Was die NLP-Integration in Business Intelligence bremst

NLP-Fortschritte in Business Intelligence und Analytics

In seiner Beta-Software hat Tableau Software zum Beispiel eine neue Funktion namens Ask Data eingeführt. Diese ermöglicht es Benutzern, Fragen zum Beispiel zu Umsatz sowie Rentabilität zu stellen und eine Antwort in natürlicher Sprache zu erhalten.

Sowohl Tableau als auch Qlik verfügen über sogenannte Narrative-Science-Erweiterungen, die ihre jeweiligen Diagramme und Grafiken in Dashboards automatisch um eine Interpretation in natürlicher Sprache ergänzen. Microsoft Power BI unterstützt ebenfalls Abfragen in natürlicher Sprache, allerdings nur in eingeschränkter Form für Berichte und Dashboards.

Während diese BI- und Analyseplattformen NLP für allgemeine Aufgaben nutzen, besteht das Problem darin, NLP für bestimmte Analysetypen zu verwenden. Die Lexalytics Intelligence Platform analysiert zum Beispiel unstrukturierte Textdatenbanken, Data Warehouses, Data Lakes, Suchmaschinen, Social Media und Webcrawler. Dabei ist einer der am häufigsten diskutierten Anwendungsfälle für die Analyse von unstrukturiertem Text die Stimmungsanalyse in sozialen Medien.

Wenn Data Scientists unstrukturierte Daten verstehen möchten, wenden sie normalerweise eine folgender zwei Methoden an: Klassifizierung setzt aug überwachtes maschinelles Lernen, um Text in vordefinierte oder gekennzeichnete Klassen wie positive und negative Stimmung zu unterteilen. Clustering (Cluster-Analysen) setzt hingegen unüberwachtes maschinelles Lernen ein. Diese Methode trennt Text in Gruppen, ohne vordefinierte Bezeichnungen zu verwenden.

Laut Katherine Chandler, Datenanalystin von Lendio, wendet das Unternehmen Cluster-Analysen auf Anrufprotokolle für den Kundenservice an. Der Marktplatz-Betreiber für Kredite will damit häufige Probleme, Kundenstimmungen und Trends identifizieren, und Servicemitarbeitern die Überwachung der Anrufe ersparen. 

„Wir haben derzeit einige Transkripte, die wir an Mitarbeiter in unserem Call Center weitergeben. Wenn wir jedoch Zugriff auf alle Anrufe haben, die jemals stattgefunden haben, hoffen wir, dass wir bessere Transkripte entwickeln können“, sagt Chandler. „Unser erstes Ziel ist es, mit diesem Tool die Compliance sicherzustellen. Unser zweites Ziel ist es, bessere Anrufprotokolle zu entwickeln.“

Auf ähnliche Weise wollte ein multinationaler Technologiedienstleister das Kundenerlebnis verbessern, konnte jedoch nur fünf Prozent der Kundeninteraktionen mit Umfragen und manueller Qualitätskontrolle nachverfolgen. Das Unternehmen arbeitete mit dem Plattformanbieter Summatti für Customer Experience Analytics zusammen, um die Qualität der Erkenntnisse zu verbessern.

Um sich auf die fortlaufende Überwachung und Analyse von Texten auf der Plattform vorzubereiten, analysierte das Unternehmen sechs Monate lang die Kundeninteraktion. Zum einen wurde das Kundenbeziehungsmanagement analysiert und zum anderen die interaktiven Sprachantworten. Mit der Analyse ließen sich positive und negative Erfahrungen identifizieren.

Darüber hinaus wurden Erfolgsmetriken für den Kundenservice (Leistungsindikatoren) berücksichtigt. Nach der Einrichtung überwachte und analysierte die Plattform die Kundeninteraktionen per Telefon, E-Mail und Chat. Das Unternehmen konnte damit Probleme identifizieren und proaktiv beheben, die Leistung der Mitarbeiter überwachen und die Kanalbindungsraten verbessern.

Das Ziel noch nicht erreicht

Endanwender erwarten von Natural Language Processing in der Regel mehr, als es leisten kann. Da die menschliche Sprache eine natürlichere Form der Kommunikation darstellt als SQL-Abfragen oder Boolesche Suchen, glauben viele Menschen, mit Maschinen in ähnlicher Weise kommunizieren zu können.

Es gibt ebenfalls das weit verbreitete Missverständnis, dass künstliche Intelligenz (KI) mit all seinen Ablegern – einschließlich NLP – eine allgemeine Form der maschinellen Intelligenz ist, die einfach auf engumgrenzte Probleme angewendet werden kann. Doch diese enge KI ist der aktuelle Stand der Technik. Daher ist ein für die Stimmungsanalyse entwickeltes Produkt effektiv bei der Stimmungsanalyse, jedoch nicht bei der Überprüfung von Verträgen.

„Für Anbieter ist es wichtig, ihre Benutzer darüber aufzuklären, was möglich und was nicht möglich ist“, sagt Brian Atkiss, Director of Omnichannel Analytics bei Anexinet. Er verwendet NLP, um Kundeninteraktionen besser zu verstehen. „Wenn Sie nur wissen möchten, wie viele Kunden oder wie viele potenzielle Kunden mein Team heute erreicht hat, ist dies wahrscheinlich möglich. Aber eine Ursachenanalyse mit fortgeschrittenen Analysetypen ist es nicht möglich.“

Steven Mills, Associate Director of Machine Learning and AI bei der Boston Consulting Group, legt Wert darauf, die Mängel von NLP humorvoll darzustellen. So können die Erwartungen der Benutzer bei der Durchführung von Demos in die richtigen Bahnen gelenkt werden.

„Die größte Einschränkung besteht darin“, sagt er, „dass Sie ein System nicht einfach alles fragen können, was Sie von dem System wissen möchten. Sie müssen immer noch einer bestimmten Formatstruktur folgen – und dem sind Grenzen gesetzt. Wir möchten hin zu einer Frage-Antwort-Schnittstelle, aber diese Arten von natürlichem Sprachverständnis und Fähigkeiten sind nur für einfache Fragen gut. Wir wollen Systeme, die komplexe Fragen interpretieren können – aber an diesem Punkt sind wir einfach noch nicht.“

Hürden überwinden

Eine Herausforderung bei der weiteren Entwicklung von NLP sind die Absichten, die Menschen im Sinn haben, wenn sie kommunizieren. Was die Leute sagen oder tippen, ist nicht unbedingt das, was sie meinen. Eine BI- oder Analyseplattform, die NLP verwendet, sollte in der Lage sein, auf die Absicht des Benutzers zu schließen und ein relevantes Ergebnis zu liefern. Dazu muss das System die möglichen Varianten einer Abfrage verstehen. Es muss auch den Kontext der Abfrage verstehen. Wer den aktuellen Stand der KI-Forschung kennt, weiß, dass das nicht einfach ist.

Der Kontext der Datennutzung ist ebenfalls wichtig. Die meisten Abteilungen verwenden Anwendungen, die funktionsspezifisch sind. Während die Daten in diesen Abteilungssystemen mit BI oder Analytics über eine API zugänglich sein können, müssen Daten, die außerhalb des ursprünglich vorgesehenen Kontexts verwendet werden, entsprechend behandelt werden.

Da der Kontext bei NLP ein so großes Problem darstellt, kann es sein, dass ein NLP-Pilot, der in einer Abteilung erfolgreich ist, in einer anderen Abteilung nicht gut funktioniert. Für die Erreichung der Ziele sind unterschiedliche Modelle, Daten oder Datenintegrationen erforderlich.

Immer mehr BI- und Analytics-Anbieter erweitern ihre Produkte zur Verbesserung der Nutzerfreundlichkeit um NLP-Funktionen. Letztendlich können Benutzer mit diesen Tools einen interaktiven Dialog führen, um die benötigten Informationen schnell abzurufen, ohne sich durch Analyse-Dashboards oder BI-Berichte zu klicken.

Bevor man jedoch ein NLP-basiertes System allgemein einführt, sollte man dessen Funktionen und Einschränkungen kennen – damit die Erwartungen der Endbenutzer nicht enttäuscht werden.