Viel hat sich geändert, seit der Berater Howard Dresner 1989 erstmals den Begriff Business Intelligence (BI) geprägt hat, der sich auf Datenanalysewerkzeuge und -techniken bezieht, die zur Unterstützung von Geschäftsentscheidungsprozessen verwendet werden. Die Werkzeuge und Techniken sind freilich zahlreicher und leistungsfähiger. Der übergeordnete Trend in BI war jedoch seine zunehmend egalitäre und allgegenwärtige Natur: Mehr Menschen können von mehr Orten und für mehr Zwecke auf Geschäftsdaten zugreifen und diese anpassen.
Hier sind acht BI-Trends, die diese Änderung vorangetrieben haben.
1. Augmented Analytics
Augmented Analytics – die Verwendung von maschinellem Lernen (ML) und Verarbeitung natürlicher Sprache (NLP) zur Verbesserung der Datenanalyse, des Datenaustauschs und der Business Intelligence – wurde von mehreren Forschern als einer der größten Business Intelligence-Trends bezeichnet Zu diesen Forschern gehört Gartner, der 2017 das Konzept der erweiterten Intelligenz eingeführt hat. Die allgemeine Idee hinter der erweiterten Analyse besteht darin, dass sie den BI- und Analyseprozess für Geschäftsanwender und Bürgerdatenwissenschaftler vereinfachen. Augmented Analytics-Softwaretools erledigen einen Großteil der alltäglichen Aufgaben, die mit der Vorbereitung der zu analysierenden Daten verbunden sind, z. B. Parsen und Scrubben. Unternehmen können Rohdatenquelleninformationen in diese Plattformen eingeben, die dann Geschäftsdaten bereinigen, analysieren und zur Analyse zurückgeben. Durch den Einsatz von maschinellem Lernen und NLP können erweiterte Analysetools Daten organisch verstehen und mit ihnen interagieren sowie wertvolle oder ungewöhnliche Trends erkennen. Geschäftsleute ohne datenwissenschaftlichen Hintergrund können Abfragen stellen und sich nicht nur auf statische Balkendiagramme verlassen.
Augmented Intelligence stellt eine dritte Welle von Business Intelligence dar. Die erste Welle kam in den 1980er und 1990er Jahren und stützte sich ausschließlich auf Experten der Informationstechnologie. Die zweite Welle, die Self-Service-Analytik, galt bis vor kurzem noch als neu.
2019 schätzte Gartner, dass die erweiterte Analytik bis 2023 13 Milliarden US-Dollar erreichen würde.
2. Embedded Analytics
Wie Augmented Analytics bietet Embedded Analytics Endbenutzern mehr Leistung. Wenn sie ein Daten-Dashboard sehen, möchten sie in der Lage sein, mit den Daten zu arbeiten – vergrößern, aggregieren, aus verschiedenen Blickwinkeln betrachten – per Knopfdruck. Und Unternehmen möchten diese Macht in die Hände ihrer Kunden und Mitarbeiter legen, um ihnen zu helfen, bessere Entscheidungen zu treffen. Das Erstellen interaktiver Dashboards und erweiterter Analysefunktionen ist jedoch nicht so einfach wie das Generieren einer statischen Tabelle oder eines statischen Diagramms und das Einbetten dieser in eine Ansicht oder Webseite.
Embedded BI reduziert die Arbeitsbelastung für Analyseteams und bietet Endbenutzern eine schnellere Möglichkeit, die zu erhalten Die erforderlichen Erkenntnisse ermöglichen es den Analyseteams, sich auf neue Produkte zu konzentrieren, die zum Wachstum und zur Differenzierung des Geschäfts beitragen. Analysten und Ingenieure müssen keine benutzerdefinierte Software verwenden oder sich mit Skalierbarkeits- und Sicherheitsproblemen befassen, wenn sie Endbenutzern Erkenntnisse liefern, hat Ramesh Hariharan, Mitbegründer und CTO der Beratungsfirma LatentView Analytics, festgestellt. Vielmehr können Dashboards und andere Visualisierungen in Anwendungen ohne Codes oder Bibliotheken integriert werden.
Allied Market Research prognostiziert, dass der Markt für eingebettete Analysen bis 2023 60,28 Mrd. USD erreichen wird, mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 13,6% zwischen 2017 und 2023
3. Datenvisualisierung
Wie überzeugend ist Ihre Datengeschichte? Datenqualität und Modellgenauigkeit sind wichtig, aber Sie müssen noch erklären, was die Daten bedeuten. Insbesondere müssen Sie nicht nur das was erklären, sondern auch das warum . Im Gegensatz zu einer eigenständigen Datenvisualisierung hat eine Datengeschichte einen Anfang, eine Mitte und ein Ende, so Charles Miglietti, CEO und Mitbegründer von Toucan Toco, einem Softwareunternehmen für Datengeschichten. Am Anfang sollte erläutert werden, worum es in Ihrem Bericht oder Ihrer Präsentation geht und warum dies wichtig ist. Die Mitte erklärt diese Ideen ausführlicher, und das Ende fasst die Geschichte zusammen und enthält normalerweise eine Empfehlung.
Nach Ansicht von Experten sind die vier wichtigsten Merkmale für eine erfolgreiche Datenvisualisierung und das Erzählen von Geschichten:
- Kontext. ] Für jedes Daten-Storytelling ist ein Kontext erforderlich, um den Punkt zu veranschaulichen, den Sie ansprechen möchten, und das Publikum, das Sie ansprechen.
- Ästhetik und Arten von Visualisierungen. Datenvisualisierungstools bieten viel Freiheit. Eine kreative Lizenz kann jedoch der Klarheit entgegenwirken, wenn Klarheit Ihr Ziel sein sollte.
- Erzählungen. Die Datenvisualisierungserzählung erklärt, was das Diagramm oder die Grafik bedeutet.
- Aktion. Erklären Sie, was Personen mit diesen Informationen tun sollen.
4. Datenqualitätsmanagement
Die Verwaltung der Datenqualität ist aufgrund von Änderungen in der Art und Weise, wie Daten erzeugt, verarbeitet und verwendet werden, komplizierter geworden. CompTIA stellte in seinem Bericht über Trends im Datenmanagement vom Februar 2020 fest, dass derzeit weniger Unternehmen mit dem Datenmanagement zufrieden sind als 2015. Insbesondere fühlen sich 25% der Unternehmen genau dort, wo sie mit ihrem Datenmanagement sein möchten Unternehmensdatenmanagement von 31% im Jahr 2015. In dem Bericht wurde auch festgestellt, dass 38% der Unternehmen ihre Datenanalyse beschleunigen möchten, während 37% angaben, Daten im gesamten Unternehmen integrieren zu müssen.
Datenqualitätsmanagement ist der Schlüssel dazu der Datenverwaltungsprozess. Bemühungen zur Verbesserung der Datenqualität sind häufig eng mit Data Governance-Programmen verbunden. Schlecht verwaltete Daten können zu Betriebsstörungen, ungenauen Analysen, verpassten Verkaufschancen und Geldstrafen für unangemessene finanzielle oder behördliche Compliance-Berichte führen.
5. Tools für prädiktive und präskriptive Analysen
Predictive Analytics – eine Form der erweiterten Analyse, bei der sowohl neue als auch historische Daten zur Vorhersage von Aktivitäten, Verhalten und Trends verwendet werden – hat mit dem Aufkommen von Big-Data-Systemen an Bedeutung gewonnen. Da Unternehmen größere und breitere Datenpools in Hadoop-Clustern und anderen Big-Data-Plattformen angehäuft haben, haben sie mehr Möglichkeiten für Data Mining geschaffen, um prädiktive Erkenntnisse zu gewinnen.
Predictive Analytics umfasst die Anwendung statistischer Analysetechniken, analytischer Abfragen und automatisierter Algorithmen für maschinelles Lernen Datensätze zur Erstellung von Vorhersagemodellen, die einen numerischen Wert – oder Score – auf die Wahrscheinlichkeit eines bestimmten Ereignisses setzen. Prescriptive Analytics versucht, unter Berücksichtigung der bekannten Parameter die beste Lösung oder das beste Ergebnis unter verschiedenen Auswahlmöglichkeiten zu ermitteln.
2019 wurde die Einführung von Predictive Analytics und AI als Merkmal der besten Datenspeicherprodukte des von genannten Jahres hervorgehoben. Storage Magazine und SearchStorage.
Im Jahr 2018 schätzte Zion Market Research den globalen Markt für Predictive Analytics auf etwa 3,49 Milliarden US-Dollar im Jahr 2016 und rechnete bis 2022 mit 10,95 Milliarden US-Dollar, was einem CAGR von 21% entspricht. [19659028] 6. Hyperautomation und Automatisierung von Roboterprozessen
Hyperautomation ist die weit verbreitete Anwendung von Technologien im gesamten Unternehmen zur Automatisierung von Entscheidungen. In der Regel umfasst es die Roboterprozessautomatisierung (RPA), die von Gartner als eine der am schnellsten wachsenden Kategorien von Software identifiziert wurde.
Von diesen zeichnet sich RPA-Software dadurch aus, dass sie Geschäftsexperten und Mitarbeitern an der Front nur minimale oder gar keine Codierungskenntnisse bietet Automatisierung von digitalen Arbeitsaufgaben auf niedriger Ebene. Forrester prognostiziert, dass bis 2027 29% der bestehenden US-Arbeitsplätze durch Automatisierung verloren gehen werden, während die Automatisierungswirtschaft, auch durch RPA, 13% neue Arbeitsplätze schaffen wird, beispielsweise Datenwissenschaftler und Automatisierungsmanager.
Bis Ende 2020 Gartner prognostiziert, dass mehr als 40% der datenwissenschaftlichen Aufgaben automatisiert werden, was zu einer höheren Produktivität und einer breiteren Nutzung von Daten und Analysen durch Bürgerdatenwissenschaftler führt.
7. Künstliche Intelligenz und Business Intelligence
Geschäftsanalysten, Datenwissenschaftler und Ingenieure haben die Verwendung von Algorithmen für maschinelles Lernen untersucht, um ihre Datenanalysen zu erweitern. Einige verwenden gepackte BI- und Datenvorbereitungstools, während andere erweiterte Tools anbieten, z. B. das Schreiben von Skripten zum Erstellen angepasster Vorhersagemodelle mit Sprachen wie Python und R.
AI und BI wurden aufgrund von häufig als Technologien mit geringer Überlappung angesehen ] BI ist in erster Linie retrospektiv, während AI alles über die Zukunft ist. Bei der statistischen Analyse hinter BI geht es in erster Linie um grundlegende Zählungen, im Gegensatz zu den hochentwickelten Algorithmen für maschinelles Lernen und tiefes Lernen, die der KI zugrunde liegen.
Eine Umfrage zu Computer Weekly / TechTarget IT Priorities bestätigte, dass künstliche Intelligenz und ML-Aktivitäten erheblich an Boden gewonnen haben Als Bereiche für beabsichtigte Investitionen in Unternehmenssoftware für IT-Käufer in Großbritannien In der Umfrage gaben 30% der Befragten an, dass sie planen, ihre Ausgaben für KI- und maschinelle Lerntechnologien im Jahr 2020 zu erhöhen. Zum jetzigen Zeitpunkt ist unklar, wie das COVID-19 funktioniert Eine Pandemie wird sich auf die Ausgaben für diese Technologien auswirken.
Die Studie ergab auch, dass 36% der Befragten Data Science- und Data Science-Plattformen verwenden, 20% Augmented Analytics und Streaming Analytics und 16% Datenkataloge was auf eine ausgefeilte datenwissenschaftliche Arbeit hinweist.
8. Mobile BI
Mobile BI-Tools sind vielversprechend, aber ihre Unpraktikabilität hat sie zurückgehalten. Das Problem ist, dass verdauliche Daten größtenteils visuell sind und mobile Bildschirme im Vergleich zu Computerbildschirmen jedoch winzig sind. Das Wiederherstellen von Desktop-Dashboards funktioniert auf einem mobilen Gerät nicht besonders gut. Das Wiederherstellen der Analysefunktionen von Desktop-Geräten funktioniert daher auch nicht.
Stattdessen haben die Anbieter, die erfolgreiches BI für mobile Apps entwickelt haben, Telefone und Tablets als andere Einheiten als Desktop-Computer angesehen und eine andere erstellt Erfahrung mit ihren mobilen Apps.
Microsoft verfolgt eine andere Taktik. Im Mai 2020 wurde ein bedeutendes neues Power BI-Update vorgestellt. Eine neue Funktion, die KI-Funktionen hinzufügt, sind intelligente Erzählungen, ein Tool zur Generierung natürlicher Sprachen, mit dem Berichtsautoren interaktive Erzählungen hinzufügen können, die Power BI automatisch generiert, und Endbenutzern Erklärungen zu ihren ständig aktualisierten Daten geben. Eine weitere neue Funktion ist eine neue Funktion zum Erstellen mobiler Berichte. Berichtsautoren können mobile Versionen ihrer vorhandenen Power BI Desktop-Berichte erstellen, die Benutzer dann mit mobilen Power BI-Apps anzeigen.
Mordor Intelligence mit Sitz in Hyderabad, Indien, bewertete den globalen Markt für mobile Business Intelligence im Jahr 2019 mit 7,6 Milliarden US-Dollar der Markt soll im Prognosezeitraum 2020 bis 2025 eine CAGR von 22,43% verzeichnen, wobei der Markt bis 2025 25,5 Mrd. USD erreicht.
Der Beitrag 8 Business Intelligence-Trends zur Vorbereitung auf 2021 erschien zuerst auf Business Intelligence Online.
Weiterlesen: https://ift.tt/3hOJvmD
0 comments:
Post a Comment