Аналитика самообслуживания (Self-service analytics, SSA) позволяет бизнес-аналитикам компании, менеджерам, руководителям и другим специалистам, не связанным с ИТ, быстро обрабатывать имеющиеся данные и получать действенные инсайты, что еще несколько лет было доступно только специалистам по обработке данных. Дерек Ноче, руководитель направления визуальной аналитики Capgemini Americas рассказывает на портале eWeek о тех этапах, которые нужно пройти, чтобы создать на предприятии зрелую SSA.

Поскольку компании собирают все больше данных и стремятся использовать их в бизнес-целях, доступ к ним и получение максимальной пользы может оказаться непростой задачей. Мало того, что объем данных растет, многие лица, принимающие решения, и команды, которым нужны инсайты, не разбираются в аналитике. Тем не менее, чтобы оставаться гибкими, им придется научиться оперативной работе с данными и аналитикой, чтобы находить ответы на новые вопросы без длительного цикла ИТ-разработки.

SSA предлагает решение этой проблемы. Построив программу SSA на прочной основе управляемых, отвечающим потребностям данных и центра передового опыта (Center of Excellence, COE) в области визуальной аналитики, организации смогут демократизировать свои данные. SSA расширяет доступ к ним за счет упрощения запросов даже для пользователей без технических навыков, а также за счет визуального представления данных, чтобы в них можно было легко разобраться.

Кроме того, хорошо продуманная программа SSA обладает возможностью устанавливать ограничения, позволяющие выводить по каждому вопросу только релевантные данные, поэтому пользователи не перегружаются, и в поисках ответов им не нужно перебирать косвенную информацию. Это также предотвращает разочарование, возникающее, когда выполнение запросов в фоновом режиме затягивается, а руководитель или сотрудник ожидает ответа.

Преимущества создания платформы SSA

SSA может принести пользу организации на нескольких уровнях. На самом высоком уровне быстрый доступ к действенным инсайтам помогает компании выявлять, рассматривать и максимально использовать свои бизнес-возможности по мере изменения рынков. Это дает лицам, принимающим решения, возможность перераспределять ресурсы, фокусироваться на новых продуктах и инновациях, а также оперативнее реагировать на изменяющиеся рыночные условия.

На уровне индивидуального пользователя платформа SSA позволяет сотрудникам проверять собственные гипотезы. Они могут получить доступ к своим данным и изучить их по-новому, а затем сравнить свои выводы с ожидаемыми. Такая возможность дает сотрудникам возможность повысить свой вклад в создаваемую организацией ценность. Она также может помочь им построить личную карьеру, отвечая на вопросы, которые принесут выгоды организации.

Например, продавцы B2B могут использовать платформу SSA для определения лучших способов взаимодействия с клиентами и создания предложений для них. По прогнозам Forrester, в этом году более 60% B2B-продавцов будут пользоваться возможностями ИИ и автоматизации.

Еще одна сфера, где визуальная аналитика приносит пользу, — ИТ-отдел. Она избавляет ИТ-команды от необходимости работы с запросами к базам данных и позволяет переориентироваться на основные виды деятельности, такие как подготовка, интеграция и оптимизация данных, а также инфраструктура и безопасность.

Определение типов пользователей SSA

Чтобы обеспечить правильную настройку ограничений и помочь каждому пользователю получить максимальную отдачу от платформы, программа SSA должна быть реализована в соответствии с типами пользователей. Например, руководителям необходим доступ к KPI, тенденциям и исключениям, а также простые в использовании инструменты для фильтрации и сортировки результатов, чтобы они могли быстро принимать обоснованные решения.

Менеджерам необходимо настроить стандартные дашборды, чтобы они могли создавать отчеты и отвечать на вопросы по мере их возникновения. Аналитикам, как правило, необходимо управлять, адаптировать и сертифицировать опубликованные данные для конкретных случаев использования. Им также часто требуется быстро создавать визуализации данных и находить инсайты.

Все эти люди хотят задавать вопросы о данных на простом языке. Хорошая SSA будет поддерживать такой вид поиска с помощью запросов на естественном языке (Natural Language Query, NLQ), который также называется обработкой естественного языка (Natural Language Processing, NLP). По сути, это все равно, что иметь поисковую строку Google для опубликованных и сертифицированных наборов данных.

Создание фундамента для успешной SSA-программы

Для создания эффективной программы SSA необходимо наличие четырех критически важных элементов: данные, управление данными, обучение и ограничительные меры. Данные из различных наборов должны быть очищены, интегрированы и оптимизированы. Качество и актуальность данных важнее, чем их объем, поскольку цель состоит в том, чтобы помочь пользователям быстро найти точные ответы. Надежность, точность и правильное форматирование данных для программы SSA обеспечивается за счет функций управления и сертификации. Данные SSA должны быть тщательно проверены, чтобы ответы и инсайты, которые они дают, правильно интерпретировались и служили основой для верных решений.

Обучение работе с SSA очень важно. Несмотря на то, что визуальный формат делает данные доступнее, чем традиционные запросы к базе данных, пользователи как минимум должны знать, как задавать параметры поиска. В зависимости от уровня ответственности им нужно уметь настраивать дашборды на лету или формулировать новые бизнес-вопросы. Наконец, огромная мощь SSA и визуальной аналитики сопряжена с большой ответственностью, отсюда ограничительные меры. Каждый пользователь и группа должны иметь тот уровень разрешений и доступа, который соответствует их роли. Это поможет им сосредоточиться на данных, которые для них важны, а также обеспечит безопасность базы данных.

Следуя кривой зрелости визуальной аналитики

При наличии базовых элементов организации должны пройти четыре этапа зрелости программы SSA и визуальной аналитики. Сейчас многие компании находятся на первом этапе — этапе отчетности. Он характеризуется реактивными стратегиями использования данных, небольшим количеством визуализаций, статичным представлением отчетов и минимальной или нулевой автоматизацией.

На втором этапе, который включает применение дашбордов, добавляются традиционные визуализации данных, такие как гистограммы и линии тренда, часто представленные на динамической платформе, а также инструменты автоматизации для обновления данных. Иногда на втором этапе данные отображаются из нескольких источников и начинается сотрудничество с использованием визуальных данных.

Третий этап — самообслуживание. Сотрудники получают возможность самостоятельно проводить специальные исследования данных. На этом этапе варианты визуализации становятся более разнообразными, а обмен данными и совместная работа с использованием динамических платформ — более распространенными. Что касается данных, то они должны быть сертифицированными, управляемыми и безопасными.

На четвертом этапе ИИ позволяет осуществлять предиктивное моделирование и автоматизированную визуализацию, которую обеспечивают специалисты по анализу данных, разработчики и аналитики. Как и на предыдущих этапах, на этом этапе используются сертифицированные и безопасные данные, которые автоматически обновляются, но теперь пользователи могут осуществлять поиск с помощью NLQ. Система также может предлагать оптимальные действия на выбор и интегрироваться с бизнес-процессами.

Прохождение всех четырех этапов может занять всего шесть-восемь недель, но большинство организаций достигают четвертого этапа в течение полугода-года после запуска программы. Учитывая время, необходимое для организации данных и перехода на каждый новый уровень зрелости, а также необходимость для предприятий работать более эффективно, быстрее реагировать и более эффективно использовать данные для быстрого принятия решений, настало время внедрения SSA.