KI-basiertes Dashboarding / 3 Übersicht von Tools, welche KI wertschöpfend nutzen

Die Anzahl an Tools, welche KI nutzen, wächst – gleichzeitig wird jedoch die Transparenz der Funktionalitäten niedriger. Das ist ein Grund, warum es Unternehmen häufig schwerfällt, sich bei dem Wunsch zur Nutzung von KI für das richtige Tool zu entscheiden. Oft entsteht so eine ganze Tool-Landschaft von mehreren Anwendungen, welche teilweise unterschiedliche, teilweise jedoch auch ähnliche Schwerpunkte haben.

Bei der Auswahl eines passenden Tools empfehlen wir daher als initialen Schritt, sich mit den Unterschieden zwischen AI Dashboarding für "Standard-Nutzer" sowie der Implementierung von speziellen, fortschrittlichen Dashboarding Use Cases zu beschäftigen. Hier kommt auch die übergreifende IT-Strategie eines Unternehmens zum Tragen, welche oft eine unnötige Komplexität in der Tool-Landschaft vermeiden möchte.

Abb. 3 zeigt einen Auszug von Tools, die mit der Nutzung von KI in Zusammenhang gebracht werden.

Abb. 3: Beispiele für Tools mit KI-Bezug

Viele der hier gezeigten Tools verfügen über spezifische, fortschrittliche KI-Funktionalitäten für spezielle Use Cases – sie decken jedoch nicht die Möglichkeiten eines breiten Standard Dashboarding Tools ab und sind somit für viele Unternehmen nicht in die alltägliche Nutzung integrierbar. Daher möchten wir die Tools in drei wesentliche Gruppen unterteilen.

• Spezielle, Algorithmus-basierte KI-Tools: Hierbei handelt es sich um Software, welche im Wesentlichen auf eine oder ein paar wenige spezifische KI-Funktionalitäten fokussiert, etwa Natural Language Processing oder Image Recognition. Diese Tools sind daher optimiert für entsprechend spezifische Use Cases und finden ihre Anwendung bei Nutzern, welche sich mit der Ausarbeitung und Programmierung solcher Anwendungsfälle auskennen. Als Beispiele fallen hierunter z. B. Scalenut, LOVO, Writesonic oder Jasper.
• Advanced Analytics Tools: Diese Tools sind spezialisiert auf die tiefergehende Analyse von Daten, eine Erweiterung durch Data Science Methoden ist ebenfalls häufig möglich. Daher werden diese Tools gerne von Unternehmen genutzt, bei welchen entsprechendes Data Science- und Programmierungs-Know-how vorhanden ist. Beispiele hierfür: Knime, Rapidminer oder Alteryx.
• Standard-Reporting-Tools mit KI-Funktionalitäten: Die Standard-Reporting-Tools, welche KI-Funktionalitäten enthalten, werden von vielen Unternehmen präferiert, da diese trotz der integrierten KI-Möglichkeiten von einer breiten Anwendergruppe genutzt werden können: Ein großes Umdenken in der Nutzung von Berichten ist nicht erforderlich, die Nutzer werden durch die KI-Funktionalitäten geführt und finden sich einfach zurecht. Diese Tools bieten Out-of-the-Box-KI und sind auf Berichterstattung sowie Prognosen für die Anwendung von Nicht-Data-Scientists zugeschnitten. Beispiele: SAP Analytics Cloud, MS Power BI, Tableau

Die Umsetzung von spezifizierten Use Cases kann in Standard-Reporting-Tools schwieriger sein, weswegen es häufig zu einer Kombination von Standard-Tools und spezialisierten KI-Tools im Unternehmen kommt. Um hier das bzw. die optimalen Tools auszuwählen, sollten die relevanten Use Cases klar identifiziert sein – auch hier ist wieder der Blick auf die gesamte IT-Landschaft wichtig, um diese durch die KI-Tools bzw. -Funktionalitäten sinnvoll und nachhaltig zu erweitern.