Getty Images/iStockphoto

Wie Large Language Models die Datenanalyse verbessern können

Datenanalysten können Large Language Models (LLM) zur Verbesserung der prädiktiven Analyse einsetzen, aber die menschliche Aufsicht ist nach wie vor von entscheidender Bedeutung.

Large Language Models (LLM) können die Datenanalyse verbessern, indem sie mehr Informationen verarbeiten und tiefere Einblicke liefern, als Datenexperten allein es können. LLMs sind jedoch unzuverlässige Werkzeuge für Nicht-Analysten, und selbst geschulte Analysten sollten sie mit Vorsicht einsetzen.

Standard-LLMs sind nicht in der Lage, die Rolle eines Datenanalyse-Tools zu übernehmen. Sie können detaillierte Fragen zur Bedeutung von Datensätzen nicht genau oder konsistent beantworten. Automatisierte LLM-Funktionen erfordern eine Schulung zu den richtigen Datensätzen, um die genauesten Ergebnisse zu erzielen. Es liegt an den Analysten, sicherzustellen, dass die Ergebnisse sicher, genau und ethisch einwandfrei sind.

Wie LLMs die Datenanalyse verbessern

LLMs können strukturierte numerische Daten analysieren. Sie können Statistiken berechnen, nach Trends suchen und Anomalien identifizieren. Datenanalysten sollten LLMs für diese Art von Daten jedoch nur verwenden, wenn sie das Tool so einschränken, dass es nur Daten in bestimmten Dateien betrachtet und die Antworten auf das Material in diesen Dateien beschränkt.

Textanalyse

Eine noch bessere Verwendung von LLMs ist es, ihre Sprachkenntnisse zu nutzen. Datenanalysten können ein LLM verwenden, um die Textanalyse zu beschleunigen und – wenn es multimodal ist und gesprochene Sprache interpretieren kann – mündliche Eingaben. LLMs können gesprochene Worteingaben transkribieren, Sprachen übersetzen und die Ergebnisse wie folgt analysieren:

  • Hervorheben von Wortkategorien.
  • Suche nach Gemeinsamkeiten zwischen Kommentaren, wie zum Beispiel ähnliche Sprache oder Verweise auf dieselben Personen oder Dinge.
  • Bereitstellung einer semantischen Bewertung von Eingaben auf der Grundlage definierter Wortkategorien. Zum Beispiel: wütend, verzweifelt, engagiert oder leichtgläubig sein.
  • Aufzeigen von Kontextinformationen im Zusammenhang mit der Verwendung bestimmter Wörter oder Bilder.

Analyse visueller Medien

Wenn ein LLM in der Fähigkeit geschult ist, visuelle Medien zu analysieren, kann es den Inhalt von Bildern, Diagrammen und Videos analysieren. LLMs können einfachen Anweisungen folgen, zum Beispiel nach einer bestimmten Art von Objekt suchen – zum Beispiel wie viele Hüte auf einem Bild zu sehen sind. Sie können auch subtile Elemente identifizieren, wie zum Beispiel die Prävalenz verschiedener Farbpaletten in TikTok-Videos mit einem bestimmten Hashtag.

LLMs können Analysten dabei unterstützen, von Natur aus unstrukturierte Daten mit strukturierten Datensätzen zu kombinieren, indem sie Freitext-, Audio- oder Videomedien in spezifische numerische Daten umwandeln. Ausgebildete Multimedia-LLMs können auch Visualisierungen von Datensätzen erstellen, die von traditionellen Linien- oder Balkendiagrammen bis hin zu Wortwolken und Heatmaps reichen.

Prädiktive Analyse

LLMs können es Analysten ermöglichen, nicht-textuelle Daten zu analysieren und diese Ergebnisse in die Analyse von numerischen Standarddaten zu integrieren. Die Kombination erweitert die Reichweite von Vorhersageanalysen, indem sie es ermöglicht, mehr Trends zu erkennen. So ist ein LLM beispielsweise in der Lage, Muster über Medienplattformen hinweg leichter zu erkennen als menschliche Analysten.

LLMs können Wörter in den Daten herausfiltern, den Kontext von Wörtern verstehen und Wortgruppen Themen zuordnen. Mithilfe dieser Informationen können Analysten dann das LLM-Modelltraining für nachfolgende prädiktive Analysevorgänge anpassen.

Beispiele für die Datenanalyse mit LLMs

Analysten können LLMs auf verschiedene Weise nutzen, um Erkenntnisse zu gewinnen und Geschäftsabläufe zu verbessern.

Maßnahmen basierend auf Kundenfeedback identifizieren

LLMs können Analysten dabei unterstützen, Muster und Trends in der Kundenstimmung zu bestimmten Produkten, Dienstleistungen, Filialen oder Mitarbeitern zu verstehen. Analysten können LLMs verwenden, um Daten aus Umfragen mit fester Auswahl, E-Mails an Verkaufsteams und Support-Desks, Support- und Verkaufs-Chat-Protokolle, Social-Media-Postings und Inhalte aus Podcasts oder Produktbewertungsvideos zu analysieren. Unternehmen können die Ergebnisse nutzen, um ihre Abläufe zu verbessern und Mängel in ihrem Dienstleistungs- oder Produktportfolio zu beheben.

Geschäftsmöglichkeiten identifizieren

Analysten, die LLMs verwenden, können Daten aus Quellen wie Websites von Mitbewerbern, relevanten Social-Media-Kanälen und ihren eigenen Support-Kanälen sammeln. Die Informationen können dabei unterstützen, neue Produkt- oder Dienstleistungsmöglichkeiten zu identifizieren, neue Geschäfte oder Websites zu eröffnen, neue Standorte zu erschließen oder neue Partnerschaften mit anderen Unternehmen einzugehen.

Potenzielle Bedrohungen erkennen

Regierungen und Unternehmen können den Inhalt von öffentlich gepostetem Material analysieren. Die Informationen können dazu beitragen, Daten aus anderen Quellen zu ergänzen, um potenzielle Sicherheitsbedrohungen zu erkennen.

Werden LLMs Datenanalysten ersetzen?

Datenanalysten werden nicht erleben, dass LLMs ihre Jobs in absehbarer Zeit ersetzen.

Datenexperten müssen mehr darüber erfahren, was LLMs leisten können und wie sie die Modelle ehrlich halten können. In der Zwischenzeit können LLMs Analysten unterstützen, sie aber nicht ersetzen. Organisationen brauchen Analysten, um Prompts sorgfältig zu erstellen und die Richtigkeit aller Ergebnisse zu überprüfen – das heißt, bis Entwickler konsistent LLMs produzieren können, die keine Daten erfinden, erfundene Daten als echt darstellen oder Schlussfolgerungen erfinden, die nicht durch die Daten gestützt werden.

Erfahren Sie mehr über Datenanalyse