Generative KI-Analyse: Ein Use Case Framework für vertrauenswürdige Erkenntnisse

Stellen Sie sich ein Tool vor, das Daten nicht nur analysiert, sondern sie zu einer transformativen Innovationsquelle macht. Generative künstliche Intelligenz steht an der Spitze einer solchen Revolution und verspricht, unseren gesamten Ansatz für Dateninteraktion, Aufgabenautomatisierung, Erkenntnisgewinnung und Entscheidungsfindung neu zu gestalten. Aber die Frage bleibt: Wie kann Ihr Unternehmen dieses leistungsstarke Tool nutzen?

Um diese Reise zu beginnen, schaffen wir zunächst ein solides Fundament für generative KI, stellen Frameworks zur Entwicklung von Use Cases vor, beleuchten führende Branchenbeispiele und erklären, warum Data Analysts eine zentrale Rolle bei Implementierung und Management spielen.

Das Potenzial ist enorm: Laut einer Studie von McKinsey könnte generative KI jährlich zwischen 2,6 und 4,4 Billionen US-Dollar zur globalen Wirtschaftsleistung beitragen. Angesichts solcher Zahlen sind die Möglichkeiten für Data Analysts, eine führende Rolle im Bereich generativer KI einzunehmen, nahezu unbegrenzt.

Was ist generative KI?

Es gibt zwar viele Möglichkeiten zu erklären, was generative KI ist und wie sie funktioniert. Eine der einfachsten ist jedoch, dass generative KI ein KI-Modell ist, das mit einer großen Menge an Sprachdaten trainiert wurde und neuartige Inhalte erzeugen kann.

Die wichtigsten Dinge, die Sie wissen sollten, um generative KI zu verstehen:

• Generative KI basiert auf einem Sprachmodell (die meisten sind sog. Large Language Models, aber es gibt auch kleine Sprachmodelle).
• Generative KI wird durch eine Technologie namens Transformer ermöglicht. Transformer ermöglichen es Machine Learning, unterschiedliche Teile einer Eingabe unterschiedlich zu gewichten. Sie sind die Grundlage fortschrittlicher KI-Sprachsysteme.
• Ein GPT-Modell ist ein vortrainierter Transformer. Dieser Durchbruch hat generative KI überhaupt erst möglich gemacht.

Ein Use Case Framework zur Exploration

Es gibt viele verschiedene Use Cases für generative KI. Alle aufzulisten, wäre unmöglich. Stattdessen habe ich bei der Recherche von Use-Case-Anwendungen das folgende Framework als hilfreich empfunden.

Sehen Sie sich die Fähigkeiten generativer KI an – was sie gut kann und wo sie besonders stark ist – und leiten Sie daraus einen Use Case ab.

Wofür generative KI am besten geeignet ist:

• Zusammenfassung – „Lies diese Reise- und Spesenabrechnung und fasse die Unternehmensausgaben für den Monat in einem Absatz zusammen.“
• Codegenerierung – „Schreibe unter Verwendung dieser Variablen ein Python-Skript, das meine Umsätze für das nächste Quartal prognostiziert.“
• Datengenerierung – „Erstelle ein Dataset, das Geschäftsreise- und Spesendaten imitiert. Füge Spalten für Vorname, Nachname, Beschreibung, Datum und Betrag ein.“

Wenn Sie diese drei Fähigkeiten als Bausteine verwenden, können Sie sie zusammenfügen und die Use Cases entwickeln, die Sie untersuchen möchten. Wenn wir dieses Framework zugrunde legen, können wir jetzt loslegen und einige der gängigsten Use Cases für generative KI im Detail durchgehen.

Textgenerierung

Generative KI kann auf Basis von Benutzereingaben Texte in unterschiedlichen Ausdrucksweisen, Tonalitäten und Stilen erzeugen und so Prozesse wie das Verfassen von E-Mails, das Erstellen von Blogbeiträgen sowie das Zusammenfassen von Daten und Analysen beschleunigen.

Erkenntnisgewinnung

Generative KI kann mit verschiedenen Datenquellen arbeiten und diese analysieren, um Erkenntnisse zu gewinnen. Sie kann die Ergebnisse sogar direkt in einer E-Mail zusammenfassen oder eine PowerPoint-Präsentation erstellen, um den Prozess zu beschleunigen.

Dataset-Erstellung

Wenn Gesundheitseinrichtungen, Finanzorganisationen und andere stark regulierte Branchen Modelle erstellen und testen müssen, kann die Verwendung echter Patienten- oder Kundendaten kostspielig und riskant sein. Generative KI kann synthetische Daten erzeugen, um Modelle zu trainieren. Sobald die Modelle fertig sind, können sie auf echte Patientendaten angewendet werden. Diese Methode verringert nicht nur das Risiko regulatorischer Verstöße, sondern kann auch die Bereitstellung beschleunigen, wodurch Zeit und Kosten eingespart werden.

Natürlichsprachige Benutzeroberfläche

Sie können generative KI nutzen, um direkt mit Ihren Daten zu sprechen. Die Technologie kann Natural Language Processing (NLP) verwenden, um Ihre Fragen zu interpretieren, Ihre Daten abzufragen, um das Ergebnis zu finden, und die Ergebnisse auf eine für Sie verständliche Weise an Sie zurückgeben.

Workflow-Zusammenfassung und -Dokumentation

Das Dokumentieren von Workflows ist eine notwendige Aufgabe, die (fast) niemand gerne erledigt. Generative KI kann dies nicht nur automatisch tun, sondern auch die Governance und Prüfbarkeit verbessern.

Use Cases generieren

Ja, Sie haben richtig gelesen. Einer der Use Cases für generative KI ist die Identifizierung, Auswahl und Erstellung neuer analytischer Use Cases für Sie. Sie hilft dabei, Entscheidungsunsicherheit zu reduzieren, indem sie automatisch neue Möglichkeiten der Nutzung von generativer KI generiert.

Tools wie Alteryx Playbooks können generative KI nutzen, um mögliche Use Cases auf Grundlage Ihrer Daten zu generieren.

Aktuellen Studien zufolge zählen zu den häufigsten Use Cases generativer KI für IT- und Datenverantwortliche:

• Datenanalyse (43 %)
• Cybersicherheit (37 %)
• Kundensupport (34 %)
• Codegenerierung (32 %)
• Finanzprognosen (32 %)
• Textgenerierung (32 %)

Praktische Anwendungen von KI und Machine Learning für Analysen

Sehen wir uns an, wie verschiedene Branchen und Abteilungen generative KI für Data Analytics nutzen können, um ihre Geschäftsentscheidungen zu verbessern und Innovationen voranzutreiben.

Finanzen

• Analyse von Finanztrends: Viele Faktoren können die finanzielle Leistung beeinflussen, und sie alle zu verstehen, ist zeitaufwendig. KI und Machine Learning können Finanzdaten auf Trends und Ausreißer analysieren und deren Zusammenhänge erklären.
• Risikobewertung im Bankwesen: Risiken entstehen im Bankwesen in vielen verschiedenen Bereichen, und ihre Bewertung erfordert ein hohes Maß an Detailliertheit. KI und Machine Learning können Deep-Learning-Mechanismen anwenden, um umfassende Berichte zur Risikobewertung zu erstellen. Sie analysieren Daten im Detail, liefern Erklärungen zur besseren Verständlichkeit und schlagen Maßnahmen zur Risikominimierung vor. Dies beschleunigt den Prozess der Identifizierung potenzieller Probleme und lässt mehr Zeit für die Entscheidung über das weitere Vorgehen. Zurich Insurance beispielsweise nutzt Alteryx, um große Mengen an Daten zu Risiken, Schadensfällen und Finanzen zu analysieren.
• Analyse der Steuer-Compliance: Steuer- oder Buchhaltungsteams können generativer KI Daten zur Steuer-Compliance zur Analyse bereitstellen und umfassende Steuer-Compliance-Berichte erstellen. Zu den bereitgestellten Informationen gehören:
  • Erläuterungen zu Steuervorschriften
  • Potenzielle Abzugsmöglichkeiten
  • Empfohlene Strategien zur Minimierung von Steuerverbindlichkeiten

Personalwesen

• Optimierung des Talentpools: Personalteams können KI und Machine Learning nutzen, um Projekte zur Mitarbeiterbindung zu unterstützen, die möglicherweise Überstunden erfordern. KI kann personalisierte Empfehlungen dazu geben, welche Fähigkeiten Beschäftigte entwickeln sollten, um sich beruflich weiterzuentwickeln. Dank der Zeitersparnis durch KI können Personalteams die Empfehlungen auswerten und bei Bedarf anpassen, bevor sie sie an Mitarbeiter:innen weitergeben.
• Analyse von Mitarbeiterbefragungen: Da KI darauf optimiert ist, Muster in Daten zu erkennen, kann sie Personalteams helfen, Informationen aus Mitarbeiterbefragungen zu analysieren und Strategien zur Mitarbeiterbindung zu entwickeln. Sie kann Trends innerhalb von Unternehmen identifizieren, sie mit vorhandenen Daten über die Bedeutung dieser Trends (wie Mitarbeiterzufriedenheit oder -engagement) vergleichen und Maßnahmen vorschlagen.
• Adressierung der Mitarbeiterfluktuation: Durch die Analyse historischer Mitarbeiterdaten können Personalteams Muster und Faktoren identifizieren, die zur Mitarbeiterfluktuation beitragen. Kingfisher, ein internationales Unternehmen für Heimwerkerbedarf mit Sitz in London, nutzte Kriterienmodellierung mit Alteryx, um zu prognostizieren, welche Mitarbeiter:innen voraussichtlich kündigen und welche Gründe dafür wahrscheinlich sind.

Rechtsabteilungen

• Automatisierung juristischer Dokumente: Das Verfassen rechtlicher Dokumente ist zeitaufwendig, und die damit verbundene geistige Ermüdung kann zu einem falschen Komma oder der Verwendung falscher Wörter führen. KI kann die Erstellung von juristischen Dokumenten beschleunigen, indem sie relevante Klauseln vorschlägt. Vorschläge sollten zwar vor der Freigabe stets geprüft und bearbeitet werden, KI nimmt den Teams jedoch die zeitaufwändige Erstellung eines ersten Entwurfs ab. So bleibt ihnen mehr Zeit und Energie, ihr Fachwissen einzusetzen, um sicherzustellen, dass alles korrekt ist.
• Zusammenfassung juristischer Daten: Generative KI kann auch bei der Prüfung juristischer Dokumente helfen. Sie kann Erkenntnisse aus Texten extrahieren, sie analysieren und die wichtigsten Ergebnisse als prägnante Zusammenfassungen präsentieren. Auch bei juristischen Dokumenten sollte stets eine Überprüfung durch Mitarbeiter:innen erfolgen, um sicherzustellen, dass alles korrekt ist. KI kann jedoch erheblich Zeit sparen, insbesondere wenn sie wiederkehrende Prozesse übernimmt.

Einzelhandel

• Bestandsprognose: Das Verständnis der Gewohnheiten und Verbindungen zwischen Produkten und externen Faktoren braucht Zeit. KI und Machine Learning können Teams unterstützen, indem sie nach Einrichtung des entsprechenden Frameworks prädiktive Bestandsempfehlungen erstellen. KI kann dann die anspruchsvolle Aufgabe der automatischen Nachfrageprognose übernehmen.
• Kundensegmentierung: Wenn Kundinnen bzw. Kunden personalisierte Inhalte erhalten, ist es wahrscheinlicher, dass sie Produkte kaufen und von einer höheren Kundenzufriedenheit berichten. KI kann den Wert von Kampagnen steigern und Kundinnen und Kunden zu relevanteren Empfehlungen verhelfen. Generative KI kann unterstützen, indem sie Produkte empfiehlt, Marketingtexte erstellt und Produktempfehlungen basierend auf vorhandenen Daten vorschlägt.

Consulting

• Datenanalyse im Consulting: Wenn Unternehmen in Beratungsleistungen investieren, erwarten sie, dass ihre Consultants das Geschäft und seine Abläufe verstehen. Generative KI kann Consultants dabei helfen, Kundinnen und Kunden ein wertvolles Beratungserlebnis zu bieten, indem sie die Qualität von Beratungsberichten verbessert und individuelle Erkenntnisse generiert.

Die entscheidende Rolle von Data Analysts

Während generative KI spannende Möglichkeiten bietet, erfordern ihre Implementierung und ihr Management menschliches Fachwissen, um Risiken zu mindern und den Erfolg sicherzustellen. Generativen KI-Tools mangelt es an Fähigkeiten für kritisches Denken und strategische Planung. Hier werden Data Analysts zu entscheidenden Akteuren. Sehen wir uns die kritischen Bereiche an, in denen Analytics Champions einen Unterschied machen können.

Nuancen verstehen: Generative KI ist zwar sehr erfolgreich darin, Muster zu erkennen, stößt aber auf Schwierigkeiten mit Logik und Schlussfolgerung. Data Analysts spielen eine zentrale Rolle bei der Überbrückung dieser Diskrepanz, indem sie die Ergebnisse der KI entschlüsseln und ihr Urteilsvermögen auf reale Situationen anwenden.

Regulatorische Anforderungen meistern: Data Analysts navigieren durch die komplexe Landschaft lokaler, nationaler und internationaler Vorschriften und stellen sicher, dass generative KI im Einklang mit geltenden Anforderungen eingesetzt wird. Sie prüfen Datenverwendung, -rechte und branchenspezifische Standards, um regulatorische Risiken zu vermeiden.

Datenschutz wahren: Data Analysts prüfen Datenquellen sorgfältig auf die Einhaltung geltender Datenschutzvorgaben. Dabei beurteilen sie insbesondere, ob die Daten für Trainingszwecke geeignet sind – einschließlich ihrer Herkunft und der zulässigen Verwendungsweise –, um den Schutz sensibler Informationen sicherzustellen.

Wahrung eines Wettbewerbsvorteils: Die Verfügbarkeit generativer KI bietet sowohl Chancen als auch Herausforderungen. Diese Tools bieten zwar transformatives Potenzial, Ihre Wettbewerber haben jedoch Zugriff auf dieselbe Technologie. Bei der Nutzung generativer KI sind Data Analysts gefragt, um mithilfe menschlicher Intelligenz wettbewerbsfähige Ergebnisse zu erzielen.

Sicherheitsmaßnahmen stärken: Data Analysts arbeiten mit Cybersicherheits-Expertinnen bzw. -Experten zusammen, um die Sicherheitsmaßnahmen rund um die Implementierung generativer KI zu verstärken. Sie bewerten Datenspeicherung, -nutzung und Plattformsicherheit, um Risiken im Zusammenhang mit Datenschutzverletzungen und -missbrauch zu mindern.

Sicherstellung einer effektiven Governance: Data Analysts etablieren robuste Governance-Frameworks, um die Genauigkeit und Zuverlässigkeit generativer KI-Ergebnisse sicherzustellen. Sie sorgen dafür, dass Schutzmechanismen greifen – etwa gegen so genannte „Halluzinationen“ – und schaffen so Vertrauen in KI-basierte Entscheidungen.

Erfüllung von Skalierbarkeitsanforderungen: Data Analysts sind entscheidend für die Bewertung der Skalierbarkeit ihrer Analysearchitektur. Sie beurteilen, ob die generativen KI-Tools den wachsenden Datenanforderungen eines Unternehmens gerecht werden kann. Und sie können Workflows entwerfen, um generative KI in ihre bestehende Architektur zu integrieren.

Im Wesentlichen sind Data Analysts das zentrale Bindeglied, wenn es darum geht, die Komplexität bei Implementierung und Management von generativer KI zu meistern; sie nutzen ihr Fachwissen, um das volle Potenzial auszuschöpfen und die Risiken zu mindern.

Erste Schritte

Alteryx, die AI Platform for Enterprise Analytics, nutzt Automatisierung und vertrauenswürdige KI, um Datenprozesse zu optimieren. Data Analysts gewinnen wertvolle Zeit, um sich auf Kernaufgaben und strategisches Denken zu konzentrieren, und so letztendlich bessere Geschäftsergebnisse zu erzielen.
Alteryx bietet eine Vielzahl an KI-Lösungen, die darauf ausgelegt sind, die Nutzung von Daten für bessere Entscheidungen grundlegend zu verändern:

• Alteryx Auto Insights konzentriert sich auf die Automatisierung von Datenexploration und Erkenntnisgewinnung. Durch die Kombination von No-Code-Dashboards mit Machine Learning deckt Auto Insights Trends auf, erklärt das „Warum“ hinter den Daten und liefert in wenigen Minuten umsetzbare Informationen. Dies ermöglicht es jeder Person, unabhängig von technischem Fachwissen, wertvolles Wissen aus Daten zu gewinnen und datengesteuerte Entscheidungen schneller zu treffen. Probieren Sie die Auto Insights Simulation aus, um eine KI-gestützte, personalisierte Demo zu sehen.
• Alteryx AiDIN erweitert Erkenntnisse, indem generative KI für die Erstellung von Präsentationen, Berichten und sogar Workflow-Zusammenfassungen genutzt wird. Dies führt zu einer schnelleren Wertschöpfung, optimierten Abläufen und verbesserter Innovation. Die Magic Documents und das Workflow Summary Tool von AiDIN sind wichtige Funktionen, die die Berichterstellung und Workflow-Dokumentation automatisieren und Data Analysts wertvolle Zeit sparen.