer lezen over Machine Learning in combinatie met data? Lees het blog!
Beter samenwerken met het data science team
Het analytische proces bestaat uit handmatige, tijdrovende stappen die dusdanig gecompliceerd zijn dat zij doorgaans alleen door datawetenschappers kunnen worden uitgevoerd. Door datawetenschappers meer tijd te geven voor belangrijkere taken zoals het interpreteren van resultaten, vergroten augmented analytics de waarde die deze analisten leveren. AI- en machine learning-gebaseerde analytics helpt hen verbindingen te ontdekken die zij anders wellicht gemist hadden en diepere inzichten te verkrijgen in minder tijd.
De technologieën ondersteunen ook werknemers in andere analytische functies, variërend van business analisten tot citizen data scientists. AI- en machine learning-gebaseerde analytics verbetert hun inzicht en laat hen werk uitvoeren dat voorheen alleen door gespecialiseerde datawetenschappers werd uitgevoerd.
Analytics toegankelijk maken voor ongetrainde gebruikers
Een belangrijk voordeel van augmented analytics is dat ongetrainde werknemers als analist kunnen functioneren. Complexe analytische processen zijn geautomatiseerd en gebruikers kunnen data opvragen door het stellen van eenvoudige vragen. Analytische kennis is dan niet nodig voor het toepassen van geavanceerde analyses. Machine learning helpt deze werknemers bij het bedenken van de volgende vraag en doet daarnaast suggesties voor onderwerpen waarin zij dieper kunnen duiken.
Met augmented analytics zijn antwoorden op vragen beschikbaar in kant-en-klare datavisualisaties, zoals tabellen, grafieken en kaarten. Gebruikers hoeven deze niet zelf te creëren. Zij kunnen deze visualisaties via eenvoudige commando’s onderzoeken, combineren tot data stories en zijn eenvoudig delen met andere teams en managers. Zonder dat dit specifieke kennis vereist.
Wat zijn de drie vormen van analytics?
Analytics en business intelligence zijn in recente jaren snel ontwikkeld van geavanceerde tools voor data en analytics professionals tot machine learning-analytics die voor iedereen bruikbaar is.
We maken onderscheid tussen drie vormen van analytics:
1. Traditionele analytics
- Gedreven door IT
- Beperkte autonomie voor gebruikers
- Geavanceerde tools voor data en analyticsprofessionals
- Gericht op grootschalige rapportages
2. Self- service analytics
- Gedreven door de business
- Biedt gebruikers meer autonomie
- Gebruiksvriendelijke interface
- Focus op gebruiker-gedreven inzichten
3. Augmented analytics
- Gedreven door AI en machine learning
- Volledige autonomie voor gebruikers
- AI-tools en begeleide processen
- Focus op snelle en diepe inzichten die voorheen verborgen waren
- Aanvulling op de traditionele analytics
Wat zijn de voordelen van Augmented Analytics?
-
Data sneller voorbereiden:
Analisten zijn zo’n 80% van hun tijd kwijt aan het voorbereiden van data voor analyses. Zij exporteren grote datasets – met soms wel miljoenen gegevens – en combineren deze, schonen de gegevens op en structureren de data. Bij augmented analytics automatiseert machine learning dit proces. Daardoor houden analisten meer tijd over voor waardevollere activiteiten en neemt het aantal menselijke fouten af.
-
Geautomatiseerde analyses:
Machine learning-modellen kunnen complexe analyses automatiseren waarmee datawetenschappers anders weken bezig zijn. Antwoorden en datavisualisaties zijn direct beschikbaar voor gebruikers, die hierdoor minder tijd kwijt zijn aan het doorspitten van data. Zij houden hierdoor meer tijd over voor het delen van data stories met het management en het nastreven van verandering.
-
Diepere inzichten:
Machines bekijken data op een andere manier dan mensen. Zij kunnen veel grotere datasets vanuit meer perspectieven onderzoeken. Ook kunnen machines statische correlaties, relaties en patronen identificeren die voor het menselijk oog onzichtbaar zijn. Machines kunnen data snel en op grote schaal begrijpen, menselijke intelligentie verrijken met inzichten zonder vooroordelen en gebruikers vertellen waar zij hun aandacht op zouden moeten richten.
-
Conversationele analytics:
Met NLP – dezelfde conversationele AI-technologie waarop digitale assistenten als Siri en Alexa zijn gebaseerd – kunnen gebruikers zonder kennis van query-talen of programmeercode op een conversationele manier – spraak bijvoorbeeld- vragen stellen over data. Dankzij natural language generation (NLG) kan de technologie in volledige zinnen antwoorden samenvatten of toelichten, zowel gesproken als geschreven.
-
Directe business context:
Inzichten zonder business context kennen geen waarde. Machine learning-algoritmes kunnen door inachtneming van de intentie en het gedrag van gebruikers inzichten met context leveren waarop acties kunnen worden gebaseerd. Doordat analytics breder beschikbaar is kunnen managers en ervaren werknemers inzichten verrijken met hun uitgebreide kennis en begrip van business modellen en operationele processen.
Use cases
Augmented analytics revolutioneert bedrijfsprocessen. Wat betekent dit echter in de praktijk? We zetten enkele voorbeelden van use cases voor augmented analytics voor de financiële afdeling, sales, marketing, logistiek, HR en debiteurenafdeling op een rij.
Financieel: Een business analist kan augmented analytics inzetten voor het voorspellen van declaraties voor verschillende afdelingen.
Sales en marketing: Augmented analytics leveren sales- en marketingteams rijkere klantprofielen op en helpen bij het snel identificeren van cross- en up-sellkansen.
Productie: Een analist van een staalfabrikant kan augmented analytics inzetten voor het voorspellen, monitoren en controleren van de kosten in vijf verschillende Europese fabrieken.
HR: HR-managers kunnen met behulp van de technologie het personeelsverloop voorspellen, de oorzaken hiervan in kaart brengen en actie ondernemen voor het behoud van goed presterende werknemers.
Debiteurenafdeling: Medewerkers van de debiteurenafdeling kunnen met behulp van machine learning late betalingen voorspellen, de juiste strategie betalen voor het innen van achterstallige betalingen en de cashflow continu in de gaten houden.
Meer weten over augmented analytics? Klik hier!
