Selfservice-Analysen definiert: Best Practices und Strategien

Führungskräfte benötigen Informationen, um wichtige Entscheidungen zu treffen und Veränderungen in der Branche und auf dem Markt zu antizipieren und darauf zu reagieren. Theoretisch sollten die riesigen Datenbestände von heute die Gewinnung von Erkenntnissen erleichtern. In der Realität sieht es jedoch allzu oft so aus, dass man für relevante Daten eine Anfrage an das IT-Personal richten muss, das bereits mehrere Aufgaben gleichzeitig zu bewältigen hat.

Selfservice-Analysen verändern die Spielregeln für Geschäftsleute, indem sie die Gatekeeper von IT-Tickets, Datenextrakten und Berichtsanfragen durch eine Technologie ersetzen, die es Laien ermöglicht, Daten zu sammeln und zu bearbeiten, fortgeschrittene Techniken wie maschinelles Lernen (ML) und künstliche Intelligenz (KI) anzuwenden und eigene Visualisierungen und Berichte zu erstellen. Das Ergebnis ist eine Organisation, in der Geschäftsnutzer ihrem Bauchgefühl und ihrer Neugier folgen können, um die benötigten Antworten zu finden, und zwar so zeitnah, dass die Ergebnisse noch relevant und umsetzbar sind.

Was sind Selfservice-Analysen?

Selfservice-Analysen sind eine Technologie, mit der Menschen ohne IT- oder Data Science-Erfahrung Betriebsdaten durchforsten und zeitnahe, relevante Erkenntnisse gewinnen können. Mit Selfservice-Analysen können Geschäftsnutzer wie Vertriebsmitarbeiter, Marketingfachleute und Fertigungsteams die Leistungsfähigkeit einer Analyseplattform ohne Unterstützung von Data Scientists oder IT-Experten nutzen.

Um Selfservice-Analysen zu ermöglichen, implementiert ein Unternehmen ein Analysetool, das sich häufig in der Cloud befindet, und verbindet es dann mit einem Datenbestand. Bei der traditionellen Datenanalyse mussten IT-Teams häufig Anfragen von Geschäftsnutzern bearbeiten, um Datenextrakte zu erstellen und herunterzuladen. Ebenso wenden sich manchmal die Abteilungen für Vertrieb und Marketing an Teams für Business Intelligence oder Data Science, um Zusammenfassungen, Berichte oder Analysen zu erstellen. Der „Selbstbedienungs“-Aspekt der Selfservice-Analyse bezieht sich darauf, dass Geschäftsnutzer beide Aufgaben ohne Hilfe erledigen können. Die Daten sind direkt mit der Analysesoftware verbunden, sodass Benutzer selbst die richtigen Daten auswählen und mit den Tools der Plattform eigene Analysen und Visualisierungen durchführen können.

Mit Selfservice-Analysen können Geschäftsnutzer viele Aufgaben ausführen, für die zuvor spezifisches Fachwissen erforderlich war, darunter die Verarbeitung von Datensätzen, die Generierung von Erkenntnissen, die Gestaltung von Dashboards und die Erstellung von Visualisierungen. Einige Selfservice-Analysetools verfügen über integrierte KI- und ML-Funktionen, die sehr große Datensätze schnell durchsuchen, um Erkenntnisse zu gewinnen und verborgene Muster aufzudecken. Insbesondere die jüngste Integration von KI und ML hat einen transformativen Einfluss auf die Möglichkeiten der Analytik entfaltet. Durch die Einführung der Automatisierung werden auch technisch weniger versierte Benutzer in die Lage versetzt, Entdeckungen zu machen. Durch die einfache Verbindung einer Analyseanwendung mit einer Quelle wird automatisch ein Profil der zugehörigen Daten erstellt, wodurch zahlreiche Schritte übersprungen werden, damit Benutzer schneller finden, wonach sie suchen. In vielen Fällen ermöglicht dies den Benutzern eine freie Bewegung bei der Datenerkennung, wenn sie noch nicht einmal eine bestimmte Abfrage im Sinn haben.

Wichtige Erkenntnisse

• Mit Selfservice-Analysen können Geschäftsnutzer einfacher und schneller Berichte, Visualisierungen und Analysen erstellen und so besser auf sich ändernde Bedingungen reagieren.
• Indem Teams direkten Zugriff auf Daten und Tools erhalten, können Geschäftsnutzer ihre Recherchen wiederholen und bei Bedarf neue Datenquellen hinzufügen.
• Da keine Tickets oder Unterstützung erforderlich sind, haben die Mitarbeiter mehr Freiheit, sich mit Was-wäre-wenn-Szenarien zu befassen und schnell auf neue Probleme oder Chancen zu reagieren, die sich ergeben.
• Die Selfservice-Analyse entlastet das IT-Personal und gibt ihm Zeit, sich mit neuen Möglichkeiten zu befassen, wie der Integration neuer Datenquellen oder der Suche nach neuen Tools für Analyse und Steuerung.

Warum ist Selfservice-Analyse so wichtig?

Ob im Finanzwesen, in der Personalabteilung, im operativen Geschäft oder im Vertrieb und Marketing – der Erfolg hängt oft davon ab, klare Erkenntnisse darüber zu gewinnen, was geschieht und sich verändert, und dann rasch Reaktionspläne zu formulieren und umzusetzen. Was hindert uns am schnellen Handeln? Oftmals müssen sich die Teams der einzelnen Geschäftsbereiche auf andere Teile der Organisation verlassen, um Analysen durchzuführen, damit sie die Situation klar verstehen können.

Die Selfservice-Analyse ändert dieses Szenario. Anstatt ein Ticket zu erstellen oder eine E-Mail zu senden, geht ein Benutzer zur Selfservice-Analyseplattform, um direkt auf Datensätze zuzugreifen, Parameter auszuwählen und dann die bereitgestellten Tools zu verwenden, um datengestützte Erkenntnisse zu gewinnen und Visualisierungen und Berichte zu erstellen. Die resultierende Analyse wird innerhalb des Tools selbst geladen und ausgeführt, anstatt eine Anwendung wie eine Tabellenkalkulation zur Datenerfassung zu verwenden. Dadurch werden manuelle Fehler oder versehentliche Datenlöschungen minimiert. Eine weitere Verbesserung besteht darin, dass die Selbstbedienungsanalyse das Iterieren erheblich erleichtert – man kann einen wertvollen Hinweis in den Daten finden und dieser Idee dann mit verschiedenen Analysepfaden nachgehen, ohne auf die Antwort eines IT-Teams warten zu müssen.

Analysen müssen nicht getrennt von den Anwendungen einer Organisation existieren. Studien haben gezeigt, dass die Akzeptanz von Analysen deutlich zunimmt, wenn Benutzer direkt in einer Anwendung auf eingebettete Tools zugreifen können. Woran liegt das? Einfaches menschliches Verhalten: Wenn etwas einfacher ist und weniger Schritte erfordert, ist die Wahrscheinlichkeit viel höher, dass Menschen es ausprobieren. Im Fall von eingebetteten Analysen entfallen die Hürden beim Datenexport/-import, wenn eine Umgebung Analysen unterstützt, sodass die Arbeit mit ihnen sofort gefördert wird – so können sie schneller und häufiger weitere Erkenntnisse generieren. Ein gängiges Beispiel hierfür findet sich im Internet, wo Analysedaten und Berichte häufig in einen Artikel oder eine Seite eingebettet sind, um einen sofortigen Zugriff zu ermöglichen.

11 Best Practices und Strategien für Selfservice-Analysen

Die Implementierung von Selfservice-Analysen umfasst weit mehr als den Kauf eines cloudbasierten Tools und das Einschalten. Die erfolgreiche Umsetzung dieses Ansatzes in einer Organisation erfordert eine Reihe von Überlegungen zur Geschäftsstrategie und Technologie, darunter die Schulung der Mitarbeiter und die Erstellung von Datenstandards. Im Folgenden werden Best Practices und Strategien vorgestellt, um Selfservice-Analysen erfolgreich in einer Organisation zu implementieren.

1. Ermitteln Sie Ihren Bedarf

Bevor ein Unternehmen eine Plattform für Selfservice-Analysen erwirbt, sollten Führungskräfte ihre wichtigsten datengesteuerten Prozesse identifizieren und überlegen, wie diese durch bessere Analysefunktionen verbessert werden können. Die operativen Teams sollten eine Liste der internen und externen Datenquellen erstellen, die sie zur Unterstützung dieser Vision benötigen, sowie der Bereiche, die von zusätzlichen Datenquellen oder leistungsfähigeren Techniken wie KI-gestützten Analysen und Modellierungen profitieren könnten. Diese Erkenntnisse werden Aufschluss darüber geben, welche Analyseplattformen die erforderlichen Funktionen bieten.

2. Finden Sie den richtigen Plattformanbieter

Mit einer Bedarfsanalyse in der Hand können IT-Führungskräfte eine kurze Liste von Anbietern von Datenanalyse-Plattformen erstellen. Die IT-Abteilung sollte mit Unternehmensgruppen zusammenarbeiten, die die Tools für die Produktbewertung und -auswahl nutzen. Buchen Sie eine Demo, um Ihren Mitarbeitern die Benutzeroberfläche zu zeigen und Anpassungsoptionen zu besprechen. Finanzierung sichern: Entscheiden Sie sich für eine Cloud-Lösung oder eine On-Premises-Lösung und entspricht die Kostenstruktur Ihren Anforderungen? Beziehen Sie das Sicherheitsteam und die Rechtsabteilung in den Prozess ein, um die Datensicherheit und die Governance-Funktionen zu bewerten.

Achten Sie auf wichtige Merkmale wie die folgenden:

• Selfservice per Drag-and-Drop beim Laden von Daten, bei der Datenumwandlung und bei der Geschäftsmodellierung.
• Analyse-Engines, die auf KI und ML basieren, um die Zugänglichkeit für Benutzer ohne technische Vorkenntnisse zu verbessern.
• Integrierte Graph-Analyse zur Visualisierung von Beziehungen und Verbindungen zwischen Datenentitäten. Wird Ihr CFO beispielsweise in der Lage sein, alle Lieferantenkosten und die interne Mitarbeiterzahl im Zusammenhang mit einem bestimmten Kundenprojekt einzusehen?
• Räumliche Analysen zur Beantwortung von Fragen wie: Wo hat schlechtes Wetter unsere Lieferungen beeinträchtigt oder welche Kunden könnten auf ein bestimmtes Zusatzverkaufsangebot reagieren?

3. Beginnen Sie mit schnellen Erfolgen

Die breite Einführung einer neuen Plattform für Selfservice-Analysen kann einer der schwierigsten Schritte sein. Wir sind an unsere vertrauten Prozesse gewöhnt, so unvollkommen sie auch sein mögen. Die beste Möglichkeit, Mitarbeiter dazu zu bringen, Ihre neue Plattform voll auszuschöpfen, besteht darin, zu zeigen, wie sie jedem Team dabei hilft, eine häufig durchgeführte, zeitaufwändige Aufgabe einfacher zu erledigen. Beispiele hierfür sind die Analyse von Kampagnen-Konversionsraten (Marketing), Umsatzwachstum nach Gebiet (Vertrieb) und Lagerumschlag (Betrieb).

4. Weiten Sie die Nutzung auf fortgeschrittenere Anwendungen aus

Der Schlüssel zu erfolgreichen Selfservice-Analysen liegt darin, dass Benutzer schrittweise zu komplexeren Analysen übergehen. Diese Plattformen erleichtern die Arbeit mit mehreren Datenquellen, großen Datenmengen und fortgeschrittenen Funktionen wie maschinellem Lernen. Anhand eines der oben genannten Beispiele können Vertriebsleiter einer Wachstumsanalyse eine Dimension hinzufügen, indem sie Daten von Marketingkampagnen importieren, um zu sehen, wie verschiedene Gebiete von der Unterstützung durch die Kampagne profitiert haben – ohne die Probleme beim Kopieren/Einfügen, die bei der manuellen Integration von Daten auftreten.

5. Fördern Sie Experimentierfreude

Plattformen für Selfservice-Analysen bieten leistungsstarke Funktionen, die es Geschäftsnutzern erleichtern, auf tiefergehende Analysen zuzugreifen, wie z. B. Abfragen über die Verarbeitung natürlicher Sprache, One-Touch-Visualisierungen und Vorhersagemodelle. Um sicherzustellen, dass die Teams diese Funktionen nutzen, starten Sie die Selfservice-Plattform mit einer allgemeinen Tour durch die Funktionen und zeigen Sie Beispiele für deren Anwendung in bestimmten Anwendungsfällen. Unterstützen Sie Power-User mit dedizierten Support-Ressourcen. Stellen Sie sicher, dass die Mitarbeiter verstehen, dass diese Plattform viel mehr ist als ein Ersatz für Tabellen. Idealerweise können sie die Analyseplattform für den gesamten Analyse-Workflow von den Daten bis zur Entscheidung nutzen. Anwendungen mit eingebetteten Analysen in ihrer Umgebung überwinden Hürden bei der Benutzerakzeptanz und können die Nutzung erhöhen, was zu schnelleren und einfacheren Experimenten führt.

6. Ermitteln Sie Datenlücken

Je vertrauter die Teams mit der Arbeit in einer analytisch ausgerichteten Organisation werden, desto eher werden sie neue Datenquellen identifizieren, die die Ergebnisse verbessern, indem sie Lücken schließen oder unvollständige, veraltete oder schwer zu verarbeitende Quellen ersetzen. Ermutigen Sie Ihre Teams, nach Lücken zu suchen und neue Datenstreams zu identifizieren. Es sollte ein Prozess vorhanden sein, über den Menschen ihre Bedürfnisse im Vorfeld mitteilen können. Auf diese Weise können die Datenkuratoren der IT-Abteilung neue Datenquellen oder Umwandlungstechniken bewerten, um diese Lücken zu schließen.

7. Schaffen Sie Datenbereitschaft

„Datenbereitschaft“ bedeutet, dass genaue, vollständige und deduplizierte Daten für die Verwendung in Selfservice-Analysen und anderen Tools formatiert sind. Der größte Vorteil von Selfservice-Analysen besteht darin, dass Geschäftsnutzer und andere Laien Erkenntnisse aus Datensätzen gewinnen können. Die Kehrseite der Medaille ist jedoch, dass solche Benutzer nicht über das Fachwissen von Datenbankmanagern oder Data Scientists verfügen. Daher müssen Probleme mit der Datenbereitschaft, wie Formatprobleme oder fehlende Daten, behoben werden, bevor die Daten für Selfservice-Analysen zur Verfügung gestellt werden. Datenquellen sollten auf ihre Richtigkeit überprüft und bereinigt werden, um den Standards für Formatierung und Definitionen zu entsprechen. Die Datenbereitschaft sollte Schulungen für Power-User in Geschäftsbereichen umfassen, in denen potenzielle Probleme beschrieben werden und wie diese dem IT-Personal gemeldet werden können.

8. Planen Sie Ihr Wachstum

Bei der Einführung von Selfservice-Analysen muss die zugrunde liegende Infrastruktur in der Lage sein, eine breite Akzeptanz in allen Teams zu bewältigen und eingehende Datensätze zu unterstützen und zu verwalten. Was für eine Skalierung erforderlich ist, hängt von der Anzahl der Benutzer, der Art der durchgeführten Analysen, der Größe der Datensätze und der Anzahl der konfigurierten Quellen ab. Weitere praktische Überlegungen betreffen Fragen der Governance und ob Datenquellen strukturierte oder unstrukturierte Daten enthalten. Strukturierte Daten können mit Anforderungen wie spezifischen Data-Warehouse-Anforderungen einhergehen, die eine Erweiterung kostspieliger machen können. In vielen Fällen entscheiden sich Organisationen dafür, Selfservice-Analysen schrittweise nach Abteilung und nicht organisationsweit einzuführen, um die technischen und Schulungsfaktoren, die mit der Ausweitung des Zugangs verbunden sind, auszugleichen.

9. Erstellen Sie organisatorische Datenstandards

Mit zunehmender Erfahrung mit Selfservice-Analysen eröffnen sich Geschäftsnutzern immer mehr spannende Möglichkeiten – eine Denkweise, die gefördert werden sollte. Auf der praktischen Seite müssen IT-Teams organisatorische Standards für Daten entwickeln, einschließlich Formatierung, Datenerfassung, Vollständigkeit und Organisation. Wenn Benutzer gezwungen werden, Unstimmigkeiten in Bereichen wie Datums-/Zeitformat und signifikante Stellen zu beheben, dämpft das die Begeisterung. Setzen Sie stattdessen Standards, um Einheitlichkeit zu gewährleisten, und ermutigen Sie die Teams, neue Quellen für Erkenntnisse zu erschließen.

Datenstandards erleichtern die Nutzung und den Austausch von Informationen. Für IT-Mitarbeiter bedeutet die Einhaltung von Standards, dass der Arbeitsaufwand für die Normalisierung von Daten minimiert wird und gleichzeitig Anomalien leichter erkannt werden können. Standards auf Organisationsebene sollten sich auf übergeordnete Datenrichtlinien konzentrieren – Datendefinitionen, Transformationsprozesse, Datenbeschaffung. Auf operativer Ebene können Unternehmen auch Standard-Berichtsformate einrichten, um sowohl den Erstellern als auch den Lesern zu vermitteln, was sie erwartet, und ihnen gleichzeitig die Freiheit zu geben, benutzerdefinierte Berichte zu erstellen, sofern eine Selfservice-Plattform dies unterstützt. So kann beispielsweise die Einrichtung einer Standardberichtausgabe für bestimmte Algorithmen des maschinellen Lernens Teams dabei helfen, diese Analyse schneller in benutzererstellte Berichte zu integrieren.

10. Machen Sie Datensicherheit, Datenschutz und Compliance zur Priorität

Wenn mehr Mitarbeitern mehr Zugriff auf mehr Daten für Selfservice-Analysen gewährt wird, kann das dazu führen, dass das Unternehmen Maßnahmen ergreifen muss, um Risiken wie die Offenlegung von Kundendaten oder sensiblen Betriebsdaten zu vermeiden. Compliance- und Datenschutzanforderungen wie die DSGVO oder länderspezifische Vorschriften zur Datenresidenz bedeuten, dass Unternehmen die Vorschriften im Auge behalten müssen. Zur Gewährleistung der Sicherheit gehört auch die Überprüfung, dass sensible Daten nicht von den falschen Parteien eingesehen oder auf öffentlich zugänglichen Websites offengelegt werden. Dies erfordert die Einrichtung granularer Zugriffsebenen, die auf der Benutzerrolle und der Sensibilität der Daten basieren.

11. Erkennen Sie die Grenzen von Selfservice-Analysen

Selfservice-Analysen können zwar ein Segen für Produktivität und Kreativität sein, aber nicht alle Daten sind für eine Selfservice-Umgebung geeignet. Einige Datensätze können so umfangreich sein, dass ihre Analyse die gesamte Infrastruktur belastet. Einige Quellen erfordern möglicherweise eine zu umfangreiche Vorab-Bereinigung ohne ausreichenden Nutzen, während andere sensible Daten enthalten, die in einer Selbstbedienungsumgebung nicht offengelegt werden sollten. Die Teams der einzelnen Geschäftsbereiche sollten ermitteln, welche derzeit nicht verfügbaren Datensätze für ihre Gruppen am nützlichsten wären, und mit der IT-Abteilung zusammenarbeiten, um die Kosten für deren Hinzufügen in Bezug auf Arbeitszeit, Infrastrukturnutzung und Sicherheit zu ermitteln.

Neugestaltung Ihres Unternehmens mit Selfservice-Analysen

Um die oben genannten Best Practices für Selfservice-Analysen umzusetzen, benötigen Organisationen eine Plattform, die für alle funktioniert, die auf Daten angewiesen sind – insbesondere für Power-User, Leiter von Geschäftsbereichen, IT-Teams und Führungskräfte. Im Idealfall bietet eine Plattform für Selfservice-Analysen eine intuitive Benutzeroberfläche, die es Geschäftsnutzern ermöglicht, direkt loszulegen, Funktionen, die komplexe Projekte für Data Scientists und fortgeschrittene Anwender unterstützen, eine einfache Anbindung an Data Lakes oder Data Warehouses sowie Modellierung und Erkenntnisse mithilfe künstlicher Intelligenz, die zum Experimentieren anregen.

Oracle Analytics bietet diese Reihe von Funktionen zur Unterstützung von Selfservice-Analysen. Oracle Analytics lässt sich in Daten-Repositorys integrieren und bietet gleichzeitig eine Reihe von Funktionen, mit denen Menschen mit unterschiedlichsten Fähigkeiten Ergebnisse erzielen können. Oracle Analytics bietet sofort einsatzbereite Funktionen – einschließlich Selfservice-Analysen, Echtzeit-Streaming-Analysen und Datenvisualisierungen – um aus allen Arten von Daten verwertbare Erkenntnisse zu gewinnen, egal ob in der Cloud, On-Premises oder in einer hybriden Umgebung.

Lassen Sie sich nicht von Bedenken hinsichtlich Governance und Standards davon abhalten, Selfservice-Analysen zu nutzen. Wenn Geschäftsnutzer Daten nicht selbst untersuchen und analysieren können, werden überlastete IT- und Data-Science-Teams immer einen riesigen Rückstand an Anfragen haben. Dadurch kann es passieren, dass Mitarbeiter entmutigt werden und die Suche nach neuen Geschäftserkenntnissen aufgeben.

Tools, die eine freie und spontane Datenanalyse ermöglichen, werden sich in neuen, zeitnahen Erkenntnissen sowie einer verbesserten Datenkompetenz und einer Entwicklung von der reinen Berichterstattung über das „Was“ im Unternehmen hin zum Verständnis des „Warum“ auszahlen.

Best Practices zu Selfservice-Analysen – Häufig gestellte Fragen

Wer ist der ideale Nutzer von Selfservice-Analysen?

Der ideale Nutzer von Selfservice-Analysen ist jemand, der den Wert von Daten versteht, aber nicht über das technische Fachwissen verfügt, um riesige Datensätze zu verwalten und zu durchsuchen. In den meisten Fällen handelt es sich dabei um einen geschäftlichen Nutzer, z. B. aus den Bereichen Marketing, Vertrieb, Finanzen, Lieferkette oder Fertigung. Diese Art von Benutzern verstehen das Potenzial, das Daten bieten; sie brauchen lediglich eine einfachere Möglichkeit, Informationen zu analysieren, um Erkenntnisse zu gewinnen.

Wie unterscheiden sich Selfservice-Analysen von herkömmlichen Analysen?

Bei einem herkömmlichen Analyseprozess muss ein Geschäftsnutzer eine Anfrage für einen Datensatz mit einem bestimmten Ziel stellen. Diese Anfrage könnte so lange in der Warteschlange der IT-Abteilung stehen, dass eine Geschäftschance verpasst wird. Durch den Wechsel zu Selfservice-Analysen kann dieser Benutzer ein Tool starten, einen Datensatz laden, Dimensionen und Parameter definieren und die Daten bearbeiten, um zu sehen, welche Arten von Erkenntnissen, Visualisierungen und Berichten sich daraus ergeben.

Was ist der Unterschied zwischen strukturierten und unstrukturierten Daten?

Strukturierte Daten werden in definierten Formaten und mit einer festgelegten Nomenklatur bereitgestellt, z. B. ein Datumsfeld, das das Format JJJJ-MM-TT angibt. Unstrukturierte Daten haben kein festgelegtes Format.

Ein Beispiel für strukturierte Daten ist ein Krankenversicherungsformular mit definierten Feldern für die Kontonummer des Kunden sowie für Verfahrens- und Rechnungscodes. Beispiele für unstrukturierte Daten sind MRT-Aufnahmen, Arztberichte über einen Besuch und Behandlungsoptionen. Diese erfordern zusätzliche Tags und andere Metadaten, um das Asset zu beschreiben und Kontext bereitzustellen.

Wie unterstützen KI und maschinelles Lernen Selfservice-Analysen?

Funktionen der künstlichen Intelligenz und des maschinellen Lernens (KI/ML) können Erkenntnisse liefern, die herkömmlichen, regelbasierten Analysesystemen möglicherweise entgehen. Algorithmen für maschinelles Lernen werden immer besser darin, Muster zu erkennen, je mehr Daten sie im Laufe der Zeit erhalten. Das spart Geschäftsnutzern Zeit und eröffnet gleichzeitig die Möglichkeit, bisher nicht verfügbare Erkenntnisse zu gewinnen. Sobald KI-gestützte Analysetools online gehen, können Benutzer Fragen in natürlicher Sprache stellen und das System die richtigen Datenquellen auswählen lassen, um Antworten zu generieren.

Wie kann die Verarbeitung natürlicher Sprache Selfservice-Analysen unterstützen?

Die Verarbeitung natürlicher Sprache (NLP) ermöglicht es Menschen, in einer Plattform für Selfservice-Analysen Fragen im Stil eines Gesprächs zu stellen und auf der Grundlage eines bestimmten Datensatzes Antworten zu erhalten. NLP besteht aus Natural Language Understanding (NLU) und Natural Language Generation (NLG), die beide die Benutzerfreundlichkeit und Zugänglichkeit von Analysen verbessern. Mit NLU kann die Anwendung Fragen in natürlicher Sprache verstehen, anstatt technische Abfragen zu verwenden. Das könnte beispielsweise ein Mitarbeiter der Personalabteilung sein, der fragt: „Aus welchen fünf wesentlichen Gründen haben Mitarbeiter das Unternehmen im letzten Jahr verlassen?“ Oder ein Marketingprofi, der fragt: „Welche suchbasierten Werbekampagnen haben in den letzten sechs Monaten die höchsten Konversionsraten erzielt?“ Mit NLP kann das Ergebnis in automatisch generierten Berichten für leicht verständliche Zusammenfassungen von Erkenntnissen und Ergebnissen dargestellt werden.