5 consells per sobresortir en l’anàlisi d’autoservei

La presa de decisions basada en dades és un atribut clau del negoci digital modern. Però els analistes de dades i els científics de dades amb experiència poden ser cars i difícils de trobar i retenir.

Una solució potencial a aquest repte és desplegar anàlisis d’autoservei, un tipus d’intel·ligència empresarial (BI) que permet als usuaris empresarials realitzar consultes i generar informes pel seu compte amb poca o cap ajuda d’especialistes en TI o dades.

L’analítica d’autoservei normalment inclou eines que són fàcils d’utilitzar i tenen capacitats bàsiques d’anàlisi de dades. Els professionals i els líders empresarials poden aprofitar-los per manipular dades de manera que puguin identificar tendències i oportunitats del mercat, per exemple. No cal que tinguin cap experiència en analítica o antecedents en estadístiques o altres disciplines relacionades.

Atesa la bretxa constant entre la demanda d’analistes de dades experimentats i l’oferta d’aquests professionals, i el desig d’aconseguir ràpidament informació valuosa del negoci en mans dels usuaris que més ho necessiten, és fàcil veure per què les empreses trobaran anàlisis d’autoservei. atractiu.

Però hi ha maneres correctes i incorrectes de desplegar i utilitzar l’anàlisi d’autoservei. Aquests són alguns consells per als líders informàtics que busquen complir la promesa de les estratègies d’anàlisi d’autoservei.

Tenir un pla analític clar i complet

L’anàlisi de dades i les eines d’anàlisi han guanyat un perfil tan alt en moltes empreses que és fàcil veure com es poden utilitzar en excés o aplicar-les de manera inadequada. Això és encara més un problema amb l’analítica d’autoservei, ja que permet que un nombre i una base de persones molt més amplis puguin analitzar dades.

Per això, és important establir un pla per saber on i quan té sentit utilitzar l’anàlisi i tenir controls raonables per evitar que la vostra estratègia d’anàlisi es converteixi en una estratègia gratuïta per a tothom.

“Determineu la vostra missió, visió i preguntes que heu de respondre al voltant de l’anàlisi abans fins i tot de començar”, diu Brittany Meiklejohn, analista de negocis i processos de vendes de Swagelok, desenvolupadora de productes i serveis de sistemes de fluids per a petroli, gas, productes químics i indústries d’energia neta.

“És extremadament fàcil quedar atrapat en tots els gràfics i gràfics que podeu crear, però això es fa aclaparador molt ràpidament”, diu Meiklejohn. “Tenir aquest full de ruta des del principi ajuda a retallar i centrar-se en les mètriques reals a crear. Tingueu també un pla de govern de dades per validar i mantenir netes les mètriques. Tan bon punt una mètrica no és precisa, és difícil tornar a obtenir la compra, de manera que confirmar de manera rutinària la precisió de totes les analítiques és extremadament important”.

El pla d’anàlisi hauria de posar èmfasi en l’ús de dades proactives tant com sigui possible, diu Meiklejohn. “Enfoca’t [on] dades que són accionables i que es poden tornar a implementar al negoci”, diu. “Incorporar aprenentatges per transformar els processos i la presa de decisions a escala organitzativa. És fantàstic entendre el costat històric del negoci, però és difícil canviar-lo si només mires el passat”.

A Swagelok, els departaments utilitzen eines d’anàlisi d’autoservei de Domo per determinar si les comandes dels clients arribaran tard, programar les tirades de producció, analitzar el rendiment de vendes i prendre decisions sobre la cadena de subministrament.

“Hem vist un augment de l’eficiència; tothom és capaç d’obtenir les dades que necessiten per prendre decisions molt més ràpid que abans”, diu Meiklejohn. “Estem prenent decisions més responsables basades en dades, ja que cada departament utilitza les dades per a la presa de decisions”.

Aneu a les victòries ràpides

Tot i que és important disposar d’una estratègia d’anàlisi a llarg termini, això no vol dir que les organitzacions s’hagin de moure a un ritme lent amb l’anàlisi d’autoservei.

“A la meva empresa anterior, el nostre negoci de materials avançats tenia una dita: ‘Vés ràpid, arrisca i aprèn'”, diu Keith Carey, CIO de Hemlock Semiconductor, un fabricant de productes per a les indústries d’energia electrònica i solar. “Aquest seria el meu consell per als que acaben de començar [with self-service analytics]. No em malinterpreteu, la governança és molt important i pot arribar una mica més tard per no ofegar la creativitat”.

És una bona idea trobar un petit grup de treball “i assignar una missió moonshot per demostrar l’art del possible”, diu Carey. Suggereix que els equips se centren “en les canonades de dades que impulsen una lògica i mètriques empresarials coherents a tota l’empresa. Comprendre la importància de l’oportunitat i la qualitat de les dades sobre les quals s’estan prenent decisions importants. És un bon lloc per començar.”

Hemlock va llançar una iniciativa d’anàlisi d’autoservei el 2018 mitjançant la plataforma Spotfire de Tibco, que actualment està sent utilitzada per totes les funcions del negoci. “Abans d’això, TI desenvolupava aplicacions .NET personalitzades que discutien dades i proporcionaven la capacitat inicial de traçar gràfics”, diu Carey. “La característica més popular d’aquestes aplicacions era un botó d’exportació a Excel, on [the Microsoft spreadsheet] es va convertir en la plataforma d’anàlisi preferida”.

Un grapat dels enginyers més brillants de la companyia també van crear macros que combinarien nous conjunts de dades, “que van trigar una nit a executar-se a l’ordinador d’algú”, diu Carey. “I amb sort, si no s’estavellava, el conjunt de dades es repartia entre els professionals de l’enginyeria.

Amb capacitats d’anàlisi d’autoservei, Hemlock ha vist beneficis com ara una presa de decisions més ràpida i resultats més ràpids. L’autoservei permet que totes les funcions, incloses les operacions, les finances, les compres, la cadena de subministrament i els equips de millora contínua, realitzin la descoberta de dades i creïn visualitzacions potents.

“Vam escurçar la corba d’aprenentatge, vam obtenir resultats més ràpidament i vam accelerar la nostra comprensió dels nostres processos de fabricació, cosa que va conduir a millorar els nostres productes i reduir costos”, diu Carey. “En molt poc temps, vam estalviar milions de dòlars millorant els mètodes d’informes existents i descobrint nous coneixements”.

Aprofitar el processament del llenguatge natural

El processament del llenguatge natural (NLP) fa que l’anàlisi sigui més accessible per a un major nombre de persones eliminant la necessitat d’entendre SQL, les estructures de bases de dades i el concepte d’unir taules, diu Dave Menninger, vicepresident sènior i director de recerca de Ventana Research.

Hi ha dos aspectes principals de la PNL pel que fa a l’anàlisi, diu Menninger: la cerca en llenguatge natural, també coneguda com a consulta de llenguatge natural, i la presentació en llenguatge natural, també coneguda com a generació de llenguatge natural.

“La cerca en llengua natural permet a la gent fer preguntes i obtenir respostes sense [any] sintaxi especial”, diu Menninger. “De la mateixa manera que escriure una cerca a una barra de cerca de Google, podeu escriure, o en alguns casos parlar, una consulta amb el llenguatge quotidià”.

Per exemple, un usuari podria demanar veure els productes que van tenir l’augment o la disminució més gran de les vendes durant aquest mes. Es mostrarien els resultats i després l’usuari podria refinar la cerca, per exemple, per determinar l’inventari disponible per a determinats productes.

Menninger diu que la presentació en llenguatge natural tracta els resultats de les anàlisis en lloc de la part de la consulta. “Un cop s’ha formulat una consulta, utilitzant PNL o d’una altra manera, els resultats es mostren com a narracions que expliquen el que es va trobar”, diu.

A l’exemple del producte, en comptes de mostrar un gràfic de productes que mostra els augments o disminucions de les vendes, la presentació en llenguatge natural generaria unes quantes frases o un paràgraf que descriu detalls específics sobre els productes.

“La gent té diferents estils d’aprenentatge”, diu Menninger. “Alguns agraden taules de números. Alguns prefereixen els gràfics. Altres no saben interpretar taules o gràfics i prefereixen les narracions. La presentació en llenguatge natural fa que sigui més fàcil saber què buscar en una anàlisi. També elimina la inconsistència en la manera en què s’interpreten les dades especificant exactament què s’ha de treure de l’anàlisi”.

Utilitzeu analítiques incrustades

L’analítica incrustada implica la integració de capacitats analítiques i visualitzacions de dades en aplicacions empresarials. La incorporació d’informes i taulers de control en temps real en aquestes aplicacions permet als usuaris empresarials analitzar les dades d’aquestes aplicacions.

“L’analítica incrustada aporta l’anàlisi a les aplicacions en què les persones utilitzen [their] activitats del dia a dia”, diu Menninger. Això podria incloure aplicacions de línia de negoci com ara la planificació de recursos empresarials (ERP), la gestió de relacions amb els clients (CRM) o els sistemes d’informació de recursos humans (HRIS), així com eines de productivitat com ara la col·laboració, el correu electrònic, els fulls de càlcul, les presentacions i documents.

“En el context de les aplicacions empresarials, les anàlisis preconstruïdes faciliten molt al personal de la línia de negoci l’accés i l’ús de les analítiques”, diu Menninger. “També proporciona un bon govern, ja que les dades són gestionades per l’aplicació subjacent on ja es mantenen els drets d’accés”.

La diferència entre l’èxit i el fracàs amb l’anàlisi d’autoservei es pot reduir a les eines tecnològiques que les empreses trien per desplegar. Els executius empresarials han de treballar estretament amb el lideratge de TI per avaluar les eines i determinar quines s’ajusten millor a les necessitats de l’organització i s’adapten a la seva infraestructura.

Entre els requisits que l’empresa de serveis financers Western Union tenia a l’hora de seleccionar una plataforma d’anàlisi d’autoservei, es trobava que fos fàcil d’integrar amb múltiples fonts de dades diferents, que fos flexible i fàcil d’utilitzar, tingués potents capacitats analítiques i tingués requisits d’infraestructura mínims.

La companyia va desplegar una plataforma de Tableau per permetre als usuaris empresarials prendre decisions basades en les seves pròpies consultes i anàlisis en un entorn governat, diu Harveer Singh, arquitecte de dades en cap i cap d’enginyeria i arquitectura de dades de Western Union.

Els departaments empresarials poden crear les seves pròpies consultes i informes i col·laborar sense necessitat de suport de TI, diu Singh. “Els usuaris tenen llibertat per tallar i tallar les dades sense coneixements tècnics”, diu. “Les dades es poden derivar de diverses fonts en diversos formats”.

Quan les organitzacions seleccionen les eines d’anàlisi adequades, l’anàlisi d’autoservei “permet als usuaris empresarials recuperar i analitzar les dades sense necessitat d’experts en TI/especialistes en productes per al desenvolupament i l’anàlisi d’informes”, diu Singh. És un actiu “que respon als requisits empresarials dinàmics”.

Leave a Comment

Your email address will not be published. Required fields are marked *