Künstliche Intelligenz in der Unternehmensplanung / 5.3 Interaktive Berichts- und Dashboard-Erstellung

IT-Teams stehen vor der Herausforderung, mit der wachsenden Nachfrage der Entscheidungsträger nach gewünschten Auswertungen Schritt zu halten. Informationskonsumenten haben häufig nur wenig Erfahrung mit Analysetools. Mit der natürlichsprachlichen Erweiterung soll eine Befähigung der Informationskonsumenten, selbständig Antworten zu finden, erreicht werden. Die Skalierbarkeit kann erhöht werden, sodass Analyseteams ihre Tätigkeiten verstärkt auf die Wertschöpfung konzentrieren können.

Ein zentraler Punkt ist die Erstellung von Diagrammen und ganzen Dashboards. Idealerweise entfällt die Redakteursrolle der BI-Experten oder Controller oder jene wird deutlich reduziert. Ein reibungsloses Funktionieren bei wenig geübten Anwendenden setzt voraus, dass eine saubere Datengrundlage vorhanden ist. Das Basismodell muss mit Strukturen und Inhalten aus den Datenmodellen trainiert werden. In einem Planungsmodell bedeutet dies, dass planungsrelevante Dimensionen wie Planungspositionen, Produktgruppen usw. und deren Inhalte dem Basismodell auf dem aktuellen Stand bekannt sind. Dabei muss auch auf Unschärfen der Formulierung adäquat reagiert werden können. Es erfolgt ein Matching der natürlich-sprachlichen Abfrage mit Systemobjekten.

Das Modell muss zudem mit der Mehrdeutigkeit der Sprache umgehen können. Hier helfen generelle Sprachmodelle. Zum Teil helfen auch manuelle andere Lernhilfen, z. B. Synonyme, die auf Originalbegriffe referenzieren. Aber auch mit Synonymen kann eine solche Abfrage zu Problemen führen. Ein Problem besteht beispielsweise bei Homonymen, d. h. ein Begriff wird für unterschiedliche Objekte verwendet: Deutschland kann beispielsweise als Vertriebsregion aber auch als Geschäftseinheit verstanden werden. Manche Business Intelligence-Systeme lassen eine Doppeldeutigkeit nicht zu und verlangen eine eindeutige Kennzeichnung bei der Beschreibung. Dies führt allerdings in der Praxis zu Problemen. Kompliziert wird es insbesondere bei Sender-Empfänger Beziehungen innerhalb von Inter- oder Intra-company-Abgleichen, die jeweils unterschiedliche Objekte darstellen.

Ein KI-gestütztes Werkzeug ist im Einsatz eher unkritisch, da die Datengrundlage bereits qualitätsmäßig validiert ist. Der Zugang der Informationskonsumenten zu Erkenntnissen ist auf bestehende Daten (und natürlich basierend auf Zugriffsrechten) beschränkt. Wenn nun aus einem (sprachlichen) Missverständnis heraus ein falsches Objekt geliefert wird, ist das leicht erkennbar. So könnte beispielsweise nach Werten für Österreich gefragt werden, aber vom Werkzeug werden Werte nur für Deutschland dargestellt, was sich anhand der Legende leicht erkennen lässt. Wenn die Zahlen allerdings falsch sind, dann ist das nicht vertretbar. Daher sind komplexe Informationsaufbereitungen durch GenAI, zum Beispiel durch neue Kennzahlen zwar denkbar, bislang allerdings nur in einfachen Fällen realistisch umsetzbar (siehe auch Abschnitt 5.8).

Abbildung 5 zeigt zum einen die natürlichsprachliche Erstellung von Diagrammen, aber auch die interaktive Einbindung in Dashboards über Joule.

Abb. 5: Generierung von Diagrammen über Joule und Just Ask