Spontane Abfragen sollten daher von aufwendig erstellten Dashboards unterschieden werden. Ein gutes Dashboard erzählt eine Geschichte und zeigt Zusammenhänge auf. Es besteht ein Unterschied zwischen dem Finden und anschließender ad-hoc-Präsentation von Daten und einem komplexen Aufbereitungsprozess. Es ist daher wichtig, den Einsatz von künstlicher Intelligenz je nach Anforderung zu differenzieren. Dies soll im Kontext einer Berichtskette verdeutlicht werden.
Zunächst einmal sind zahlreiche Verarbeitungsschritte Merkmal des Berichtswesens (s. Abb. 1). Oftmals ist hinter detaillierten Berichten ein erheblicher Aufwand für die Erhebung, Bearbeitung und Generierung von Daten versteckt. Jede Stufe erfordert entsprechende Bearbeitungsschritte, um das Gesamtergebnis effektiv nutzen zu können. Dabei müssen die Ersteller des Berichts sowohl den objektiven als auch den subjektiven Informationsbedarf der Endnutzer berücksichtigen.
Abb. 1: Der Einsatz künstlicher Intelligenz im Berichtsprozess (eigene Darstellung)
Im Kontext der Informationsbereitstellung existieren heute effiziente, auf KI-Techniken basierende Katalogsysteme. Sie gestatten eine weitgehend uneingeschränkte Textsuche und liefern die zugehörigen Datenquellen.
Die Datenverarbeitung wird durch intelligente Matching-Funktionen ergänzt. Damit können Schlüsselverbindungen trotz verschiedener Bezeichnungen und unterschiedlicher Schlüsselwerte automatisch ermittelt und genutzt werden. Aufgrund von Beispielen können Datenfelder bearbeitet und mittels der daraus abgeleiteten Regeln in Teilfelder unterteilt werden.
Eine erhöhte Effizienz bietet auch ein Frage-und-Antwort-System während der Erstellung von Anfragen oder Berichten: In einem Chatfenster können direkt Fragen zum Bericht oder zum Berichtskontext gestellt werden. Die Ergebnisse können anschließend in ein Berichtstool zur weiteren Bearbeitung übertragen werden.
Ein zentrales Anwendungsfeld von künstlicher Intelligenz ist die Navigation in Dashboards oder Berichten. Oftmals besteht der Bedarf, beim Umgang mit einem Bericht zusätzliche Informationen zu Auffälligkeiten zu erhalten. Moderne Reporting-Tools ermöglichen eine direkte Navigation zu den zugrundeliegenden Datenstrukturen, etwa durch das Öffnen von aggregierten Werten. Diese Praxis des sogenannten "Drillens" ist grundsätzlich etabliert, allerdings in der Regel statisch, da die Navigation entweder durch einen einfachen, dimensional ausgerichteten Ansatz oder durch die vorherige Vorbereitung durch den Berichtsersteller erfolgt. Die Navigation kann jedoch auch inhaltlich unterstützt werden. Eine Möglichkeit hierfür ist beispielsweise die Darstellung des Detail-Aufrisses, sortiert nach Abweichungsgröße. Erkennt das System die Absicht der Navigation, so können Faktoren wie
- die Relevanz des Anliegens,
- vergangene Trends wie zum Beispiel negative Entwicklungen oder
- die Suche nach dem besten oder schlechtesten Fall
berücksichtigt werden. Darüber hinaus können auch jegliche Arten von (unter anderem durch Predictive Analytics ermittelten) Beziehungen und weitere Kontextinformationen bei der Analyse behilflich sein.
Eine weitere relevante Anwendung ist die Erstellung automatisierter Textanalysen in natürlicher Sprache. Erläuterungen verstärken die Aussagekraft der Zahlen durch die Bereitstellung von Kontext und die Verdeutlichung von Zusammenhängen. Die Herausforderung besteht dabei in der Identifizierung geeigneter Kontexte. Hierbei lassen sich Erkenntnisse aus bisherigen klassisch erstellten Einschätzungen ziehen. Dies wirkt besonders relevant bei textbasierten Berichten wie Geschäftsberichten. Typische Phrasen, wie zum Beispiel die Beschreibung einer negativen Geschäftsentwicklung, können aus solchen Konstellationen adaptiert werden.
Interessenprofile können bei der Verteilung eingesetzt werden. Die Suche nach passenden Berichten kann durch künstliche Intelligenz (AI) unterstützt werden. Dabei kann eine Anfrage in natürlicher Sprache zur Auswahl geeigneter Berichte führen.