Swen Deobald
7. Juli 2021

Augmented Analytics

Augmented Analytics ist der Einsatz von maschinellem Lernen (ML) und natürlicher Sprachverarbeitung (NLP) zur Verbesserung von Datenanalyse, Datenaustausch und Business Intelligence. Doch was genau kann es? Warum ist es besser als herkömmliche Analysen? Und wie funktioniert es? Wir beantworten Ihnen diese Fragen!

Wir starten mit der allgemeinen Erklärung und dem Nutzen von Augmented Analytics. Wenn Sie sich eher von den technischen Begebenheiten angezogen fühlen, springen Sie gerne direkt dorthin!

Im Juli veröffentlichte Gartner die Ausgabe 2020 des Berichts, in dem nun auch „Augmented Analytics” Einzug hielt. Dies ist alles andere als verwunderlich, da es als „Zukunft der Datenanalyse” bezeichnet wird.

In dem Bericht beschreibt Gartner Augmented Analytics als: “an approach that automates insights using machine learning and natural-language generation, marks the next wave of disruption in the data and analytics market.”

Übersetzt bedeutet das, dass Augmented Analytics ein Ansatz ist, der Erkenntnisse mit Hilfe von maschinellem Lernen und natürlicher Sprachgenerierung automatisiert und so die nächste Welle von Störungen auf dem Daten- und Analysemarkt voraussieht. Obwohl das eine großartige Definition für Datenexperten ist, ist sie für die meisten Menschen nicht detailliert genug, um zu verstehen, was „Augmented Analytics” wirklich bedeutet. Lassen Sie uns also heute klären, was „Augmented Analytics” wirklich ist – und warum Sie sich dafür interessieren sollten.

Was ist Augmented Analytics?

Übersetzt bedeutet Augmented Analytics „erweiterte Analysen“. Um dieses Konzept zu verstehen, müssen wir zuerst das Problem ermitteln, das es löst. Das heißt, wir müssen verinnerlichen, warum die Generierung von Erkenntnissen aus Daten eine große Herausforderung für fast alle Unternehmen bleibt.

In der Geschäftswelt sind sich alle einig, dass eine Datenanalyse gut für Unternehmen ist und das Potenzial hat, die Zugkraft und die Einnahmen drastisch zu erhöhen. Das Problem ist jedoch, dass die Datenanalyse nicht gerade die einfachste Sache ist.

Rohdaten

Tatsächlich sind Rohdaten an sich für Ihr Unternehmen völlig nutzlos, wenn Sie nicht wissen, wie Sie damit umgehen sollen und wie diese zu deuten sind. Nehmen wir mal an, Ihre Online-Daten zeigen, dass Ihre Einnahmen gegenüber dem letzten Monat um 10 % zurückgehen. Aber was bedeutet das wirklich für Sie? Ist dieser Rückgang ein Branchentrend? Liegt es daran, dass einer Ihrer Werbekanäle nicht funktioniert? Oder gibt es andere Gründe?

Um hier ein besseres Verständnis zu erhalten, müssen Sie tiefer in Ihre Webanalyse-, E-Commerce- und Social-Media-Daten eintauchen, um herauszufinden, was zu dem Rückgang Ihrer Einnahmen geführt hat. Dann müssen Sie diese Veränderungen in einen geschäftlichen Kontext stellen und solche identifizieren, auf die Sie sofort reagieren müssen.

Erkenntnisanalyse

Wenn Sie auf das Beispiel der sinkenden Einnahmen zurückkommen, stellen Sie möglicherweise fest, dass Ihre Social-Media-Anzeigen 10 % weniger effektiv sind als im Vormonat und dass Sie Ihre Werbeausgaben optimieren müssen. Diese Einsicht ist jetzt umsetzbar, weil sie direkt mit einer Maßnahme verbunden ist, die Sie zur Lösung Ihres Geschäftsproblems ergreifen können. Diese umsetzbaren Erkenntnisse sind äußerst hilfreich, da sie als Leitfaden dafür dienen, welche Prioritäten Sie in Ihrem Unternehmen setzen sollten.

Um jedoch von Rohdaten zu Erkenntnissen zu gelangen, müssen Sie viele technische Schritte durchlaufen, unter anderem
1) Daten aus verschiedenen Quellen sammeln,
2) Daten bereinigen, damit sie für die Analyse bereit sind,
3) Analysen durchführen,
4) Erkenntnisse generieren und
5) diese Erkenntnisse mit der Organisation kommunizieren und sie in Aktionspläne umsetzen.

Diese Schritte sind äußerst komplex und in der Praxis tatsächlich mit einer Menge Umsetzungsaufwand verbunden. Für die Durchführung empfehle ich Ihnen, Data Analysts zu beauftragen, die diese Schritte für Ihr Unternehmen durchführen.

Zunächst einmal sind Data Scientists und Analysts WIRKLICH knapp und teuer in der Einstellung. Das macht es für kleinere Unternehmen äußerst kostenintensiv, Analysen zu nutzen. Falls dies auf Sie zutrifft, sollten Sie auf Schulungen oder Workshops setzen, um Ihre Mitarbeiter weiterzubilden. Schauen Sie sich gerne bei unseren Angeboten um oder kontaktieren Sie uns via Mail.

Data Scientist

Das bedeutet, dass die Führungskräfte sehr eng mit den Data Scientists zusammenarbeiten müssen, um sicherzustellen, dass die Analyseergebnisse tatsächlich „geschäftlich sinnvoll” sind. Dies raubt den Führungskräften wertvolle Zeit.

Wie überall, bestätigen auch hier Ausnahmen die Regel, selbst wenn nur ein sehr kleiner Teil der Bevölkerung diese darstellen. Zu nennen sind hier beispielsweise Wirtschaftsingenieure mit Fokus auf Data Science & Analytics, wie es der Fachbereichsleiter von Compamind ist.

Augmented Analytics

Außerdem verbringen die Data Scientists in der Praxis über 80 % ihrer Zeit mit einfachen mechanischen Dingen wie der Kennzeichnung und Reinigung Ihrer Daten. Dies verschwendet die Zeit und Investitionen des Unternehmens.

Schließlich sind Data Scientists immer noch Menschen, weshalb ihre Aufmerksamkeitsspanne und ihre Fähigkeit, sich wiederholende Arbeiten zu erledigen, begrenzt sind. Daher kann ein Mensch nur einen kleinen Teil (wahrscheinlich 10 %) Ihrer Daten analysieren, von denen er glaubt, dass sie das größte Potenzial haben, Ihnen großartige Erkenntnisse zu liefern. Das bedeutet, dass Sie in den verbleibenden 90 % wertvolle Erkenntnisse versäumen könnten – Erkenntnisse, die für Ihr Unternehmen möglicherweise von entscheidender Bedeutung sind.

Es befinden sich fast alle kleinen und mittleren Unternehmen noch in der frühen Phase der Einführung von Analysen, obwohl sie den starken Wunsch haben, ihre Daten zu nutzen.

Die Herausforderung, vor der die Unternehmen hier stehen, wird nicht so schnell verschwinden. Wir können nicht erwarten, dass plötzlich Data Scientists von Marsmenschen abgesetzt werden, um den Talentmangel zu beheben. Wir können auch nicht erwarten, dass die Analyse dieser Daten für nicht-technische Geschäftsleute auf magische Weise einfacher wird.

Augmented-Analytics-Engine

Augmented Analytics generiert Erkenntnisse in einem Unternehmen durch den Einsatz fortschrittlicher Algorithmen des maschinellen Lernens und der Automation der Künstlichen Intelligenz. Dadurch ist ein Unternehmen nicht mehr von Menschen abhängig.

Eine Augmented-Analytics-Engine kann die Daten eines Unternehmens automatisch durchgehen, sie bereinigen, analysieren und diese Erkenntnisse in Handlungsschritte für die Führungskräfte oder Marketingexperten umsetzen. Und das alles ohne oder mit nur wenig Aufsicht durch eine Person, die mit dem Thema vertraut ist.

Softwarevergleich

Das ist der allgemeine Irrtum, den ich von jedem außerhalb (oder sogar innerhalb) der Analytics-Industrie höre. Software-Werkzeuge wie Tableau und SAS sind Werkzeuge, die die Analyse „unterstützen”. Das bedeutet, dass diese Werkzeuge die Analyse und die Kommunikation der Ergebnisse für die Analytics in Ihrem Unternehmen erleichtern. Sie führen jedoch nicht die Analysen für Sie durch, und sie eliminieren sicherlich nicht die Notwendigkeit eines Business Analysts oder Data Scientists.

Augmented Analytics hingegen ist so konzipiert, dass Analysen und Geschäftseinblicke automatisch und ohne (oder mit nur geringer) Aufsicht durchgeführt und direkt von Marketingfachleuten und Geschäftsinhabern verwendet werden können, ohne dass sie die Hilfe eines Business Analysts oder Data Scientists benötigen. Deswegen ist diese Anwendung weitaus fortschrittlicher und leistungsfähiger als Tools wie SAS und Tableau.

Unser E-Book zum Thema SAP Analytics

E-Book: SAP Analytics | Effizienz im Unternehmen steigern

Wieso sollten Unternehmen sich um die Analyse Ihrer Daten kümmern, welche Anwendungsbereiche gibt es und welche Tools eignen sich dafür? Finden Sie es heraus.

Tableau + SAS

Auf der technischen Seite konzentrieren sich Werkzeuge wie SAS und Tableau darauf, extrem flexible Schnittstellen anzubieten. Auf diese Weise können Analysten jede Art von Analyse auf der Plattform einfach durchführen und die Ergebnisse schön präsentieren. Auf der anderen Seite konzentriert sich Augmented Analytics wesentlich stärker auf das Endziel dieser Analyseneinsichten.

Während Sie beispielsweise mit Tableau schöne Balkendiagramme erstellen können (ohne auszusagen, was das Balkendiagramm tatsächlich für Ihr Unternehmen bedeutet), könnte eine Augmented-Analytics-Engine Ihnen einfach sagen, was Ihre Daten über Ihr Unternehmen aussagen. Es zeigt möglicherweise nur die relevanten Informationen an, die das System zu dieser Schlussfolgerung geführt haben.

Daher konzentriert sich Augmented-Analytics-Software viel mehr auf die Erstellung einer Wissensbasis von Geschäftsinformationen, um Geschäftstrends zu erkennen. Und auf die Verwendung von Algorithmen für maschinelles Lernen, um diese Trends in den Daten eines Unternehmens zu erkennen.

Entwicklung Augmented Analytics

In den letzten zwei Jahren ist Augmented Reality SEHR schnell gewachsen, also freuen Sie sich über diese Datenrevolution! Als Data Scientists, der in diesem Bereich arbeitet, freue ich mich sehr darüber, dass Augmented Analytics den Einzug in die Geschäftswelt geschafft hat.

Ich vergleiche die Entwicklung der Datenanalysetechnologien gerne mit der Entwicklung des Automobils. Zunächst einmal handelt es sich bei beiden um äußerst komplexe Systeme, die Tausende, wenn nicht Millionen von Teilen enthalten, damit sie ordnungsgemäß funktionieren. Allerdings kann fast jeder in diesem Land ein Auto fahren, trotz der Komplexität der Technologie. Und zum Trotze von den frühen Kritikern, die von der Unmöglichkeit dieses Fortschritts überzeugt waren.

Das liegt daran, dass der größte Teil der Komplexität durch die Technologie abstrahiert wird. Die Benutzer müssen nur die für sie relevanten „Daten” kennen (z. B. wie man das Lenkrad benutzt), um während der Fahrt Entscheidungen zu treffen. Jetzt kommen wir noch weiter voran, um die Aufgabe des „Fahrens” überflüssig zu machen, damit sich die Benutzer einfach um das kümmern können, was ihnen wirklich wichtig ist: sich so effizient wie möglich von Punkt A nach Punkt B zu bewegen. In der Datenwelt sind wir nicht einmal annähernd so weit wie die Design- und Technologieleistungen der Automobilindustrie (angesichts der Tatsache, dass wir erst 10 Jahre in der Datenrevolution stecken, überrascht mich das nicht).

Datenquellen

Eine Datenanalysesoftware kann Augmented Analytics Tools integrieren, um große Datenmengen zu verarbeiten. Unternehmen können Informationen aus Rohdatenquellen in diese Plattformen eingeben, die dann die Schlüsseldaten für die Analyse bereinigt, analysieren und zurückgeben. Der Einsatz von maschinellem Lernen und NLP gibt Augmented Analytics Tools die Möglichkeit, Daten organisch zu verstehen und mit ihnen zu interagieren sowie wertvolle oder ungewöhnliche Trends zu erkennen.

Das Feld der Datenanalyse ist komplex und erfordert im Allgemeinen einen Data Scientists, der aus großen Daten jeden Wert extrahieren kann. Diese Komplexität ist zum Teil darauf zurückzuführen, dass die Daten aus einer Reihe von unterschiedlichen Quellen wie Webanalysen, Marketingmitteilungen und Social Media Posts gesammelt werden müssen. Das Sammeln der Daten ist nur der erste Schritt, sie müssen auch für die Analyse vorbereitet werden, indem sie organisiert und verfeinert werden, bevor der Analyst oder Data Scientists nützliche Erkenntnisse gewinnen kann. Die Ergebnisse müssen dann zusammen mit Aktionsplänen an die Organisation kommuniziert werden, um diese Erkenntnisse zu nutzen.

Zeitfaktoren bei Analysen

Datenaufbereitung

Aufgrund des manuellen Aufwands, der für diese Aufgaben erforderlich ist, sind Data Scientists derzeit sehr gefragt und können für einige Unternehmen unpraktisch & teuer sein. Es wird geschätzt, dass ein Data Scientists bis zu 80% seiner Zeit mit der Sammlung, Aufbereitung und Bereinigung von Daten verbringt. An dieser Stelle kann Augmented Analytics eingesetzt werden.

Mit der Ergänzung der Datenanalyse durch maschinelles Lernen können viele der zeitaufwändigen Aufgaben der Datenerfassung und -aufbereitung schnell, automatisch und mit weniger Fehlern durchgeführt werden. Dadurch können die Data Scientists mehr Zeit für die Suche nach verwertbaren Erkenntnissen aufwenden. Das eigentliche, ultimative Ziel von Augmented Analytics ist jedoch die vollständige Ersetzung der datenwissenschaftlichen Teams durch KI. Dabei wird der gesamte Analyseprozess von der Datenerfassung bis hin zu den Geschäftsempfehlungen von den Entscheidungsträgern übernommen.

Um es ganz klar zu machen, Sie könnten das Augmented Analytics-Tool bitten, Online-Rezensionen über eines Ihrer Produkte zu finden und Ihnen zu sagen, was Sie verbessern sollten, um mehr davon zu verkaufen. Dabei antwortet die Maschine mit einer klaren textlichen Antwort und einigen überzeugenden Diagrammen.

Die Anforderungen an Lieferketten werden in Zeiten der Globalisierung immer komplexer. Neue Technologien und immer weiter steigende Datenmengen treiben die digitale Transformation an. Auch bei Lieferketten spielt die Digitalisierung zunehmend eine essenzielle Rolle. Nutzen Sie Ihre Datenmengen bereits effektiv? 

Augmented Analytics Services

Augmented Data Preparation

Augmented Data Preparation ermöglicht es Geschäftsanwendern, auf aussagekräftige Daten zuzugreifen, um Theorien und Hypothesen ohne die Hilfe von Data Scientists oder IT-Mitarbeitern zu testen. Sie ermöglicht den Anwendern den Zugriff auf wichtige Daten und Informationen und erlaubt ihnen die Verbindung zu verschiedenen Datenquellen (persönliche, externe, Cloud- und IT-geführte).

Die Benutzer können Daten in einer einzigen, einheitlichen, interaktiven Ansicht zusammenfassen und integrieren und automatisch vorgeschlagene Beziehungen, JOINs, Type Casts, Hierarchien und Daten bereinigen, reduzieren und klären, so dass sie leichter zu verwenden und zu interpretieren sind. Dabei werden integrierte statistische Algorithmen wie Binning, Clustering und Regression zur Rauschunterdrückung und zur Identifizierung von Trends und Mustern verwendet. Die ideale Lösung sollte ein Gleichgewicht zwischen Agilität und Data Governance herstellen, um die Datenqualität und klare Wasserzeichen zur Identifizierung der Datenquelle zu gewährleisten.

Augmented Data Discovery

Augmented Data Discovery ist eine aufstrebende BI-Funktionalität zur automatischen Vorbereitung und Organisation von Unternehmensdaten für Self-Service-BI. Dies ist eine besondere Herausforderung für unstrukturierte Daten aus Quellen wie E-Mail, Social-Media-Kanälen, IoT-Feeds und Kundenservice-Interaktionen.

Herkömmliche BI-Tools haben grundlegende Fähigkeiten zum Zusammenführen, Manipulieren und Transformieren strukturierter Daten unterstützt. Die erweiterte Datenermittlung kann auf diesen Grundfunktionen mit erweiterter Datenvorbereitung und automatisierter Mustererkennung für Self-Service-BI aufbauen, so das Forschungsunternehmen Gartner Inc. Die erweiterte Datenvorbereitung rationalisiert Prozesse für die Datenprofilierung, die Qualitätsverwaltung, die Datenbereinigung, die Modellierung, die Anreicherung und die Kennzeichnung von Metadaten in einer Weise, die die Wiederverwendung und die Verwaltung unterstützt. Die automatische Mustererkennung baut auf traditionellen BI-Tools auf, um komplexe, große Datensätze zu unterstützen.

Conversational Analytics

Conversational Analytics ist eine Technologie, die Sprache transkribiert und in Daten umwandelt. Die Daten werden dann so strukturiert, dass die Gespräche auf Einsichten hin analysiert werden können. Konversationsanalyse-Lösungen bestehen in der Regel aus einer Transkriptionsmaschine, die Sprache in Daten umwandelt; einer Indexierungsschicht, die die Daten durchsuchbar macht; einer Abfrage- und Such-Benutzeroberfläche, die es dem Benutzer ermöglicht, Anforderungen zu definieren und Suchvorgänge durchzuführen; Berichtsanwendungen zur Darstellung der Analysen, oft in grafischer Form; und Geschäftsanwendungen, die von Anbietern bereitgestellt werden, um Benutzer mit spezifischen Anforderungen zu unterstützen.

Datenanalyse automatisieren

Augmented Analytics erleichtert dies, indem es den Prozess der Datenanalyse und der Generierung von Erkenntnissen automatisiert.
Es identifiziert Trends und erklärt, was diese praktisch für ein Unternehmen bedeuten, durch klare Visualisierungen und sauber verpackte Trends. Ein Merkmal von Augmented Analytics, das sich von anderen Technologien unterscheidet, ist die Fähigkeit, eine “natürlichsprachliche” Generierung durchzuführen, die komplexen Jargon auspackt und Einblicke in einfachen, verständlichen Begriffen wie “56% der Leads wurden aus PPC-Anzeigen generiert” bietet.

Darüber hinaus eliminiert Augmented Analytics die Einschränkungen, die menschliche Voreingenommenheit mit sich bringen kann. Sie ist nicht an eine bestimmte Forschungsfrage gebunden und gibt Unternehmen die Freiheit, die zahlreichen Schichten von Erkenntnissen aufzudecken, die ihre Daten zu bieten haben – sogar Erkenntnisse, die von vornherein nicht berücksichtigt wurden.
Alles in allem bedeutet dies, dass Führungskräfte ihre Aufmerksamkeit auf die strategische Seite der Dinge richten können, anstatt sich durch routinemäßige Rechenaufgaben zu binden.

Einige schätzen, dass Augmented Analytics, sobald es seinen Höhepunkt erreicht hat, Data Scientists und Analysten überflüssig machen wird. Experten sind sich jedoch einig, dass in Wirklichkeit das wahrscheinlichste Ergebnis darin besteht, dass sich diese Rollen einfach weiterentwickeln und sich stärker auf spezialisierte Probleme und die Einbettung von Modellen in Unternehmensanwendungen konzentrieren werden, wobei sie Hand in Hand mit der Augmented Analytics arbeiten werden, um ihre Rollen effizienter auszuführen.

Erweiterte Analysen

Geschäftsprozesse

Der Zweck der Augmented Analytics ist nicht, den Entscheidungsprozess zu ersetzen, sondern ihn zu unterstützen.
Das Schöne an der Augmented Analytics ist, dass sie nicht die Notwendigkeit bestimmter technischer Rollen innerhalb einer Organisation ersetzt, sondern dass sie tatsächlich hilft, menschliches Fachwissen zu nutzen.

Anstatt Monate mit der Vorbereitung und Analyse von Daten zu verbringen, erhalten Führungskräfte die Schlüssel, um klare Trends, Visualisierungen und Einsichten nach Belieben freizusetzen. Das hilft bei der Unterstützung von Geschäftsentscheidungen und ermöglicht es den Experten, ihre Arbeit mit größerer Genauigkeit auszuführen.

Mit Augmented Analytics wird die menschliche Expertise tatsächlich entscheidender denn je. Die Fülle der Erkenntnisse bietet die Versuchung, sich in einem “Shiny Object Syndrom” zu verfangen, da jede Erkenntnis potenziell ebenso aufregende Möglichkeiten zur Erforschung bietet. Die Experten müssen ihre Fachkenntnisse mit der Initiative kombinieren, um diese Nuggets zu sortieren und nur diejenigen herauszufiltern, die mit der allgemeinen Geschäftsstrategie übereinstimmen.

Diese umfassenderen Einsichten werden die Experten auch dazu auffordern, tiefer zu graben, um einen noch größeren Wert für das Unternehmen zu schaffen, und sie werden eine entscheidende Rolle dabei spielen, sicherzustellen, dass ihre Organisation von Daten getrieben wird.

Letztendlich wird Augmented Analytics die langweiligen, robotergestützten Prozesse, die mit BI verbunden sind, beseitigen und die Mitarbeiter in die Lage versetzen, sich auf das Menschsein zu konzentrieren.

Fazit

Hier sind ein paar Gründe, warum Sie erweiterte Analysen und eine erweiterte Datenaufbereitung für Ihr Unternehmen in Betracht ziehensollten:

  • Diese Lösungen ermöglichen es den Data Scientists und der IT-Community, sich auf strategische Themen und spezielle Projekte zu konzentrieren
  • Zugängliche Augmented Analytics schafft Citizen Data Scientists und verbessert die Verantwortlichkeit und das Empowerment
  • Fortschritte in der intelligenten Datenermittlung und andere anspruchsvolle Techniken und Lösungen können sich positiv auf ROI und TCO auswirken
  • Diese Lösungen führen zu besseren Entscheidungen, genaueren Geschäftsvorhersagen und messbaren Analysen von Produkt- und Dienstleistungsangeboten, Preisgestaltung, Finanzen, Produktion und anderen Aspekten des Geschäfts
  • Die erweiterte Datenaufbereitung und die damit verbundenen Tools verbessern die Benutzerakzeptanz, die Datenpopularität, die soziale BI-Integration und die Datenkompetenz

Aber, um Gartner zu zitieren, war die Augmented Reality 2017 die Zukunft der Datenanalyse, weil sie uns näher als je zuvor an die Vision einer „demokratisierten Analytics” heranbringt, da sie günstiger, einfacher und besser ist. 2020 sehen wir endlich, dass immer mehr Unternehmen aller Größenordnungen die Analytics nutzen und davon profitieren. Zwei Jahre nach dieser Studie können wir nun behaupten, dass Augmented Reality im Hier und Jetzt angekommen ist und wir Ihnen bei der Einführung helfen können.

Swen Deobald

Swen Deobald

Mein Name ist Swen Deobald und ich bin begeisterter SAP Analytics Berater. Wir unterstützen Sie bei allen Fragen rund um SAP Analytics, Business Warehouse, BusinessObjects und der SAP Analytics Cloud.

Sie haben Fragen? Kontaktieren Sie mich!


Weiterführende Inhalte

E-Book SAP Analytics Tools
SAP Analytics

Verwandte Beiträge

Time Series Forecasting ermöglicht es, sichere Entscheidungen durch Zeitreihen- und Prognoseverfahren zu treffen. Daten aus Zeitreihen enthalten einen Wert über die Zeit, z.B. Umsatz nach Monat oder Anrufvolumen nach Woche.

weiterlesen

SAP Analytics Cloud (SAC) gibt es schon seit einiger Zeit und ist in erster Linie ein Werkzeug für die cloudbasierte Datenanalyse, insbesondere für Kunden, die eine nahtlose Anbindung an ihre […]

weiterlesen

Wie Taiwan Big Data, neue Technologien und eine resolute Regierung einsetzte, um die Verbreitung des Coronavirus zu kontrollieren.

weiterlesen

Schreiben Sie einen Kommentar

Bitte füllen Sie alle mit * gekennzeichneten Felder aus. Ihre E-Mail Adresse wird nicht veröffentlicht.





Kontaktieren Sie uns!
Marie Frösener Kundenservice