Da die Welt immer datengesteuerter wird, greifen Unternehmen auf Self-Service-Analysen zurück, um Geschäftsanwendern die Durchführung ihrer eigenen Datenanalyseaufgaben zu ermöglichen. Bei Self-Service-Analysen können Geschäftsanwender ohne Hilfe oder Unterstützung von IT-Personal oder Datenwissenschaftlern auf Daten zugreifen und diese analysieren. Durch den direkten Zugriff auf ML-gestützte Analyseplattformen können sie bessere Geschäftsentscheidungen treffen, indem sie das Kundenverhalten analysieren oder Trends in Echtzeit erkennen.
In den letzten fünf Jahren haben vollautomatische und halbautomatische Softwaresysteme zuverlässigere Analysen und Business-Intelligence-Berichte (BI) geliefert als menschliche Datenwissenschaftler. Während sich die BI-Technologie mit künstlicher Intelligenz in Richtung vollständiger Selbstbedienung bewegt, besteht in der Data-Science-Community die allgemeine Sorge, ob in einem ständig wachsende Self-Service-Analytics-Welt, Menschliche Datenwissenschaftler werden durch das Vorhandensein superintelligenter Analyse- und BI-Tools überflüssig werden.
Sind Self-Service Analytics und Business Intelligence ein Mythos?
Derzeit werden viele Analyse- und Business-Intelligence-Aufgaben von halbautomatischen oder vollautomatischen Analyseplattformen erledigt, insbesondere solchen, die von betrieben werden KI und Tools für maschinelles Lernen (ML). Es ist interessant festzustellen, dass menschliche Datenwissenschaftler den Bereich des Data Mining dominierten, bis vor kurzem fortschrittliche ML-fähige Tools viele Aufgaben übernahmen. Data-Mining-Techniken jahrelang von menschlichen Experten streng gehütet, wurden nun plötzlich durch fortschrittliche ML-Tools ersetzt. Diese Tools können Muster in Daten erkennen, Korrelationen herstellen und die erforderlichen Erkenntnisse extrahieren, wie sie von normalen Geschäftsanwendern benötigt werden.
Self-Service-BI ist kein Mythos, da aktuelle Unternehmen jeder Größe routinemäßig verpackte maschinelle Lernalgorithmen für eine profitable Entscheidungsfindung verwenden. Die Algorithmenökonomie wird bleiben. Die Verwendung gepackter Algorithmen für Geschäftsanalysen bietet zwei offensichtliche Vorteile: die Kosten und die sofortige Verfügbarkeit.
Zwei deutliche Trends, die die Self-Service-Business-Intelligence-Welt vor langer Zeit definiert haben, sind noch immer sichtbar: die tiefe Faszination für Click-Button-Analysen anstelle von Codierungsanalysefunktionen und die Beschäftigung mit virtuellen Datenrepositorys.
Die Rolle von Datenwissenschaftlern in der Welt der Self-Service-Analysen
Während sich die „Datenkultur“ schnell ausbreitet, schaffen Datenwissenschaftler immer noch Mehrwert für das Unternehmen, indem sie Technologie nutzen, um schnellere und genauere Lösungen für alle Arten von Benutzern bereitzustellen.
Die Self-Service-BI-Revolution bringt Datenwissenschaftler in den Geschäftskorridor, wo sie komplexe Analyseprobleme mit anderen Mitarbeitern diskutieren. Das enorme Wachstum von Citizen Data Scientists und Tools für maschinelles Lernen hat zum Aufstieg von Self-Service-Analysen und Self-Service-BI geführt. Dieser DATAVERSITY®-Artikel beschreibt eine reale Reise in die heutige Geschäftspraxis von Self-Service-BI. Darin wird darauf hingewiesen, dass automatisierte cloudbasierte Tools die Rollen von Business Analytics und Data Scientists übernommen und in die Hände von Citizen Data Scientists gelegt haben. Allerdings ist nur ein Datenwissenschaftler qualifiziert, die Lücke zwischen „roher Intelligenz“, die aus intelligenten Plattformen gewonnen wird, und entscheidungsfreundlichen Erkenntnissen, die über Dashboards bereitgestellt werden, zu schließen. Der durchschnittliche Geschäftsanwender kann in der Self-Service-Welt möglicherweise etwas mehr leisten als nur das Filtern und Gruppieren von Daten, kann jedoch keine fortgeschrittenen Visualisierungsaufgaben ausführen.
Datenaufbereitung und -extraktion noch bleiben die größten Herausforderungen bei automatisierten BI-Plattformen und die komplexen Zusammenhänge zwischen vielen verwandten Technologien wie Hadoop, Große Daten, und Datenerkennung stellen eine Bedrohung für den Zugang, die Nutzung und das Verständnis von Technologie in der Selbstbedienungswelt dar. „Assisted BI“ könnte ein besserer Begriff sein, um die Zukunft der Self-Service-Business-Intelligence zu beschreiben. Darüber hinaus erwiesen sich Datensicherheit und Data Governance als herausfordernde Themen in der Self-Service-BI-Welt, für die Unternehmen zwischen fortschrittlicheren BI-Plattformen wählen mussten teure und gut ausgebildete Datenprofis.
Der Aufstieg der Citizen Data Scientists in Self-Service Analytics
Heutzutage benötigen normale Geschäftsanwender Self-Service-Plattformen, um ihre Aufgaben schnell und einfach zu erledigen. Der wichtigste Grund für diese transformative Unternehmensverlagerung hin zu Self-Service-BI war die drohende Talentlücke im Data-Science-Beruf, die McKinsey vor vielen Jahren prognostizierte.
Sehr schnell begannen Unternehmen, nach Lösungen für diese Personallücke zu suchen. Eine davon bestand in der Beschaffung, dem Aufbau und der Bereitstellung von Self-Service-Analyse- und BI-Plattformen, um ihren internen Bedarf zu decken. Natürlich werden Technologien wie Cloud, IoT usw. zusammengeführt Große Daten stärkte auch langfristig die „Lebensfähigkeit“ von Selbstbedienungsplattformen. In dieser neu entwickelten, selbstgesteuerten Analysewelt wird der Citizen Data Scientist als Partner und Mitarbeiter des ausgebildeten Data Scientist gesehen.
Der Datenwissenschaftler als Mitarbeiter einer selbstdenkenden BI-Plattform
Derzeit richten sich Business-Intelligence-Lösungen an zwei sehr unterschiedliche Verbrauchersegmente: normale Geschäftsanwender und professionelle IT-Teams. Während Geschäftsanwender davon begeistert sind, bei routinemäßigen Analyse- oder BI-Aufgaben selbstständig zu werden, freuen sich IT-Teammitglieder auch über die schnellere Gewinnung tiefer Erkenntnisse durch den Einsatz automatisierter oder halbautomatisierter BI-Tools.
Ein AnalyticsInsights.net Der Artikel untersucht, ob menschliche Datenwissenschaftler mit dem plötzlichen Aufstieg des Bürgerdatenwissenschaftlers aus dem Unternehmen verschwinden werden. In diesem Artikel gibt es einen deutlichen Hinweis darauf, dass der Tag endlich kommen wird, an dem der durchschnittliche Geschäftsanwender zusammen mit superleistungsfähigen ML-Plattformen die Data-Science-Community möglicherweise vollständig ersetzen wird.
Nach Angaben des Weltwirtschaftsforums bedrohen die jüngsten technologischen Umwälzungen zwar die Arbeitsplätze von Angestellten auf der ganzen Welt, Datenanalysten werden jedoch auf lange Sicht gefragt sein, um Self-Service-Business-Intelligence-Plattformen zu unterstützen.
Self-Service-BI oder unterstützte BI: Was ist besser erreichbar?
Um in der Welt der Analyse erfolgreich zu sein, müssen Unternehmen Benutzer finden, die sowohl Technologie als auch Geschäftsprozesse verstehen. In der Welt der intelligenten Analysen sind Unternehmen ständig auf der Suche nach Tools und Lösungen, die ihnen helfen, die riesigen Datenmengen, die sie generieren, zu verstehen. Allerdings können schlecht verwaltete Analyseprozesse zu ungenauen Erkenntnissen und schlechter Entscheidungsfindung führen.
Hier kommen die benötigten Datenwissenschaftler ins Spiel – sie verfügen über die notwendigen Fähigkeiten, um aus Rohdaten aussagekräftige Erkenntnisse zu gewinnen und komplexe Datenkorrelationen zu interpretieren, die für den Durchschnittsbenutzer möglicherweise nicht offensichtlich sind. Während künstliche Intelligenz und andere Technologien in den letzten Jahren erhebliche Fortschritte gemacht haben, besteht weiterhin Bedarf an menschlichen Datenwissenschaftlern, die eine einzigartige Perspektive einbringen können.
Die Data Science-Community spielt eine wichtige Rolle bei der Weiterentwicklung unseres Datenverständnisses und der Entwicklung neuer Tools für die Analyse und Entdeckung in dieser sich ständig weiterentwickelnden BI-Welt Algorithmenökonomie drängt die Geschäftswelt dazu, „Einblicke“ aus einfachen Informationen zu gewinnen. Die Kernaktivität, die geschäftliche Erkenntnisse liefert, ist jedoch die Analyse, und ohne fortschrittliche Analyse- oder BI-Tools werden Unternehmen in der zukünftigen Welt des globalen Wettbewerbs auf dem Weg zum Scheitern sein. Das ist wo eingebettete Analysen komm in das Spiel. In einem Embedded-Analytics-Projekt sind von Anfang bis Ende Analysekenntnisse und qualifizierte Arbeitskräfte erforderlich. In der zunehmend wettbewerbsintensiven Geschäftswelt werden neben Self-Service auch unterstützte Analysen erforderlich sein.
Self-Service-Analyseplattformen werden als „zweischneidiges Schwert“ wahrgenommen. Während die Einfachheit und Leistungsfähigkeit von Self-Service-BI unbestreitbar ist, stellt die langfristige Wartbarkeit dieser Plattformen im Hinblick auf Datensicherheit, Datenverwaltung und Datenverlust eine große Herausforderung dar. Dies bedeutet, dass für die Wartung dieser Systeme hochqualifizierte IT-Teams erforderlich sind.
Risiken und Vorteile von Self-Service BI
Der größte Vorteil der Self-Service-Analyse- und BI-Plattform besteht darin, dass sie normale Geschäftsanwender in die Lage versetzt, Citizen Data Scientists zu werden. Während sie ihre täglichen Aufgaben innerhalb strenger Zeitvorgaben erledigen, finden die Geschäftsanwender die Self-Service-Plattformen sicherlich praktisch und leicht zugänglich Ihre Arbeit wurde ohne viel Aufhebens erledigt.
Der größte Nachteil bzw. das „Risiko“ einer Self-Service-Plattform besteht darin, dass Benutzer möglicherweise keine Erkenntnisse aus den verfügbaren Daten ableiten, die Ergebnisse falsch interpretieren oder die Erkenntnisse falsch anwenden. Während der menschliche Datenexperte weiß, wie er bei Problemen mit der Maschine sprechen kann, verfügt der durchschnittliche Geschäftsanwender nicht über diese Fähigkeiten. In vielen Situationen ist der Citizen Data Scientist immer noch gezwungen, sich an echte Datenwissenschaftler zu wenden, um Hilfe und Unterstützung zu erhalten.
Die Datenexplosion, zunehmende Datentypen, neue Technologien und die Cloud haben sich verschlimmert trotz Datenaufbereitungs- und Datenzugriffstools die Herausforderungen der Self-Service-Analyse meistern. Darüber hinaus gibt es Probleme im Zusammenhang mit der Datensicherheit und Datenverwaltung in Self-Service-Analyseplattformen, die gelöst werden müssen. Alles in allem kann ein „verteiltes BI-Framework“ mit voller Berücksichtigung von Sicherheits- und Governance-Fragen überzeugen.
Abschluss
In der Welt der Self-Service-Analysen werden weiterhin Datenwissenschaftler benötigt, um die Business Intelligence zu verbessern und Unternehmen dabei zu helfen, bessere Geschäftsentscheidungen zu treffen. Während Self-Service-Analyseplattformen es Benutzern ermöglichen, selbst auf Daten zuzugreifen und diese zu analysieren, ist dies durch die Kenntnisse des Benutzers über Analysemethoden eingeschränkt. Datenwissenschaftler können BI-Aktivitäten verbessern, indem sie prädiktive Analysen und leistungsstarke ML-Tools nutzen, um prädiktive Erkenntnisse zu generieren.
In der Welt der Self-Service-Analysen übernehmen Geschäftsleute jetzt mehr Verantwortung für ihre eigenen Datenanforderungen. Sie benötigen jedoch weiterhin Teams von Datenexperten, die Lösungen finden. Datenwissenschaftler sind in dieser Welt immer noch wichtig, da Benutzer Informationen zur Hand haben müssen, wenn sie Fragen stellen.
Während Self-Service-Analysetools Geschäftsbenutzern bei der Durchführung grundlegender Analyseaufgaben helfen können, werden Datenwissenschaftler benötigt, um dieselben Benutzer bei der Durchführung komplexerer Aufgaben und der Durchführung tiefgreifender Analysen zu unterstützen.
Bild wird unter Lizenz von Shutterstock.com verwendet