Wir leben in einer Welt in der mehr Informationen denn je kreiert und konsumiert werden. Die Notwendigkeit, diese Daten zu erfassen und verstehen zu können, hat zum Aufstieg der Künstlichen Intelligenz (KI) geführt. Die verschafft inzwischen nicht wenigen Unternehmen deutliche Wettbewerbsvorteile, wenn es darum geht, die Customer Experience zu optimieren.
Foto: Olena Yakobchuk - shutterstock.com
Doch mit dem fortschreitenden Informations-Zeitalter steigt auch das Bedürfnis nach immer tiefgehenderen, schnelleren und zugänglicheren Insights. Mit einer Maschine als Datenanalyst dürften die meisten Unternehmen dabei allerdings besser fahren, als mit einem menschlichen Datenanalysten. Wir nennen Ihnen drei Gründe, warum das so ist.
1. Der Data-Analytics-Fachkräftemangel
Der Übergang zu maschinell erstellten Data Insights ist nicht über Nacht passiert. Schon seit Jahren besteht auf dem Gebiet Data Analytics und Data Science weltweit ein akuter Fachkräftemangel. Ein Problem, das den Aufstieg der Künstlichen Intelligenz im Bereich Customer Experience erst möglich gemacht hat. Zwar wurden die Prozesse durch KI-Systeme deutlich vereinfacht und beschleunigt, das Defizit an menschlichen Fachkräften besteht weiterhin.
Parallel zu diesem Problem haben sich aber auch unsere Erwartungen hinsichtlich dessen, was man unter "wichtigen Daten" versteht, in den letzten zehn Jahren fundamental verändert. Um Insights zur Kundenerfahrung gewinnen zu können, nutzen wir inzwischen sowohl strukturierte, als auch unstrukturierte Daten.
Und gerade die Möglichkeiten, die letztgenannte bieten, sind noch längst nicht vollständig erschlossen. Eine aktuelle Gartner-Studie geht davon aus, dass 80 Prozent aller Business-relevanten Informationen auf unstrukturierte Daten (vorwiegend in Form von Text) zurück zu führen sind. In den nächsten fünf Jahren soll die Nutzung unstrukturierter Daten im Unternehmensumfeld um 800 Prozent zulegen, so das Beratungshaus.
Und auch wenn der Bereich Data Analytics nicht wie erwartet wachsen sollte - es gibt schlicht nicht genug menschliche Ressourcen, um der Nachfrage nach und den heutigen Erwartungen an Datenanalysen gerecht zu werden. Zeit für Disruption.
2. Die menschliche Fehleranfälligkeit
Neben den offensichtlichen Vorteilen, die eine Maschine gegenüber einem Menschen bietet - also erhöhte Geschwindigkeit und reduzierte Kosten - gibt es einen ganz entscheidenden: Die Absenz des menschlichen Naturells. Denn menschliches Irren und Befangenheit können Daten und Erkenntnisse wesentlich verfälschen. Und weil die Vorbereitungen und das Coden an sich ziemlich langwierige Prozesse darstellen, kann es auch sein, dass menschliche Datenanalysten sich selbst "automatisieren" und so erst eine ganz individuelle Voreingenommenheit entwickeln.
Zu menschlichen Fehleinschätzungen aufgrund persönlicher Vorlieben und Abneigungen kann es auch im Analyseprozess selbst kommen. Stellen Sie sich ein komplexes Unternehmen vor, das mehrere Schlüsselentscheidungen priorisieren muss, von denen jede in Zusammenhang mit der Customer Experience steht. Wie kann ein Entscheider sicherstellen, dass die Insights und die zugrundeliegenden Daten für jeden Business Case absolut unvoreingenommen entstanden sind und somit objektiv miteinander verglichen werden können?
Da KI-Systeme zunehmend komplexe Daten händeln und daraus Erkenntnisse ziehen, können sie auch helfen, bewusste oder unbewusste Voreingenommenheit zu reduzieren, beziehungsweise diese erst aufzudecken. Das wiederum gibt Unternehmen die Möglichkeit, den Einfluss solcher Tendenzen zu erkennen und entsprechend entgegen zu wirken. So werden Business-Entscheidungen von objektiven Daten getrieben und die kognitiven blinden Flecken identifiziert, die eventuell zu schlechten Entscheidungen führen.
3. Der neue Datenanalyst
Vor nicht allzu langer Zeit musste die Branche der Finanzdienstleister ähnliche Klippen umschiffen. Als Software die Branche revolutionierte, waren Buchhalter und Wirtschaftsprüfer gezwungen, ihren Wertbeitrag in Richtung Kunden zu verschieben. Statt sich mit traditioneller Buchhaltung oder Steuerberatung aufzuhalten, nehmen die Finanzberater nun eher die Rolle eines "Director of Finance" ein, während die Technologie deren frühere Aufgaben übernimmt.
Als Antwort auf die höhere Arbeitsgeschwindigkeit und die tiefgehenderen Insights, die Maschinen heute bei Datenanalysen erzeugen, sollten es menschliche Data Analysts ihren Kollegen aus der Finanzbranche gleichtun. Die Ergebnisse der KI sollten mit breiter gefassten, organisatorischen oder fachlichen Erfahrungen angereichert werden, die für das Unternehmen von zusätzlichem Wert sind.
Tatsächlich ist die "Verbrüderung" von menschlichen Datenanalysten und Künstlicher Intelligenz längst im Gange: Eine Studie des Beratungshauses PwC aus dem Jahr 2016 kommt zu der Erkenntnis, dass die Analysen, auf der die nächsten strategischen Entscheidungen gefällt werden, zu 59 Prozent menschlichem Urteilsvermögen entspringen, während 41 Prozent auf Algorithmen entfallen.
Data-Analytics-Jobs für Mensch und Maschine
Wenn Sie eine Maschine einem Datenanalysten vorziehen, spart das Zeit und Ressourcen. Dennoch werden menschliche Data Analysts dadurch längst nicht überflüssig.
Die fortschreitende Demokratisierung der Künstlichen Intelligenz wird repetitive Aufgaben zunehmend zur KI-Sache machen. Datenanalysten aus Fleisch und Blut können (und müssen) sich so darauf konzentrieren, echte Antworten und Insights zu generieren - in einer zuvor nicht für möglich gehaltenen Geschwindigkeit. Und weil immer mehr KI-Frameworks in neue Systeme eingebettet werden, wird auch die Kollaboration zwischen Mensch und Maschine immer einfacher. Am Ende stehen im Idealfall intelligentere und kontextabhängige Lösungen - solche, die fähig sind, Unternehmen grundlegend zu transformieren.
Dieser Artikel basiert auf einem Beitrag unserer Schwesterpublikation CIO Australia.
- Fünf gute Gründe ...
... warum Analytics nicht in die IT-Abteilung, sondern in die Fachbereiche gehören und warum jeder Fachbereichsleiter einen Data Scientist in seinem Team haben sollte. - Analytics können helfen, Unternehmensziele zu erreichen
Analytics dient keinem Selbstzweck. Der Wert von analytischen Services oder Datenprodukten entsteht erst durch die Einbindung in Geschäftsprozesse. Erst durch die Realisierung eines effektiven Nutzens in Form von Effizienzsteigerungen und damit verbundenen Kostensenkungen, der Generierung von Neugeschäft oder eine gesteigerten Kundenloyalität werden tatsächliche Effekte im Geschäftsergebnis messbar.<br /><br /> Fachbereiche sind in ihrer Funktion für die Steigerung von einzelnen Erfolgsfaktoren verantwortlich und haben daher ein Interesse zu verstehen, an welcher Stelle ihnen Analytics helfen kann. Zudem sollten die Mitarbeiter im Fachbereich auch zu einem Stück weit verstehen, wie die Analysen funktionieren, um mit dem Wissen zu ihren Geschäftsproblemen beispielsweise das Transferdenken zu leisten, wie man Daten anreichern sollte oder welche zusätzlichen Analysen durchgeführt werden sollten. Außerhalb des Fachbereichs hat für gewöhnlich niemand das entsprechende Interesse die Unternehmenskennzahlen in dem speziellen Bereich positiv zu beeinflussen und kein anderer kann es besser. - Anwendungsfälle ergeben sich aus den Erfahrungen, die Mitarbeiter im täglichen Betrieb sammeln
Gesunder Menschenverstand, Erfahrungswerte für Abwägungen zwischen Machbarem und Sinnvollem und ein Gespür für die echten Probleme in einem Unternehmensbereich sind relativ seltene Fähigkeiten, schwer zu erlangen und wenn dann über einen längeren Zeitraum im täglichen Geschäft entstanden. Das unverzichtbare Wissen, die sogenannte "Magic Sauce" für eine erfolgreiche Anwendung von analytischen Fähigkeiten ist und bleibt in den Fachbereichen. - Data Scientists brauchen das Know-how des Fachbereichs, um Modelle praxisrelevant zu entwickeln
Ein guter Data Scientist zeichnet sich durch ein breites Wissen von analytischen Methoden, Anwenderkenntnis von analytischen Technologien, Fähigkeiten zur Datenaufbereitung und Kreativität aus. Aber die Arbeit eines Risikoanalysten bei einer Bank und eines Marketinganalysten bei einem Online-Händler unterscheiden sich.<br /><br />Der Grund, warum sie ihre Jobs nicht ohne weiteres tauschen können, ist das Verständnis über ihren Fachbereich und das Wissen was funktioniert und was nicht. So wertvoll Datenprodukte für einzelne Fachbereiche sein können, häufig ist es ein Ansatz aus Testen und Lernen, der aus einem analytisch einwandfreien Modell ein für den praktischen Einsatz wertvolles und nachhaltiges Datenprodukt generiert. - Ergebnisse müssen interpretiert und Maßnahmen abgeleitet werden
Auch wenn der Data Scientist nicht im Fachbereiche angesiedelt ist: Eine enge Zusammenarbeit ist unerlässlich. Spätestens wenn es an das Verstehen von Ergebnissen und Ableiten von Maßnahmen oder die Integration in Geschäftsprozessen geht, nehmen Fachbereiche die Führungsrolle ein. Je enger die Einbindung während der gesamten Entwicklung des analytischen Anwendungsfalls, desto wahrscheinlicher ist die Akzeptanz und Relevanz für die Anwendung in den Fachbereichen. - Ein Data Scientists im eigenen Team schafft Agilität und Vorsprung
Sobald dem Fachbereich bewusst ist, welchen Mehrwert Analytics und die richtige Datenauswertung bietet, können sich Data Scientists häufig nicht mehr vor kurzfristigen Anfragen retten und müssen ihre Kapazität zwischen Fachbereichen balancieren. Arbeitet Data Scientist jedoch im eigenen Team, ist er schneller erreichbar. Analyseprojekte können dauerhaft weiterentwickelt werden und auf die immer schneller wechselnden Prioritäten vieler Fachbereiche kann reagiert werden. Der Data Scientist kann sich mit der Zeit Fachbereichswissen aneignen, entlastet somit andere Fachmitarbeiter und kann sie zugleich in ihren analytischen Fähigkeiten weiterentwickeln – als Hilfe zur Selbsthilfe für die Kollegen im Fachbereich.