Indice dell'articolo

Il processo decisionale basato sui dati è una caratteristica chiave del moderno business digitale. Ma analisti esperti e data scientist possono essere difficili da trovare e costosi da trattenere per le aziende.

Una potenziale soluzione a questa sfida è implementare analytics self-service, un tipo di business intelligence (BI) che consente agli utenti aziendali di eseguire query e generare report da soli, con poco o nessun aiuto da parte di specialisti IT o di dati.

Gli analytics self-service in genere implicano strumenti facili da usare e dotati di funzionalità di base di analisi dei dati. Professionisti e responsabili aziendali possono sfruttarli, per esempio, per identificare le tendenze e le opportunità del mercato attraverso l’analisi dei dati, senza avere alcuna esperienza con gli analytics o una formazione in statistica o discipline correlate.

Dato il divario continuo tra la domanda e l’offerta di esperti analisti di dati, e il desiderio di mettere rapidamente a disposizione degli utenti preziose informazioni aziendali, è facile capire perché le aziende dovrebbero trovare attraente gli analytics self-service.

Ma ci sono modi giusti e sbagliati per distribuire e utilizzare l’analisi self-service. Ecco alcuni suggerimenti per i responsabili IT che vogliono sfruttarne il potenziale.

Avere un piano chiaro e completo per gli analytics

L’analisi dei dati e gli strumenti di analisi hanno raggiunto un profilo così alto in molte aziende che è facile vedere come possono essere abusati o applicati in modo inappropriato. Il problema è ancora più grande con l’analisi self-service, perché consente a una gamma molto più ampia di persone di analizzare i dati.

Ecco perché è importante definire dove e quando ha senso utilizzare gli analytics e disporre di controlli ragionevoli per evitare che la strategia di analisi sfugga al controllo.

“Prima ancora di iniziare, determinate la missione, la visione e le domande a cui dovete rispondere”, suggerisce Brittany Meiklejohn, analista dei processi aziendali e di vendita presso Swagelok, uno sviluppatore di prodotti e servizi per sistemi fluidi per il settore petrolifero, del gas, chimico e industrie di energia pulita.

“È facile farsi prendere da tutti i grafici e le tabelle che si possono creare, ma questo può diventare travolgente”, afferma Meiklejohn. “Definire un piano fin dall’inizio permette di concentrarsi sulle metriche importanti da creare. E’ importante anche avere un piano di governance dei dati per convalidare e mantenere pulite le metriche. Non appena una metrica non è accurata, è difficile ottenere di nuovo il buy-in, quindi è estremamente importante confermare regolarmente l’accuratezza di tutte le analisi“.

Il piano di analisi, inoltre, dovrebbe enfatizzare il più possibile l’uso di dati proattivi. “Concentratevi sui dati che sono utilizzabili e possono essere implementati nuovamente nel business“, dice Meiklejohn. “Incorporate gli apprendimenti per trasformare i processi e il processo decisionale su scala organizzativa. È interessante capire il lato storico dell’attività, ma è difficile cambiare se si guarda solo al passato“.

In Swagelok i dipartimenti utilizzano gli strumenti di analisi self-service di Domo per determinare se gli ordini dei clienti saranno in ritardo, programmare i cicli di produzione, analizzare l’andamento delle vendite e prendere decisioni sulla catena di approvvigionamento.

“Abbiamo verificato un aumento dell’efficienza: tutti sono in grado di ottenere i dati di cui hanno bisogno per prendere decisioni molto più velocemente di prima“, spiega Meiklejohn. “Stiamo prendendo decisioni più responsabili basate sui dati, poiché ogni dipartimento utilizza i dati per il processo decisionale“.

Puntare (anche) a risultati rapidi

Sebbene sia importante avere una strategia di analisi a lungo termine, ciò non significa che le organizzazioni debbano muoversi a un ritmo faticoso con gli analytics self-service.

“Nella mia precedente azienda, la nostra attività di materiali avanzati aveva un mantra: ‘vai veloce, corri rischi e impara’“, afferma Keith Carey, CIO di Hemlock Semiconductor. “Questo è il mio consiglio per chi si avvicina all’analisi self-service. Non fraintendetemi, la governance è molto importante, ma può arrivare un po’ più tardi per non soffocare la creatività“.

Carey suggerisce di partire con un piccolo gruppo di lavoro a cui “assegnare una missione moonshot per dimostrare l’arte del possibile“. I team dovrebbero concentrarsi sulle pipeline di dati che guidano la logica aziendale e le metriche coerenti in tutta l’azienda per comprendere l’importanza della tempestività e della qualità dei dati su cui vengono prese decisioni importanti. “È un ottimo punto di partenza“.

Hemlock ha lanciato un’iniziativa di analisi self-service nel 2018 utilizzando la piattaforma Spotfire di Tibco, attualmente utilizzata da tutte le funzioni dell’azienda. “Prima di ciò, l’IT sviluppava applicazioni .NET personalizzate che conteggiavano dati e fornivano capacità di base per la creazione di grafici“, afferma Carey. “La caratteristica più utilizzata di queste app era un pulsante ‘Esporta in Excel’, e il foglio di calcolo Microsoft è diventato la piattaforma di analisi preferita“.

Grazie alle capacità di analytics self-service, Hemlock ha riscontrato vantaggi nella rapidità dei processi decisionali e nei risultati. Il self-service consente a tutte le funzioni, incluse operazioni, finanza, approvvigionamento, supply chain e team di miglioramento continuo, di eseguire il rilevamento dei dati e creare potenti visualizzazioni.

“Abbiamo abbreviato la curva di apprendimento, fornito risultati più rapidamente e accelerato la comprensione dei nostri processi di produzione, il che ha portato a migliorare i nostri prodotti e ridurre i costi“, afferma Carey. “In brevissimo tempo, abbiamo risparmiato milioni di dollari migliorando i metodi di reporting esistenti e scoprendo nuove informazioni“.

Sfruttare l’elaborazione del linguaggio naturale (NPL)

“L’elaborazione del linguaggio naturale (NLP) rende l’analisi più accessibile a un numero maggiore di persone eliminando la necessità di comprendere SQL, le strutture dei database e il concetto di unire le tabelle”, afferma Dave Menninger, vicepresidente senior e direttore di ricerca presso Ventana Research.

Ci sono due aspetti principali della PNL in relazione all’analisi: la ricerca in linguaggio naturale – nota anche come natural language query – e la presentazione in linguaggio naturale – nota anche natural language presentation .

“La ricerca in linguaggio naturale consente alle persone di porre domande e ottenere risposte senza usare una particolare sintassi“, spiega Menninger. “Si può digitare o, in alcuni casi, pronunciare una richiesta utilizzando il linguaggio quotidiano, allo stesso modo in cui si esegue una ricerca su Google”.

Per esempio, un utente può chiedere di vedere i prodotti che hanno registrato il maggiore aumento o diminuzione delle vendite per quel mese. Una volta visualizzati i risultati l’utente può perfezionare la ricerca, per esempio per determinare l’inventario disponibile per determinati prodotti.

La presentazione in linguaggio naturale si occupa dei risultati delle analisi. “Una volta che è stata formulata una richiesta, utilizzando la PNL o altro, i risultati vengono visualizzati come narrazioni che spiegano ciò che è stato trovato“, afferma Menninger.

Nell’esempio del prodotto, anziché di visualizzare un grafico che mostra gli aumenti o le diminuzioni delle vendite, la presentazione in linguaggio naturale genera alcune frasi o un paragrafo che descrivono dettagli specifici sui prodotti.

“Le persone hanno stili di apprendimento diversi“, sottolinea Menninger. “Alcuni preferiscono tabelle e numeri, altri i grafici, qualcuno si sente più a suo agio con una spiegazione testuale. La presentazione in linguaggio naturale rende più facile sapere cosa cercare in un’analisi. Rimuove anche l’incoerenza nel modo in cui i dati vengono interpretati, specificando esattamente cosa dovrebbe ‘essere sottratto’ all’analisi“.

Usare l’analisi integrata

L’analisi integrata, o embedded analytics, implica l’integrazione di capacità analitiche e visualizzazioni dei dati nelle applicazioni aziendali. L’integrazione di report e dashboard in tempo reale consente agli utenti aziendali di analizzare i dati all’interno delle applicazioni.

“Queste includono applicazioni line-of-business come la pianificazione delle risorse aziendali (ERP), la gestione delle relazioni con i clienti (CRM) o i sistemi informativi per le risorse umane (HRIS), nonché strumenti di produttività come collaborazione, e-mail, fogli di calcolo, presentazioni e documenti”, dice Menninger. “Nel contesto delle applicazioni aziendali, le analisi predefinite rendono molto più facile per il personale line-of-business l’accesso e l’utilizzo dell’analisi. Fornisce anche una buona governance, dal momento che i dati sono gestiti dall’applicazione sottostante in cui i diritti di accesso sono già definiti“.

Scegliere gli strumenti giusti

La differenza tra successo e fallimento con gli analytics self-service può dipendere dagli strumenti che le aziende scelgono di implementare. Responsabili IT e di business devono lavorare a stretto contatto per valutare gli strumenti, determinare quali soddisfano meglio le esigenze dell’organizzazione e si adattano alla sua infrastruttura.

La società di servizi finanziari Western Union ha cercato una piattaforma di analisi self-service che fosse facile da integrare con più origini dati disparate, flessibile e facile da usare, con potenti capacità analitiche e requisiti minimi di infrastruttura.

“L’azienda ha scelto e implementato una piattaforma di Tableau per consentire agli utenti aziendali di prendere decisioni in base alle proprie query e fare analisi in un ambiente governato”, afferma Harveer Singh, Chief Data Architect e Head of Data Engineering and Architecture presso Western Union.

I dipartimenti aziendali possono creare le proprie query e report e collaborare senza la necessità del supporto dell’IT. “Gli utenti hanno la libertà di lavorare con i dati senza know-how tecnico“, spiega Singh. “I dati possono essere derivati ​​da più fonti in vari formati“.

Quando le organizzazioni selezionano gli strumenti di analisi giusti, l’analisi self-service “consente agli utenti aziendali di recuperare e analizzare i dati senza la necessità di esperti IT/specialisti di prodotto per lo sviluppo e l’analisi dei report“, conclude Singh. “È una risorsa che risponde a requisiti aziendali dinamici“.