Samstag , Mai 23 2020

Wie Wissensgraphen die Vorteile von Analytics steigern l Sisense

Blog

Jedes Unternehmen wird zu einem Datenunternehmen. In Data-Powered Businesses beschäftigen wir uns mit der Art und Weise, wie Unternehmen aller Art sich digital transformieren, um intelligentere datengesteuerte Entscheidungen zu treffen, ihre Daten zu monetarisieren und Unternehmen zu schaffen, die in unserer gegenwärtigen Ära von Big Data erfolgreich sein werden

Bei Sisense helfen wir Unternehmen, in einer datengetriebenen Welt erfolgreich zu sein, indem wir ihre Daten so vielen Menschen wie möglich leicht zugänglich machen. Wir ermöglichen Unternehmen aller Art, das Beste aus ihrer digitalen Transformation herauszuholen und den größtmöglichen Nutzen aus den von ihnen generierten und gesammelten Daten zu ziehen.

Das ist nicht immer einfach. Die NLQ-Oberfläche (Natural Language Query) von Sisense in Kombination mit Inhaltsempfehlungen aus Wissensdiagrammen kann Benutzern aller technischen Kompetenzstufen jedoch dabei helfen, mehr aus ihren Daten herauszuholen.

Wir haben Dr. Yael Lev um mehr über Wissensgraphen und ihre Rolle bei der Demokratisierung von Daten zu erfahren. Yael ist Mitglied des AI Research-Teams bei Sisense und sie ist die technische Leiterin für Sisenses Wissensgraph-Projekt.

 BI- und Analytics-Teams CTA

 Yael Lev-Einschub

Adam Murray: Sagen Sie uns, was Sie tun do.

Yael Lev: Ich arbeite eng mit meinen Kollegen zusammen, um die Daten- und Analysefunktionen der Sisense-Plattform ständig zu verbessern. Wir möchten es Benutzern ermöglichen, KI-Anwendungen für erweiterte Analysen, automatische Datenaufbereitung und Erkundung von Konversationsdaten zu erstellen und zu nutzen.

Insbesondere arbeite ich an Wissensgraphen. Sie empfehlen und erweitern Abfragen und verbessern so die Benutzererfahrung von Sisense NLQ, sodass Benutzer Fragen zu ihren Daten in einer einfachen Sprache stellen und selbst mit ihnen interagieren können. Die Empfehlungs-Engine von Sisense liefert genaue Antworten auf Anfragen und schlägt neue Ideen vor, die die Datenanalyse verbessern.

AM: Welche Empfehlungen können Benutzer erhalten?

YL: Im Allgemeinen gibt es dort Es gibt zwei Arten von Empfehlungen: Empfehlungen für neue Fragen, die andere ist die automatische Vervollständigung von Optionen für Abfragen. Fragenempfehlungen verweisen Benutzer auf häufig gestellte Fragen, die sich aus dem Wissensdiagramm ergeben. Optionen für die automatische Vervollständigung werden ausgeführt, während Benutzer in die NLQ-Suchleiste eingeben. Wenn Sie beispielsweise "Gesamtumsatz" schreiben, werden Empfehlungen ausgelöst, um Ihre Suche weiter zu verfeinern oder zu filtern, z. B. nach Land oder Datum. Je mehr Sie eingeben, desto mehr Empfehlungen können wir geben, um eine spezifischere Frage zu erstellen.

AM: Wie werden Daten gesammelt, um diese Empfehlungen abzugeben?

YL: Wir interessieren sich für Metadaten. Wir möchten wissen, welche Spalten und Tabellen Kunden abfragen und wie diese Abfrage aufgebaut ist. Hinter den Kulissen generiert ein Widget eine Abfrage in ElastiCube, unserer Hochleistungs-Analysedatenbank, und diese fließt in eine Pipeline, die in der Grafik akkumuliert ist.

Abfragen können in verschiedene Elemente unterteilt werden: Der Gesamtumsatz beträgt beispielsweise ein Abfrageelement, ein Land ein zweites, ein Geschlecht ein drittes und so weiter. Jedes Abfrageelement kann in Spalten unterteilt werden. Jede Spalte ist Teil einer Datenquelle und einer Sisense-Umgebung. Daher zerlegen wir alle diese Bausteine ​​einer einzelnen Abfrage, und Sie erhalten verschiedene Arten von Diagrammknoten und -beziehungen. Ein Diagramm ist im Wesentlichen eine Karte der Abfrage, die ihre Bestandteile zeigt.

AM: Was ermöglicht es ihnen, diese Verbindungen herzustellen?

YL: Nun, wir klassifizieren Informationen in Knotentypen. Einige Beispiele für Knotentypen sind Benutzer-ID, Benutzergruppe, Abfrage und Widget. Indem wir diese Knoten identifizieren und mit einer Beziehung im Diagramm verbinden, können wir verstehen, wie Benutzer mit unserer Plattform interagieren. Auf dieser Grundlage geben wir jedem Benutzer persönlichere und individuellere Empfehlungen.

AM: Können Sie etwas näher erläutern, wie Wissensgraphen mit Abfragen umgehen und Empfehlungen aussprechen?

YL: Nehmen wir an, Sie suchen nach "Gesamtumsatz nach Geschlecht". Das sind zwei Abfrageelemente: Gesamtumsatz und Gruppierung nach Geschlecht. Diese einfache Empfehlung ist eine vollständig enthaltene Empfehlung mit strengen Parametern. Suchen Sie alle Abfragen, die diese beiden Elemente enthalten, und sehen Sie, was sonst noch gefragt wurde. Wir werden sie dann zurückgeben. In der Wissensgrafik haben wir Nutzungsgewichte, je nachdem, wie oft Sie eine Frage stellen, damit wir Empfehlungen basierend auf der Beliebtheit abgeben können.

Teilweise enthaltene Empfehlungen sind ähnlich, müssen aber keine sein vollständige Übereinstimmung, also erstellen wir tatsächlich neue Abfragen. Durch die Zuordnung von Beziehungen über Dashboards hinweg erweitern wir die Fragen, die gestellt werden können, und bieten Empfehlungen an, die Sie möglicherweise nicht berücksichtigt haben.

AM: Wenn die Plattform also stärker genutzt wird, lernt sie. Ist das richtig?

YL: Ja. Das Wissensdiagramm lernt aktiv, registriert, wann der Benutzer eine Empfehlung akzeptiert, und liefert letztendlich personalisiertere Vorschläge. Empfehlungen aus dem Wissensdiagramm werden bewertet, um zu erfahren, welche am relevantesten sind. Wenn ein Benutzer Empfehlungen weiter unten in der Liste mag, sollten diese Empfehlungen für nachfolgende Abfragen nach oben verschoben werden. Daher passen wir unsere Punktzahl an, um zu wissen, wie sich die Empfehlungen für diesen Benutzer in Zukunft verbessern können. Diese Technik wird als "Belohnungsfunktion" bezeichnet.

Eine weitere großartige Sache bei Wissensgraphen ist, dass sie als eine Art organisatorisches Gedächtnis dienen. In jeder Organisation ändern Menschen ihre Rollen oder gehen weiter. Neue Leute interagieren mit den Daten. Sie erhalten Empfehlungen basierend auf den Fragen der Vorgänger und anderer Mitglieder ihrer Benutzergruppe, sodass das Wissen über frühere Datensuchen nicht verloren geht und Empfehlungen enthalten kann.

Sisense: Sie haben zuvor geschrieben dass jedes Unternehmen ein Wissensdiagramm haben sollte. Warum?

YL: Wissensgraphen sind die Grundlage für eine gute BI. Hier können Sie Datenbanken abfragen, relevante Suchanfragen erfassen und die gesamte Nutzung auf eine Weise zusammenfassen, die sehr einfach zu analysieren ist. Sie tragen dazu bei, Daten zugänglicher zu machen und Einblicke für alle zu gewähren.

AM: Würden Sie zur Verdeutlichung sagen, dass die Wissensgraphen dazu beitragen, Abfragen zu verbessern und bessere Einblicke zu erhalten?

YL: Ja. Um die relevantesten Antworten zu erhalten, müssen Sie die richtigen Fragen stellen. Wenn Ihnen etwas hilft, bessere Fragen zu stellen, erhalten Sie mit größerer Wahrscheinlichkeit das, was Sie benötigen.

Wenn Sie sich die Art und Weise ansehen, wie wir unser Diagramm erstellen, ist dies der Fall sammelt Nutzungsmuster. Wenn wir eine Datenbank abfragen möchten, die alle diese Daten anstelle eines Diagramms enthält, müssten wir eine Aggregation durchführen. Hier jedoch nicht, da die Art und Weise, wie wir das Datenmodell erstellen, die Aggregation im Inneren erfolgt. Wenn Sie herausfinden möchten, wie oft eine bestimmte Frage gestellt wurde, müssen Sie nicht alle Zeilen für diese Frage zählen. Sie finden einfach diese Frage und die Nummer wird dort sein. Es ist eine viel zugänglichere Möglichkeit, die relevantesten Abfragen zu generieren.

AM: Sie haben bereits darüber geschrieben, wie Wissensdiagramme dazu beitragen, Datensilos aufzubrechen, Informationen schnell zu finden, bessere Entscheidungen zu treffen und verborgene Erkenntnisse aufzudecken. Können Sie das erweitern?

YL Nun, das Zusammenführen von natürlich unterschiedlichen Silos – Daten aus verschiedenen Quellen oder Kontexten – kann eine schwere Berechnung sein, da Sie die gesamte Datenbank scannen müssten, Sie könnten eine haben Tabelle, die über die Datenstruktur spricht, und eine andere, die über die Benutzeraktivität spricht, und diese beiden verbinden sich nicht unbedingt. In einem Wissensdiagramm sind sie durch eine einzige Beziehung verbunden, und Sie können sich Ihren Welten anschließen (vorausgesetzt, es gibt eine Komponente, die sie verbindet). Dann geht es nur noch um ein oder zwei Sprünge zwischen den Knoten. Es ist eine viel einfachere Berechnung.

In Bezug auf bessere Entscheidungen: Wenn es einfacher ist, kompliziertere Fragen zu stellen, erhalten Sie schneller Antworten und können bessere und zeitnahere Entscheidungen treffen. Wenn Sie verschiedene Datensilos verbinden, erhalten Sie außerdem Erkenntnisse, die Sie vorher vielleicht nicht hatten. Sie decken verborgene Erkenntnisse auf und erhalten ein umfassenderes Verständnis der Beziehungen zwischen Daten.

AM: Was sind Ihrer Meinung nach die Hindernisse für Unternehmen, die Schwierigkeiten haben, Daten und Analysen einzuführen, und wie können wir ihnen helfen? Welche Rolle können Wissensgraphen spielen?

YL: Ich denke, das Verbinden von Datensilos ist eine Herausforderung, da Sie Daten in einer relationalen Datenbank modellieren können, aber dennoch alles verbinden müssen. Wissensdiagramme machen diese Aufgabe einfacher, schneller und entlasten Ressourcen weniger. Auf der Sisense-Plattform befindet sich das Wissensdiagramm im Backend als Ermöglicher von Abfragen und Empfehlungen und bietet die effizienteste Möglichkeit, Datenfragen zu stellen.

Nehmen wir also an, ein neuer Kunde ist gerade mit Sisense an Bord gekommen. Sie haben einige Dashboards eingerichtet und möchten eine Frage stellen. Sie geben einfach ihre Frage ein und erhalten (da das Wissensdiagramm hinter den Kulissen die NLQ-Fähigkeit ermöglicht) mögliche Antworten und Empfehlungen. Das ist der Wissensgraph in Aktion.

AM: Was sind die nächsten Entwicklungen bei Wissensgraphen, die Sie bei Sisense erstellen, und wie werden sie der Analytik und der digitalen Transformation weiter zugute kommen?

YL: Was wir in Zukunft tun möchten, ist besser zu verstehen, welche Fragen Benutzer stellen, damit wir Empfehlungen verfeinern können. Die Zukunft der Sisense-Funktionen für Wissensgraphen liegt im Data Storytelling: Wir bieten unseren Benutzern die richtigen Einblicke zur richtigen Zeit, verpacken sie in die richtige Visualisierung und verwandeln diese Daten in eine zusammenhängende Geschichte ihres Geschäfts.

– [19659006] Yael Lev war neben der Datenwissenschaftlerin Ayelet Arditi und der Produktmarketingmanagerin von Sisense, Julie Zuckerman, Rednerin in unserem Webinar „Humanisierung von BI durch Verarbeitung natürlicher Sprache und Wissensgraphen“. Gemeinsam diskutierten sie, wie die Datenexploration mit natürlicher Sprache intuitiver und zugänglicher gemacht werden kann, wie eine Abfrage-Pipeline in natürlicher Sprache erstellt werden kann und mehr über Wissensgraphen. Sie können hier klicken, um das gesamte Webinar auf Anfrage anzuzeigen.

Adam Murray begann seine Karriere in den Bereichen Unternehmenskommunikation und PR in London und New York, bevor er nach Tel Aviv wechselte. In den letzten zehn Jahren hat er mit Technologieunternehmen wie Amdocs, Gilat Satellite Systems und Allot Communications zusammengearbeitet. Er hat einen Ph.D. in der englischen Literatur. Wenn er keine Zeit mit seiner Frau und seinem Sohn verbringt, ist er mit seiner geliebten Fußballmannschaft Tottenham Hotspur beschäftigt.

About BusinessIntelligence

Check Also

Die Bedeutung von Frachtprüfungs- und Zahlungssoftware

Ihr Unternehmen wächst wie Unkraut und hat enorm hohe Versandkosten. Rückgabe und verspätete Lieferungen sind …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.