Den sammanflätning av dataanalys och artificiell intelligens (AI) har djupa konsekvenser för olika branscher. Möjligheten att använda AI inom analys kan förvandla dataekosystem, användarbeteende, roller och beslutsprocesser. Genom att förstå effekterna och potentiella risker med AI kan organisationer dra nytta av denna teknik för att skaffa sig en konkurrensfördel.
Traditionellt har kalkylblad varit det vanliga verktyget för dataanalys. Men framväxten av webb- och appbaserade GenAI-chattar har revolutionerat sättet användare analyserar data i kalkylblad. Dessa chattar möjliggör intuitiv och enkel analys, vilket knyter samman traditionell datainmatning med sofistikerad analys.
En av de viktigaste fördelarna med GenAI-chattar är deras förmåga att eliminera behovet av specialiserad analys- och affärsintelligens (ABI) samt dataanalys- och maskininlärningsprogramvara (DSML). Detta gör att dataanalys blir mer tillgänglig för en bredare publik, vilket ger användare möjlighet att analysera data inom sina affärsprocesser utan begränsningarna som traditionell analysprogramvara innebär.
Även om den ökade tillgängligheten av GenAI-chattar erbjuder betydande fördelar, innebär det också styrningsutmaningar. Användare kan kringgå bra styrningspraxis, avsiktligt eller oavsiktligt, vilket kan leda till potentiella risker. Enligt Gartner förutspås det att år 2025 kommer 40% av ABI-plattformsanvändarna att kringgå styrningsprocesser genom att använda generativa AI-aktiverade chattar för att dela analytiskt innehåll skapat från kalkylblad. Detta kan leda till tillväxten av spreadmarts, som är generativa datadepåer.
När vi ser framåt förutspår Gartner att år 2026 kommer mer än 70% av oberoende programvaruleverantörer (ISV) att införliva GenAI-funktioner i sina företagsapplikationer. Detta innebär en betydande ökning från den nuvarande användningsgraden på mindre än 1%. Bekvämligheten med AI-aktiverade naturliga språkfrågor (NLQ) utan behovet av en ABI-plattform utgör en risk för traditionella leverantörer och investeringar gjorda av data- och analysespecialister.
För att navigera i den föränderliga världen av AI-aktiverad analys bör data- och analysledare överväga följande rekommendationer:
1. Fokusera på AI-utbildning och kompetensutveckling
2. Använd strategisk planering för AI-aktiverad analys
3. Se till att integrationsinsatser främjar kombinationsmöjligheter
4. Främja kollektiv intelligens genom analysprospektion
Gartner-analytiker kommer att diskutera bästa praxis för AI för analytiska användare på den kommande Gartner Data & Analytics Summit i Mumbai, Indien, den 24-25 april.
För att ligga steget före den föränderliga analysens teknologi och digitala landskap är det avgörande att data- och analysledare och organisationer håller sig uppdaterade om de senaste framstegen inom AI-aktiverad NLQ och chattbot-teknologi. Att inte göra det kan resultera i att man hamnar efter och eventuella överträdelser av data- och analysstyrningspolicys.
Författare: Mikael Svans, Senior analytiker vid Gartner
FAQ
The source of the article is from the blog lokale-komercyjne.pl