Augumented Analytics förenklar Analytics

Augmented Analytics förenklar Analytics

Self Service inom Business Intelligence och Data Science är som bekant heta områden. Advectas genomför årligen ”Den svenska Business Intelligence- och Data Science-studien”. I årets studie ser vi att Self Service BI är ett av de områden som har starkast tillväxt inom Analytics. I studien ser vi också att Self Service Data Preparation, där användaren har speciella verktyg och metoder för att själva preparera data för analys, gör ett kraftigt ryck i tillväxttakt. Jag brukar själv betrakta Self Service Data Preparation som det mest krävande och avancerade steget inom Self Service och blev därför förvånad och positivt överraskad över den snabba tillväxten som årets studie visar på.

Jag anser att Self Service inom BI & Analytics är en mycket viktig möjliggörare för att utnyttja hela potentialen i alla datatillgångar som företag och organisationer har tillgång till. Traditionella metoder som oftast drivits av IT är bra och framgångsrika men de räcker inte till. Exempelvis är nästan alltid BI-utvecklare och seniora Data Scientists mycket trånga sektorer, svåra att få tag på och dessutom relativt dyra. Det är därför viktigt att de allokeras att göra saker de verkligen måste göra, och få ut en del av utvecklingen och analysen i verksamheten genom Self Service.

Det är många saker som samverkar för att skapa förutsättningar för Self Service. Vi på Advectas har de senaste åren engagerat oss mycket i frågor som program för utrullning av Self Service (utbildning, coachning etc), Self Service Governance (för att skapa pålitlighet och kvalitet), datadriven kultur osv. Givetvis är vi också mycket engagerade i teknikutvecklingen på området vilket naturligtvis också är en viktig möjliggörare.

Det är inom teknikområdet som Augmented Analytics har börjat göra entré som en sammanfattande term för flera företeelser. Detta är i sig ingen ny utveckling utan mer att betrakta som ett samlingsbegrepp som bland annat Gartner börjat använda sig av i de senaste Magic Quadrants inom Business Intelligence och Data Science. Gartner går så långt att de kallar det för ett nytt paradigm inom Analytics.

Vad innefattas då inom begreppet Augmented Analytics? Det är som sagt flera olika saker som alla har med teknikutvecklingen att göra. Här är några olika områden som brukar kopplas till begreppet:

Natural Language Query (NLQ) och BI Search – att användaren ges möjlighet att skriva frågor om sin data i klartext, utan att använda exempelvis ett scriptspråk som SQL. Det kan t ex vara en fråga som ”Vilka är våra fem mest lönsamma kunder?” eller ”Inom vilken avdelning har vi högst sjukfrånvaro?”. Din fråga kan skrivas eller talas med en Siri-liknande funktion. Svaret ges ofta i en lämplig diagramform som din analytics-lösning föreslår baserat på best practice inom visualisering. Här har exempelvis Power BI och Thoughtspot varit pionjärer med tidiga lösningar.

Narration är en funktion som gör att användaren får hjälp med en maskingenererad, skriftlig analys av en datamängd, eller en graf. Det kan exempelvis vara en text av karaktären ”omsättningen har ökat med i snitt 3% per månad under första kvartalet 2018, samtidigt som bruttomarginalen ligger på en jämn nivå på runt 35%”. Användaren får helt enkelt stöd i att tolka informationen och att hitta mönster.

• Augmented Data Science/Advanced Analytics. Inom detta område finns det flera nivåer. En väldigt smidig lösning är att du helt enkelt frågar vilka slutsatser som kan dras om samband, kategorisering, korrelationer osv i en viss datamängd (detta kallas ibland Augmented Data Discovery). Här kan det vara på plats att iaktta stor försiktighet i tolkningen av resultatet. Augmented Advanced analytics kan också handla om att användare ges visuella gränssnitt eller enkla “peka & klicka”-gränssnitt för att få hjälp att skapa förhållandevis komplexa modeller, även I detta fall utan att behöva skriva kod. Även här krävs stor försiktighet och en förståelse för kontexten för att inte riskera helt felaktiga resultat.

• Augmented Self Service Data Preparation. Både Data Preparation och Datamodellering är komplexa företeelser som historiskt har utförts av välutbildade och erfarna personer med teknikbakgrund. Så kommer det att fortsätta vara men som komplement växer Self Service Data Preparation fram och här används exempelvis Machine Learning för att hjälpa användaren att förstå hur olika datamängder hänger ihop eller borde hänga ihop. Användaren kan också bli varnad för att absolut inte koppla ihop olika datamängder eller dimensioner. Här har exempelvis Alteryx, Qlik och IBM varit tidigt ute med lösningar.

• Augmented Visualization. Med hjälp av innovativ och smart visualisering får användaren hjälp att analysera informationen, se mönster, hitta avvikelser osv. Här är exempelvis Tableau en av pionjärerna.

Det gemensamma för alla dessa tekniker är att de skall göra det mycket enklare för användaren att själv göra mycket mer avancerade saker med data och statistik utan att de behöver ha specifik utbildning och erfarenhet inom BI-utvecklingen, statistik eller Data Science. Syftet är helt enkelt att sänka trösklarna ge många fler människor i organisationen tillgång till dessa fantastiska möjligheter med data och analytics.

Som nämnts lyfts ofta farhågor om att användaren som saknar nödvändiga förkunskaper riskerar att använda data på fel sätt eller gör felaktiga tolkningar av resultatet. Det ligger givetvis mycket i detta och mycket av exempelvis en Data Scientists uppgift kan vara att hjälpa till att tolka ett resultat av en analys och att översätta detta till ett språk som fler människor förstår. Det kan även vara en uppgift för en Business Analyst.

Å andra sidan är användarna av dessa tekniker och metoder ofta verksamhetspersoner som sitter i en kontext som gör att de har en mycket god möjlighet rimlighetsbedömning och värdering av de resultat som framkommer. En översättning av verksamhetsförståelsen behövs inte i lika stor utsträckning.

De personer i organisationen som är den främsta målgruppen för Augmented Analytics-tekniken är personer som redan har ett stort intresse för data, de är antagligen intresserade av analys, de har stor verksamhetskunskap osv. Det är inte alltid självklart var i organisationen personer med dessa egenskaper hittas men säkerligen hittar du dem bland controllers, analytiker, affärsutvecklare, verksamhetsutvecklare eller bara generellt dataintresserade personer. Ofta tillhör de någon verksamhetsfunktion men det kan också handla om verksamhetsorienterade IT-personer. Gartner kallar denna kategori för ”Citizen Data Scientists” och spår att kategorin kommer att växa fem gånger så mycket som ”Expert Data Scientists” fram till år 2020 (källa: Magic Quadrant for Analytics and Business Intelligence Platforms 2018). Augmented Analytics är en förutsättning för att denna kategori skall kunna blomstra och bidra till att göra hela organisationen mer datadriven.

Om du har några frågor kring inlägget eller Business Intelligence i stort får du gärna kontakta mig genom att skicka ett email till thomas.svahn@advectas.se eller via telefon på 073 231 63 59.

Thomas Svahn

Thomas Svahn
thomas.svahn@advectas.se
Thomas Svahn är senior managementkonsult och Vice VD på Advectas AB. Förutom att vara med och driva Advectas agerar Thomas rådgivare åt Advectas kunder i frågor som rör strategier inom Analytics.

Alla inlägg av Thomas Svahn

Advectas startar schemalagda utbildningar på de främsta BI-plattformarna

Läs mer om Advectas Academy!