In diesem Blog fasse ich verschiedene Aussagen und Beiträge zusammen, die sich mit dem Thema KI und dessen Einfluss auf die Praxis der BI-Entwicklung und Beratung beschäftigen.
Im Gegensatz zu den Hype-Themen ohne Substanz wie Blockchain, NFTs und Metaverse, erlebe ich bei KI einen großen Unterschied:
Ich nutze sie fast täglich und spüre den Mehrwert!
Der Anwendungsfall: AI für Content
Bei der TDWI München in 2024 habe ich ein Interview mit Nils Bruckhuisen aufgezeichnet, in dem es um den EU AI Act geht. Ich will diesmal, aber nicht den Inhalt, sondern die Entstehung diskutieren 🤓
Das Video habe ich in München mit meinem 150,-€ Handy aufgenommen.
Leider ging das externe Mikro (was teurer ist das Handy), unerwartet nicht, weil die Software des Handys zu schlecht ist…
Ja ja: "wer billig kauft"…
👽 Aber: der Content war zu gut, um ihn nicht zu nutzen.
Was kam als nächstes?
🎇 Ich habe den Ton mit Enhance Speech von Adobe bereinigt: das Video wurde nutzbar
Und wo ich gerade dabei war:
🎇 Transkript mit TurboScribe
🎇 Blog und Zusammenfassung mit chatGPT
🎇 Bild mit chatGPT ergänzt
Ok, ich mag reine chatGPT Texte nicht und habe den Blog überarbeitet. Aber als Vorlage war es ok. Reine KI generierte Texte mag ich nach wie vor selten, aber die Assistenz-Funktion hat chatGPT sauber ausgefüllt.
Insgesamt dauerte der Prozess vom schlechten Video zum fertigen Multimedia-Content unter 30 Minuten. Wäre vorher eben nicht möglich gewesen.
Wahrscheinlich hätte ich das Video vor zwei Jahren nicht nutzen können...
🌤 Deshalb ist für mich KI mehr eine Innovation wie Cloud, die gekommen ist, um zu bleiben - und kein Hype-Thema
Was ist der "Impact"?
ich kann mehr Content machen oder habe mehr Zeit für das Kerngeschäft. Gewissermaßen ist Content für mich auch Kerngeschäft, aber die inhaltlichen Themen mache ich ja weiter selbst, während KI eine gute Assistenz ist.
aber...
Wie nutze ich KI im "Kerngeschäft"..?
📈 DAX
Bei DAX sind chatGPT und Copilot aus meiner Sicht noch nicht so kompetent, wie ich sie gerne hätte.
Ich bin fast immer schneller, selbst wenn ich Formeln teste, auch die, die ich selten nutze (z.B. komplexe virtuelle Tabellen).
Es ist aber nützlich, um sich komplexe, fremd erstellte Measures erklären zu lassen
Meine Kollegin Dilyana zeigt hier allerdings, dass chatGPT sehr wohl auch für DAX ein guter Assistent sein kann.
📇 Power Query / M
Bei M finde ich chatGPT besser als bei DAX, bei selten genutzten Funktionen ist es hilfreich. Gefühlt ist die Qualität in den letzten Monaten sehr viel besser geworden und ich kann z.B. Funktionen erstellen lassen und nutze Funktionen seitdem öfter
Gut finde ich chatGPT auch, um zu dokumentieren und auch um Schritte zusammenzufassen, zu vereinfachen und anders zu sortieren.
📊 Visualisierung
Es mag technisch beeindruckend sein, was schon geht, aber für meine Ansprüche ist sind die mit dem Copilot automatisch erstellten Reports noch nicht brauchbar.
chatGPT nutze ich hier nicht, weil Anonymisierung sich nicht lohnt. Aber auf anonymen Test-Daten kann chatGPT die Abfragen schon gut. Aber eher für Ad-hoc-Analysen, nicht für komplette Dashboards
🐍 Notebooks/Python
Für mich momentan der größte Use-Case. Mag sicher daran liegen, dass es weniger meine Komfort-Zone ist als DAX oder M. Ich lasse mir gerne Notebooks generieren, verbessern und die Fehler halten sich sehr in Grenzen. Echt stark.
Ich würde sogar so weit gehen und sagen, dass ich sie deutlich weniger nutzen würde bzw. anbieten könnte, wenn es die KI nicht gäbe.
🔏 SQL
Ich nutze KI auch gerne, um Patterns für SQL-Abfragen und Views für Lakehouses und Warehouses zu schreiben. Auch hier gilt wahrscheinlich: weil ich es seltener nutze, hilft der Assistent mehr als bei den Power BI Features.
Übergreifendes:
Dokumentationen und das generieren von Testdaten sind wichtige und hilfreiche Use-Cases. In dem Sinne keine Kernthemen im eigentlichen Sinne, aber etwas, was dazugehört.
✅ Fazit:
KI kann in Bereichen, wo die eigene Expertise stark ist, nur punktuell helfen und ist dort nicht immer effizient.
In Randbereichen des eigenen Schwerpunkts wirkt der Boost durch die KI am meisten und ermöglicht, sogar Sachen zu tun, die vorher zwar möglich, aber kaum wirtschaftlich wären.
Aber ob es ganz ohne Programmieren gehen wird...?
Fabian Heidenstecker hat hier ein super Zitat geliefert:
Ich finde, programmieren ist ein wichtiger Skill, da dort einige gute Konzepte und Strategien zur Problemlösung erlernt werden können: Schleifen, Rekursion, Divide & Conquer, Klassen & Oojekte, und und und
Es sind zum Teil abstrakte Konzepte. Mir fehlt ein wenig die Vorstellung, wie man das natürlichsprachig formulieren kann. Das geht bestimmt, aber das ist dann vielleicht sehr umfangreich oder zu unpräzise.
Ist ja ein wenig so, wie mit der Mathematik. Dort werden ja auch "Echtweltprobleme" in einer normierten Notation formuliert, um diese Lösen zu können.
Ein Anwendungsfall aus der Programmierer-Praxis
Mixed-use von SQL und Python in einem Notebook: wird sich das künftig auch in der "Self-service BI" Welt durchsetzen?
Meine eigene Erfahrung:
Nachdem ich mit dem Python-Skript von Daniel in Fabric über die REST-API auf einen MicroStrategy Report zugreifen konnte (echt super Sache, die viel ermöglicht!)
...wollte ich den Output als Tabelle in ein Lakehouse schreiben. Geht in Fabric ja sehr schnell, alles dafür anzulegen. 🙂
Dank der guten Snippet-Funktion ist auch der Code schnell da - ohne dass ich Python im Detail schreiben muss
...spannend war aber, dass es dann einen Unterschied zwischen Pandas und PySpark gab, weshalb es nicht auf Anhieb klappen wollte.
Hier war aber chatGPT behilflich und so ist dieser etwas unelegante Code entstanden 😉 Aber es funktioniert und war recht schnell nutzbar.
Werden wir denn absehbar überhaupt noch BI-Tools brauchen?
"the most profound technologies are those that dissapear"
(Marc Weiser, Xerox PARC)
Wie ich in dem Video über Pommes und Fritten als Reaktion auf Janine Ellner gezeigt habe, kann chatGPT bereits heute Daten gut analysieren und visualisieren.
...was wir mit Marcus Wegener und Diana 🔹️ Ackermann im BI Thinkers Talk 49 noch weiter vertieft haben, um uns sogar eine Karte zu generieren.
Ist mein Kerngeschäft also überhaupt noch sinnvoll?
So sehr ich die Arbeit mit Daten, Power BI und Fabric liebe: diese Frage muss ich mir schon stellen. Denn Reports, Dashboards und Datenmodelle sind kein Selbstzweck.
Ich denke, dass es hier eine längere Übergangszeit geben wird, denn mittelfristig werden deterministische Analysen und stabile Reports noch eine große Rolle spielen.
Genauso auch eine gewisse Datenstruktur, die eine Nutzung durch generative KI ermöglicht:
denn in der realen Welt ist es eben nicht nur eine Datei, die es auszuwerten und wenn es spezifischer wird, kann die KI nicht immer mithalten.
Auch beim Datenschutz gibt es noch offene Fragen.
Ich habe allerdings auch schon beeindruckende Ergebnisse gesehen, die auf Datenmodellen basieren, die von Tobias Otte bei einer Session auf der DigitalXChange im Juni 2024. Die Entwicklung scheint klar, dass auch Datenmodellierung zunehmend ohne Menschen auskommt.
Vor allem aber:
generative KI zeigt, wie Interfaces für komplexe Fragen in Zukunft aussehen können. Nicht mehr alles wird mit Tools oder vordefinierten Berichten analysiert werden und auch ich muss den Kernwert meiner Beratung anders stellen:
✴ Wie bringen wir effizient die Ergebnisse zu den Beteiligten?
❌ …und eben nicht: "wie bringen wir Datenprodukt XYZ in einer möglichst guten Qualität und Zeit heraus?"
In der Tat kann ich noch nicht sagen, ob die Aufgaben dabei:
🤖 Mehr oder weniger technisch werden (Fokus auf komplexe Nischen vs. KI nimmt alles technische ab)
🤝 Mehr oder weniger personen-orientiert (AI-Enablement im Sparring vs. Es ist alles intuitiv und braucht keinen Support)
💫 Mehr oder weniger organisatorisch (Saubere Struktur für KI vs. KI kommt mit Chaos sehr gut klar)
Es ist für mich also schwer zu sagen, wie sich die Beratung verändern wird. Aber ich bin sicher, sie wird sich verändern. Auch die Nutzer und Empfänger der der Datenprodukte wissen um die mögliche Produktivitätssteigerung und wollen die Vorteile nutzen.
Wir dürfen nicht vergessen, dass vor 20 Jahren viele Leute Geld mit dem Installieren von Software verdient haben und heute anders Mehrwert schaffen.
...und nun?
KI spart Zeit.
Entscheidend für den Mehrwert ist aber, wie die frei werdende Zeit genutzt wird:
Werden meine Ergebnisse besser, weil ich mehr Zeit für Details und Spezialisierung bekomme?
Kann ich einfach mehr machen?
Fakt ist auch:
Wenn die neu gewonnene Zeit in organisatorischer Bürokratie oder noch mehr "B*ll$1tt-Meetings" investiert wird, wird es kein echter Produktivitätsgewinn.
Und noch nicht einmal besser für die Mitarbeitenden… nichts ist sinnloser als Aufgaben ohne Mehrwert wieder künstlich aufzublähen.
…aber noch besser ist es natürlich, wenn die neue Zeit sinnvoll genutzt werden kann. Das ist sowohl kognitiv für Menschen (gewisser Overload an Ergebnissen, die früher Zeit brauchten), aber auch kulturell sowie organisatorisch für Organisationen eine Herausforderung.
Organisationen müssen sich also an die neue Produktivität anpassen. Es geht um mehr als die Adoption von Tools.
Es gibt auch nicht zu unterschätzende allgemeine Auswirkungen auf die Welt, die positiv sind, wie z.B. der "Aufholeffekt", weil Wissen viel besser zugänglich wird. Hier kann ich eine Folge des OMR Podcast mit Philipp Klöckner empfehlen: https://omr.podigee.io/755-philipp-kloeckner
コメント