Entwicklung eines Agenten für tiefgehende Analysen im Bereich Business Intelligence in der Praxis

Business Intelligence ein Problem. Trotz jahrzehntelanger Investitionen in BI-Tools folgt die Datenanalyse in den meisten Unternehmen nach wie vor dem gleichen Grundmuster: Jemand hat eine geschäftliche Frage, wendet sich an einen Datenanalysten, der Analyst verbringt Tage damit, SQL-Abfragen zu schreiben und Dashboards zu erstellen, und erstellt schließlich einen Bericht. Wenn die erste Analyse neue Fragen aufwirft – was fast immer der Fall ist –, wiederholt sich der Zyklus.

Inzwischen sind bemerkenswerte Fortschritte bei KI-Systemen zu verzeichnen, die eigenständig recherchieren und analysieren können. Die „Deep Research“-Agenten von OpenAI können komplexe Themen untersuchen, indem sie mehrstufige Recherchestrategien planen, Informationen aus verschiedenen Quellen sammeln und umfassende Berichte erstellen. Googles „Gemini“ und andere Systeme zeigen ähnliche Fähigkeiten webbasierten Rechercheaufgaben.

Doch eines fehlt: Keiner dieser Fortschritte hat die Art und Weise, wie Unternehmen ihre internen Daten analysieren – also Kundentransaktionen, Bestandsdaten, Vertriebskennzahlen und Betriebsdaten, die in ihren Data Warehouses gespeichert sind –, wesentlich verändert. Text-to-SQL-Systeme können zwar Abfragen generieren, aber sie sind nicht in der Lage, die Art von iterativer, hypothesengesteuerter Analyse durchzuführen, wie sie erfahrene Datenanalysten vornehmen. Sie können keine klärenden Fragen stellen, ihren Ansatz nicht auf der Grundlage erster Erkenntnisse anpassen und auch nicht den geschäftlichen Kontext liefern, der die Analyse umsetzbar macht.

Wir haben AI Analyst entwickelt, um diese Lücke zu schließen – und die autonomen Fähigkeiten aus webbasierten KI-Systemen kennen, in Business Intelligence von Unternehmen zu integrieren.

Während die breitere KI-Gemeinschaft diese Systeme als „Deep Research“-Agenten bezeichnet, verwenden wir den Begriff „Deep Analysis“, um unseren Schwerpunkt auf die Datenanalyse statt auf die Informationsbeschaffung zu betonen

Die Herausforderungen bei der Anwendung von Gen-AI auf reale Geschäftsdaten

Herkömmliche Text-to-SQL-Systeme haben in akademischen Benchmarks beeindruckende Fortschritte erzielt, wobei einige Modelle bei standardisierten Datensätzen eine Ausführungsgenauigkeit von über 90 % erreichen. Diese Erfolge sind jedoch mit einem wesentlichen Vorbehalt verbunden: Sie werden in vereinfachten Umgebungen erzielt, die kaum Ähnlichkeit mit realen Unternehmensszenarien haben.

Wissenschaftliche Benchmark-Tests basieren in der Regel auf kleinen Schemata (etwa 50 Spalten pro Datenbank), einem einzigen SQL-Dialekt (meist SQLite), einer begrenzten Unterstützung von Datentypen und einfachen Abfragen mit durchschnittlich nur 30 Tokens. Im Gegensatz dazu stellen Unternehmens-Data-Warehouses Herausforderungen dar, die diese Annahmen völlig über den Haufen werfen:

• Produktionsdatenbanken enthalten oft über 500 Spalten in Hunderten von Tabellen.
• Unternehmen nutzen verschiedene SQL-Dialekte (BigQuery, Snowflake, Redshift) mit plattformspezifischen Funktionen.
• Zum Verständnis sind Fachwissen, geschäftliche Definitionen und organisatorische Zusammenhänge erforderlich, die weit über Tabellenschemata hinausgehen.
• Echte geschäftliche Fragestellungen erfordern eine mehrstufige Analyse, die Aufstellung von Hypothesen und eine schrittweise Verfeinerung.
• Die Kluft zwischen akademischem Erfolg und Deployment in Unternehmen Deployment nach wie vor, da die Entwicklung effektiver Business Intelligence ein grundlegendes Umdenken hinsichtlich der Herangehensweise von KI-Systemen an analytische Aufgaben erfordert, das über die einfache Generierung von SQL-Abfragen hinausgeht.

Unser Ansatz

Wir haben einen sogenannten „Deep Analysis Agent“ für Business Intelligence entwickelt. Die Kernidee ist einfach: Anstatt lediglich SQL-Abfragen zu generieren, wollten wir ein KI-System schaffen, das den gesamten Analyse-Workflow abdeckt, den ein menschlicher Datenanalyst durchlaufen würde.

Das bedeutet, dass der Agent mehr tun musste, als nur abfragen . Er muss Visualisierungen erstellen, verwalten parallele Analysepfade verwalten und die Ergebnisse zu schlüssigen Berichten zusammenfassen. Bei der Untersuchung einer geschäftlichen Fragestellung verfolgen erfahrene Analysten oft mehrere Hypothesen gleichzeitig – sie führen verschiedene Abfragen durch, erstellen unterschiedliche Diagramme und beleuchten das Thema aus verschiedenen Blickwinkeln, bevor sie Schlussfolgerungen ziehen. Wir wollten, dass unser Agent genauso arbeitet und mithilfe der parallelen Ausführung von Tools mehrere Aspekte eines Problems gleichzeitig untersucht, anstatt einem einzigen linearen Pfad zu folgen.

Architekturentscheidungen

Uns wurde schnell klar, dass ein einziges großes Modell nicht alle verschiedenen Aspekte des Analyseablaufs effektiv bewältigen konnte. Stattdessen haben wir ein Multi-Agenten-System entwickelt, in dem jede Komponente eine bestimmte Aufgabe hat:

Das erwies sich als wesentlich effektiver, als zu versuchen, alles in einen einzigen KI-Agenten zu packen.‍

Die Systemarchitektur lässt sich als hierarchische Multi-Agenten-Struktur darstellen:

Agent für tiefgehende Analyse: Ψ = Orchestrator(I, C, P, Composer, R)

Dabei ist jede Komponente ein eigenständiger KI-Agent mit spezifischen Aufgaben:

Intent Router: I(q) → {route, confidence} – An agent that classifies incoming queries and routes them to appropriate handlers.

Clarifier Agent: C(q, catalog) → {questions, context} – An autonomous agent that searches the data catalog to understand available data and business definitions, then generates clarification questions only when needed, such as asking about preferred metrics, time periods, or business definitions.

Planning Agent: P(q, clarifications) → objectives = {o₁, o₂, …, oₙ} – An agent that creates a high-level research strategy where each objective extends beyond the literal question to provide comprehensive business value.

Composer Agent: Composer(Ziele, Kontext) → Artefakte – Die zentrale Analyse-Engine mit iterativer Schlussfolgerung und paralleler Tool-Ausführung Fähigkeiten

Berichtsgenerator: R(Artefakte, Kontext) → comprehensive_report – Ein eigenständiger Agent, der alle vom Composer erstellten Artefakte zu schlüssigen, geschäftsorientierten Analyseberichten zusammenfasst.

Each tool interaction updates both the analytical state and the artifact store A:A = {SQL results, charts, notepads, catalog data, progress tracking}

Das System sorgt durch die Verwaltung von Artefakten für die dauerhafte Speicherung von Daten, sodass komplexe Analysen auf früheren Arbeiten aufbauen können und wichtige Ergebnisse für die Geschäftsinteressenten automatisch dauerhaft gespeichert werden.

Intent Router: Das erste Tor

Bevor wir uns mit der Architektur des Deep Analysis Agent befassen, lohnt es sich zunächst zu verstehen, wie Anfragen überhaupt weitergeleitet werden. Unser Intent Router ist ein eigenständiges System, das eingehende Anfragen in Kategorien wie Datenexploration, spezifische Analyseanfragen, Ergebniserklärungen und Systemanfragen einteilt.‍

Die Aufgabe des Intent Routers ist einfach: Er muss feststellen, ob eine Anfrage eine Datenanalyse erfordert oder etwas ganz anderes. Handelt es sich um eine Analyseanfrage, wird sie an den entsprechenden Analyse-Agenten (Quick oder Deep) weitergeleitet.‍

Weiter: Der eigentliche Deep-Analysis-Agent

Wenn der Intent Router eine Analyseanfrage erkennt und sie an den Deep-Analysis-Modus weiterleitet, Orchestrierung die eigentliche Orchestrierung . Der Deep-Analysis-Agent ist ein hochentwickeltes Multi-Agenten-System, das darauf ausgelegt ist, komplexe, vielschichtige Geschäftsfragen zu bearbeiten, deren vollständige Untersuchung 15 bis 20 Minuten in Anspruch nehmen kann.

Der Clarifier Agent: Intelligente Fragenbildung

Geschäftskunden stellen oft vage Fragen wie „Wie läuft das Geschäft in unseren Filialen?“, ohne zu bedenken, wie vielfältig diese Frage ausgelegt werden kann. Der Clarifier Agent löst dieses Problem, indem er gezielt entscheidet, wann er um Klarstellung bittet.

Der Clarifier Agent durchsucht zunächst den Datenkatalog sich einen Überblick über verfügbare Datenmuster, Geschäftsdefinitionen und bestehende Kennzahlen Datenkatalog verschaffen. Erst wenn er echte Unklarheiten oder fehlenden geschäftlichen Kontext feststellt, generiert er Klärungsfragen. Bei abfragen der Filialleistung könnte er beispielsweise nach bestimmten Kennzahlen (Umsatz pro Quadratmeter vs. Lagerumschlag), dem geografischen Geltungsbereich oder Zeiträumen fragen – allerdings nur, wenn der Katalog keine eindeutigen organisatorischen Präferenzen für diese Auswahlkriterien enthält.

Der Agent unterscheidet zwischen technischen Fragen (in welchen Tabellen sind Geschäftsdaten gespeichert, wie werden Kennzahlen berechnet), die er mithilfe der Katalogsuche selbstständig beantwortet, und geschäftlichen Fragen (welche Kennzahlen sind am wichtigsten, welche Zeiträume sind relevant), die Nutzer erfordern. So wird vermieden, dass die geschäftlichen Entscheidungsträger mit technischen Details überfordert werden, und gleichzeitig sichergestellt, dass die Analyse die richtige geschäftliche Absicht widerspiegelt.

Es erwies sich als schwierig, das richtige Gleichgewicht zu finden. Anfangs stellte der Mitarbeiter zu viele technische Fragen, die nicht-technische Nutzer nicht beantworten konnten – beispielsweise: „Soll ich die Tabelle ‚customer_transactions‘ oder die Ansicht ‚sales_summary‘ verwenden?“ Die Geschäftsanwender hatten keine Möglichkeit, diese Fragen sinnvoll zu beantworten. Andererseits führten zu wenige Fragen zu Analysen, bei denen entscheidender geschäftlicher Kontext fehlte.

Wir haben wochenlang daran gearbeitet, den Clarifier Agent so zu optimieren, dass er erkennen kann, wann Kataloginformationen ausreichen und wann tatsächlich eine manuelle Klärung hinsichtlich Geschäftsbegriffen, Definitionen oder Analyseeinstellungen erforderlich ist.

Der Planer-Agent: Analyseplanung

Nachdem wir vom Nutzer eine Rückmeldung erhalten haben, müssen wir seine geschäftliche Fragestellung in einen konkreten Analyseplan umsetzen. Dabei versuchen wir, über eine rein wörtliche Auslegung der Frage hinauszugehen.

Wenn jemand nach der Geschäftsentwicklung im Nordosten im Vergleich zur Westküste fragt, vergleichen wir diese Regionen nicht einfach direkt miteinander. Der Planungsbeauftragte überlegt, welche zusätzlichen Informationen nützlich sein könnten – saisonale Muster, Geschäftstypen, Bestandsdynamik – und bezieht diese in die Forschungsagenda ein. Das Ziel ist es, vorauszusehen, welche Folgefragen der Nutzer nach Sichtung der ersten Ergebnisse stellen Nutzer .‍

Wir beschränken uns auf 3 bis 5 übergeordnete Ziele, um den Fokus zu wahren, doch jedes Ziel ist darauf ausgerichtet, zu einem umfassenden Verständnis der geschäftlichen Fragestellung beizutragen.

Der Composer Agent: Hauptanalyse-Agent (SQL + Diagramme)

Der Composer-Agent arbeitet über einen adaptiven ReACT-Kreislauf mit bedingter menschlicher Interaktion. Der Agent kann SQL-Abfragen ausführen, Metadaten dem Datenkatalog abrufen und auswerten, Diagramme und Visualisierungen erstellen sowie seine Analyse auf der Grundlage der Ergebnisse schrittweise verfeinern.

Die Aufmerksamkeitsspanne des Agenten verbessern

Eine unserer wichtigsten Innovationen ist das „Notizbuch-System“ zur Erfassung des Analysekonttexts, bei dem der Bearbeiter strukturierte Dokumente pflegt, darunter eine Master-Checkliste für zu erbringende Leistungen und die Fortschrittsverfolgung, nach Forschungsbereichen geordnete Ergebnisse sowie vorläufige Erkenntnisse und Beobachtungen zur Datenqualität.

Vor der Einführung des Notizbuchsystems „vergaßen“ unsere Mitarbeiter häufig frühere Erkenntnisse und wiederholten Analysearbeiten. Bei langen Sitzungen kam es zu Leistungseinbußen, da die Mitarbeiter den Überblick darüber verloren, was bereits herausgefunden worden war. Das strukturierte Notizbuch beseitigte diese Kontextabweichung, sodass die Mitarbeiter nun auch über viele Iterationen hinweg einen zusammenhängenden Analyseverlauf aufrechterhalten können.‍

Die bedeutendste Verbesserung ergab sich aus der Verhaltensänderung, die der Notizblock bewirkte. Als wir den Agenten so programmierten, dass er seine Notizen vor dem Treffen von Entscheidungen ausdrücklich las, verbesserte sich die Qualität der Analyse. Der Agent begann, Widersprüche in seinen eigenen Erkenntnissen zu erkennen, Lücken in seinen Untersuchungen aufzudecken und fundiertere Verbindungen zwischen den Datenpunkten herzustellen.‍

Diese Fähigkeit zur Selbstreflexion führt ganz natürlich dazu, dass der Agent den Analyseplan dynamisch anpassen kann, sobald neue Erkenntnisse gewonnen werden. Der Agent beginnt zwar mit einem linearen Plan (Untersuchungsbereich A → B → C), kann diesen jedoch auf der Grundlage der gewonnenen Erkenntnisse anpassen:

„`Notizblock

Ursprünglicher Plan:
[A] Umsatzanalyse (Ergebnisdokumente A1, A2, A3)
[B] Kostenanalyse (Ergebnisdokumente B1, B2)
[C] ROI-Berechnung (Ergebnisdokument C1)

Nach A1 Discovery:
[A] Umsatzanalyse (✓ A1, A2, A3)
[C] ROI-Berechnung (✓ C1) // Aufgrund der Abhängigkeit von A1 nach oben verschoben
[B] Kostenanalyse (B1, B2)

Diese Flexibilität ist für die praktische Geschäftsanalyse von entscheidender Bedeutung, da erste Erkenntnisse häufig die Richtung der Untersuchung verändern.

Der Agent überprüft Metadaten der Ausführung von Abfragen systematisch Tabellenstrukturen und Metadaten , um sicherzustellen, dass Analysen auf einem fundierten Datenverständnis basieren. Anstatt lediglich Daten zu extrahieren, stellt er Hypothesen über Muster und Zusammenhänge auf und entwirft anschließend Analysen, um diese Hypothesen iterativ zu überprüfen.

Der Report-Writer-Agent

In der letzten Phase kommt ein spezieller „Report Writer“-Agent zum Einsatz, der alle Analyseergebnisse zu einem geschäftsrelevanten Bericht zusammenfasst. Dieser Agent steht vor einer besonderen Herausforderung: Er muss technische Erkenntnisse in umsetzbare geschäftliche Erkenntnisse übersetzen, ohne dabei die Daten zu verzerren oder überinterpretieren.

Ähnlich wie Composer arbeitet der Report Writer in einem iterativen Arbeitsablauf und fasst alle gesammelten Artefakte zu einem schlüssigen Geschäftsdokument zusammen, das technische Erkenntnisse in umsetzbare Erkenntnisse für die Beteiligten umsetzt.

Eine Innovation, auf die wir besonders stolz sind, ist unser interaktives Berichtssystem, in das der Agent einbetten kann. Anstatt statische PDF-Dateien oder Zusammenfassungen im Nur-Text-Format zu erstellen, haben wir ein reichhaltiges Markdown-Format entwickelt, das narrative Analysen mit interaktiven Elementen verbindet.

Unsere Berichte vereinen verschiedene Inhaltstypen:

• Ein Text, der die Ergebnisse in einer verständlichen Geschäftssprache erläutert.
• Interaktive Diagramme, die Nutzer erkunden, filtern und detailliert untersuchen können.
• Datentabellen, die sortiert, durchsucht und als CSV-Dateien exportiert werden können.
• Kontextbezogene Tooltips, die methodische Details liefern, ohne den Haupttext zu überladen.
• Wir haben eine eigene Markdown-Syntax entwickelt, die dies ermöglicht.

Herausforderungen

Die Entwicklung des Report-Writer-Agenten erwies sich als schwieriger als erwartet. Dem Agenten beizubringen, was „interessant genug“ für einen Bericht ist, erforderte zahlreiche Iterationen. Der Agent stufte anfangs jede noch so kleine prozentuale Veränderung als „signifikant“ ein, was zu Berichten führte, die mit geringfügigen Schwankungen überladen waren, anstatt sich auf geschäftsrelevante Erkenntnisse zu konzentrieren. LLMs neigen naturgemäß dazu, sich dramatisch, wortreich und blumig auszudrücken, was für die Geschäftsberichterstattung, bei der Stakeholder klare und prägnante Erkenntnisse benötigen, wenig geeignet ist. Wir haben Monate damit verbracht, den Agenten so zu programmieren, dass er zwischen statistischem Rauschen und aussagekräftigen Geschäftsmustern unterscheiden kann, während er gleichzeitig eine angemessen zurückhaltende Sprache beibehält.

Die Flexibilität der Vorlagen stellte eine weitere Herausforderung dar. Anstatt jede Analyse in eine statische Berichtsstruktur zu pressen, musste der Agent sein Berichtsformat an die Art der Analyse und die Zielgruppe anpassen. Eine Finanztrendanalyse erfordert andere Abschnitte und Schwerpunkte als eine Studie zur betrieblichen Effizienz oder eine Kundensegmentierungsanalyse.‍

Zusätzliche, berichtsspezifische Tools

Außerdem haben wir den Report Writer mit zusätzlichen Tools ausgestattet, darunter eine Rechnerfunktion. LLMs haben Schwierigkeiten mit mehrstufigen mathematischen Berechnungen und produzieren oft subtile Fehler, wenn sie Prozentsätze, Wachstumsraten oder statistische Kennzahlen in einem einzigen Durchgang berechnen. Durch die Bereitstellung spezieller Berechnungstools kann der Agent die mathematische Genauigkeit seiner Berichte überprüfen, anstatt sich auf potenziell fehlerhafte rechnerische Schlussfolgerungen zu verlassen.

Fortschrittsüberwachung und Transparenz

Anwender benötigen Einblick in lang andauernde Analyseprozesse. Unser Progress Tracker liefert Echtzeit-Updates, indem er die Aktivitätsmuster der Agenten überwacht und technische Vorgänge in geschäftsrelevante Fortschrittsindikatoren umsetzt. Damit wird eine entscheidende Lücke in bestehenden Systemen geschlossen, in denen Anwender keinen Erkenntnis komplexe Analyseabläufe haben.

Ergebnisse der Beta-Testphase

Unsere Beta-Tests mit Kunden haben uns wertvolle Einblicke sowohl in das Potenzial als auch in die derzeitigen Grenzen unseres Produkts verschafft.

Ein Einzelhandelskunde nutzte unseren Deep Analysis Agent, um die Bestandsoptimierung in seinem gesamten Filialnetz zu untersuchen. Während Wobbys bestehender Schnellanalysemodus grundlegende Lagerbestände und Umschlagraten ermitteln konnte, lieferte die Tiefenanalyse zusätzlichen Kontext. Der Agent stellte unterschiedliche saisonale Muster zwischen touristischen Gebieten und Vorortlagen fest, doch die Validierung zeigte, dass einige Muster einen geschäftlichen Kontext benötigten, um richtig interpretiert zu werden. Die Analyse wies auf mögliche Zusammenhänge zwischen Werbeaktivitäten in verschiedenen Produktkategorien hin, was weitere Untersuchungen erforderte, um die geschäftliche Relevanz zu bestätigen. Das System identifizierte statistische Indikatoren für Über- und Unterbestandsituationen, wobei die Umsetzung jedoch menschliches Urteilsvermögen hinsichtlich geschäftlicher Schwellenwerte erforderte.

Die Analyse, für die ein Analyst normalerweise zwei bis drei Tage benötigt hätte, war in etwa zehn Minuten abgeschlossen. Wir haben jedoch festgestellt, dass menschliches Fachwissen für die Validierung des Fachgebiets, den strategischen Kontext und die Umsetzungsplanung nach wie vor unverzichtbar ist. Business-Analysten müssen weiterhin prüfen, ob die erkannten Muster geschäftlich sinnvoll sind. Der Agent kann zwar Zusammenhänge erkennen, doch menschliches Urteilsvermögen ist unerlässlich, um Kausalzusammenhänge und geschäftliche Auswirkungen zu bestimmen. Der Agent kann zwar Vorschläge zur Analyse unterbreiten, doch die Umsetzung der Erkenntnisse in umsetzbare Geschäftsprozesse erfordert menschliches Fachwissen.

In einem anderen Fall äußerte der Geschäftsführer einer Plattform für Wohngemeinschaften eine konkrete Sorge: „Ich vermute, dass potenzielle neue Mitbewohner aufgrund ihres Alters abgelehnt werden. Wenn zum Beispiel ein Mitbewohner 45 Jahre alt ist und das Durchschnittsalter im Haushalt bei 25 Jahren liegt, dann stelle ich fest, dass eine gewisse Diskriminierung vorliegt, bei der der Mitbewohner durch Abstimmung abgelehnt wird. Deshalb möchte ich, dass Sie analysieren, wie häufig dies vorkommt, dass neue Mitbewohner aufgrund ihres Alters durch Abstimmung abgelehnt werden.“

Eine solche Analyse hätte ihr Team normalerweise mehrere Tage gekostet – sofern sie angesichts konkurrierender Prioritäten überhaupt durchführbar gewesen wäre. Der Deep Analysis Agent war in der Lage, Abstimmungsverhalten zu untersuchen, Faktoren wie Wohnort und Einkommen zu berücksichtigen und potenzielle altersbedingte Diskriminierungsmuster zu identifizieren. Der Agent wies jedoch auch angemessen darauf hin, wenn er menschliche Eingaben zu Geschäftsregeln, Abstimmungsschwellenwerten und der Interpretation von Grenzfällen in den Daten benötigte.‍

Aktuelle Herausforderungen und Ausblick

Auch wenn Deep-Analysis-Agenten für Business Intelligence vielversprechend Business Intelligence , gibt es noch einige Herausforderungen zu bewältigen.

Die Effektivität des Agenten hängt direkt von Datenkatalog und Genauigkeit Datenkatalog ab. Unvollständige oder veraltete Kataloginformationen können zu suboptimalen Analyseergebnissen führen. Einige domänenspezifische Geschäftsregeln und Ausnahmen lassen sich vom Agenten nur schwer automatisch ableiten, sodass eine kontinuierliche menschliche Anleitung und Validierung erforderlich ist. Der Agent ist zwar hervorragend darin, Muster zu erkennen, zwischen Korrelation und Kausalität zu unterscheiden oder den geschäftlichen Kontext hinter statistischen Zusammenhängen zu verstehen, benötigt jedoch oft menschliches Fachwissen. Komplexe Unternehmensszenarien mit ungewöhnlichen Datenmustern oder Geschäftsanforderungen erfordern manchmal manuelle Eingriffe und Verfeinerungen.

Die Zukunft der Business Intelligence einer Partnerschaft zwischen Fähigkeiten menschlicher Erkenntnis. KI-Agenten können die rechnerische Komplexität und den Umfang moderner Unternehmensdatenumgebungen bewältigen, während menschliche Analysten Fachwissen, strategischen Kontext und unternehmerisches Urteilsvermögen einbringen – Faktoren, die für umsetzbare Erkenntnisse nach wie vor unverzichtbar sind.‍

Für Datenteams, die den Einsatz von KI-gestützter Analytik in Betracht ziehen, bietet die Kombination aus fundierten Fähigkeiten katalogbasiertem Kontext einen praktischen Weg in die Zukunft – einen Weg, der Fähigkeiten analytischen Fähigkeiten des Menschen stärkt Fähigkeiten die Komplexität und die Feinheiten Entscheidungsfindung tatsächlichen Entscheidungsfindung in Unternehmen berücksichtigt.

Über den Autor

Über Actian Germany GmbH

Actian ermöglicht es Unternehmen, Daten in großem Umfang sicher verwalten zu steuern. Unternehmen vertrauen auf Datenmanagement Data-Intelligence-Lösungen von Actian, um komplexe Datenumgebungen zu optimieren und die Bereitstellung von KI-fähigen Daten zu beschleunigen. Die auf Flexibilität ausgelegten Lösungen von Actian lassen sich nahtlos integrieren und arbeiten zuverlässig in On-Premises, Cloud und Hybridumgebungen. Erfahren Sie mehr über Actian, den Daten- und KI-Geschäftsbereich von HCL Software, unter actian.com.