Datenanalyse: Daten in fundierte Entscheidungen verwandeln

Die Datenanalyse beginnt oft mit einer einfachen Frage, die spezifischer wird, sobald die Beweise sichtbar werden. Warum sind die Umsätze in einer Region gesunken? Konzentrierte sich der Rückgang auf ein bestimmtes Produkt, Kundensegment oder einen bestimmten Zeitraum? Gab es zur gleichen Zeit eine andere Veränderung?

Die Beantwortung dieser Fragen erfordert die Definition dessen, was untersucht werden soll, das Sammeln und Aufbereiten der relevanten Daten, die Auswahl einer geeigneten Methode und die Interpretation dessen, was das Ergebnis tatsächlich bedeutet. Der Prozess ist selten linear – eine frühe Erkenntnis weist oft auf eine andere Variable hin, deckt eine Annahme auf oder legt eine bessere Frage nahe. Josh Klahr, Head of Product Management for Analytics bei Snowflake, beschreibt das Ziel so: „Wahre Wirkung entsteht, wenn man die Distanz zwischen Exploration und Aktion verringert.”

In einem größeren Unternehmen hängt die zuverlässige Generierung dieser Erkenntnisse von den zugrunde liegenden Daten ab. Analyst:innen müssen wissen, ob die Quelle aktuell ist, ob Datensätze systemübergreifend übereinstimmen und ob Begriffe wie Umsatz, aktive Kund:innen oder Abwanderung über Systeme und Tools hinweg konsistent definiert sind.

Datenanalyse ist der Prozess des Sammelns, Bereinigens, Transformierens und Interpretierens von Daten, um eine Frage zu beantworten und eine Entscheidung zu unterstützen. Eine Analyse könnte erklären, warum die Kundenbindung gesunken ist, identifizieren, welche Produkte am meisten zum Margenwachstum beitragen, oder feststellen, ob eine Änderung an einem Onboarding-Ablauf die Konversion beeinflusst hat.

Dieser letzte Schritt – die Unterstützung einer Entscheidung – hilft, Analyse von Reporting zu unterscheiden. Reporting beschreibt in der Regel nur, was passiert ist. Die Analyse geht tiefer auf die Beziehungen, Ursachen oder Implikationen hinter dem Ergebnis ein.

Ein Quartalsbericht könnte beispielsweise zeigen, dass das Support-Volumen um 18 % gestiegen ist. Eine Analyse würde untersuchen, wo der Anstieg aufgetreten ist, welche Problemkategorien dazu beigetragen haben und ob die Änderung Saisonalität, ein Produkt-Release oder etwas anderes widerspiegelt. Das Ergebnis liefert einem Team genügend Kontext, um zu entscheiden, was als Nächstes passieren soll, falls überhaupt.

Der Prozess ist auch iterativ. Die frühe Arbeit mit einem Datensatz deckt oft eine fehlende Variable, ein unerwartetes Segment oder ein Problem mit der ursprünglichen Frage auf. Analyst:innen kehren dann zu den Quelldaten zurück, überarbeiten die Frage und untersuchen erneut.

Während dieses gesamten Prozesses erbt die Analyse den Zustand der zugrunde liegenden Daten. Wenn die Eingaben das Geschäft falsch darstellen, wird das Ergebnis dies auch tun.

Entdecken Sie die neuesten KI-gestützten BI- und interaktiven Analytics-Funktionen mit einer Demo, die Ihnen zeigt, wie Sie schnell zu tiefen Einblicken gelangen:

Datenanalyse beginnt mit einer definierten Frage und folgt den Beweisen zu einer Schlussfolgerung, die eine Entscheidung fundieren kann.

Data Science erstreckt sich oft auf Experimente und Machine Learning. Ein:e Data Scientist:in, der:die mit Daten zur Kundenbindung arbeitet, könnte beispielsweise ein Modell entwickeln, das schätzt, welche Kund:innen wahrscheinlich abwandern, und testen, welche Variablen die Leistung verbessern.

Die genaue Arbeitsteilung variiert zwischen Unternehmen, insbesondere in kleineren Teams.

Die meiste Datenanalyse folgt sechs groben Schritten:

1. Die Frage definieren
2. Die relevanten Daten sammeln
3. Bereinigen und Aufbereiten der Daten
4. Analysieren der Daten
5. Die Ergebnisse interpretieren
6. Die Erkenntnisse kommunizieren

In der Praxis bewegen sich Analyst:innen zwischen diesen Schritten hin und her. Eine Erkenntnis in Schritt fünf könnte beispielsweise fehlende Daten aus Schritt zwei aufdecken, während die Aufbereitung zeigen könnte, dass die ursprüngliche Frage eingegrenzt werden muss.

1. Die Frage definieren

Eine gut formulierte Frage gibt der Analyse einen klaren Umfang und Zweck. Zum Beispiel identifiziert „Warum sind die Verlängerungsraten bei mittelständischen Kund:innen im letzten Quartal gesunken?” eine Population, ein Ergebnis und einen zu untersuchenden Zeitraum.

Die Frage sollte auch sauber mit einer Entscheidung verknüpft sein. Wenn ein Team beispielsweise entscheidet, ob ein Onboarding-Ablauf neu gestaltet werden soll, muss es wissen, welches Ergebnis die Neugestaltung beeinflussen soll und welche Beweise die Änderung unterstützen würden.

Ohne diese Verbindung könnte eine Analyse auf unbestimmte Zeit interessante Muster generieren, ohne zu definieren, welches Ergebnis Maßnahmen oder weitere Untersuchungen rechtfertigen würde.

2. Erfassen der Daten

Sobald die Frage gut definiert ist, identifizieren Analyst:innen die Daten, die zur Beantwortung benötigt werden. Eine Bindungsanalyse könnte beispielsweise Abonnementdatensätze, Produktnutzungsereignisse und Kundenattribute aus einem CRM-System kombinieren.

Analyst:innen müssen auch wissen, woher die Daten stammen, welchen Zeitraum sie abdecken, wie häufig sie aktualisiert werden und welche Transformationen bereits angewendet wurden. Diese Details sind besonders relevant, wenn mehrere Systeme ähnliche Informationen enthalten, da verschiedene Systeme jeweils ein Feld mit derselben Bezeichnung enthalten könnten, aber unterschiedliche Regeln verwenden, um es zu füllen.

3. Bereinigen und Aufbereiten der Daten

Die Aufbereitung macht oft einen großen Teil der Arbeit aus. Analyst:innen beheben fehlende Werte, standardisieren Formate, untersuchen doppelte Datensätze, verknüpfen Datensätze und aggregieren Beobachtungen auf die entsprechende Ebene. Für diese Aufgaben ist ein überraschendes Maß an analytischem Urteilsvermögen erforderlich.

Angenommen, eine Kundentabelle enthält drei Datensätze für dasselbe Unternehmen. Welcher repräsentiert den:die Kund:in? Der neueste Datensatz könnte korrekt sein, oder die Datensätze müssen möglicherweise zusammengeführt werden. Die Behandlung aller drei als separate Kund:innen ändert Zählungen, Durchschnitte und alle nachgelagerten Metriken, die auf dem Kundenvolumen basieren.

Nullwerte verursachen ein ähnliches Problem. Ein leerer Wert könnte null, unbekannt, nicht zutreffend oder einfach fehlend bedeuten. Ein falsches Ausfüllen ändert die Analyse.

Bei der Aufbereitung werden Annahmen darüber, was die Datensätze darstellen, in den Datensatz übersetzt, den Analyst:innen verwenden, sodass Datenbereinigung und Data Wrangling die Genauigkeit der Ergebnisse direkt prägen.

4. Analysieren der Daten

Mit den aufbereiteten Daten wählen Analyst:innen Analysemethoden, die zur Frage passen, einschließlich Aggregation, explorativer Datenanalyse, Regression, Kohortenanalyse, kontrollierter Experimente und anderer statistischer Techniken.

Die Exploration beginnt oft einfach, indem Analyst:innen Verteilungen, Mediane, Perzentile und Visualisierungen betrachten, die Muster aufdecken, die in der aggregierten Ansicht nicht offensichtlich waren.

Wenn der durchschnittliche Bestellwert beispielsweise um 6 % steigt, könnte eine Ansicht auf Segmentebene zeigen, dass die meisten Kund:innen den gleichen Betrag ausgeben, während eine kleine Gruppe großer Konten den gesamten Anstieg antreibt.

5. Die Ergebnisse interpretieren

Bei der Interpretation geht es darum, was das beobachtete Ergebnis tatsächlich aussagt. Analyst:innen müssen bedenken, dass eine Beziehung zwischen zwei Variablen nicht bedeutet, dass die eine die andere verursacht hat, und dass ein scheinbarer Trend manchmal verschwindet, wenn die Daten nach Kundensegment, Region oder Zeitraum getrennt werden.

Auch alternative Erklärungen müssen berücksichtigt werden. Wenn die Abwanderung nach einer Preisänderung steigt, könnte ein:e Analyst:in prüfen, ob im selben Zeitraum ein Produktausfall aufgetreten ist, ob sich der Anstieg auf Kund:innen konzentriert, die von dem neuen Preis betroffen sind, oder ob sich die Definition von Abwanderung vorgelagert geändert hat. Diese Untersuchung führt den:die Analyst:in oft mit einer engeren Fragestellung zu früheren Schritten zurück.

6. Die Erkenntnisse kommunizieren

Das Endergebnis einer Analyse muss der Zielgruppe genügend Informationen liefern, um danach handeln zu können. Für eine Führungskraft könnte das eine Empfehlung bedeuten, die durch einige sorgfältig ausgewählte Kennzahlen gestützt wird. Ein:e Fachbereichsleiter:in benötigt möglicherweise mehr Details darüber, welche Kund:innen, Produkte oder Prozesse das Ergebnis vorantreiben und welche operative Reaktion es nahelegt. Ein:e Analystenkolleg:in benötigt möglicherweise die Methodik, die Annahmen und die Quelldaten, die erforderlich sind, um das Ergebnis zu reproduzieren.

Unsicherheiten sollten nicht heruntergespielt werden. Wenn die Beweise in eine Richtung deuten, aber eine wichtige Störvariable ungelöst lassen, sollte die Zielgruppe dies wissen, bevor sie eine Entscheidung trifft.

Vier Analysekategorien decken die meisten Fragen ab, die Unternehmen an ihre Daten stellen.

• Die deskriptive Analyse untersucht, was passiert ist. Umsatz nach Quartal, durchschnittliche Lieferzeit und Website-Traffic nach Kanal sind bekannte Beispiele.
• Die diagnostische Analyse untersucht, warum ein Ergebnis aufgetreten ist. Wenn der Umsatz gesunken ist, könnte die diagnostische Arbeit Regionen, Produkte, Kundensegmente oder Vertriebskanäle vergleichen, um festzustellen, woher die Veränderung stammt.
• Die prädiktive Analyse schätzt ab, was als Nächstes wahrscheinlich passieren wird, oft unter Verwendung historischer Muster und statistischer oder maschineller Lernmodelle. Nachfrageprognosen und Abwanderungsvorhersagen fallen in diese Kategorie.
• Die präskriptive Analyse bewertet mögliche Maßnahmen basierend auf erwarteten Ergebnissen und Einschränkungen. Ein Logistiksystem könnte beispielsweise Nachfrageprognosen, Lagerbestände und Transportkosten nutzen, um zu empfehlen, wie der Bestand zugewiesen werden sollte.

Diese Arten der Analyse sind in der Regel nicht sequenziell. Unternehmen verwenden oft eine Mischung, abhängig von der anstehenden Entscheidung oder dem Problem. Beispielsweise könnte ein Einzelhändler die gestrigen Verkäufe deskriptiv überwachen, einen unerwarteten Rückgang in einer Region diagnostisch untersuchen und die Nachfrage des nächsten Monats prädiktiv prognostizieren.

Die Qualität der Daten, die jeder Analyse zugrunde liegen, überträgt sich. Wenn Kundenklassifizierungen im deskriptiven Reporting falsch sind, erbt ein prädiktives Modell, das auf diesen Klassifizierungen trainiert wurde, dasselbe Problem. Wenn die Ausgabe beginnt, zukünftige Aktionen zu beeinflussen, können sich die Konsequenzen auf mehrere Entscheidungen erstrecken.

Die Wahl der Methode beginnt in der Regel mit der Frage und wird dann basierend auf den verfügbaren Daten, den Annahmen, die jede Technik erfordert, und der Art und Weise, wie das Ergebnis verwendet wird, eingegrenzt. Zu den gängigsten Datenanalysemethoden gehören A/B-Tests, Regression, Clusteranalyse, Kohortenanalyse, Zeitreihenanalyse und Sentiment-Analyse.

Vergleich

A/B-Tests vergleichen Ergebnisse zwischen Gruppen unter kontrollierten Bedingungen. Produkt- und Marketingteams nutzen sie oft, um Änderungen an Schnittstellen, Preisen, Nachrichten oder Kundenerlebnissen zu testen. Stichprobengröße, zufällige Zuweisung und Korrekturen für Mehrfachvergleiche beeinflussen, wie viel Vertrauen Analyst:innen in den beobachteten Unterschied setzen können.

Beziehung

Die Regression untersucht, wie Variablen zusammenhängen. Die lineare Regression bietet einen relativ einfachen Ausgangspunkt, während andere Regressionsansätze verschiedene Arten von Ergebnissen und Beziehungen berücksichtigen. Ein:e Analyst:in könnte die Regression verwenden, um die Beziehung zwischen Preisgestaltung und Nachfrage oder zwischen Produktnutzung und Kundenbindung zu untersuchen.

Gruppierung

Die Clusteranalyse identifiziert Beobachtungen, die ähnliche Merkmale aufweisen. Die Kohortenanalyse verfolgt Gruppen, die einen gemeinsamen Ausgangspunkt oder ein gemeinsames Attribut haben, wie z. B. Kund:innen, die im selben Monat gewonnen wurden. Die Betrachtung der Kundenbindung nach Akquisitionskohorte kann beispielsweise Änderungen aufdecken, die ein allgemeiner Durchschnitt der Kundenbindung verbirgt.

Veränderung im Laufe der Zeit

Die Zeitreihenanalyse untersucht Beobachtungen, die über eine Abfolge von Zeiträumen aufgezeichnet wurden. Sie wird häufig für Prognosen, Trenderkennung und Kapazitätsplanung verwendet, wobei Faktoren wie Saisonalität beeinflussen, wie Analyst:innen das Muster interpretieren.

Bedeutung im Text

Die Sentiment-Analyse und verwandte Textanalysemethoden extrahieren Muster aus unstrukturierter Sprache, einschließlich Kundenbewertungen, Support-Gesprächen und Umfrageantworten.

Eine Analyse kann methodisch fundiert sein und dennoch zu falschen Schlussfolgerungen führen, wenn die zugrunde liegenden Daten unvollständig, veraltet oder falsch interpretiert sind. Bevor sie einem Ergebnis vertrauen, müssen Analyst:innen wissen, dass die Datensätze die richtigen Entitäten und Ereignisse darstellen, den relevanten Zeitraum widerspiegeln und bis zu ihrer Quelle zurückverfolgt werden können.

Prüfen Sie, ob die Daten widerspiegeln, was tatsächlich passiert ist

Genauigkeit beginnt damit, ob die Datensätze die zugrunde liegenden Entitäten oder Ereignisse korrekt darstellen. Eine falsch zugeordnete Kunden-ID kann beispielsweise Aktivitäten dem falschen Konto zuweisen, und eine vorgelagerte Schemaänderung kann die Bedeutung eines Feldes verändern.

Vollständigkeit und Konsistenz wirken sich ebenfalls auf die Genauigkeit aus. Fehlende Datensätze können einen Vergleich verzerren, während widersprüchliche Werte in Quellsystemen den:die Analyst:in raten lassen, welche Version verwendet werden soll.

Passen Sie die Datenaktualität an die Frage an

Aktualität beschreibt, ob die Daten aktuell genug für die Entscheidung sind, die sie unterstützen sollen, und der entsprechende Schwellenwert variiert je nach Anwendungsfall stark. Die Betrugserkennung kann von Ereignissen abhängen, die innerhalb der letzten Sekunden aufgetreten sind, während ein wöchentlicher Personalbericht nur Aktualisierungen innerhalb des Zeitrahmens der Woche erfordert. Die Definition des erwarteten Aktualisierungsintervalls gibt Analyst:innen eine konkrete Möglichkeit zu beurteilen, ob ein Datensatz veraltet ist.

Nutzen Sie Lineage, um zu verstehen, woher ein Ergebnis stammt

Lineage zeigt, wie sich Daten von ihrer Quelle durch Transformationen in nachgelagerte Modelle, Dashboards und Berichte bewegen. Diese Rückverfolgbarkeit macht den Abgleich systematischer. Wenn zwei Analysen nicht übereinstimmen, können Analyst:innen die Pfade rückwärts verfolgen, um zu sehen, ob sie von verschiedenen Quellen ausgingen, unterschiedliche Transformationen anwandten oder bei einem bestimmten Feld abwichen.

Prüfen Sie die nachgelagerten Auswirkungen vor Datenänderungen

Lineage unterstützt auch die Auswirkungsanalyse in die andere Richtung. Vor der Änderung einer vorgelagerten Tabelle oder Spalte kann ein Datenteam die Modelle, Dashboards und Berichte identifizieren, die davon abhängen.

Lineage auf Tabellenebene bietet einen breiten Überblick über die betroffenen Objekte, während Lineage auf Spaltenebene zeigt, wohin ein bestimmtes Feld fließt. Diese Unterscheidung ist wichtig, wenn eine Schemaänderung eine Tabelle verfügbar lässt, aber die Bedeutung oder das Format einer nachgelagert verwendeten Spalte ändert.

Bevor ein:e Analyst:in eine Analyse mit Stakeholdern teilt, sollte er:sie drei grundlegende Fragen beantworten können: Woher stammen die Daten? Wie aktuell sind sie? Wer ist sonst noch davon abhängig?

Stellen Sie sich eine vierteljährliche Überprüfung vor, bei der der Vertrieb einen Umsatz von 14,2 Millionen USD meldet, während die Finanzabteilung 13,7 Millionen USD meldet.

Keines der Teams hat notwendigerweise einen Rechenfehler gemacht. Eine Berechnung könnte Rückerstattungen ausschließen, während die andere sie einschließt. Die eine könnte das Bestelldatum verwenden, während die andere das Datum der Umsatzrealisierung verwendet. Beide Abfragen werden korrekt ausgeführt, dennoch hat das Unternehmen nun zwei Werte, die mit demselben Geschäftsbegriff verknüpft sind.

Eine semantische Schicht gibt diesen Begriffen eine gemeinsame Definition. Sie speichert die Geschäftslogik für Metriken, Dimensionen und Beziehungen – z. B. was Umsatz bedeutet, welche Kund:innen als aktiv gelten, wie die Abwanderung berechnet wird und wie Geschäftsentitäten zueinander in Beziehung stehen –, sodass Analyst:innen und nachgelagerte Tools dieselben Regeln verwenden.

Headless BI erweitert die Schicht über eine einzelne Reporting-Schnittstelle hinaus. Notebooks, Dashboards, Anwendungen und KI-Schnittstellen können alle mit derselben Geschäftslogik arbeiten, wenn verwaltete Metriken und Dimensionen unabhängig vom Frontend verfügbar sind.

KI-generiertes SQL ist auf Kontext angewiesen, um eine Geschäftsfrage in die richtige Abfragelogik zu übersetzen. Das Modell muss wissen, welche Tabellen und Felder den Konzepten in der Frage entsprechen, wie diese Tabellen zusammenhängen, welche Granularität die Abfrage verwenden soll und welche Metrikdefinitionen oder Filter gelten. Ein physisches Schema liefert einige dieser Informationen, erfasst aber selten die geschäftliche Bedeutung. Der semantische Kontext liefert diese Definitionen und Beziehungen explizit und gibt dem Modell eine eingeschränktere Auswahl an Möglichkeiten, wenn es die Abfrage generiert.

Dieser Kontext kann einen messbaren Unterschied machen, wenn KI über Datenquellen hinweg schlussfolgern muss. In einem internen Experiment von Snowflake mit Fragen, die mehrere semantische Ansichten erforderten, verbesserte das Hinzufügen expliziter Informationen über Join-Schlüssel, Tabellengranularität und Kardinalität die Genauigkeit der endgültigen Antwort um 20 %, während gleichzeitig die Anzahl der Tool-Aufrufe und die Gesamtlatenz reduziert wurden.¹

Analytics Engineers beteiligen sich zunehmend an der Pflege semantischer Modelle, in der Regel zusammen mit Fachexpert:innen, die für die Geschäftsdefinition verantwortlich sind. Zum Beispiel legt die Finanzabteilung fest, was Umsatz bedeutet, während das Datenteam diese Definition in wiederverwendbare Logik übersetzt und nachgelagerte Analysen darauf abstimmt.

Generative KI reduziert einen Teil der manuellen Arbeit zwischen dem Stellen einer Frage und der Abfrage der Daten. Natürlichsprachliche Schnittstellen, generiertes SQL und automatisierte Zusammenfassungen bieten nicht-technischen Nutzer:innen eine direkte Möglichkeit, Daten zu erkunden, während sich die Aufmerksamkeit der Analyst:innen mehr auf die Formulierung von Fragen, die Pflege des Geschäftskontexts und die Validierung von Ergebnissen verlagert.

Natürlichsprachliche Abfragen erweitern den Zugang zu Analysen

Fachabteilungen können zunehmend Fragen in einfacher Sprache stellen, anstatt jede Anfrage in SQL zu übersetzen oder auf ein neues Dashboard zu warten. Natürlichsprachliche Schnittstellen machen explorative Analysen zugänglicher, obwohl das System die Sprache der Nutzer:innen immer noch den richtigen Tabellen, Beziehungen, Filtern und Metriken zuordnen muss.

KI beschleunigt die Abfragegenerierung und Folgeanalysen

Für Analyst:innen kann generiertes SQL die Zeit reduzieren, die für das Schreiben und Überarbeiten von Routineabfragen aufgewendet wird. KI-Systeme können auch Ergebnisse zusammenfassen, Muster aufdecken und Folgefragen im Verlauf einer Untersuchung unterstützen.

Menschliches Urteilsvermögen bleibt unerlässlich, da der:die Analyst:in bestimmen muss, ob die Abfrage tatsächlich die geschäftliche Frage abbildet. Eine technisch gültige Abfrage kann die falsche Granularität verwenden, Tabellen falsch verknüpfen oder eine Metrikdefinition anwenden, die nicht dem Standard des Unternehmens entspricht.

Analyst:innen verbringen mehr Zeit mit der Validierung und Strukturierung der Arbeit

Da KI mehr von der mechanischen Abfragearbeit übernimmt, können Analyst:innen der Definition der Frage, der Pflege der Geschäftslogik und der Überprüfung maschinell erstellter Ausgaben mehr Aufmerksamkeit widmen.

Der Überprüfungsprozess umfasst vertraute analytische Prüfungen: Behält die Abfrage die richtige Granularität bei? Entsprechen die Filter der beabsichtigten Grundgesamtheit? Stimmt das Ergebnis mit einer maßgeblichen Quelle überein? Gibt es alternative Erklärungen für das Muster?

Im Unternehmensmaßstab arbeiten Analyst:innen oft mit Daten, die mehrere Quellen, Transformationen und Geschäftsprozesse durchlaufen haben. Snowflake bietet eine gemeinsame Umgebung für die Analyse dieser Daten, während Governance, Geschäftskontext und KI-gestützte Workflows mit den zugrunde liegenden Daten verbunden bleiben.

Snowflake Horizon Catalog bietet Governance für die zur Analyse verwendeten Daten, einschließlich Datenqualitätsmonitoring und Lineage. Mit Lineage auf Tabellen- und Spaltenebene können Teams analytische Ergebnisse über ihre Quellen und Transformationen zurückverfolgen oder identifizieren, welche nachgelagerten Assets von einem vorgelagerten Feld abhängen.

Für einen gemeinsamen Geschäftskontext bringt Snowflake Horizon Context Metriken, Definitionen, Beziehungen und andere Metadaten in eine verwaltete Kontextschicht für KI, Business Intelligence (BI) und Anwendungen. Semantische Ansichten speichern Geschäftskonzepte wie Metriken, Dimensionen und Entitätsbeziehungen direkt in Snowflake, während Horizon Context auch Kontext aus BI-Systemen und anderen Quellen integrieren kann. Das Ziel ist es, die Anzahl der Orte zu reduzieren, an denen Teams unabhängig voneinander die Logik hinter derselben Metrik neu erstellen.

KI-gestützte Analysen bauen auf diesem Kontext auf. Cortex Agents können natürlichsprachliche Fragen zu strukturierten Daten mithilfe semantischer Ansichten beantworten, während sie auch über unstrukturierte Quellen hinweg arbeiten und mehrstufige analytische Aufgaben unterstützen.

Für Fachanwender:innen bietet Snowflake CoWork eine konversationelle Schnittstelle zur Erkundung von Unternehmensdaten, zum Stellen von Folgefragen und zur Arbeit mit den resultierenden Diagrammen, Tabellen und Berichten. CoWork, ehemals Snowflake Intelligence, kann auch tiefere Recherchen über Unternehmensinformationen hinweg durchführen und analytische Ausgaben als wiederverwendbare Artefakte bewahren.

Analyst:innen, die direkt in SQL arbeiten, können auch Cortex AI Functions verwenden, um Text, Bilder, Audio und andere unstrukturierte oder multimodale Inhalte neben strukturierten Daten zu analysieren. Das erweitert vertraute analytische Workflows auf Informationen, die zuvor eine separate Datenverarbeitungs-Pipeline erforderten.

Zusammen verbinden diese Funktionen verwaltete Daten, nachvollziehbare Lineage, gemeinsame Geschäftsdefinitionen und KI-gestützte Analysen, die auf demselben zugrunde liegenden Kontext basieren.

Datenanalyse hilft Unternehmen, von einer Frage zu nutzbaren Beweisen zu gelangen. Zuverlässige Ergebnisse erfordern gut formulierte Fragen, geeignete Techniken, aktuelle und nachvollziehbare Daten sowie Geschäftsdefinitionen, die über Teams und Tools hinweg konsistent bleiben. Da KI mehr Abfragegenerierung und explorative Arbeit übernimmt, bieten diese Grundlagen Teams eine klarere Basis für die Entscheidung, welche Antworten ihr Vertrauen verdienen.

_{1. Basierend auf einem internen Snowflake-Experiment, das die Genauigkeit der endgültigen Antworten über ein Abfrageset mit mehreren semantischen Ansichten hinweg misst. Die Verbesserung spiegelt einen Vergleich mit einer Best-Practices-Baseline wider. Die vollständige Methodik finden Sie hier. Individuelle Ergebnisse können variieren.}