[Anmerkung der Redaktion: Dies ist der zweite Teil einer dreiteiligen Serie zum Thema Analytics Automation und zu ihrer Rolle bei der digitalen Transformation der Lieferkette.]
Ein guter Grund, den Weg über ein Analytics Automation-Kompetenzzentrum (Center of Excellence, CoE) zu beginnen, besteht darin, die Abstimmung mit anderen Investitionen sicherzustellen, die Ihr Unternehmen im Bereich Analysen tätigt – insbesondere in BI-Tools (Business Intelligence), die Berichterstellung, Dashboards und KPI-Messungen unterstützen, sowie in das bereits erwähnte Data Science-Team.
Wenn all diese Ressourcen als Einheit aufeinander abgestimmt und verwaltet werden, um datenbasierte Ergebnisse zu erzielen, entstehen schnell Vorteile.
Analytics Automation beschleunigt beispielsweise jeden Bestandteil eines Analyse-Anwendungsfalls, ist in der Regel jedoch nicht die Standardmethode für die Kommunikation von Ergebnissen. Das fällt in der Regel in den Zuständigkeitsbereich des BI-Teams, das sich auf die Kunst der visuellen Datenanalyse und die Interpretation von Erkenntnissen im entsprechenden Maßstab spezialisiert hat. Die Tableau-Community ist dafür ein gutes Beispiel.
Für das Analytics Automation-Team stellt BI eine sinnvolle Ergänzung dar. Es müssen nicht nur die Ergebnisse und Auswirkungen von Anwendungsfällen an die jeweils Zuständigen kommuniziert werden, sondern auch das Team selbst muss einen Überblick über das Portfolio an Anwendungsfällen behalten, um den geschäftlichen Nutzen an die Führungsebene zu kommunizieren. Durch die Verfügbarkeit von Auto Insights, ehemals Hyper Anna, werden Anwendungsfälle wie dieser unterstützt.
Der Data Science Fachwissen auf dem Gebiet der Analytics Automation zur Seite zu stellen, hat ebenfalls Vorteile.
Zum einen gibt es die Abfragen von Anwendungsfällen, die teils in den Bereich Data Science fallen und idealerweise durch einen Low-Code/No-Code-Ansatz bedient werden könnten. Dies ist dank der Verfügbarkeit von Designer Cloud und Alteryx Machine Learning (auch Cloud-basiert) nun einfacher als je zuvor. Solange das Data Science-Team die Möglichkeiten von Analytics Automation nicht versteht, kann es die Fälle nicht erkennen, in denen es seine Zeit besser für andere Projekte aufgewendet hätte.
Wenn die Auslegung von Analysen im Unternehmen im Auftrag des Data Science-Teams durch Fachleute übernommen wird, können diese als Mittler fungieren, die die passende Lösung auf die passenden Anwendungsfällen abstimmt.
Zum anderen hebt das Erkennen der Möglichkeiten von Analytics Automation gegenüber Data Science das Potenzial hervor, ihre eigene individuell erstellte Arbeit zu beschleunigen. Datenbezogene Aufgaben nehmen im Data Science-Prozess weiterhin viel zu viel Zeit in Anspruch. Low-Code/No-Code-Tools können diese Schritte für Beschäftigte mit unterschiedlichen Fähigkeiten und unterschiedlichen Hintergründen beschleunigen. Ein weiterer neuer Cloud-Dienst, Trifacta, der jetzt Teil der Alteryx Analytics Cloud ist, kann dazu beitragen, indem die Migration eines Data Warehouse in die Cloud beschleunigt und vereinfacht wird.
Das Gleiche gilt für Aufgaben im Bereich Machine Learning und Predictive Modeling: Diese profitieren von einem schnelleren Prototyping in den frühen Phasen von Projekten, während Hypothesen gebildet werden, und danach, wenn Ergebnisse validiert werden und noch eine Anpassung erforderlich sein könnte.
Lesen Sie den ersten Blogbeitrag dieser dreiteiligen Serie: Die Vorgehensweisen für Einführung und Geschäftsnutzen der erfolgreichsten Lieferkettenkunden von Alteryx