Data Intelligence

Kann KI statische Dashboards zur Überwachung der Unternehmensleistung ersetzen?

Kann KI statische Dashboards ersetzen?

Viele Unternehmen verfügen über präzise, aktuelle Dashboards, die so gut wie nie aufgerufen werden. Eine Studie von Gartner hat ergeben, dass 80 % der Dashboards nach 90 Tagen nicht mehr genutzt werden. Selbst diejenigen, auf die man immer wieder zurückgreift, bleiben meist an derselben Stelle stehen: Sie liefern die Zahlen, überlassen es aber anderen, herauszufinden, was dahintersteckt. Genau diese Lücke soll nun durch KI geschlossen werden.

Kann KI statische Dashboards ersetzen?

KI wird Dashboards wahrscheinlich nicht vollständig ersetzen, da diese nach wie vor die schnellste Möglichkeit darstellen, sich auf einen Blick einen Überblick über die Geschäftsentwicklung zu verschaffen. Was die KI verändert, ist das, was passiert, nachdem man sich ein Dashboard angesehen hat. Anstatt sich durch Exportdaten zu wühlen, um ein Diagramm zu erklären, können Nutzer nun fragen, was sich geändert hat, und erhalten eine Antwort, auf deren Grundlage sie handeln können – etwas, wofür ein festes Diagramm-Set niemals konzipiert wurde.

Die eigentliche Lücke: Dashboards zeigen, was passiert ist – nicht, was als Nächstes zu tun ist

Da Dashboards auf Kennzahlen basieren, die zuvor von jemandem definiert wurden, eignen sie sich gut zur Verfolgung bekannter Zahlen, haben jedoch Schwierigkeiten mit der Frage, die sich als Nächstes stellt. Wenn der Umsatz in einer Region sinkt, zeigt das „ dashboard “ diesen Rückgang an. Um den Grund dafür herauszufinden, muss man in der Regel Daten exportieren, eine neue Ansicht erstellen oder eine Anfrage an das Datenteam stellen und dann auf eine Antwort warten. In jedem Team häufen sich solche Anfragen schnell an: Eine Untersuchung von McKinsey ergab, dass Datenteams 60 % ihrer Zeit mit solchen sich wiederholenden Anfragen verlieren.

Meistens lässt sich erkennen, wann Dashboards diese Grenze erreicht haben, da sich dann immer wieder dieselben Muster zeigen:

  • Die Leute fragen erst nach, bevor sie handeln. Sie öffnen eine „ dashboard “ und schreiben dann einem Analysten eine Nachricht, um zu fragen, was eine bestimmte Zahl bedeutet.
  • Jede Frage wird zu einer Anfrage. Neue Fragen führen zu neuen „ dashboard “-Builds statt zu Antworten.
  • Die Zahlen stimmen nicht überein. Zwei Dashboards zeigen unterschiedliche Werte für dieselbe Kennzahl an.
  • Entscheidungen warten. Die Teams warten bis zur nächsten Aktualisierung oder bis zum nächsten Bericht.

In den meisten dieser Fälle funktionieren die Dashboards an sich einwandfrei; die größere Herausforderung besteht darin, aus einer Zahl eine Entscheidung abzuleiten. Wie Mariana Hebborn, Global Head of HR AI und Data Governance, es ausdrückt: „Daten verdienen ihren Platz, wenn sie eine Entscheidung beeinflussen, nicht wenn sie eine dashboard füllen.“ 

Um mehr darüber zu erfahren, wo Dashboards an ihre Grenzen stoßen, lesen Sie, warum Dashboards von „ Business Intelligence “ keine geschäftlichen Fragen beantworten können.

Warum die Unternehmensführung darüber entscheidet, ob dies funktioniert

Ob man den Antworten der KI vertrauen kann, hängt von der dahinterstehenden Steuerung ab. Wenn die KI Rohdatentabellen direkt abfragt, muss sie erraten, was die einzelnen Kennzahlen bedeuten: welche Umsatzzahl verwendet werden soll, welches Datumsfeld relevant ist oder was als „aktiver Kunde“ gilt. Stellt man dieselbe Frage auf zwei verschiedene Arten, erhält man möglicherweise zwei unterschiedliche Zahlen, die mit gleicher Sicherheit präsentiert werden. Emma McGrattan, CTO bei Actian, bezeichnet dies in ihrem Whitepaper als „automatisierte Verwirrung“:  „KI ist nicht das Problem. Ihr Datenmodell ist es.“

Eine semantische Ebene verhindert dies, indem sie der KI einen gemeinsamen Satz von Geschäftsdefinitionen als Grundlage zur Verfügung stellt: Ihre Kennzahlen, deren Beziehungen zueinander und die von Ihren Teams verwendeten Begriffe. Da diese Definitionen einmal festgelegt und jedes Mal angewendet werden, liefert eine Abfrage stets einen einzigen Wert, der sich bis zu seiner Quelle zurückverfolgen lässt.

Unkontrollierte KI (abfragt Rohdaten) Gesteuerte KI (nutzt eine semantische Ebene)
Wie Kennzahlen definiert werden Geschätzte Zeit für „ abfragen “ Einmal im Voraus definiert
Beständigkeit Die Antworten hängen davon ab, wie die Frage formuliert ist Gleiche Frage, gleiche Antwort
Rückverfolgbarkeit Es gibt keine Möglichkeit zu überprüfen, wie eine Zahl zustande gekommen ist Verknüpfungen, Filter und Berechnungen sind sichtbar
Wer kann es bedenkenlos verwenden? Analysten, die eine falsche Antwort erkennen können Geschäftsanwender im gesamten Unternehmen
Was passiert, wenn der Maßstab zunimmt? Falsche Antworten verbreiten sich schneller Vertrauenswürdige Antworten erreichen mehr Menschen

Ole Olesen-Bagneux, Vice President bei Actian, fasst das Spannungsfeld so zusammen: „Probabilistische KI kann die deterministischen Ergebnisse nicht ersetzen.“ Die Unternehmensberichterstattung erfordert jedes Mal identische Berechnungen – und genau das bietet eine regulierte Ebene.

So sieht der Alltag mit regulierter KI aus

Mit dieser Ebene verändert sich die Art und Weise, wie Menschen mit Daten arbeiten, in vier wesentlichen Punkten:

  • Fragen statt nachbohren. Man stellt Fragen in einfacher Sprache und erhält Antworten, die auf vereinbarten Definitionen basieren.
  • Änderungen frühzeitig erkennen.Anomalie Die Erkennung signalisiert ungewöhnliche Bewegungen, noch bevor jemand danach sucht.
  • Finden Sie den richtigen nächsten Schritt. Rollenbasierte Ansichten bieten einem Regionalleiter und einem Finanzvorstand die Maßnahmen, die jeweils zu ihrer Aufgabe passen.
  • Keine Wartezeit. Die Antworten basieren auf aktuellen Daten und nicht auf der letzten geplanten Aktualisierung.

Hier erfahren Sie mehr darüber, warum KI-Analysen eine semantische Ebene benötigen.

Vier Wege, um den Nutzen von KI-Analysen zu maximieren

Eine regulierte KI macht dies möglich, doch ob sich daraus ein Mehrwert ergibt, hängt davon ab, wie Ihre Teams damit umgehen:

  1. Ordnen Sie jeder Kennzahl einen nächsten Schritt zu. Eine Zahl allein lässt die Menschen immer noch im Unklaren, daher sollten Sie jeder von „ Erkenntnis “ angezeigten Kennzahl eine empfohlene Maßnahme oder einen Schwellenwert-Alarm zuordnen.
  2. Die semantische Ebene soll das „Warum“ beantworten. Leiten Sie routinemäßige Folgefragen an die regulierte KI weiter, anstatt sie in die Analystenwarteschlange zu stellen, damit sich die Analysten auf Aufgaben konzentrieren können, die ihr Urteilsvermögen erfordern.
  3. Halten Sie Geschäftswissen dort fest, wo KI es nutzen kann. Wenn Definitionen wie „aktiver Kunde“ in der semantischen Ebene gespeichert sind statt im Kopf einer einzelnen Person, bleiben sie auch dann erhalten, wenn diese Person das Unternehmen verlässt.
  4. Messen Sie Ergebnisse, nicht Aufrufe. Das deutlichste Anzeichen dafür, dass KI-Analysen funktionieren, ist, wie oft eine von ihnen aufgedeckte „ Erkenntnis “ jemanden dazu veranlasst hat, anders zu handeln.

Was Sie vor dem Wechsel vorbereiten müssen

Bevor Sie die Nutzer von Dashboards auf KI umstellen, müssen zwei Dinge bereitstehen: Ihre Daten und Ihre Infrastruktur sowie Ihre Datenschutz- und Sicherheitsmaßnahmen.

Daten und Infrastruktur

Da KI nur so zuverlässig ist wie die Daten, auf denen sie basiert, sollte man hier ansetzen:

  • Sauberer, integrierter Datenzugriff. KI benötigt konsistenten Zugriff auf die Daten, die sie abfragen.
  • Gemeinsam genutzte Datenquellen. Die KI sollte aus denselben Pipelines und Data Warehouses lesen, die auch Ihre Berichte nutzen, damit beide dieselbe Geschichte erzählen.
  • Eine gepflegte semantische Ebene. Definitionen ändern sich mit den geschäftlichen Veränderungen, sodass eine Ebene, die einmal eingerichtet und dann nicht mehr gepflegt wird, mit der Zeit veraltet.

Datenschutz und Sicherheit

Wenn KI Live-Daten abfragen kann, können Nutzer weitaus mehr abfragen, als ihnen dashboard jemals angezeigt hat; daher müssen Zugriffskontrollen bis in die KI-Ebene selbst reichen. Jede Person und jeder KI-Agent sollte nur die Daten und Kennzahlen sehen, für deren Einsichtnahme sie bzw. er berechtigt ist. 

Weitere Informationen hierzu finden Sie im Artikel darüber, wie KI die Daten- und Analyse-Governance verändert.

Was kostet das eigentlich?

Das Ersetzen von Dashboards durch KI ist kein einfacher Werkzeugwechsel eins zu eins, und zwei Kostenfaktoren überraschen Teams oft:

  • Nutzung. Die KI-Kosten steigen in der Regel mit der Anzahl der gestellten Fragen. Schätzen Sie daher den Bedarf bereits vor der flächendeckenden Einführung ab und warten Sie nicht, bis die erste Rechnung eintrifft.
  • Überprüfung der Antworten. McGrattan schreibt, dass „in vielen Organisationen die Kosten für die Validierung von KI-generierten Antworten mittlerweile genauso hoch sind wie die Kosten für deren Erstellung – oder diese sogar übersteigen.“ Kontrollierte Antworten senken diese Kosten, da man nachvollziehen kann, wie jede einzelne Zahl zustande gekommen ist.

Dies führt in der Regel dazu, dass sich der Arbeitsrückstand des Datenteams verringert und die Antwortzeiten verkürzen, da zwischen einer Frage und einer Entscheidung weniger Zeit vergeht.

Ist das jetzt schon fertig oder noch in der Entwicklung?

Das meiste, was in diesem Artikel beschrieben wird, ist bereits heute einsatzbereit, sofern es entsprechend geregelt ist – mit der autonomen Entscheidungsfindung als Hauptausnahme:

Fähigkeit Der aktuelle Stand
Beantwortung von Fragen in einfacher Sprache Jetzt bereit, wenn es geregelt ist
Überwachung und Erkennung von „ Anomalie “ Jetzt bereit
Empfehlungen für die nächsten Schritte Jetzt bereit, mit einer Person, die den Anruf tätigt
Entscheidungen umsetzen, ohne dass ein Mensch diese überprüft Noch früh

Die meisten Teams arbeiten heute in den ersten drei Phasen. Vollständig autonome Entscheidungen liegen erst weiter hinten im Prozess und hängen von dem Vertrauen ab, das in den früheren Phasen aufgebaut wurde.

Wohin die Reise geht: Von der Transparenz zur Entscheidungsintelligenz

Unter „Decision Intelligence“ versteht man den Einsatz von Daten und KI, um Entscheidungen zu empfehlen und diese schließlich auch umzusetzen, anstatt lediglich darüber zu berichten, was geschehen ist. „ Business Intelligence “ gibt Aufschluss darüber, wie sich das Unternehmen entwickelt; „Decision Intelligence“ baut darauf auf, indem sie Vorschläge macht, wie darauf reagiert werden soll. Die meisten Unternehmen werden diesen Weg schrittweise beschreiten:

  • Heute: KI erläutert Änderungen und beantwortet Folgefragen, was Dashboards nicht können.
  • Weiter: Die KI schlägt die Maßnahme direkt vor, und eine Person genehmigt sie.
  • Später: Die KI trifft vereinbarte Arten von Entscheidungen eigenständig, sobald die Governance dieses Vertrauen gewonnen hat.

Jede Phase hängt von der vorhergehenden ab, denn niemand überlässt Entscheidungen einer KI, die man nicht überprüfen kann.

Actian AI Analyst basiert auf diesem Ansatz und ermöglicht es Geschäftsanwendern, Fragen in natürlicher Sprache zu stellen und Antworten aus einer kontrollierten semantischen Ebene zu erhalten, die der Steward Agent aufbaut und auf dem neuesten Stand hält. Der Zugriff ist sowohl für Menschen als auch für KI-Agenten auf genehmigte Modelle und Metriken beschränkt, und jede Antwort zeigt die Verknüpfungen, Filter und Berechnungen, aus denen sie hervorgegangen ist. Über die gesamte Datenlandschaft hinweg bietet das Actian Data Intelligence-Plattform eine lückenlose Datenherkunft (End-to-End-Lineage) und ein Daten Protokoll s für jede Zugriffsanfrage, sodass Teams nachvollziehen können, woher die Daten stammen und wer sie genutzt hat.

So funktioniert es: Starten Sie die Produkttour zur Data Intelligence Platform

FAQ

Es ist unwahrscheinlich, dass KI Dashboards vollständig ersetzen wird, da diese nach wie vor die schnellste Möglichkeit darstellen, sich auf einen Blick einen Überblick über die Geschäftsentwicklung zu verschaffen. Was die KI verändert, ist das, was passiert, nachdem man sich ein Dashboard angesehen hat. Anstatt Daten zu exportieren, um ein Diagramm zu erklären, können Nutzer nun fragen, was sich geändert hat, und erhalten eine Antwort, auf deren Grundlage sie handeln können – etwas, wofür ein festes Diagramm-Set nie konzipiert war.

KI-Antworten sind nur so zuverlässig wie die ihnen zugrunde liegenden Definitionen. Wenn die KI Rohdatentabellen direkt abfragt, muss sie erraten, welche Umsatzzahl sie verwenden soll, welches Datumsfeld relevant ist oder was als „aktiver Kunde“ gilt. Daher kann dieselbe Frage, wenn sie auf zwei verschiedene Arten gestellt wird, zwei unterschiedliche Zahlen als Ergebnis liefern. Eine semantische Ebene behebt dieses Problem, indem sie der KI einen einheitlichen Satz von Geschäftsdefinitionen zur Verfügung stellt, der einmal festgelegt und jedes Mal angewendet wird, sodass jede Antwort auf ihre Quelle zurückgeführt werden kann.

Sie benötigen zwei Dinge: verarbeitungsfertige Daten und Infrastruktur sowie Sicherheitsmaßnahmen, die bis in die KI-Ebene reichen. Was die Daten angeht, bedeutet dies einen sauberen, integrierten Zugriff, dieselben Pipelines und Data Warehouses, die auch Ihre Berichte nutzen, sowie eine semantische Ebene, die bei Änderungen der Definitionen entsprechend angepasst wird. Was die Sicherheit betrifft, sollte jede Person und jeder KI-Agent nur die Daten und Kennzahlen sehen können, für deren Einsichtnahme sie bzw. er berechtigt ist.

Es handelt sich nicht um einen einfachen Eins-zu-Eins-Tool-Wechsel, und zwei Kostenfaktoren überraschen Teams häufig. Die Nutzungskosten steigen in der Regel mit der Anzahl der gestellten Fragen, daher sollte der Bedarf vor einer flächendeckenden Einführung abgeschätzt werden. Der zweite Faktor ist die Validierung: In vielen Unternehmen kann die Überprüfung von KI-generierten Antworten genauso viel kosten wie deren Erstellung. Durch kontrollierte Antworten lassen sich diese Kosten senken, da die Nutzer nachvollziehen können, wie die einzelnen Zahlen zustande gekommen sind.

Das meiste davon ist heute bereits einsatzbereit, vorausgesetzt, es wird entsprechend gesteuert. Die Beantwortung von Fragen in einfacher Sprache ist bereits jetzt möglich, sofern sie gesteuert wird, und auch die Überwachung sowie die Erkennung von „ Anomalie “ sind bereits einsatzbereit. Die Empfehlung von nächsten Schritten ist ebenfalls bereits möglich, sofern eine Person die Entscheidung trifft. Die Umsetzung von Entscheidungen ohne menschliche Überprüfung befindet sich noch in einem frühen Stadium und hängt vom Vertrauen ab, das in den vorangegangenen Phasen aufgebaut wurde.

Mit Actian AI Analyst können Geschäftsanwender Fragen in einfacher Sprache stellen und erhalten Antworten aus einer regulierten semantischen Ebene, die der Steward Agent aufbaut und auf dem neuesten Stand hält. Der Zugriff ist sowohl für Menschen als auch für KI-Agenten auf genehmigte Modelle und Kennzahlen beschränkt. Jede Antwort zeigt die Verknüpfungen, Filter und Berechnungen an, aus denen sie hervorgegangen ist, sodass Teams einen Wert überprüfen können, anstatt ihn einfach ungeprüft zu übernehmen.