Die 10 wichtigsten Daten- und Analysetrends von Gartner für 2019

Traditionell bieten Banken älteren Kunden Services zur Vermögensverwaltung an, weil sie glauben, dass diese Altersgruppe am meisten daran interessiert wäre. Dank Augmented Analytics stellten Banken jedoch fest, dass jüngere Kunden (im Alter von 20 bis 35 Jahren) die Vermögensverwaltung mit viel höherer Wahrscheinlichkeit in Anspruch nehmen – ein gutes Beispiel dafür, wie Muster von Geschäftsanwendern und manuelle Modelle von Datenwissenschaftlern zu falschen Schlussfolgerungen führen können.

Augmented Analytics ist nur eine der 10 wichtigsten Technologien, die Gartner identifiziert hat und die das Potenzial haben, die großen Herausforderungen der nächsten drei bis fünf Jahre anzugehen.

Die digitale Transformation hat die Daten in den Fokus jedes Unternehmens gerückt. Unternehmen werden mit Daten überschwemmt. Sie haben Probleme bei der Bestimmung, was am wichtigsten ist und welche Maßnahmen zu ergreifen (oder zu vermeiden) sind.

Rita Sallam, Distinguished Vice President Analyst bei Gartner, sagt, dass Unternehmen formelle Mechanismen benötigen, um Technologietrends zu identifizieren und die mit dem größten Potenzial zu priorisieren.

„Führungskräfte für Data & Analytics sollten neue Technologien aktiv beobachten, mit ihnen experimentieren oder sie einsetzen. Reagieren Sie nicht erst auf Trends, wenn sie ausgereift sind“, sagt Sallam. „Verwenden Sie diese Liste, um andere Führungskräfte zu informieren und mit ihnen zu entscheiden, wo Data und Analytics einen Wettbewerbsvorteil schaffen können.“

Gartners Liste der Top Technology Trends in den Bereichen Data und Analytics umfasst keine Trends, die weniger als drei Jahre von der Mainstream-Einführung entfernt sind (wie Self-Service-Analytics und BI) oder mehr als fünf Jahre in der Zukunft liegen (wie Quanten-Computing). Nicht technologische Trends wie Datenkompetenz, Storytelling oder  Datenethik sind ebenfalls kein Teil der Liste, auch wenn sie entscheidend für den Erfolg sind.

Augmented Analytics automatisiert die Suche und Darstellung der wichtigsten Erkenntnisse oder Änderungen im Unternehmen, um die Entscheidungsfindung zu optimieren. Dies geschieht in einem Bruchteil der Zeit im Vergleich zu manuellen Ansätzen.

Augmented Analytics bietet Einblicke für alle Geschäftsfunktionen. Während es die Abhängigkeit von Experten für Analytics, Data und maschinelles Lernen reduziert, erfordert es eine erhöhte Datenkompetenz im gesamten Unternehmen.

Bis 2020 wird Augmented Analytics ein dominierender Treiber für neue Anschaffungen von Analytics und Business Intelligence, Datenwissenschaft und maschinellem Lernen sein.

Da technische Fähigkeiten nur in begrenztem Maß vorhanden sind und die Datenspeicherung exponentiell wächst, müssen Unternehmen das Datenmanagement automatisieren. Anbieter fügen Funktionen für maschinelles Lernen und künstliche Intelligenz  (KI) hinzu, um Datenmanagementprozesse selbstkonfigurierend zu gestalten, sodass sich die hochqualifizierten Mitarbeiter auf andere Aufgaben konzentrieren können.

Dieser Trend wirkt sich auf alle Kategorien des Datenmanagements im Unternehmen aus, einschließlich Datenqualität, Metadatenmanagement, Stammdatenmanagement, Datenintegration und Datenbanken.

So wie Suchmaschinen wie Google das Internet für alltägliche Verbraucher zugänglich gemacht haben, bietet NLP Geschäftsleuten eine einfachere Möglichkeit, Fragen zu Daten zu stellen und eine Erklärung der entsprechenden Einblicke zu erhalten. Conversational Analytics führt das Konzept der NLP einen Schritt weiter, indem sie es ermöglicht, dass Fragen verbal und ohne Text gestellt und beantwortet werden können.

Bis 2021 werden NLP und Conversational Analytics die Akzeptanz der Mitarbeiter von Analytics und Business Intelligence von 35 % auf über 50 % steigern, einschließlich neuer Benutzerklassen, insbesondere im Front-Office.

Geschäftliche Anwender stellen zunehmend komplexe Fragen über strukturierte und unstrukturierte Daten hinweg und kombinieren häufig Daten aus mehreren Anwendungen und externen Quellen. Die Analyse derart komplexer Daten ist mit herkömmlichen Abfragetools oder Abfragesprachen wie SQL nicht praktikabel oder in einigen Fällen gar nicht möglich.

Graph Analytics umfasst eine Reihe von Analysetechniken, die zeigen, wie Entitäten wie Personen, Orte und Dinge miteinander in Beziehung stehen. Die Anwendungen der Technologie reichen von der Betrugserkennung, der Optimierung von Verkehrsrouten und der Analyse sozialer Netzwerke bis hin zur Genomforschung.

Gartner prognostiziert, dass die Anwendung von Graph Processing und Graphdatenbanken in den nächsten Jahren um 100 % jährlich wachsen wird, um die Datenvorbereitung zu beschleunigen und eine komplexere und adaptivere Datenwissenschaft zu ermöglichen.

Open-Source-Plattformen dominieren derzeit die künstliche Intelligenz (KI) sowie maschinelles Lernen und sind die Hauptquelle für Innovationen in Algorithmen und Entwicklungsumgebungen. Gewerbliche Anbieter reagierten nur langsam, bieten aber inzwischen Konnektoren für das Open-Source-Ökosystem an. Sie bieten auch Unternehmensfunktionen, die zur Skalierung von KI und ML erforderlich sind, wie Projekt- und Modellmanagement, Wiederverwendung, Transparenz und Integration – Funktionen, die den Open-Source-Plattformen derzeit fehlen.

Die verstärkte Nutzung kommerzieller KI und ML wird dazu beitragen, die Bereitstellung von Modellen in der Produktion zu beschleunigen, was den Geschäftswert dieser Investitionen steigern wird.

Die Wertschöpfung aus Analytics-Investitionen hängt von einer agilen und vertrauenswürdigen Data Fabric ab. Eine Data Fabric ist in der Regel ein maßgeschneidertes Design, das wiederverwendbare Datendienste, Pipelines, semantische Ebenen oder APIs über eine Kombination aus Datenintegrationsansätzen auf orchestrierte Weise bereitstellt. Es ermöglicht einen reibungslosen Zugriff und Austausch von Daten in einer verteilten Datenumgebung.

Erklärbare KI erhöht die Transparenz und Vertrauenswürdigkeit von KI-Lösungen und -Ergebnissen, wodurch regulatorische und Reputationsrisiken reduziert werden. Erklärbare KI ist die Reihe von Fähigkeiten, die ein Modell beschreibt, seine Stärken und Schwächen hervorhebt, sein wahrscheinliches Verhalten vorhersagt und mögliche Verzerrungen identifiziert.

Ohne akzeptable Erklärung können automatisch generierte Erkenntnisse oder „Black-Box“-Ansätze für KI erhebliche Bedenken hinsichtlich Regulierung, Reputation, Verantwortlichkeit und Modellverzerrungen verursachen.

Die Blockchain -Technologien decken zwei Herausforderungen von Data und Analytics ab. Erstens zeigt die Blockchain die Herkunft von Assets und Transaktionen. Zweitens bietet es Transparenz für komplexe Teilnehmernetzwerke.

 Blockchain ist jedoch kein eigenständiger Datenspeicher und verfügt nur über begrenzte Datenverwaltungsfunktionen. Ein Blockchain-basiertes System kann nicht als Aufzeichnungssystem dienen, was einen enormen Integrationsaufwand für Daten, Anwendungen und Geschäftsprozesse bedeutet. Realistisch gesehen ist die Technologie noch nicht für reale Skalierbarkeit auf Produktionsebene für Anwendungsfälle über die Kryptowährung hinaus geeignet.

Unternehmen suchen schon seit langem nach Echtzeit-Informationen und es stehen Systeme zur Verfügung, um dies für eine begrenzte Anzahl von Aufgaben zu erledigen. Diese Systeme können inzwischen auch auf praktikable Weise implementiert werden – was Gartner mit kontinuierlicher Intelligenz beschreibt – und dank der Cloud, der Fortschritte bei der Streaming-Software  und der Sensordaten aus dem  Internet der Dinge (IoT) nun auch in einem viel größeren Umfang.

Bis 2022 wird mehr als die Hälfte der großen neuen Geschäftssysteme kontinuierliche Intelligenz einbeziehen, die Echtzeit-Kontextdaten verwendet, um Entscheidungen zu verbessern.

Die meisten Datenbankverwaltungssysteme (DBMS) nutzen In-Memory-Datenbankstrukturen, aber durch schnell wachsende Datenvolumen kann die Speichergröße zu einem Problem werden. Neue Server-Workloads fordern nicht nur eine schnellere Prozessorleistung, sondern auch massiven Arbeitsspeicher und schnellere Speicher.

Die persistente Speichertechnologie wird Unternehmen dabei helfen, mehr umsetzbare Erkenntnisse aus Daten zu gewinnen. Viele DBMS-Anbieter experimentieren mit persistenten Speichern, obwohl es noch mehrere Jahre dauern kann, bis die Software entsprechend modifiziert ist, um daraus echten Nutzen ziehen zu können.