Augmented Analytics

Augmented Analytics ist der Einsatz von maschinellem Lernen (ML) und natĂŒrlicher 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 ErklĂ€rung und dem Nutzen von Augmented Analytics. Wenn Sie sich eher von den technischen Begebenheiten angezogen fĂŒhlen, 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 dies, dass Augmented Analytics ein Ansatz ist, der Erkenntnisse mit Hilfe von maschinellem Lernen und natĂŒrlicher Sprachgenerierung automatisiert und so die nĂ€chste Welle von Störungen auf dem Daten- und Analysemarkt voraussieht. Obwohl das eine großartige Definition fĂŒr Datenexperten ist, ist sie fĂŒr die meisten Menschen nicht detailliert genug, um zu verstehen, was „Augmented Analytics“ wirklich bedeutet. Lassen Sie uns also heute einmal klĂ€ren, was „Augmented Analytics“ wirklich ist – und warum Sie sich dafĂŒr interessieren sollten.

Was ist Augmented Analytics?

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

In der GeschĂ€ftswelt sind sich alle einig, dass eine Datenanalyse gut fĂŒr Unternehmen ist und das Potenzial hat, die Zugkraft und die Einnahmen drastisch zu erhöhen (wenn sie richtig durchgefĂŒhrt wird). Das Problem ist jedoch, dass die Datenanalyse nicht gerade die einfachste Sache ist.

Rohdaten

TatsĂ€chlich sind Rohdaten an sich fĂŒr 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 gegenĂŒber dem letzten Monat um 10 % zurĂŒckgehen. Aber was bedeutet das wirklich fĂŒr Sie? Ist dieser RĂŒckgang ein Branchentrend? Liegt es daran, dass einer Ihrer WerbekanĂ€le nicht funktioniert? Oder gibt es andere GrĂŒnde?

Um hier ein besseres VerstĂ€ndnis zu erhalten, mĂŒssen Sie tiefer in Ihre Webanalyse-, E-Commerce- und Social-Media-Daten eintauchen, um herauszufinden, was zu dem RĂŒckgang Ihrer Einnahmen gefĂŒhrt hat. Dann mĂŒssen Sie diese VerĂ€nderungen in einen geschĂ€ftlichen Kontext stellen und solche identifizieren, auf die Sie sofort reagieren mĂŒssen.

Erkenntnisanalyse

Wenn Sie auf das Beispiel der sinkenden Einnahmen zurĂŒckkommen, stellen Sie möglicherweise fest, dass Ihre Social-Media-Anzeigen 10 % weniger effektiv sind als im Vormonat und dass Sie Ihre Werbeausgaben optimieren mĂŒssen. Diese Einsicht ist jetzt umsetzbar, weil sie direkt mit einer Maßnahme verbunden ist, die Sie zur Lösung Ihres GeschĂ€ftsproblems ergreifen können. Diese umsetzbaren Erkenntnisse sind Ă€ußerst hilfreich, da sie als Leitfaden dafĂŒr dienen, welche PrioritĂ€ten Sie in Ihrem Unternehmen setzen sollten.

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

Diese Schritte sind Ă€ußerst komplex und in der Praxis tatsĂ€chlich mit einer Menge Umsetzungsaufwand verbunden. FĂŒr die DurchfĂŒhrung empfehle ich Ihnen, Data Analysts zu beauftragen, die diese Schritte fĂŒr Ihr Unternehmen durchfĂŒhren.

ZunĂ€chst einmal sind Data Scientists und Analysts WIRKLICH knapp und teuer in der Einstellung, was es fĂŒr kleinere Unternehmen Ă€ußerst kostenintensiv macht, 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 FĂŒhrungskrĂ€fte sehr eng mit den Data Scientists zusammenarbeiten mĂŒssen, um sicherzustellen, dass die Analyseergebnisse tatsĂ€chlich „geschĂ€ftlich sinnvoll“ sind. Dies raubt den FĂŒhrungskrĂ€ften wertvolle Zeit.

Wie ĂŒberall, bestĂ€tigen 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 ĂŒber 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 FĂ€higkeit, 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 grĂ¶ĂŸte Potenzial haben, Ihnen großartige Erkenntnisse zu liefern. Das bedeutet, dass Sie in den verbleibenden 90 % wertvolle Erkenntnisse versĂ€umen könnten – Erkenntnisse, die fĂŒr Ihr Unternehmen möglicherweise von entscheidender Bedeutung sind.

Es befinden sich fast alle kleinen und mittleren Unternehmen noch in der frĂŒhen Phase der EinfĂŒhrung 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 fĂŒr nicht-technische GeschĂ€ftsleute 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 KĂŒnstlichen Intelligenz. Dadurch ist ein Unternehmen nicht mehr von Menschen abhĂ€ngig.

Eine Augmented-Analytics-Engine kann die Daten eines Unternehmens automatisch durchgehen, sie bereinigen, analysieren und diese Erkenntnisse in Handlungsschritte fĂŒr die FĂŒhrungskrĂ€fte 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 „unterstĂŒtzen“. Das bedeutet, dass diese Werkzeuge die Analyse und die Kommunikation der Ergebnisse fĂŒr die Analytics in Ihrem Unternehmen erleichtern. Sie fĂŒhren jedoch nicht die Analysen fĂŒr Sie durch, und sie eliminieren sicherlich nicht die Notwendigkeit eines Business Analysts oder Data Scientists.

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

Unser E-Book zum Thema SAP Analytics

Augmented Analytics mit SAP (E-Book)

Mehr Input zu Augmented Analytics, Predictive Analytics, BW & Co.? Laden Sie sich jetzt unser E-Book herunter!

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 durchfĂŒhren und die Ergebnisse schön prĂ€sentieren. Auf der anderen Seite konzentriert sich Augmented Analytics wesentlich stĂ€rker auf das Endziel dieser Analyseneinsichten.

WĂ€hrend Sie beispielsweise mit Tableau schöne Balkendiagramme erstellen können (ohne auszusagen, was das Balkendiagramm tatsĂ€chlich fĂŒr Ihr Unternehmen bedeutet), könnte eine Augmented-Analytics-Engine Ihnen einfach sagen, was Ihre Daten ĂŒber Ihr Unternehmen aussagen. Es zeigt möglicherweise nur die relevanten Informationen an, die das System zu dieser Schlussfolgerung gefĂŒhrt haben.

Daher konzentriert sich Augmented-Analytics-Software viel mehr auf die Erstellung einer Wissensbasis von GeschĂ€ftsinformationen, um GeschĂ€ftstrends zu erkennen. Und auf die Verwendung von Algorithmen fĂŒr 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 ĂŒber diese Datenrevolution! Als Data Scientists, der in diesem Bereich arbeitet, freue ich mich sehr darĂŒber, dass Augmented Analytics den Einzug in die GeschĂ€ftswelt geschafft hat.

Ich vergleiche die Entwicklung der Datenanalysetechnologien gerne mit der Entwicklung des Automobils. ZunĂ€chst einmal handelt es sich bei beiden um Ă€ußerst komplexe Systeme, die Tausende, wenn nicht Millionen von Teilen enthalten, damit sie ordnungsgemĂ€ĂŸ funktionieren. Allerdings kann fast jeder in diesem Land ein Auto fahren, trotz der KomplexitĂ€t der Technologie. Und zum Trotze von den frĂŒhen Kritikern, die von der Unmöglichkeit dieses Fortschritts ĂŒberzeugt waren.

Das liegt daran, dass der grĂ¶ĂŸte Teil der KomplexitĂ€t durch die Technologie abstrahiert wird. Die Benutzer mĂŒssen nur die fĂŒr sie relevanten „Daten“ kennen (z. B. wie man das Lenkrad benutzt), um wĂ€hrend der Fahrt Entscheidungen zu treffen. Jetzt kommen wir noch weiter voran, um die Aufgabe des „Fahrens“ ĂŒberflĂŒssig zu machen, damit sich die Benutzer einfach um das kĂŒmmern 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 annĂ€hernd so weit wie die Design- und Technologieleistungen der Automobilindustrie (angesichts der Tatsache, dass wir erst 10 Jahre in der Datenrevolution stecken, ĂŒberrascht 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 SchlĂŒsseldaten fĂŒr die Analyse bereinigt, analysieren und zurĂŒckgeben. 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 KomplexitĂ€t ist zum Teil darauf zurĂŒckzufĂŒhren, dass die Daten aus einer Reihe von unterschiedlichen Quellen wie Webanalysen, Marketingmitteilungen und Social Media Posts gesammelt werden mĂŒssen. Das Sammeln der Daten ist nur der erste Schritt, sie mĂŒssen auch fĂŒr die Analyse vorbereitet werden, indem sie organisiert und verfeinert werden, bevor der Analyst oder Data Scientists nĂŒtzliche Erkenntnisse gewinnen kann. Die Ergebnisse mĂŒssen dann zusammen mit AktionsplĂ€nen an die Organisation kommuniziert werden, um diese Erkenntnisse zu nutzen.

Augmented Analytics

Datenaufbereitung

Aufgrund des manuellen Aufwands, der fĂŒr diese Aufgaben erforderlich ist, sind Data Scientists derzeit sehr gefragt und können fĂŒr einige Unternehmen unpraktisch & teuer sein. Es wird geschĂ€tzt, 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 ErgĂ€nzung der Datenanalyse durch maschinelles Lernen können viele der zeitaufwĂ€ndigen Aufgaben der Datenerfassung und -aufbereitung schnell, automatisch und mit weniger Fehlern durchgefĂŒhrt werden. Dadurch können die Data Scientists mehr Zeit fĂŒr die Suche nach verwertbaren Erkenntnissen aufwenden. Das eigentliche, ultimative Ziel von Augmented Analytics ist jedoch die vollstĂ€ndige Ersetzung der datenwissenschaftlichen Teams durch KI. Dabei wird der gesamte Analyseprozess von der Datenerfassung bis hin zu den GeschĂ€ftsempfehlungen von den EntscheidungstrĂ€gern ĂŒbernommen.

Um es ganz klar zu machen, Sie könnten das Augmented Analytics-Tool bitten, Online-Rezensionen ĂŒber 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 ĂŒberzeugenden Diagrammen.

Augmented Analytics Services

Augmented Data Preparation

Augmented Data Preparation ermöglicht es GeschĂ€ftsanwendern, auf aussagekrĂ€ftige 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-gefĂŒhrte).

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 klĂ€ren, so dass sie leichter zu verwenden und zu interpretieren sind. Dabei werden integrierte statistische Algorithmen wie Binning, Clustering und Regression zur RauschunterdrĂŒckung und zur Identifizierung von Trends und Mustern verwendet. Die ideale Lösung sollte ein Gleichgewicht zwischen AgilitĂ€t und Data Governance herstellen, um die DatenqualitĂ€t und klare Wasserzeichen zur Identifizierung der Datenquelle zu gewĂ€hrleisten.

Augmented Data Discovery

Augmented Data Discovery ist eine aufstrebende BI-FunktionalitĂ€t zur automatischen Vorbereitung und Organisation von Unternehmensdaten fĂŒr Self-Service-BI. Dies ist eine besondere Herausforderung fĂŒr unstrukturierte Daten aus Quellen wie E-Mail, Social-Media-KanĂ€len, IoT-Feeds und Kundenservice-Interaktionen.

Herkömmliche BI-Tools haben grundlegende FĂ€higkeiten zum ZusammenfĂŒhren, Manipulieren und Transformieren strukturierter Daten unterstĂŒtzt. Die erweiterte Datenermittlung kann auf diesen Grundfunktionen mit erweiterter Datenvorbereitung und automatisierter Mustererkennung fĂŒr Self-Service-BI aufbauen, so das Forschungsunternehmen Gartner Inc. Die erweiterte Datenvorbereitung rationalisiert Prozesse fĂŒr die Datenprofilierung, die QualitĂ€tsverwaltung, die Datenbereinigung, die Modellierung, die Anreicherung und die Kennzeichnung von Metadaten in einer Weise, die die Wiederverwendung und die Verwaltung unterstĂŒtzt. Die automatische Mustererkennung baut auf traditionellen BI-Tools auf, um komplexe, große DatensĂ€tze zu unterstĂŒtzen.

Conversational Analytics

Conversational Analytics ist eine Technologie, die Sprache transkribiert und in Daten umwandelt. Die Daten werden dann so strukturiert, dass die GesprĂ€che 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-BenutzeroberflĂ€che, die es dem Benutzer ermöglicht, Anforderungen zu definieren und SuchvorgĂ€nge durchzufĂŒhren; Berichtsanwendungen zur Darstellung der Analysen, oft in grafischer Form; und GeschĂ€ftsanwendungen, die von Anbietern bereitgestellt werden, um Benutzer mit spezifischen Anforderungen zu unterstĂŒtzen.

Datenanalyse automatisieren

Augmented Analytics erleichtert dies, indem es den Prozess der Datenanalyse und der Generierung von Erkenntnissen automatisiert.
Es identifiziert Trends und erklĂ€rt, was diese praktisch fĂŒr ein Unternehmen bedeuten, durch klare Visualisierungen und sauber verpackte Trends. Ein Merkmal von Augmented Analytics, das sich von anderen Technologien unterscheidet, ist die FĂ€higkeit, eine „natĂŒrlichsprachliche“ Generierung durchzufĂŒhren, die komplexen Jargon auspackt und Einblicke in einfachen, verstĂ€ndlichen Begriffen wie „56% der Leads wurden aus PPC-Anzeigen generiert“ bietet.

DarĂŒber hinaus eliminiert Augmented Analytics die EinschrĂ€nkungen, 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 berĂŒcksichtigt wurden.
Alles in allem bedeutet dies, dass FĂŒhrungskrĂ€fte ihre Aufmerksamkeit auf die strategische Seite der Dinge richten können, anstatt sich durch routinemĂ€ĂŸige Rechenaufgaben zu binden.

Einige schĂ€tzen, dass Augmented Analytics, sobald es seinen Höhepunkt erreicht hat, Data Scientists und Analysten ĂŒberflĂŒssig machen wird. Experten sind sich jedoch einig, dass in Wirklichkeit das wahrscheinlichste Ergebnis darin besteht, dass sich diese Rollen einfach weiterentwickeln und sich stĂ€rker 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 auszufĂŒhren.

Augmented Analytics

GeschÀftsprozesse

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

Anstatt Monate mit der Vorbereitung und Analyse von Daten zu verbringen, erhalten FĂŒhrungskrĂ€fte die SchlĂŒssel, um klare Trends, Visualisierungen und Einsichten nach Belieben freizusetzen. Das hilft bei der UnterstĂŒtzung von GeschĂ€ftsentscheidungen und ermöglicht es den Experten, ihre Arbeit mit grĂ¶ĂŸerer Genauigkeit auszufĂŒhren.

Mit Augmented Analytics wird die menschliche Expertise tatsĂ€chlich entscheidender denn je. Die FĂŒlle 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 mĂŒssen ihre Fachkenntnisse mit der Initiative kombinieren, um diese Nuggets zu sortieren und nur diejenigen herauszufiltern, die mit der allgemeinen GeschĂ€ftsstrategie ĂŒbereinstimmen.

Diese umfassenderen Einsichten werden die Experten auch dazu auffordern, tiefer zu graben, um einen noch grĂ¶ĂŸeren Wert fĂŒr 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, robotergestĂŒtzten Prozesse, die mit BI verbunden sind, beseitigen und die Mitarbeiter in die Lage versetzen, sich auf das Menschsein zu konzentrieren.

Unser E-Book zum Thema SAP Analytics

Augmented Analytics mit SAP (E-Book)

Mehr Input zu Augmented Analytics, Predictive Analytics, BW & Co.? Laden Sie sich jetzt unser E-Book herunter!

Fazit

Hier sind ein paar GrĂŒnde, warum Sie erweiterte Analysen und eine erweiterte Datenaufbereitung fĂŒr 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
  • ZugĂ€ngliche 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 fĂŒhren zu besseren Entscheidungen, genaueren GeschĂ€ftsvorhersagen und messbaren Analysen von Produkt- und Dienstleistungsangeboten, Preisgestaltung, Finanzen, Produktion und anderen Aspekten des GeschĂ€fts
  • Die erweiterte Datenaufbereitung und die damit verbundenen Tools verbessern die Benutzerakzeptanz, die DatenpopularitĂ€t, die soziale BI-Integration und die Datenkompetenz

Aber, um Gartner zu zitieren, war die Augmented Reality 2017 die Zukunft der Datenanalyse, weil sie uns nĂ€her als je zuvor an die Vision einer „demokratisierten Analytics“ heranbringt, da sie gĂŒnstiger, einfacher und besser ist. 2020 sehen wir endlich, dass immer mehr Unternehmen aller GrĂ¶ĂŸenordnungen 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 EinfĂŒhrung helfen können.

Kostenlose Websession Augmented Analytics

Möchten Sie endlich datengetriebene Entscheidungen treffen? Lassen Sie uns in einer kostenlosen Websession ĂŒber Ihre Herausforderungen und WĂŒnsche sprechen!


Das könnte Sie auch interessieren:

E-Book SAP Analytics Tools
SAP Analytics

Das könnte Sie auch interessieren


Schreiben Sie einen Kommentar

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





Angebot anfordern
Expert Session
Preisliste anfordern