KI-Datenanalyse: Wie Teams KI im gesamten Analytics-Workflow nutzen

Analytics-Teams werden gebeten, mehr geschäftliche Fragen und mehr Arten von Analysen zu unterstützen, und KI ist zunehmend Teil der Art und Weise, wie sie dies tun: In einer von Snowflake gesponserten Omdia-Umfrage aus dem Jahr 2026 unter 2.050 Führungskräften aus Wirtschaft und Technologie gaben 59 % der Data-Analytics-Teams an, generative KI oder Agenten zu verwenden.

Wie KI-Datenanalyse in der Praxis aussieht, ist unterschiedlich. Sie unterstützt Analyst:innen dabei, Abfragen zu generieren, unstrukturierte Daten zu klassifizieren und zusammenzufassen, künftige Ergebnisse zu prognostizieren sowie relevante Muster für weiterführende Analysen zu identifizieren. Natürlichsprachliche Schnittstellen ermöglichen Fachanwender:innen eine direktere Datenexploration, während KI-Agenten mehrere Analyseschritte innerhalb eines Untersuchungsvorgangs koordinieren können.

KI-Datenanalyse ist der Einsatz von maschinellem Lernen (ML), generativer KI und Agentic AI im gesamten Analytics-Lebenszyklus, einschließlich Datenaufbereitung, Mustererkennung, Vorhersage, natürlichsprachlicher Abfragen, Generierung von Erkenntnissen und Entscheidungsunterstützung.

Der Anwendungsbereich geht heute weit über die rein ML-gestützte, prädiktive Arbeit hinaus, die lange Zeit mit Advanced Analytics assoziiert wurde. Sprachmodelle und multimodale KI-Modelle eröffnen Teams neue Möglichkeiten: Sie bieten zusätzliche Möglichkeiten, strukturierte Daten abzufragen und Dokumente, Freitexte, Bilder, Audiodateien und weitere unstrukturierte Daten zu analysieren.

Für Analytics-Fachleute verändert dieser breitere Anwendungsbereich die Anforderungen an ihre Arbeit. Da KI mehr Abfragegenerierung, Prognosen, Klassifizierung und Interpretation übernimmt, verbringen Analyst:innen weniger Zeit damit, jedes analytische Artefakt von Hand zu erstellen, und mehr Zeit damit, Metrikberechnungen, Tabellenbeziehungen, Modellziele, Geschäftsregeln und Bewertungskriterien zu definieren. Analyst:innen müssen auch überprüfen, was die KI produziert, und entscheiden, ob das Ergebnis für den beabsichtigten Zweck geeignet ist. Wie John Heisler, Head of AI for Financial Services bei Snowflake, es ausdrückt: „Die Chance besteht nicht darin, das menschliche Urteilsvermögen zu ersetzen, sondern es besser einzusetzen.“

Ein Großteil dieser Arbeit findet hinter der Benutzeroberfläche statt. Ein KI-Assistent, der mit einem hochgeladenen Extrakt arbeitet, kann die ihm vorliegenden Datensätze analysieren, während Enterprise-Analytics oft von Kontext abhängt, der an anderer Stelle gepflegt wird: aktuelle Quelldaten, Zugriffsregeln, Geschäftsdefinitionen, Datenherkunft (Data Lineage) und Beziehungen zwischen Datasets. Je mehr KI in den analytischen Workflow integriert wird, desto größeren Einfluss haben diese zugrunde liegenden Entscheidungen auf die Ergebnisse, die die Nutzer:innen erhalten.

Erfahren Sie, wie KI-gestützte BI und interaktive Analytics die Art und Weise verändern, wie Teams Daten untersuchen:

Ein Großteil des praktischen Werts von KI-Analytics ergibt sich aus der Reduzierung sich wiederholender Arbeiten rund um eine Analyse, während den Mitarbeitenden mehr Möglichkeiten geboten werden, mit den zugrunde liegenden Daten zu arbeiten.

Schnellerer Zugriff auf Routineanalysen

Natürlichsprachliche Schnittstellen können den Weg von einer geschäftlichen Frage zu einer Antwort verkürzen, insbesondere bei wiederkehrenden Anfragen wie dem Vergleich von Zeiträumen, dem Filtern einer Metrik nach Region oder der Untersuchung einer Abweichung. Anstatt jede Frage über eine:n Analyst:in zu leiten, um eine Abfrage zu schreiben oder einen Bericht zu erstellen, können Nutzer:innen diese Fragen direkt untersuchen und mit Folgefragen fortfahren, wenn sich neue Erkenntnisse ergeben.

Mehr Zeit für Analyst:innen für höherwertige Arbeit

Wenn Analyst:innen davon befreit werden, so viel Zeit mit Routineanfragen zu verbringen, können sie ihre Aufmerksamkeit der Arbeit widmen, die stark von ihrem professionellen Urteilsvermögen abhängt: Definition von Metriken und Beziehungen, Untersuchung mehrdeutiger Ergebnisse, Entwicklung analytischer Modelle und Validierung, ob eine Analyse die Entscheidung stützt, die sie fundieren soll.

Mehr Arten von Daten für die Analyse verfügbar

GenAI erweitert die Arten von Informationen, die in einen analytischen Workflow einfließen können. Text, Dokumente, Bilder und andere unstrukturierte Daten können klassifiziert, zusammengefasst oder mit strukturierten Datensätzen kombiniert werden, was Teams eine Möglichkeit bietet, Informationen zu analysieren, die zuvor eine separate Verarbeitung oder eine umfangreiche manuelle Überprüfung erforderten. Wie Unternehmen unstrukturierte Daten bereits mit generativer KI auswerten, zeigen diese Kundenbeispiele mit Cortex AI.

Proaktivere Analyse

KI kann auch den Ausgangspunkt einer Untersuchung verändern. Anomalieerkennung, Prognosen und die automatisierte Generierung von Erkenntnissen können ungewöhnliche Veränderungen oder aufkommende Muster aufdecken, bevor jemand explizit danach fragt. In der Cybersicherheit kann KI beispielsweise Identitäts-, Endpunkt- und Cloud-Aktivitäten korrelieren, um eine ungewöhnliche Aktivitätssequenz zu kennzeichnen – ein Verhalten, das unauffällig erscheinen könnte, wenn jedes Ereignis separat analysiert wird. Ein Beispiel aus der Energiebranche: wie IGS Energy mit KI und ML Leistungsanomalien bei Solaranlagen präziser erkennt.

Diese Vorteile hängen davon ab, dass die Ausgabe vertrauenswürdig genug ist, um verwendet zu werden. Eine plausible Erklärung, die auf einem fehlerhaften Join aufbaut, eine Prognose, die anhand der falschen Zielvariable ausgewertet wird, oder eine automatisierte Erkenntnis, die auf veralteten Daten basiert, produziert einfach schneller Fehler. Genauigkeit, Auswertung und klare Geschäftsdefinitionen sind der Schlüssel zur Wertgleichung, wenn Teams mehr Teile des Workflows automatisieren.

KI kann an mehreren Stellen in einen Analytics-Workflow einfließen, von der Übersetzung einer geschäftlichen Frage in eine Abfrage über die Datenaufbereitung und das Aufdecken von Mustern bis hin zur Kommunikation des Ergebnisses. Welche Funktionen Teams nutzen, hängt von der Aufgabe ab und davon, wie die Ausgabe verwendet wird.

Analytics in natürlicher Sprache und Conversational Analytics

Analytics in natürlicher Sprache ermöglicht es Nutzer:innen, analytische Fragen in gewöhnlicher Geschäftssprache auszudrücken, während das System diese Fragen in Abfragen oder andere analytische Operationen übersetzt.

Bei einer einfachen Anfrage ist diese Übersetzung ziemlich eng gefasst. „Umsatz nach Monat anzeigen“ erfordert eine genehmigte Umsatzkennzahl und eine entsprechende Zeitdimension. Geschäftliche Fragen werden sehr schnell kontextbezogener. Beispielsweise lässt „Wie entwickeln sich Enterprise-Verlängerungen?“ mehrere analytische Entscheidungen offen. Das System muss wissen, welche Konten als Enterprise gelten, was als Verlängerung gilt, welche Kennzahl die Performance darstellt und welcher Zeitraum den beabsichtigten Vergleich liefert. Ein:e Analyst:in hat diese Unklarheiten in der Vergangenheit vor der Erstellung der Abfrage behoben – ein natürlichsprachliches System benötigt denselben geschäftlichen Kontext in einer Form, die es verwenden kann.

Conversational Analytics (dialogbasierte Datenanalyse) führt eine Untersuchung durch eine Reihe von Fragen. Wenn ein:e Nutzer:in fragt: „In welchen Regionen gab es die meisten Veränderungen?“ und dann „Und nur bei Kunden mit Mehrjahresverträgen?“, behält das System die relevante Metrik, Population und den vorherigen Zustand bei. Ein zentral definierter semantischer Kontext leistet hier konkrete operative Arbeit. Nutzer:innen erhalten eine flexiblere Schnittstelle, während das Analytics-Team die Kontrolle über die zugrunde liegenden Definitionen und Beziehungen behält.

KI-Datenaufbereitung

KI kann einen Teil der sich wiederholenden Arbeit reduzieren, die erforderlich ist, um Rohdaten in etwas zu verwandeln, das Analyst:innen verwenden können. Bei strukturierten Daten umfasst dies das Vorschlagen von Transformationen, das Zuordnen von Feldern über Quellen hinweg, das Identifizieren fehlender oder inkonsistenter Werte oder das Generieren von SQL oder Code zur Standardisierung von Daten vor der Analyse.

GenAI gibt Teams die Möglichkeit, Informationen aufzubereiten, die nicht in Form von Zeilen und Spalten vorliegen. Teams können Entitäten oder Attribute aus Dokumenten extrahieren, Support-Tickets oder anderen Text klassifizieren und Teile unstrukturierter Inhalte in Felder konvertieren, die zusammen mit strukturierten Daten analysiert werden können.

Der:die Analyst:in muss die Ergebnisse der KI-gestützten Arbeit dennoch überprüfen, da falsche Annahmen oder Auslassungen Fehler in die nachfolgende Analyse übertragen können.

Automatisierte Erkenntnisse

Automatisierte Erkenntnissysteme scannen Daten auf Änderungen, Muster oder Anomalien und kennzeichnen Ergebnisse, ohne dass jedes Mal jemand eine Abfrage formulieren muss. Ein:e Produktanalyst:in, der:die Hunderte von Metriken überwacht, könnte beispielsweise darauf aufmerksam gemacht werden, dass die Conversion von Test- zu Bezahlkonten bei Android-Nutzer:innen nach einer neuen App-Version stark gesunken ist, was dem Team ein spezifisches Problem zur Untersuchung gibt.

KI-generierte Erkenntnisse bieten Analyst:innen einen schnelleren Ausgangspunkt, aber Analyst:innen müssen dennoch die Ursache ermitteln. Dies ist besonders wichtig, wenn die KI auch eine Erzählung über das Gefundene generiert. Das System kann identifizieren, wo sich etwas geändert hat, und mögliche Erklärungen vorschlagen, aber Analytics- und Fachexpert:innen müssen dennoch bestimmen, welche Schlussfolgerungen die Belege tatsächlich stützen.

KI-Datenvisualisierung und KI-gestützte Dashboards

KI-Datenvisualisierungen können den Weg zu nützlichen Diagrammen und Grafiken verkürzen. Anstatt Felder, Diagrammtypen und Filter für jede Analyse manuell auszuwählen, kann ein:e Nutzer:in ein KI-System bitten, das Supportvolumen nach Produkt zu vergleichen, und das System ein entsprechendes visuelles Element generieren lassen. Der:die Nutzer:in kann das visuelle Element dann mit einer Folgefrage wie „Nur Enterprise-Kunden anzeigen“ oder „Nach Problemkategorie aufschlüsseln“ verfeinern.

Das System muss ein Diagramm oder eine Grafik auswählen, die die Daten genau darstellt, aussagekräftige Skalen und Aggregationen verwenden und vermeiden, Beziehungen zu implizieren, die die Daten nicht unterstützen, sodass eine menschliche Überprüfung wichtig ist.

KI-gestützte Dashboards kombinieren eine persistente Ansicht vereinbarter KPIs und Trends mit KI-gestützter Erkundung. Nutzer:innen können eine Frage in natürlicher Sprache zu einer Änderung stellen, eine neue Aufschlüsselung generieren oder eine Zusammenfassung bemerkenswerter Bewegungen erhalten, ohne darauf warten zu müssen, dass jemand eine weitere Dashboard-Ansicht erstellt. Das Dashboard verankert die Analyse in gemeinsamen Metriken, während KI den Nutzer:innen mehr Möglichkeiten bietet, die dahinter liegenden Ursachen zu untersuchen.

Automatisierte Berichterstattung

KI-generierte Berichterstattung kann berechnete Metriken mit narrativen Zusammenfassungen oder Erklärungen kombinieren. Ein monatlicher Bericht könnte Umsatz-, Margen- und Pipeline-Metriken aus freigegebenen Berechnungen abrufen und dann GenAI verwenden, um Kommentare zu den größten Änderungen zu entwerfen.

Da Berichte oft wiederholt für dieselbe Zielgruppe erstellt werden, kann KI auch den Aufwand für die Neuerstellung der Narrative in jedem Berichtszyklus reduzieren. Wenn sich die zugrunde liegenden Metriken aktualisieren, kann das System erkennen, was sich geändert hat, eine erste Erklärung generieren und die Ergebnisse in einem wiederkehrenden Bericht zur Überprüfung und Verteilung zusammenstellen.

Lesen Sie unseren vollständigen Leitfaden zu KI-Analytics im Handel >

KI-Analytics-Workloads interagieren nicht alle auf die gleiche Weise mit Daten. Eine natürlichsprachliche Abfrage benötigt beispielsweise genügend semantischen Kontext, um eine geschäftliche Frage korrekt zu übersetzen, während ein Prognosemodell stärker von historischen Daten, Feature-Definitionen und Bewertungskriterien abhängt. GenAI, die mit Dokumenten arbeitet, hat einzigartige Anforderungen an Retrieval und Grounding.

Natürlichsprachliche Analytics erfordert geschäftlichen Kontext

Wenn ein:e Nutzer:in eine Frage stellt wie „Welche Kundenkonten zeigen Anzeichen von Abwanderung?“, muss das System diese Anfrage in eine ausführbare Abfrage übersetzen. Das System muss wissen, wie das Unternehmen ein aktives Konto definiert, welche Verhaltensweisen als Abwanderungssignale zählen, welche Tabellen die relevanten Daten enthalten, wie diese Tabellen zusammenhängen und welche Filter oder Zeitfenster gelten.

Eine semantische Schicht kann diese Definitionen und Beziehungen explizit machen, sodass Anfragen in natürlicher Sprache auf dieselbe freigegebene Analyselogik verweisen, die auch anderswo verwendet wird. Verifizierte Abfragen oder andere genehmigte Beispiele können zusätzliche Orientierung für häufige Fragen bieten. Teams können dann testen, ob das generierte SQL das beabsichtigte Ergebnis liefert.

Predictive Analytics hängt von Daten, Zielen und Evaluierung ab

Bei Predictive Analytics lernen Modelle für maschinelles Lernen statistische Beziehungen aus historischen Beispielen und nutzen sie, um Prognosen, Klassifizierungen oder Scores zu generieren. Die Zuverlässigkeit hängt von Entscheidungen ab, z. B. welche Daten das Problem repräsentieren, wie die Zielvariable definiert ist und ob die Bewertungsmetrik die Konsequenzen einer falschen Vorhersage widerspiegelt.

Governance ist auch bei Predictive Analytics wichtig, insbesondere für Datenzugriff, Datenherkunft und Reproduzierbarkeit, aber eine semantische Metrikdefinition ist nicht unbedingt die zentrale Kontrolle für diese Art von Workload.

Generative KI braucht Belege, auf die sie Antworten stützen kann

GenAI verlässt sich oft auf den Retrieval-Prozess, um relevantes Quellmaterial in den Kontext des Modells zu bringen, bevor es eine Antwort produziert. Das System muss zunächst die richtigen Dokumente oder Passagen identifizieren und dem Modell dann genügend Belege liefern, um die Antwort zu stützen, ohne Behauptungen einzuführen, die im Quellmaterial nicht vorhanden sind.

Das bedeutet, dass die Qualität des Ergebnisses von mehr als nur dem Modell selbst abhängt. Teams müssen berücksichtigen, ob das Retrieval die relevantesten Belege zutage gefördert hat, ob wichtiger Kontext weggelassen wurde und ob die generierte Antwort die ihr gegebenen Quellen genau widerspiegelt. Teams können dann beide Teile des Workflows bewerten: ob das System die richtigen Informationen abgerufen hat und ob das Modell sie richtig verwendet hat.

Governance muss den Daten in KI-Systeme folgen

Unabhängig davon, welcher analytische Pfad verwendet wird, sollte KI keine separaten Regeln für dieselben Unternehmensdaten erstellen. Bestehende Zugriffsrichtlinien, Klassifizierungen, Datenherkunft und andere Governance-Kontrollen müssen weiterhin gelten, wenn Daten über eine dialogorientierte Benutzerschnittstelle abgefragt, zum Trainieren oder Bewerten eines Modells verwendet oder an eine KI-gestützte Applikation übergeben werden.

Die genauen Kontrollen unterscheiden sich je nach Workload, aber das Prinzip ist konsistent: KI funktioniert am besten, wenn sie auf denselben Daten mit zentraler Governance und demselben geschäftlichen Kontext aufsetzt, auf die sich das Unternehmen bereits für Analytics verlässt.

KI beteiligt sich zunehmend an Routineschritten, die Analyst:innen früher manuell erledigt haben, einschließlich des Entwerfens von Abfragen, des Vorschlagens von Transformationen, des Erkennens ungewöhnlicher Muster, des Empfehlens von Visualisierungen und des Generierens narrativer Erklärungen. Diese KI-gestützten Workflows fallen unter den Begriff Augmented Analytics – die Nutzung von KI und ML zur Unterstützung von Aufgaben im gesamten Analytics-Prozess.

Für ein Analytics-Team ist die operative Frage, wie viel menschliche Überprüfung jeder KI-gestützte Workflow benötigt. Die Datenaufbereitung erfordert Überprüfungen der Transformationslogik und der Granularität. Generierte Abfragen benötigen semantische und SQL-Validierung. Automatisierte Erkenntnisse benötigen statistischen Kontext. Generierte Erklärungen benötigen eine klare Beziehung zu den Belegen, die sie zusammenfassen.

Augmented Analytics reduziert den Umfang der routinemäßigen Produktionsarbeit, während das analytische Urteilsvermögen an den Punkten erhalten bleibt, an denen eine falsche Annahme das Ergebnis wesentlich verändern würde.

Agentic Analytics ist nützlich, wenn eine Untersuchung mehrere Schritte, Tools, Datentypen oder Folgeentscheidungen umfasst. Ein Agent kann ein Modell verwenden, um eine Anfrage zu interpretieren, aus zulässigen Tools auszuwählen, Informationen von einem Schritt zum nächsten zu übertragen und den Workflow basierend auf Zwischenergebnissen anzupassen.

Ein:e Fachanwender:in, der:die beispielsweise einen Rückgang bei Kundenverlängerungen untersucht, könnte fragen, was sich in einer bestimmten Region geändert hat. Ein Agent könnte Verlängerungs- und Nutzungsdaten abfragen, betroffene Konten mit früheren Zeiträumen vergleichen, relevante Supportfälle oder Anrufnotizen abrufen und diese Ergebnisse dann verwenden, um wahrscheinliche Treiber zu untersuchen. Die endgültige Antwort kann strukturierte Metriken und Belege aus unstrukturierten Quellen zusammenführen, ohne dass der:die Nutzer:in jeden Schritt separat formulieren und ausführen muss.

Die Fähigkeit des Agenten, einen Zustand vorzuhalten, verändert den Verlauf der Untersuchung. Wenn die erste Abfrage zeigt, dass sich Rückgänge bei Verlängerungen auf Kunden mit sinkender Produktnutzung konzentrieren, kann der Agent diese Erkenntnis in den nächsten Schritt übernehmen, anstatt jede Anfrage von Grund auf neu zu starten. Er könnte dann untersuchen, welche Funktionen diese Kunden nicht mehr nutzen oder ob sich die Supportaktivität im selben Zeitraum geändert hat.

Agenten-Workflows können sich auch je nach den Ergebnissen der Analyse verzweigen. Eine feste Pipeline folgt jedes Mal derselben Sequenz; ein Agent könnte ein Dataset abfragen, wenn er ein Adoptionsproblem findet, Kontonotizen abrufen, wenn er ein Beziehungsproblem findet, oder anhalten, wenn die verfügbaren Belege keine weitere Untersuchung stützen. Das macht Agenten besonders nützlich für explorative Arbeiten, bei denen der nächste analytische Schritt von der Antwort auf den vorherigen abhängt.

Snowflake bringt KI-Datenanalyse näher an die Unternehmensdaten mit zentraler Governance und den geschäftlichen Kontext, von denen diese Workflows abhängen. Semantic Views definieren Metriken, Dimensionen und Beziehungen direkt in Snowflake, während Snowflake Horizon Catalog Governance-Funktionen wie Zugriffsrichtlinien, Klassifizierung und Datenherkunft bereitstellt. Cortex Agents können diese semantischen Definitionen dann verwenden, um natürlichsprachliche Fragen in SQL für strukturierte Daten zu übersetzen und diese Analyse mit dem Abruf aus unstrukturierten Quellen oder anderen Tools zu kombinieren.

Cortex AI Functions bringen GenAI-Verarbeitung in SQL, und Snowflake ML unterstützt prädiktive Modellierung. Snowflake CoWork bietet eine Schnittstelle für mehrstufige Analysen mit Cortex Agents und verbundenen Tools. Die gemeinsame Grundlage bedeutet, dass Teams KI auf Daten anwenden können, ohne Geschäftsdefinitionen und Governance für jede Analyseanwendung separat neu erstellen zu müssen.

KI gibt Analytics-Teams mehr Möglichkeiten, Erkenntnisse schneller zugänglich zu machen. Ein:e Fachanwender:in kann eine Frage stellen, ohne SQL zu schreiben, ein:e Analyst:in kann mit KI-aufbereiteten Daten oder automatisch aufgedeckten Anomalien beginnen, und ein Agent kann eine Untersuchung über mehrere Tools und Datenquellen hinweg fortsetzen.

Die praktische Frage ist, wie viel von jedem Workflow delegiert werden soll. Einige Schritte können mit relativ wenig Eingriffen ausgeführt werden, während andere definierte Metriken, eingeschränkte Tool-Auswahlen oder menschliche Überprüfung benötigen, bevor das Ergebnis eine Entscheidung beeinflussen sollte. Da KI mehr analytische Arbeit übernimmt, wird die Gestaltung dieser Grenzen Teil der Gestaltung der Analyse selbst.