Warum Ihr Datenanalyst eine Maschine sein sollte

Sie streben nach besserer, tiefgehenderer Datenanalyse? Dann sollten Sie statt auf einen menschlichen Analysten lieber auf eine Maschine setzen. Warum? Wir verraten es Ihnen. [...]

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.

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 der Publikation CIO Australia.

*Mark Thompson