Data Storytelling: Mit Natural Language Generation optimalen Nutzen aus Daten ziehen

Ausformulierte Berichte liefern oftmals schneller und nachvollziehbarer Erkenntnisse als reine Zahlenkolonnen oder komplexe Dashboards. Ein relativ junges Teilgebiet der Künstlichen Intelligenz, das sich mit der automatischen Erzeugung natürlichsprachlicher Texte auf der Basis von Daten beschäftigt, kann hierbei unterstützen. Die Rede ist von Natural Language Generation (NLG), einer Technologie, die in zahlreichen Branchen als ein Schlüssel für Effizienz gilt.

Veranstaltungshinweis: Am 22. April, von 11.00 bis 11.45 Uhr veranstaltet Retresco gemeinsam mit dem Partner Atlantis Media, IT-Dienstleister im Bereich Data & Analytics, das Webinar „From Data to Insights: Mit Natural Language Generation aus komplexen Daten automatisiert Handlungsempfehlungen erstellen“. Melden Sie sich unter diesem Link an.

Die Fähigkeit, Daten in Form von natürlichsprachlichem und leicht verständlichem Text auszudrücken, macht NLG zur optimalen Schnittstelle zwischen Mensch und Maschine – und somit zum Schlüsselelement in jedem sogenannten Data-to- Insights-Prozess. NLG unterstützt Unternehmen dabei, optimalen Nutzen aus der gesamten Daten-Wertschöpfungskette zu ziehen. Es ist daher kaum verwunderlich, dass renommierte Marktforschungsunternehmen wie Gartner und Wirtschaftsmagazine wie Forbes innovative Sprachtechnologien und Natural Language Generation als einen der spannendsten Trends der Digitalen Transformationen einordnen.

Welche Relevanz hat Natural Language Generation im Reporting?

NLG erstellt aus Daten innerhalb von Millisekunden einen leicht verständlichen Bericht. Überall dort, wo große Datenmengen anfallen, kann Natural Language Generation dabei unterstützen, relevante Informationen leicht verständlich darzustellen und zu interpretieren. Diese Eigenschaft macht die Technologie wie geschaffen für die Verschriftlichung von Reportings in Unternehmen unterschiedlichster Branchen. Hier werden komplexe Charts und Tabellen aus Business-Intelligence-Lösungen wie beispielsweise Tableau, Power BI und Microsoft Excel per Knopfdruck in natürlichsprachliche, kommentierte bzw. ausformulierte und empfängerorientiert verfasste Berichte umgewandelt.

Die Kernaussagen dieser Datenanalysen können mithilfe von NLG somit leichter und schneller von unterschiedlichen Zielgruppen verstanden werden, da sie die im Arbeitsalltag oftmals unterschiedlich ausgeprägten Expertisen in puncto Datenanalysen berücksichtigen und den Sprachstil entsprechend anpassen. Das gelingt auch den Autoren von händisch erstellten Texten nicht immer zuverlässig.

Die Kommentierung bzw. Erstellung von Berichten beanspruchen im Controlling und im Rechnungswesen zudem immer noch viel Zeit und personelle Ressourcen. Durch NLG wird es möglich, Controlling und Rechnungswesen in Unternehmen folglich effizienter zu gestalten. Ein weiterer Vorteil: Reportings können innerhalb von Millisekunden auch auf Englisch oder zahlreichen weiteren Sprachen automatisiert erstellt werden – insbesondere für international agierende Konzerne stellt dies einen wichtigen Mehrwert in der Praxis dar.
NLG verkürzt den kompletten Data-to-Insights-Prozess und gestaltet ihn darüber hinaus transparenter und weniger fehleranfällig, denn kommentierte bzw. ausformulierte Berichte lesen sich eingängiger als reine Zahlenkolonnen. Die Anwendungsbeispiele von NLG im Bereich Reportings & Analytics sind indes ebenso facettenreich wie die Berichtstypen selbst – von automatisiert erstellten Fondsberichten über Verdachtsmeldungen in der Geldwäschebekämpfung bis hin zu ausführlichen Reportings im Versicherungswesen und in Geschäftsberichten von Banken, die anschließend in Form von Pressemitteilungen versendet werden.

Auf einen Blick: Die Mehrwerte von Natural Language Generation im Reporting

Die Mehrwerte liegen auf der Hand: Komplexe Daten können durch automatisiert erstellte Berichte schneller und besser verstanden, Entscheidungen informiert und fundiert getroffen werden. Die schriftliche Aufbereitung von Daten, für die Analysten konventionell viel Zeit verwenden, erfolgt mithilfe von NLG innerhalb von Millisekunden. Reportingprozesse lassen sich so zeit- sowie kostensparend skalierbar gestalten. Die Kompetenz, mit Daten sachgerecht umzugehen, sie richtig interpretieren und Ableitungen treffen zu können, wird im gesamten Unternehmen gestärkt. Auf diese Weise trägt der Einsatz von KI-basierter NLG maßgeblich dazu bei, die sogenannte Data Literacy als elementare Fähigkeit und Grundlage der Digitalisierung in Unternehmen auszubauen.
Komplexe Daten werden schneller und besser verstanden, Berichte automatisiert erstellt, Entscheidungen informiert und fundiert getroffen. Die schriftliche Aufbereitung von Daten, für die Analysten konventionell viel Zeit verwenden, erfolgt mithilfe von NLG automatisiert. Reportingprozesse lassen sich so zeit- sowie kostensparend skalierbar gestalten.  

Die Kompetenz, mit Daten sachgerecht umzugehen, sie richtig zu interpretieren und Ableitungen treffen zu können, wird im gesamten Unternehmen gestärkt. Auf diese Weise trägt der Einsatz von KI-basierter NLG maßgeblich dazu bei, die sogenannte Data Literacy als elementare Fähigkeit und Grundlage der Digitalisierung in Unternehmen auszubauen.

NLG verkürzt den kompletten Data-To–Insights Prozess und gestaltet ihn darüber hinaus standardisierter, transparenter und weniger fehleranfällig, denn  kommentierte bzw. ausformulierte Berichte lesen sich eingängiger als reine Zahlenkolonnen. Mitarbeiterinnen und Mitarbeiter erkennen – unabhängig vom vorhandenen Vorwissen – in Daten enthaltene Entwicklungen und Zusammenhänge schnell und unkompliziert. Die neuesten NLG-Lösungen von Retresco unterstützen Unternehmen in verschiedensten Branchen dabei, größtmöglichen Nutzen aus ihrer Daten-Wertschöpfungskette zu ziehen. Erfahren Sie unter diesem Link weitere Details zu unserer neuesten Lösung für BI-Reportings.

Anmerkung

Teile dieses Artikels wurden zuerst veröffentlicht in: Rethinking Finance, Natural Language Generation im Reporting: Praxisbeispiele von Union Investment, Sopra Steria, ISS und Targobank, Autoren: Alexander Siebert & Johannes Sommer, Dezember 2020.