Anzeige
Anzeige
Anzeige
Anzeige
Mauritius H 07288591 Web
Mit Conversational Analytics könnten Benutzer künftig Daten untersuchen, indem sie sich mit ihrer Analyseanwendung "unterhalten" (Bild: mauritius images/Thilda Lindholm)
Special Marketing KI Daten

Wie sprachbasierte Analysen den Umgang mit Daten verändern

Über welche Kanäle kommen Kunden auf meine Website? Welche Anzeigen funktionieren am besten? Und wie hat meine letzte Marketing-Kampagne die Verkaufszahlen beeinflusst? Marketers haben viele Fragen an ihre Daten. Doch noch immer sind nicht alle in der Lage, mit den Daten umzugehen und die richtigen Antworten zu bekommen. Ein Schlüssel, um Datenanalysen für mehr Anwender zugänglich zu machen, könnten in Zukunft Natural Language Processing (NLP) und Machine Learning (ML) sein.

Anzeige
Anzeige
Anzeige

Alexa, Google Home & Co. ziehen in immer mehr private Haushalte ein. Kein Wunder: Sie liefern Rezepte zu angesagten Cocktails, wissen, was im Kino läuft und erinnern einen rechtzeitig an die Geburtstage von Eltern und Geschwistern. Doch smarte Assistenten könnten noch viel mehr leisten: Sie sollen unter anderem in den Bereichen Kundenservice und Marketing, E-Commerce und Vertrieb und bei Unternehmensanwendungen zum Einsatz kommen. Die technische Basis dafür liefert Natural Language Processing (NLP), vor allem in Kombination mit KI-Disziplinen wie Machine Learning. Die Marktforscher von Tractica schätzen, dass bis 2025 mehr als eine Milliarde sogenannter Virtual Digital Assistants (VDAs) die Anwender in Unternehmen unterstützen werden.

Auch im Bereich Data Analytics gibt es unzählige Anwendungsszenarien für die Kombination aus NLP und künstlicher Intelligenz. Mit Conversational Analytics – also sprachbasierter Datenanalyse – könnten Benutzer künftig Daten untersuchen, indem sie sich mit ihrer Analyseanwendung "unterhalten". So könnte ein Marketingleiter sein System fragen: Haben meine Social-Media-Aktivitäten Einfluss auf die Sales-Entwicklung im letzten Quartal gehabt? Künftige Analyseanwendungen würden nicht einfach eine Flut von Informationen liefern, die in irgendeinem Zusammenhang mit den Begriffen in der Frage stehen. Vielmehr könnte die Software der Zukunft prüfen, ob die vom Nutzer übermittelten Informationen für eine Beantwortung ausreichen und nötigenfalls Zusatzfragen stellen. Im oben genannten Fall zum Beispiel: Wie hoch war das eingesetzte Anzeigenbudget?

Anzeige

Schlüsseltechnologie für Entscheider

Ist das Ziel der Frage klar, würde das System die Daten untersuchen, aufbereiten und das Ergebnis entsprechend den Wünschen des Benutzers präsentieren. Vorteil für den Anwender: Er müsste – anders als heute – die Daten und ihre Struktur nicht genau kennen, um seine Fragen so zu formulieren, dass sie sinnvolle Ergebnisse liefern. Assistenz-Systeme würden ihn dabei mit konkreten Rückfragen und Hinweisen unterstützen. Im Handel könnte das bedeuten, dass das System nicht nur wie gewünscht eine Empfehlung für einen neuen Filialstandort ausspricht, sondern gleichzeitig darauf hinweist, dass die Daten der Wettbewerbsanalyse vor einer endgültigen Entscheidung unbedingt aktualisiert werden müssen.

Mit Conversational Analytics könnten mehr Anwender ohne entsprechende Analytics-Vorkenntnisse schneller auf die Informationen zugreifen, die sie für ihre Aufgaben brauchen. Das steigert den wirtschaftlichen Nutzen der Daten. Unternehmen müssen im Zuge der Digitalisierung immer mehr Daten aus unterschiedlichen Quellen untersuchen, um die richtigen Entscheidungen zu treffen und innovative Produkte und Services zu entwickeln. Conversational Analytics hat somit das Zeug zu einer Schlüsseltechnologie für Entscheider zu werden.

Auf Bestehendem aufbauen

Schon heute sind Dashboards, die relevante Informationen aus Datenbanken und Unternehmensanwendungen zusammenfassen und übersichtlich darstellen, wichtige Steuerungsinstrumente für das Management. Auf dem Weg zu Conversational Analytics-Anwendungen werden sie sich weiterentwickeln. So könnten Anwender künftig ihr IT-System anweisen, ein Dashboard aufzubauen. Ein Prototyp im Tableau Forschungsprojekt Eviza ist dazu bereits in der Lage.

Auf der nächsten Entwicklungsstufe könnte das Dashboard dann die Ergebnisse nach bestimmten Kriterien filtern. Und schließlich präsentiert es womöglich auf Zuruf neben den Antworten auf die eingangs gestellten Fragen noch eine Empfehlung zur Optimierung des Cross- und Upselling-Programms. Die Entwicklungsabteilungen der Softwarehersteller arbeiten bereits mit Hochdruck an der Umsetzung solcher Szenarien. Doch der Weg dahin ist weit, noch müssen alle Beteiligten viel lernen.

Wie Software Anwender verstehen lernt

Zuhören ist eine Grundvoraussetzung, um Kunden und Märkte zu verstehen. Und anders als Menschen werden digitale Assistenten nicht müde oder abgelenkt. Dank hochwertiger Mikrofon- und Transskriptionstechnik entgeht ihnen kein Wort. Dennoch liegen die höchsten Hürden auf dem Weg zu Conversational Analytics im Verstehen natürlicher Sprache. Damit Menschen mit Systemen sprechen können, müssen diese nicht nur Zeichen identifizieren, sondern vielmehr deren Bedeutung interpretieren. Und die kann je nach Zusammenhang variieren. Außerdem machen Menschen beim Sprechen im Alltag Fehler. Verschluckte Silben, falsch ausgesprochene Fremdwörter oder dialektale Ausdrücke stellen für Computer echte Probleme dar. Sie zu lösen, ist das Ziel von Technologien wie Maschinelles Lernen.

Wie ML funktioniert, lässt sich am besten am Beispiel der Bilderkennung veranschaulichen: Füttert man ein System mit tausend Bildern, kann es vielleicht zwischen Mensch und Tier unterscheiden, doch kaum zwischen verschiedenen Haustierarten. Mit der Zahl der Vergleichsbilder steigt die Trefferquote jedoch auch bei Hund und Katze rasant. Dabei erhält das System nur anfangs, in der Trainingsphase, Rückmeldungen vom Entwickler zur Qualität seiner Erkennungsleistung. Anschließend erkennt der Algorithmus des Systems Muster und Gesetzmäßigkeiten, die ihn befähigen, die Bedeutung von Bildern, Wörtern und Texten zu erkennen.

Systeme zur Erkennung natürlicher Sprache untersucht beispielsweise das bereits erwähnte Forschungsprojekt Eviza. Die Software unterstützt die menschliche Interaktion mit einer Visualisierungs- oder Dashboard-Anwendung durch Konversation mittels Text- oder Spracheingabe. Dazu übersetzt ein innovativer Parser natürliche Sprache in Datenvisualisierungen. Entwickelt hat die Technologie das Startup Cleargraph, das von Tableau übernommen wurde, um die Verarbeitung natürlicher Sprache für Analyseanwendungen zu nutzen.

Tipps für Anwender

Ein anderer wichtiger Bestandteil von Conversational Analytics könnten Empfehlungs-Engines werde. Dabei sucht das Assistenz-System Daten aus, analysiert sie mit statistischen Verfahren und zeigt Zusammenhänge auf, die sich beispielsweise aus dem Vergleich mit anderen Anfragen ergeben. Schon heute sorgen derartige Systeme dafür, dass Internet-Nutzer gezielte Werbung auf Basis ihres Sucherverhaltens angezeigt bekommen. In den Analyseanwendungen von morgen könnten sie Anwendern Tipps geben. Zum Beispiel welche Datenquellen für eine Analyse hinzugezogen werden sollten. Oder wo Zusammenhänge zwischen Ergebnissen bestehen.

Lars Milde ist Marketing Manager DACH bei Tableau. Das Unternehmen hat sich auf Visual-Analytics-Lösungen spezialisiert. Mehr als 70.000 Anwender weltweit nutzen Tableau im Büro und unterwegs für schnelle Analysen. Über 300.000 Benutzer verwenden Tableau Public, um anderen Personen Daten in Blogs und auf Websites zur Verfügung zu stellen.

Teilen
Jederzeit top informiert

Die wichtigsten LEAD Nachrichten per Messenger oder Newsletter

Anzeige
Anzeige
Verlagsangebot
Weitere Artikel aus dem Special
Anzeige
Anzeige
Aktuelle Stellenangebote
Alle Stellenangebote