Na het tijdperk van self-service analytics, is het nu het tijdperk van augmented analytics.
De opkomst van self-service analytics werd gedreven door het idee om zakelijke gebruikers de mogelijkheden te geven om met gegevens te werken zonder dat de vaardigheden van een getrainde data scientist of data analist nodig zijn.
Het ging erom dat ze tools kregen, zoals dashboards en andere datavisualisaties, waarmee ze naar vooraf geaggregeerde gegevens konden kijken en zelf, op het moment zelf, datagestuurde beslissingen konden nemen, zonder eerst te hoeven overleggen met datadeskundigen.
Analytics gaat nu echter verder dan self-service.
Gevoed door augmented intelligence-mogelijkheden en machine learning ontwikkelen leveranciers tools waarmee zakelijke gebruikers meer kunnen doen dan alleen kijken naar vooraf geaggregeerde gegevens om hun beslissingen te onderbouwen. Ze ontwikkelen mogelijkheden waarmee gebruikers zonder expertise op het gebied van data science een aantal taken kunnen uitvoeren waarvoor voorheen de vaardigheden van een data scientist nodig waren.
Augmented analytics-mogelijkheden stellen organisaties nu in staat om datagedreven culturen te ontwikkelen en geven zakelijke gebruikers de tools om hun eigen gegevens voor te bereiden, hun eigen datamodellen te ontwikkelen, hun eigen gegevens te bevragen, hun eigen rapporten te bouwen en uit te voeren, en zelfs geautomatiseerde inzichten te krijgen die tot actie leiden.
“We komen uit het self-service tijdperk,” zei Doug Henschen, hoofdanalist bij Constellation Research, op 11 augustus tijdens een webinar dat werd georganiseerd door analytics leverancier Tellius. “Nu zijn de trends rond augmented capabilities, die het vermogen van de computer … naar de voorgrond brengen. Dit is wat de markt vandaag vorm geeft.”
En volgens Henschen zijn er met name vier opkomende augmented intelligence-mogelijkheden – augmented data preparation, guided analysis, natural language processing en smart predictions – die analytics voorbij self-service brengen en naar het nieuwe tijdperk leiden.
“Niet al deze mogelijkheden worden door iedereen gebruikt”, aldus Henschen. “Sommige zijn nog steeds gericht op de traditionele analisten en power users, terwijl andere gericht zijn op het verbreden van de tent en het bereiken van meer zakelijke gebruikers.”
Uitgebreide gegevensvoorbereiding
Augmented data preparation tools zijn in staat om het vervelende, tijdrovende proces van het verzamelen van de juiste gegevens voor een bepaald project te automatiseren, en vervolgens die gegevens te extraheren, te transformeren en te laden om ze bruikbaar te maken en beslissingen te stimuleren.
Met behulp van algoritmen voor machinaal leren kunnen ze zowel de werklast voor datawetenschappers verlichten als bedrijfsanalisten in staat stellen zelf gegevens te manipuleren.
“Augmented data prep is [vooral] bedoeld voor traditionele gebruikers – analisten en power users – die graag zelf aan de slag gaan en data-savvy en comfortabel zijn,” aldus Henschen. “Het idee is om hun productiviteit te verbeteren en hen te helpen meer van de data prep en data engineering taken op zich te nemen die anders door IT-afdelingen zouden worden gedaan.”
De belangrijkste kenmerken van augmented data prep tools zijn onder meer geautomatiseerde data profiling, aanbevelingen voor formatting en cleansing, aanbevelingen voor data-join en maatregelen voor data governance, voegde Henschen toe.
Onder de analytics-leveranciers die augmented data preparation tools aanbieden, bevinden zich Tableau met Tableau Prep Builder en Microsoft met Power BI‘s Dataflows. Ondertussen automatiseren leveranciers van gegevensbeheer, waaronder Trifacta en Alteryx, het proces van gegevensvoorbereiding.
Geleide en intent-gedreven analyse
Begeleide en intentiegestuurde analyse wordt aangevuld met analysemogelijkheden die gericht zijn op het bieden van een gegevensworkflow voor gebruikers die niet zo data-savvy zijn.
Begeleide analysetools leiden gebruikers automatisch door de stappen van de gegevensanalyse en bieden hen een routekaart die ze kunnen volgen bij het verkennen van hun gegevens met als doel te komen tot een gegevensgedreven beslissing.
“Ze zijn erg nuttig,” zei Henschen. “Ze helpen meer gewone zakelijke gebruikers, maar verbeteren ook de productiviteit van meer traditionele gebruikers om hen te helpen dingen sneller te doen.”
Intentiegestuurde analysetools gaan ondertussen nog een stap verder en gebruiken machine learning om de gewoonten van individuele gebruikers, gebruikers binnen bepaalde afdelingen en zelfs gebruikers binnen hele organisaties te begrijpen om aanbevelingen te doen.
“Dit zijn krachtige functies die helpen de tent van data en analytics te verbreden naar meer gebruikers die misschien niet bekend zijn met alle nuances van exploratie,” zei Henschen.
Tellius, dat een tool heeft met de naam Guided Insights, is een van de leveranciers die begeleide analyses aanbiedt en ThoughtSpot behoort tot de leveranciers die geautomatiseerde aanbevelingen doen terwijl gebruikers met hun gegevens werken.
Natuurlijke taal
Natuurlijke taalverwerking (NLP) maakt codekennis overbodig.
Door simpelweg woorden in een zoekbalk te typen of zelfs tegen een apparaat te spreken, kunnen gebruikers hun gegevens doorzoeken en bevragen en ontvangen ze automatisch gegenereerde antwoorden van hun analysetools.
De hulpmiddelen kunnen de natuurlijke taal automatisch vertalen — het vaakst Engels maar ook andere prominente Europese en Aziatische talen, afhankelijk van de verkoper — in SQL om het gevraagde onderzoek of de vraag in werking te stellen en dan antwoorden terug in natuurlijke taal te vertalen.
“Het is zeker een tent-breider, waardoor meer mensen in data en analytics,” zei Henschen. “Ze voelen zich zeker op hun gemak met een Google-achtige ervaring.”
NLP omvat ook het genereren van natuurlijke taal — het gebruik van AI en machine learning om verhalen over data te produceren, of het nu gaat om data stories of korte toelichtingen op de data.
“Veel zakelijke gebruikers weten niet zeker waar ze naar kijken als ze een dashboard zien; ze weten niet zeker wat ze van een datavisualisatie moeten maken, dus natuurlijke taalgeneratie ontwikkelt een paragraaf die beschrijft wat belangrijk is in het dashboard of rapport,” zei Henschen. “Het put uit de metadata achter de schermen en geeft een tekstuele beschrijving.”
De meeste analytics-leveranciers bieden nu enige NLP-mogelijkheden. Qlik verwierf bijvoorbeeld NLP-mogelijkheden met zijn overname van Crunch Data in 2019, terwijl Yellowfin tot de leveranciers behoort die NLG-mogelijkheden bieden.
Slimme voorspellingen
Predictive analytics houdt in dat het verleden wordt gebruikt om de toekomst te voorspellen. Op basis van historische patronen, wat kan er als volgende worden verwacht?
Voorspellende analyses zijn echter complex en vereisen van oudsher datawetenschappers om modellen te bouwen en te trainen.
Maar nu kunnen zakelijke gebruikers met behulp van verbeterde analysemogelijkheden, waaronder geautomatiseerde machine learning, hun BI-platforms gebruiken om vooruit te kijken in plaats van alleen maar terug te kijken naar wat er al is gebeurd, en dat zonder code te hoeven schrijven.
Meer geavanceerde gebruikers kunnen ondertussen ook gebruikmaken van slimme voorspellende functies en anderen binnen hun organisatie in staat stellen deze voorspellingen in dashboards op te nemen, zodat ze bruikbaar zijn voor iedereen die met gegevens werkt als onderdeel van zijn workflow.
“Het brengt een bredere basis van gebruikers naar voorspellende mogelijkheden en voorspellende inzichten,” zei Henschen.
En dat is uiteindelijk de focus van augmented analytics. Met behulp van AI en machine learning zijn augmented analytics tools ontworpen om het bereik van analytics te vergroten tot buiten de getrainde data-analisten en data scientists om zakelijke gebruikers de kracht te geven om data-gedreven beslissingen te nemen.
