Im digitalisierten Zeitalter boomen Analytics-Tools, die spannende Einblicke in eine immer größere Datenflut versprechen. Weil es kaum noch an der Quantität der Daten mangelt, sind die neuen zentralen Herausforderungen an diese Tools, Übersicht in die stets wachsenden Datenbestände zu bringen. Außerdem sollen sie selbstständig wertvolle Erkenntnisse für den Nutzer gewinnen und ihn mit intelligenten Handlungsableitungen versorgen.

Das intuitive Navigieren von Nutzern durch komplexe Datenbestände mithilfe von künstlicher Intelligenz ist zu einer der beliebtesten KI-Anwendungen im Analytics-Bereich geworden. Google Analytics nutzt hierfür zum Beispiel die algorithmische Verarbeitung natürlicher Sprache. So lässt sich die Frage, wieviele Produkte innerhalb einer bestimmten Zeitspanne im eigenen Onlineshop aus dem Warenkorb entfernt worden sind, ganz einfach im Ask-Intelligence-Feature von Google Analytics stellen und beantworten.

Googles KI-Algorithmus übersetzt die Frage des Nutzers in die relevanten Metriken und Dimensionen und zeigt das passende Ergebnis direkt an. Neulinge und unregelmäßige Nutzer des Tools können so die eigenen KPI mit Google Analytics ohne größeren Konfigurationsaufwand in schnelle Antworten übertragen.

In eigener Sache: Du möchtest auch nach dem Umstieg auf Google Analytics 4 die besten KPI erzielen? Mit unserem Tracking-Pro-Paket werden deine Trackingstrategien zukunftssicher!

Während dieses Feature stets deskriptive Antworten auf die eigenen Fragen parat hat, ist die automatisierte Interpretation von Datenzusammenhängen ein zweites großes Anwendungsfeld künstlicher Intelligenz in Analytics-Tools geworden.

Anhand von Google-Analytics-Daten versucht das Tool Pave-AI nicht nur, Entwicklungen zu beschreiben, sondern auch deren Ursachen zu interpretieren. So unterstellt die Plattform etwa bei abnehmender Nutzerzahl und gleichzeitiger Umsatzsteigerung eine erhöhte Marketingeffizienz.

Hier zeigt sich, dass vollautomatisch interpretierende KI-Tools gegen ihre menschliche Konkurrenz – die Marketing-Analysten – bislang kaum eine Chance haben: Über einfache Plausibilitätsannahmen kommen die Tools kaum hinaus. Zu komplex sind die Zusammenhänge in den Daten.

Deutlich gesicherter funktioniert hingegen die assistierte Interpretation durch KI-Algorithmen, wie sie zum Beispiel mit dem Feature Quick Insights im Business-Intelligence-Tool Microsoft Power BI integriert ist.

Dazu werden vom Nutzer ausgewählte Auffälligkeiten in bestimmten Tabellen oder das gesamte Datenset von Machine-Learning-Algorithmen tiefergehend analysiert und Interpretationsvorschläge unterbreitet, die vom User umgehend bewertet und visualisiert werden können.

Das hat den Vorteil, dass Microsoft Power BI zeitsparend Muster und Unregelmäßigkeiten untersucht, die teilweise noch nicht durch das eigene Reporting abgedeckt sind. Damit kann es einen Mehrwert für die eigene Exploration und Interpretation der Daten bieten.

KI in der heutigen Analytics-Praxis ist zumeist eine im Hintergrund operierende, explorative Datenanalyse. Sie zeigt im besten Fall kritische Muster auf und unterstützt damit das eigene Handeln.

Ein gutes Beispiel dafür ist der BI-Service Mixpanel, der mithilfe von Machine-Learning-Algorithmen fortlaufend die eigenen Reports analysiert und so zum Beispiel statistische Anomalien erkennen und in Handlungsableitungen übersetzen kann. Auf diesem Weg kann das Tool beispielsweise eine kurzfristig drastische Änderung (positiv oder negativ) von Newsletter-Anmeldungen, die über den Zufall oder saisonale Effekte hinausgeht, entdecken und dazu Benachrichtigungen für Handlungspotenziale verschicken.

Zwar bieten die meisten Tools solche Alerts, aber Mixpanel bietet auch dahinter liegende Korrelationsanalysen, die – wie bei Microsoft Quick Insight – dabei helfen, der Ursache einer drastischen Veränderung schnell auf die Spur zu kommen.

Richtig genutzt hilft künstliche Intelligenz im Analytics-Bereich damit schon heute dabei, smarter durch die eigenen Datenmengen zu navigieren, sie effektiver zu interpretieren und durch Interaktion mit den Algorithmen letztendlich schneller zu handeln, wenn es erforderlich ist. Noch können sie aber nicht die menschliche Interpretation der Daten ersetzen.