Was versteht man unter maschinellem Lernen für Analysen?

Analysen und maschinelles Lernen (ML) gibt es schon seit Jahrzehnten, aber der Einsatz von maschinellem Lernen war bisher aufgrund der damit verbundenen Herausforderungen begrenzt. ML war prozessorintensiv und erforderte spezielle Fähigkeiten und Tools, die nicht für jeden verfügbar waren. Mit dem Aufkommen des Cloud Computing wurde es jedoch für immer mehr Unternehmen günstiger und einfacher, die für maschinelles Lernen erforderliche Rechenleistung zu beziehen. Zudem ermöglichen die leistungsstarken Verarbeitungsfunktionen unserer Smartphones und Laptops fast jedem, auf Analysen mit ML zuzugreifen und diese zu nutzen, um fundiertere, datengesteuerte Entscheidungen zu treffen.

Definition von Analysen

Eine Analyse ist der Prozess der Entdeckung, Interpretation und Kommunikation von signifikanten Mustern in Daten. Analysen helfen dabei, aussagekräftige Erkenntnisse aus einer Vielzahl von Datenquellen zu gewinnen. Die Unternehmensanalyse konzentriert sich auf die Nutzung von Erkenntnissen, die aus Daten gewonnen werden. Dadurch sollen fundiertere Entscheidungen getroffen werden, die zu höheren Umsätzen, geringerer Personalfluktuation, optimierten Lieferrouten und anderen geschäftlichen Verbesserungen führen, die den Erfolg eines Unternehmens fördern.

Definition des maschinellen Lernens

Maschinelles Lernen ist ein Verfahren der künstlichen Intelligenz (KI), das es Computern ermöglicht, automatisch aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit darauf programmiert zu werden. ML ist darauf angewiesen, dass Menschen Modelle entwickeln, die auf Daten zugreifen und diese nutzen, um selbständig zu lernen und dann Schlüsse, Empfehlungen und Vorhersagen zu treffen. Um diese Modelle zu trainieren, müssen sie zunächst mit großen Mengen an Beobachtungen oder historischen Daten gefüttert werden. Das bringt allerdings einen hohen Bedarf an prozessorintensiven Rechenressourcen mit sich. Die trainierten Modelle werden dann auf neue Datensätze angewendet, um datengestützte Erkenntnisse zu ermitteln und zu präsentieren.

Maschinelles Lernen für Analysen klar definiert

Unter maschinellem Lernen für Analysen versteht man den Einsatz von ML-Algorithmen zur Unterstützung des Analyseprozesses bei der Auswertung von Daten und der Gewinnung von Erkenntnissen mit dem Ziel, Entscheidungen zu treffen, die die Geschäftsergebnisse verbessern.

Maschinelles Lernen für Analysen unterstützt Analysten auf zwei Arten:

• 1. Bereitstellung von analytischen Erkenntnissen. ML-generierte Ergebnisse oder prädiktive Analysen werden aus Daten abgeleitet und sind analysegesteuert (basieren nicht auf menschlicher Erfahrung), wodurch eine mögliche Verzerrung reduziert wird. Analysen durch maschinelles Lernen helfen dabei, Ausreißer oder Trends in Daten zu erkennen, die sonst vielleicht nicht gefunden würden – wenn man nicht nach etwas sucht, kann man es auch nicht finden. Dank der Leistungsfähigkeit der cloudbasierten Datenverarbeitung kann ML mehr Szenarien zur Beantwortung einer Frage in Betracht ziehen, als dies bei einem herkömmlichen Ansatz ohne ML möglich wäre.

•  

• 2. Steigerung der Produktivität von Analysten. ML-gestützte Funktionen moderner Analyseplattformen helfen Analysten dabei, den Prozess vom Erhalt der Daten bis zur Entscheidungsfindung zu beschleunigen. Die in diese Plattformen integrierten Funktionen können Datensätze automatisch analysieren und kontextbezogene Visualisierungen mit Kommentaren erstellen, die Analysten bei der raschen Erstellung ihrer Datenberichte unterstützen. AutoML ist ein weiteres Tool zur Steigerung der Produktivität von Analysten, da es automatisch verschiedene ML-Algorithmen testet, um einem Analysten zu helfen, das genaueste Modell für seinen Anwendungsfall zu finden.

Warum maschinelles Lernen für Analysen nutzen?

Analysen ohne den Einsatz von maschinellem Lernen sind auf menschliche Analysten angewiesen, die die Analysen erstellen, Erkenntnisse gewinnen und auf der Grundlage ihrer Interpretationen Empfehlungen aussprechen. Die Ergebnisse hängen dabei stark von den beruflichen Erfahrungen und Meinungen der Analysten ab.

Der Einsatz von maschinellem Lernen in Analysen verbessert den Analyseprozess in zweierlei Hinsicht:

• 1. ML ergänzt die traditionelle Analyse, indem es Muster, Trends und Korrelationen identifiziert, die sonst von der traditionellen Analyse allein unbemerkt geblieben wären. Diese Erkenntnisse und Empfehlungen beruhen ausschließlich auf den zur Verfügung gestellten Daten, mit dem Ziel, menschliche Intuition, Erfahrung oder Voreingenommenheit zu reduzieren.

•  

• 2. ML hilft Entscheidungsträgern, ihre Analyseprozesse effizienter zu gestalten, indem es beispielsweise Datensätze automatisch auswertet und visuelle Empfehlungen zu den Ergebnissen oder Empfehlungen zur schnelleren Aufbereitung und Anreicherung von Daten abgibt. Solche Funktionen beschleunigen die Entscheidungsfindung, da sie Dashboards schnell mit ML-abgeleiteten, analytischen Erkenntnissen füllen.

Der Einsatz von ML in Analysen ist nicht zwingend erforderlich und sollte nur in geeigneten Fällen erfolgen. Die richtige Ergänzung von Analysen um ML verbessert die bestehenden Entscheidungsprozesse. Bei der Arbeit mit einem neuen Datensatz kann ML beispielsweise eingesetzt werden, um die Daten automatisch zu analysieren und die aus den Daten gewonnenen Erkenntnisse in Form von Textberichten und Visualisierungen bereitzustellen.

Fünf Beispiele für den Einsatz von maschinellem Lernen in der Analyseplattform von Oracle

Gute Analyseplattformen bieten ML-Funktionen für alle Nutzer, von fortgeschrittenen Nutzern, die die gängigen Algorithmen kennen und wissen, wie man sie optimiert, bis hin zu Nutzern, die eine einfache, codefreie Anwendung von ML auf ihre Datensätze wünschen.

Datenberichte per Mausklick um analytische Erkenntnisse erweitern

Nutzer, die keine oder nur wenig Erfahrung mit maschinellem Lernen haben, können ihren Visualisierungsprojekten bereits mit einem Klick erweiterte Berechnungen wie Prognosen (prädiktive Analysen), Cluster, Referenzlinien und Trendlinien hinzufügen. Diese Methode verwendet generische Algorithmen und ist nützlich, um potenzielle Anomalien in den Daten hervorzuheben, die eine weitere Untersuchung erfordern können.

Das folgende Beispiel ist ein einfaches Diagramm, das die Einnahmen im Zeitverlauf zeigt, wobei die automatisch erstellte Prognose grau schattiert ist. Die Verfolgung der erwarteten künftigen Einnahmen ist einfach, und das erwartete künftige Muster entspricht in diesem Fall den Erwartungen; es sind keine Anomalien erkennbar.

Klassische Nutzer von erweiterten Analysen:
Geschäftsnutzer ohne Programmiererfahrung

Maschinelles Lernen zur Erklärung eines neuen Datensatzes

Unternehmensanalysten wissen oft nicht, wo sie anfangen sollen, wenn sie neue visuelle Geschichten mit unbekannten Daten erstellen. Dieses Szenario bedeutet, dass der Analyst auf seine berufliche Erfahrung zurückgreift, um den Prozess der Erstellung seiner Analysen zu steuern. Ein solcher Ansatz kann jedoch zu menschlichen Verzerrungen und ungenauen Ergebnissen führen. Ein besserer Ansatz besteht darin, ML zunächst alle Daten auswerten zu lassen und die Ergebnisse dann mit beschreibenden Erzählungen visuell hervorzuheben. Dann beginnt der Analyst mit seinen Analysen auf der Grundlage der Daten, die ihm vorliegen.

Im folgenden Beispiel wird ein neuer Datensatz mit der integrierten ML-Funktion Auto-Insights analysiert, die mehrere Muster und Trends in den Daten gefunden hat, die der Analyst möglicherweise nie in Betracht gezogen hätte. Mit einem einzigen Klick werden diese Ergebnisse dann in die Arbeitsmappe eingefügt. Dadurch wird ein analyseorientierter Ansatz für das Erzählen von Daten unterstützt und es werden Erkenntnisse präsentiert, die sonst vielleicht übersehen worden wären.

Klassische Nutzer von automatisierten Erkenntnissen:
Geschäftsnutzer, Citizen Data Scientists

Von Citizen Data Scientists trainierte Modelle, die jeder nutzen kann

Nutzer, die mit verschiedenen Arten von Algorithmen für maschinelles Lernen und ihren Daten vertraut sind, können mit Datenflüssen per Click-and-Drag benutzerdefinierte Modelle für maschinelles Lernen erstellen, abstimmen, testen und veröffentlichen, um ihre prädiktiven Analysen voranzutreiben – ohne dabei programmieren zu müssen. Diese speziell entwickelten ML-Modelle erstellen genauere Vorhersagen für ihren spezifischen Anwendungsfall als ihre allgemeinen Gegenstücke.

Der erste Schritt besteht dabei darin, das ML-Modell zu trainieren und zu testen. Dazu verbindet der Nutzer eine historische Datenquelle mit bekannten Ergebnissen, wählt den geeigneten ML-Algorithmus und legt die Parameter für diesen speziellen Anwendungsfall fest. Das Modell wird dann anhand neuer Daten getestet, um die Genauigkeit zu ermitteln. Wenn die Vorhersagen des Modells akzeptabel sind, kann das Modell anschließend einem breiteren Publikum zugänglich gemacht werden. Die veröffentlichten Modelle können dann von jedem Nutzer mit neuen Datensätzen verglichen werden. Durch diese Methode der zentralen Erstellung und Prüfung von Modellen wird sichergestellt, dass Personen mit der richtigen Ausbildung und Erfahrung vertrauenswürdige Modelle erstellen. Außerdem wird den meisten Nutzern dadurch ein einfacher Zugang ermöglicht, da sie nicht mehr auf die IT-Abteilung angewiesen sind, um die Modelle in ihrem Namen auszuführen.

Klassische Nutzer, die codefreie ML-Modelle trainieren:
Citizen Data Scientists, Poweruser

Für bestimmte Anwendungsfälle, die spezielle Modelle für maschinelles Lernen erfordern

Klassische Nutzer, die Data-Science-Dienste integrieren:
Data Scientists, Citizen Data Scientists, IT-Anwendungsspezialisten

Vorgefertigte ML-Funktionen für Geschäftsnutzer

Analyseanwendungen dienen der gezielten Analyse von Geschäftsfunktionen, wie z. B. Oracle Analytics for HCM oder Analytics for ERP. Diese Analyseanwendungen verwenden die oben beschriebenen Methoden des maschinellen Lernens, bieten aber für bestimmte Anwendungsfälle vorgefertigte ML-Modelle. Eine ERP-Analyseanwendung könnte beispielsweise out-of-the-box-ML für die Vorhersage der fristgerechten Zahlung oder die Erkennung von Ausgabenanomalien bieten, während eine HCM-Analyseanwendung Modelle wie die Vorhersage der Mitarbeiterfluktuation bereitstellen könnte.

Klassische Nutzer:
Abteilungsspezifische Geschäftsnutzer, Unternehmensanalysten

Nächste Schritte

In Analysen eingebettetes maschinelles Lernen ist eine leistungsstarke Funktion zur Erweiterung des Analyseprozesses, die sich mit dem Cloud Computing rasant weiterentwickelt hat. Sie kann vorausschauende Analysen liefern und Muster, Trends und Korrelationen in Daten erkennen, die sonst unbemerkt blieben. ML-Modelle tragen außerdem zur Verringerung unbeabsichtigter Verzerrungen bei und ermöglichen es den Beteiligten, bessere und fundiertere Entscheidungen zu treffen. Gute Analyseplattformen bieten ML-Funktionen für alle Nutzerebenen und erleichtern so den Einsatz von ML in ihren Analysen unabhängig von ihren technischen Fähigkeiten.

Mit modernen Analyseplattformen ist der Einstieg in das Thema ML einfacher, als Sie vielleicht denken. ML ersetzt Ihre aktuellen Analyseprozesse nicht, sondern ergänzt sie, indem es neue Möglichkeiten empfiehlt, die zu besseren Geschäftsentscheidungen führen können.