Analyst-Agent von Microsoft 365 Copilot

In einem datengetriebenen Unternehmen werden immer mehr Mitarbeitende dazu befähigt, eigenständig mit Daten zu arbeiten. Dank technologischer Fortschritte können inzwischen auch Personen ohne tiefgehenden technischen Hintergrund komplexe Datenanalysen durchführen.

Heute stelle ich dir den „Analyst-Agent” vor, eine innovative Funktion, die nun standardmäßig in Microsoft 365 Copilot verfügbar ist. Dieser Agent ist ein wirklich hilfreicher Assistent für alle, die im Bereich Datenanalyse arbeiten!

Ich habe diesen Agenten getestet und bin fasziniert von seinen Möglichkeiten.

Um dir die Möglichkeiten des Analyst-Agents praxisnah zu zeigen, habe ich eine konkrete Risikoanalyse anhand von Finanzdaten durchgeführt.

Ich habe die Datei in „Analyst” bei Microsoft Copilot hochgeladen und folgenden Prompt genutzt, um die Daten zu analysieren:

Analysiere die Daten in der Datei ‚risikoanalysefinanzdaten.csv‘. Identifiziere anhand der darin enthaltenen Kennzahlen (z.B. Umsatz, Kosten, Cashflow, Verschuldung) relevante Risikofaktoren, modelliere mittels Python mögliche zukünftige Finanzszenarien und leite daraus konkrete Handlungsempfehlungen zur Risikominimierung ab.risikoanalysefinanzdaten.csv

Der Agent Analyst ist wie folgt vorgegangen:

1. Analyse zentraler Finanzkennzahlen zur Identifikation von Risikofaktoren.

2. Erstellung eines Prognosemodells zur Vorhersage der Verlustwahrscheinlichkeit.

3. Bewertung der Modellgüte und Einflussfaktoren.

4. Durchführung einer Clusteranalyse zur Segmentierung von Risikoprofilen.

5. Ableitung von Handlungsempfehlungen zur Risikominimierung.

Reflektion

Der Analyst hat sofort damit begonnen, Daten einzulesen und zu interpretieren.

Das gesamte Vorgehen wurde auf Englisch beschrieben. Besonders gut gefallen hat mir, dass der Analyst nicht sofort mit der Datenanalyse begonnen hat. Stattdessen hat er zunächst die Struktur und mögliche Fehler der Daten überprüft sowie versucht, diese zu korrigieren und entsprechend aufzubereiten. Hier ist der Agent proaktiv vorangegangen, was bedeutet, dass er die Initiative ergriffen und sich aktiv um die Angelegenheit gekümmert hat.

Erst nachdem die Daten korrigiert und interpretiert wurden, hat der Analyst mit dem eigentlichen Prozess der Datenanalyse begonnen. Darüber hinaus ist positiv aufgefallen, dass der Analyst sehr transparent beschrieben hat, was er gerade macht, wie er dabei vorgeht, welche Ziele er verfolgt und welche einzelnen Berechnungsschritte er durchführt.

Es wird bereits viel Python-Code eingesetzt. Deshalb ist es definitiv von Vorteil, Python-Kenntnisse zu besitzen. So kannst du besser nachvollziehen, was der Analyst genau macht und vor allem wie er dabei vorgeht. Außerdem kannst du rechtzeitig eingreifen, falls du bemerkst, dass die gewählte Methode möglicherweise nicht optimal oder passend ist.

Im Anschluss wird das Ergebnis in verständlicher und natürlicher Sprache zusammengefasst und dargestellt.

Mir persönlich war das präsentierte Ergebnis etwas zu knapp und nicht ausreichend aussagekräftig. Aus meiner Sicht gehört zu einer umfassenden Datenanalyse unbedingt auch eine passende Visualisierung der Daten. Zudem hat mir eine klare und nachvollziehbare Methodik bei der Analyse gefehlt. Daher habe ich den Analysten gebeten, die Daten zusätzlich visuell aufzubereiten und bestimmte Analysemethoden gezielt einzusetzen.

So sah mein Ergebnis aus:

Vermutlich liegt es am Datensatz selbst: Da dieser generisch ist, fällt auch das Ergebnis entsprechend allgemein und wenig aussagekräftig aus. Ehrlich gesagt bin ich bei diesem Use Case mit der visuellen Darstellung nicht vollständig zufrieden. Ich gehe jedoch davon aus, dass man mit einem realen Datensatz und einem guten Verständnis für den Datenkontext deutlich sinnvollere und aussagekräftigere Ergebnisse erhält.

Anschließend wurde eine Clusteranalyse durchgeführt:

Fazit:

Ich würde empfehlen, den Analyst-Agenten mit Vorsicht zu nutzen, wenn du keine ausgeprägten Datenkompetenzen oder Python-Kenntnisse besitzt.

Gründe dafür sind:

• Verständnislücken: Ohne grundlegendes Verständnis könnten Ergebnisse missverstanden oder falsch interpretiert werden.

• Fehlentscheidungen: Eine falsche Einschätzung der Resultate könnte zu kritischen Fehlentscheidungen führen.

• Abhängigkeit: Es besteht die Gefahr, sich blind auf die Ergebnisse zu verlassen, ohne diese kritisch hinterfragen zu können.

  
  

Meine Empfehlung:

• Nutze den Analyst-Agenten als ergänzendes Hilfsmittel, um deine eigenen Kompetenzen zu erweitern.

• Hole dir Unterstützung von Kolleg:innen mit Daten- und Python-Kompetenzen, um Ergebnisse gemeinsam zu prüfen und besser zu verstehen.

• Investiere parallel in den Aufbau grundlegender Daten- und Python-Kenntnisse, um langfristig unabhängiger und sicherer im Umgang mit datengetriebenen Tools zu werden.