Definizione di analytics self-service: best practice e strategie

I leader aziendali hanno bisogno di informazioni per prendere decisioni fondamentali e prevenire e rispondere ai cambiamenti del settore e del mercato. In teoria, le vaste riserve di dati di oggi dovrebbero rendere più facile acquisire insight. Ma troppo spesso la realtà è che per ottenere dati pertinenti serve effettuare una richiesta a un personale IT che già è aggravato da varie responsabilità.

Gli analytics self-service sono un affare per gli imprenditori, in quanto sostituiscono i gatekeeper dei ticket IT, delle estrazioni di dati e delle richieste di report con una tecnologia che consente ai non esperti di raccogliere e manipolare i dati, applicare tecniche avanzate come il machine learning (ML) e l'intelligenza artificiale (AI) e generare visualizzazioni e report personalizzati. Il risultato è un'organizzazione in cui gli utenti business possono seguire le loro intuizioni e la loro curiosità per cercare le risposte di cui hanno bisogno, il tutto in modo tempestivo che garantisce che i risultati siano ancora rilevanti e fruibili.

Che cosa sono gli analytics self-service?

Gli analytics self-service sono una tecnologia che consente alle persone senza esperienza IT o di data science di esaminare i dati operativi e trovare insight tempestivi e pertinenti. Grazie agli analytics self-service, gli utenti business, come venditori, esperti di marketing e team di produzione, possono sfruttare la potenza di una piattaforma di analytics senza il supporto di data scientist o professionisti dell'IT.

Per abilitare gli analytics self-service, le aziende implementano uno strumento di analytics, spesso residente nel cloud, e poi lo connettono a un repository di dati. Negli analytics tradizionali, i team IT spesso dovevano gestire le richieste degli utenti aziendali per creare e scaricare estrazioni di dati. Analogamente, a volte le vendite e il marketing si rivolgono ai team di business intelligence o di data science per produrre riepiloghi, report o analisi. L'aspetto "self-service" degli analytics self-service si riferisce agli utenti business in grado di gestire entrambe le attività senza assistenza. I dati sono connessi direttamente al software di analytics, in modo che gli utenti possano selezionare i dati giusti da soli e gli strumenti della piattaforma consentano loro di eseguire le proprie analisi e visualizzazioni.

Grazie agli analytics self-service, gli utenti business possono eseguire molti task che in precedenza richiedevano competenze specifiche, tra cui l'elaborazione di data set, la generazione di insight, la progettazione di dashboard e la creazione di visualizzazioni. Alcuni strumenti di analytics self-service hanno funzionalità AI e ML integrate che setacciano rapidamente set di dati molto grandi per trovare insight e scoprire pattern nascosti. In particolare, la recente integrazione di AI e ML ha scatenato un impatto trasformativo sulle capacità degli analytics. Con l'introduzione dell'automazione, gli utenti non tecnici vengono supportati nel loro processo di scoperta. Connettere semplicemente un'applicazione di analytics a un'origine crea un profilo automatico dei dati correlati, saltando numerosi passaggi per aiutare gli utenti a trovare ciò che stanno cercando. In molti casi, ciò conferisce agli utenti libertà di movimento nella scoperta dei dati quando non hanno nemmeno in mente una query in particolare.

Concetti chiave

• Gli analytics self-service consentono agli utenti business di generare report, visualizzazioni e analisi in modo più semplice e rapido, aiutandoli a rispondere in modo più efficace alle condizioni in evoluzione.
• Consentendo ai team di accedere direttamente a dati e strumenti, gli utenti aziendali possono iterare le loro ricerche e aggiungere nuove fonti di dati in base alle esigenze.
• Poiché non sono necessari ticket o assistenza, i dipendenti hanno più libertà di perseguire scenari what-if e gestire rapidamente i nuovi problemi o le opportunità che si presentano.
• Gli analytics self-service riducono l'onere per il personale IT, dando loro il tempo di esplorare opportunità come l'integrazione di nuove fonti di dati o la ricerca di nuovi strumenti per l'analisi e la governance.

Perché gli analytics self-service sono importanti?

Che si tratti di finance, HR, operations o vendite e marketing, il successo spesso dipende dalla generazione di insight chiari su ciò che sta accadendo e cambiando, e poi dalla formulazione e dall'esecuzione rapida dei piani di risposta. Cosa ostacola l'esecuzione di azioni veloci? Spesso i team delle Line of Business devono fare affidamento su altre parti dell'organizzazione per eseguire gli analytics in modo da poter comprendere chiaramente la situazione.

Gli analytics self-service cambiano questo scenario. Invece di aprire un ticket o inviare un'e-mail, gli utenti vanno alla piattaforma di analytics self-service per accedere direttamente ai set di dati, selezionare i parametri e quindi utilizzare gli strumenti forniti per generare insight basati sui dati e creare visualizzazioni e report. L'analisi risultante viene caricata ed eseguita all'interno dello strumento stesso anziché utilizzare un'applicazione come un foglio di calcolo per raccogliere dati. Ciò riduce al minimo le possibilità di errori manuali o di eliminazione accidentale dei dati. Un altro miglioramento consiste nel fatto che gli analytics self-service facilitano di molto l'iterazione: trovare l'ago nel pagliaio dei dati, e poi seguire quell'idea con diversi percorsi di analisi senza dover aspettare che un team IT risponda.

Gli analytics non devono esistere separatamente dalle applicazioni di un'organizzazione. Difatti, gli studi hanno dimostrato che l'adozione degli analytics aumenta significativamente quando gli utenti possono accedere agli strumenti incorporati direttamente all'interno di un'applicazione. Come mai? Semplice comportamento umano: quando è semplice e richiede pochi passaggi, le persone hanno molte più probabilità di provarlo. Nel caso degli analytics incorporati, quando un ambiente supporta gli analytics, gli ostacoli all'esportazione o all'importazione dei dati scompaiono e si viene incoraggiati lavorarci seduta stante e, quando succede, possono generare ulteriori insight più velocemente e con maggiore frequenza. Un esempio comune viene dal web, dove i dati e i report di analytics sono spesso incorporati in un articolo o in una pagina per concedere l'accesso immediato.

11 Best practice e strategie per gli analytics self-service

L'implementazione degli analytics self-service va ben oltre l'acquisto di uno strumento basato sul cloud e l'attivazione di un interruttore. Perché l'implementazione di questo approccio in un'organizzazione abbia successo servono una serie di strategie aziendali e considerazioni tecnologiche, tra cui la formazione dei dipendenti e la creazione di standard di dati. Di seguito sono riportate le best practice e le strategie chiave per portare con successo gli analytics self-service in un'organizzazione.

1. Valuta le tue esigenze

Prima che un'azienda acquisisca una piattaforma di analytics self-service, i leader dovrebbero identificare i loro processi più importanti basati sui dati e fare brainstorming su come potrebbero essere migliorati con funzionalità di analytics più efficaci. I team operativi dovrebbero creare un elenco di fonti di dati interne ed esterne di cui hanno bisogno per supportare tale visione, insieme ad aree che potrebbero trarre vantaggio da fonti di dati aggiuntive o da tecniche più potenti come l'analisi e la modellazione basate sull'intelligenza artificiale. Questi insight saranno usati come informazioni per capire quali piattaforme di analytics offrono le funzionalità necessarie.

2. Trova il fornitore di piattaforme giusto

Fatta una valutazione delle esigenze, i leader IT possono mettere giù un breve elenco di fornitori di piattaforme di analytics dei dati. L'IT dovrebbe collaborare con i gruppi di business che utilizzeranno gli strumenti per la revisione e la selezione dei prodotti. Prenota una demo per mostrare ai dipendenti l'interfaccia utente e rivedere le opzioni di personalizzazione. Coinvolgi il finance: ti affiderai al cloud o all'on-premise? La struttura dei costi è allineata alle tue esigenze? Includi nella discussione i team di sicurezza e legali per valutare le funzionalità di sicurezza e governance dei dati.

Cerca funzioni chiave come:

• Caricamento dei dati drag-and-drop, trasformazione dei dati e modellazione aziendale self-service.
• Motori di analisi basati su AI e ML per aumentare l'accessibilità tra gli utenti non tecnologici.
• Graph analytics integrati per visualizzare le relazioni e le connessioni tra le entità di dati. Ad esempio, il CFO sarà in grado di visualizzare tutti i costi del fornitore e l'headcount interno associati a un determinato progetto cliente?
• Spatial analytics per rispondere a domande come: dove ha influito sulle nostre consegne il maltempo? Quali clienti potrebbero rispondere a un'offerta di upselling specifica?

3. Inizia con i piccoli successi

Promuovere l'adozione di una nuova piattaforma di analytics self-service può essere uno dei passi più difficili. Siamo abituati ai nostri processi familiari, per quanto imperfetti siano. Il modo migliore per consentire ai dipendenti di sfruttare appieno la nuova piattaforma è mostrare come aiuta ogni team a svolgere più facilmente un'attività frequente e dispendiosa in termini di tempo. Alcuni esempi includono l'analisi dei tassi di conversione delle campagne (marketing), la crescita delle vendite per area (vendite) e il ricambio del magazzino (operations).

4. Espandi a usi più avanzati

Il segreto per degli analytics self-service di successo sta nel far muovere gli utenti a passi graduali per poi arrivare ad analisi più complesse. Queste piattaforme rendono più facile lavorare con varie fonti di dati, grandi volumi di dati e funzionalità avanzate come il machine learning. Utilizzando uno degli esempi precedenti, i responsabili delle vendite possono aggiungere una dimensione a un'analisi della crescita importando i dati delle campagne di marketing per vedere in che modo varie aree hanno beneficiato del supporto delle campagne, senza i problemi di copia/incolla associati all'integrazione manuale dei dati.

5. Incoraggia la sperimentazione

Le piattaforme di analytics self-service sono dotate di potenti funzionalità che consentono agli utenti business di accedere facilmente ad analisi più approfondite, come query tramite elaborazione del linguaggio naturale, visualizzazioni a un tocco e modellazione predittiva. Per garantire che i team sfruttino queste funzionalità, lancia la piattaforma self-service con un tour dettagliato delle funzionalità, insieme a esempi di come applicarle in casi d'uso specifici. Fai crescere gli utenti avanzati con risorse di supporto dedicate. Assicurati che i dipendenti comprendano che questa piattaforma è molto più di un sostituto di un foglio di calcolo; idealmente, possono utilizzare la piattaforma di analytics per l'intero flusso di lavoro di analisi, dai dati alle decisioni. Se le tue applicazioni incorporano analytics all'interno dei loro ambienti, vengono superati gli ostacoli all'adozione da parte degli utenti e può aumentare la diffusione, portando a una sperimentazione più rapida e semplice.

6. Identifica le lacune nei dati

Man mano che i team acquisiscono maggiore familiarità con il lavorare in un'organizzazione basata sugli analytics, identificheranno nuove fonti di dati che migliorerebbero i risultati, colmando lacune o sostituendo fonti incomplete, obsolete o difficili da utilizzare. Incoraggia i team a cercare lacune e a identificare nuovi flussi di dati. Configura un processo attraverso cui le persone possano comunicare le loro esigenze a monte. Ciò consentirà ai curatori dei dati IT di valutare nuove fonti di dati o tecniche di trasformazione per colmare tali lacune.

7. Prepara i tuoi dati

Con "disponibilità di dati" si intende l'avere dati accurati, completi e deduplicati formattati affinché vengano usati negli analytics self-service e in altri strumenti. Il più grande vantaggio degli analytics self-service è che consente agli utenti business e ad altri non esperti di ricavare insight dai data set. Il rovescio della medaglia, tuttavia, è che quegli utenti non avranno l'esperienza dei database manager o dei data scientist, quindi i problemi di preparazione dei dati come problemi di formato o dati mancanti devono essere risolti prima che i dati siano resi disponibili per gli strumenti di analisi self-service. Le origini dati devono essere convalidate per garantire precisione e pulite in modo da soddisfare gli standard di formattazione e definizione. La preparazione dei dati dovrebbe includere una formazione destinata agli utenti avanzati nelle business unit su come descrivere potenziali problemi e come contrassegnarli per il personale IT.

8. Pianifica la crescita

Quando vengono implementati analytics self-service, l'infrastruttura alla base deve essere in grado di gestire un'ampia adozione tra i team, nonché il supporto e la gestione dei data set in entrata. Gli elementi necessari per la scalabilità varieranno tra le organizzazioni in base al numero di utenti, ai tipi di analisi che stanno eseguendo, alla dimensione dei data set e al numero di fonti configurate. Ulteriori considerazioni pratiche includono problemi di governance e se le origini dati contengono dati strutturati o non strutturati. I dati strutturati possono avere requisiti quali esigenze specifiche di data warehouse che possono rendere più costosa l'espansione. In molti casi, le organizzazioni scelgono di implementare gradualmente gli analytics self-service per dipartimento piuttosto che a livello di organizzazione per bilanciare i fattori tecnici e di formazione coinvolti nello scale-up dell'accesso.

9. Definisci standard per i dati organizzativi

Man mano che gli utenti business acquisiscono esperienza con gli analytics self-service, inizieranno a vedere possibilità più interessanti e questa mentalità dovrebbe essere incoraggiata. Dal punto di vista pratico, i team IT devono sviluppare standard organizzativi per i dati, tra cui formattazione, inserimento dei dati, completezza e organizzazione. Costringere gli utenti a risolvere le discrepanze in elementi come il formato data/ora e le cifre significative ridurrà l'entusiasmo. Definisci invece standard per garantire l'uniformità e incoraggiare i team a introdurre nuove fonti di insight.

Gli standard dei dati semplificano l'utilizzo e la condivisione delle informazioni. Per il personale IT, avere standard significa ridurre al minimo il lavoro speso per normalizzare i dati e allo stesso tempo semplificare l'individuazione delle anomalie. Gli standard a livello organizzativo dovrebbero concentrarsi su policy di dati di livello elevato: definizioni dei dati, processi di trasformazione, sourcing dei dati. A livello operativo, le aziende possono anche impostare formati di report standard per aiutare sia gli autori che i lettori a sapere cosa aspettarsi, pur offrendo loro la libertà di creare report personalizzati, se una piattaforma self-service lo supporta. Ad esempio, l'impostazione di un output di report standard per determinati algoritmi di machine learning può aiutare i team a integrare più rapidamente tale analisi nei report creati dagli utenti.

10. Rendi sicurezza, privacy e compliance dei dati una priorità

Per offrire a più dipendenti maggiore accesso ai dati per l'analisi self-service l'organizzazione potrebbe dover adottare misure per evitare rischi, dalla divulgazione delle informazioni sui clienti o dai dati operativi sensibili. I requisiti di compliance e privacy come il GDPR o le regole di residenza dei dati specifiche dei paesi indicano che le aziende devono restare al passo con le normative. Nel garantire sicurezza bisogna anche controllare che i dati sensibili non siano visti dalle parti sbagliate o divulgati su siti pubblici, cosa che richiede l'impostazione di livelli di accesso granulari in base al ruolo dell'utente e alla sensibilità dei dati.

11. Conosci i limiti degli analytics self-service

Gli analytics self-service possono essere un vantaggio per produttività e creatività, ma non tutti i dati sono appropriati per un ambiente self-service. Alcuni set di dati potrebbero essere così grandi che la loro analisi potrebbe mettere a dura prova l'intera infrastruttura. Alcune fonti potrebbero richiedere troppa pulizia iniziale e benefici non sufficienti, mentre altre potrebbero contenere dati sensibili che non dovrebbero essere divulgati in un ambiente self-service. I team delle Line of Business devono identificare i set di dati attualmente non disponibili più utili per i propri gruppi e collaborare con l'IT sui costi di aggiunta in termini di tempo del personale, uso dell'infrastruttura e sicurezza.

Rinnova il tuo business con gli analytics self-service

Per implementare le best practice di analytics self-service di cui abbiamo parlato, le organizzazioni hanno bisogno di una piattaforma che funzioni per tutti coloro che si affidano ai dati, in particolare utenti avanzati, leader di business unit, team IT ed executive. Idealmente, una piattaforma di analytics self-service offre un'interfaccia intuitiva che consente agli utenti business di cominciare subito a usarla, funzionalità che supportano progetti complessi per data scientist e utenti avanzati, una facile connettività con data lake o data warehouse e modellazione e insight basati sull'intelligenza artificiale che incoraggiano la sperimentazione.

Oracle Analytics offre questa gamma di funzionalità per supportare gli analytics self-service. Oracle Analytics si integra nei repository di dati offrendo al contempo una suite di funzioni che consente alle persone con un'ampia gamma di competenze di ottenere risultati. Oracle Analytics offre funzionalità pronte all'uso, tra cui analytics self-service, streaming analytics in tempo reale e visualizzazioni dei dati, per estrarre insight utili da tutti i tipi di dati, sia nel cloud, nell'on-premise, che in un ambiente ibrido.

Non lasciare che i problemi di governance e standard rallentino l'adozione degli analytics self-service. Se gli utenti aziendali non possono esplorare e analizzare i dati autonomamente, i team IT e di data science sovraccaricati avranno sempre un enorme backlog di richieste, e i dipendenti potrebbero scoraggiarsi e rinunciare alla ricerca di nuovi insight aziendali.

Gli strumenti che facilitano l'esplorazione dei dati in formato libero e ad hoc ripagheranno con nuovi insight, ma anche con una maggiore alfabetizzazione dei dati e un'evoluzione dal semplice reporting focalizzato su "cosa" sta accadendo nel business a uno che ne spiega il "perché".

Domande frequenti sulle best practice degli analytics self-service

Chi è l'utente ideale per gli analytics self-service?

L'utente ideale per gli analytics self-service è qualcuno che capisce il valore dei dati ma non ha le competenze tecniche per gestirne e setacciarne enormi set. Nella maggior parte dei casi, si tratta di un utente aziendale, ad esempio una persona che si occupa di marketing, vendite, finance, supply chain o manufacturing. Questi tipi di utenti comprendono il potenziale dei dati; hanno semplicemente bisogno di un modo più semplice per analizzare le informazioni per generare insight.

In che modo gli analytics self-service differiscono dagli analytics tradizionali?

In un processo di analytics tradizionali l'utente aziendale deve presentare una richiesta per un set di dati con in un mente un obiettivo particolare. Tale richiesta potrebbe nel backlog dell'IT tanto a lungo da perdere un'opportunità di business. Passando agli analytics self-service, l'utente può avviare uno strumento, caricare un data set, definire dimensioni e parametri e manipolare i dati per visualizzare i tipi di insight, visualizzazioni e i report che ne risultano.

Qual è la differenza tra dati strutturati e non strutturati?

I dati strutturati vengono forniti con formati e nomenclature definite, ad esempio un campo dati che specifica un formato AAAA-MM-GG. I dati non strutturati non hanno un formato impostato.

Un esempio di dati strutturati è un modulo di assicurazione medica con campi definiti per il numero di conto del cliente e i codici di procedura e fatturazione. Esempi di dati non strutturati sono una scansione MRI, gli appunti di un medico dopo una visita e le opzioni di trattamento. Questi richiederanno l'aggiunta di tag e altri metadati per descrivere l'asset e fornire informazioni contestuali.

In che modo l'intelligenza artificiale e il machine learning aiutano gli analytics self-service?

Le funzioni di intelligenza artificiale e machine learning (AI/ML) possono identificare insight che i sistemi di analytics tradizionali basati su regole potrebbero non notare. Gli algoritmi di machine learning migliorano l'individuazione dei pattern man mano che vengono esposti a un maggior numero di dati nel corso del tempo. Ciò consente agli utenti business di risparmiare tempo, aprendo al contempo le porte a insight tralasciati in precedenza. Man mano che gli strumenti di analytics basati sull'intelligenza artificiale vanno online, gli utenti saranno in grado di porre domande utilizzando la ricerca in linguaggio naturale e far sì che il sistema selezioni le fonti di dati giuste per generare risposte.

In che modo l'elaborazione del linguaggio naturale può supportare gli analytics self-service?

L'elaborazione del linguaggio naturale (NLP), quando viene utilizzata in una piattaforma di analytics self-service, consente alle persone di porre domande conversazionali e di ottenere risposte basate su un determinato data set. L'NLP è composta da comprensione del linguaggio naturale (NLU, natural language understanding) e da generazione del linguaggio naturale (NLG, natural language generation): entrambi aumentano l'usabilità e l'accessibilità degli analytics. Con l'NLU, l'applicazione può comprendere le domande poste in linguaggio naturale, invece che obbligare gli utenti a utilizzare query in linguaggio tecnico. Un dipendente delle HR potrebbe chiedere: quali sono stati i primi cinque motivi per cui le persone hanno lasciato l'azienda l'anno scorso? O un professionista del marketing potrebbe chiedersi: quali campagne pubblicitarie basate sulla ricerca hanno fornito i tassi di conversione più alti negli ultimi sei mesi? Con l'NLP, l'output può essere proposto in report generati automaticamente che forniscono riepiloghi di insight e risultati facili da comprendere.