Business Intelligence (BI) zur Selbstbedienung

Über Self-Service Business Intelligence (BI) wird schon seit Jahrzehnten gesprochen. Aber ein umfassender Self-Service für die Mehrheit der Geschäftsteams in den Unternehmen ist noch immer ein Wunschtraum. Die Anbieter haben verschiedene Varianten von Self-Service mit begrenztem Erfolg ausprobiert. Optimizely Warehouse-Native Analytics verfolgt einen schablonenhaften und modularisierten Ansatz, um Self-Service-BI für Geschäfts- und Datenanalysten zu ermöglichen. Wir glauben, dass dies das fehlende Glied auf dem Weg zu einem echten unternehmensweiten Self-Service ist.

Selbstbedienung für wen?

Stellen wir uns die Frage: Für wen im Unternehmen wollen wir Self-Service-Analysen bereitstellen? Aus der BI-Perspektive betrachtet, gibt es in einer typischen Organisation vier verschiedene Gruppen - Geschäftskunden, Geschäftsanalysten, Datenanalysten und Dateningenieure. Ihr Unternehmen kann eine andere Struktur haben, z.B. können Geschäftsanalysten und Datenanalysten dieselbe Gruppe sein, oder Geschäftskunden können in einigen Teams analytisch versierte Geschäftsanalysten sein, aber die unten beschriebenen Konzepte gelten trotzdem.

1. Business Consumers - An der Spitze stehen die Business Consumers - die Gruppe, die hauptsächlich Analysen konsumiert und nicht verfasst. Geschäftskunden sind die alltäglichen Betreiber des Unternehmens in den Bereichen Produkt, Marketing, Finanzen, HR, Supply Chain, Vertrieb, Support, Erfolg, IT usw. Geschäftskunden sind die am wenigsten analytisch versierten, aber sie verstehen die Feinheiten ihrer Geschäftsfunktionen sehr gut. Sie sind die Domänenexperten. Viele der Fragen, die eine Datenanalyse erfordern, kommen von Geschäftskunden, die ihr schnelllebiges Geschäft täglich betreiben. Geschäftskunden können in der Regel weder SQL schreiben noch Analysetools verwenden, die komplexer sind als Excel.
2. Business-Analysten - Die nächsten sind Business-Analysten. Business-Analysten widmen sich ihren jeweiligen Geschäftsfunktionen und dienen als Anbieter von Analysen für Geschäftskunden. Ihr Fachgebiet ist die Analytik, zusammen mit einem guten Verständnis der Geschäftsfunktion, der sie dienen. Business-Analysten sind in der Regel Teil von Ops-Teams - Marketing Ops, Product Ops, Business Ops, Sales Ops, IT Ops, Digital Ops usw. Business-Analysten nehmen Fragen von Geschäftskunden entgegen und arbeiten daran, datengestützte Antworten auf die Fragen zu geben. Business-Analysten haben ein gutes Verständnis für die Semantik der Daten, die sie analysieren. Business-Analysten verwenden Excel, BI-Tools und schreiben sogar SQL. Aber in den meisten Fällen verlassen sie sich auf Datenteams, die Berichte für sie erstellen. Business-Analysten sind die Brücke zwischen Geschäftskunden und Datenanalysten.
3. Datenanalysten - Die dritte Gruppe sind die Datenanalysten. Datenanalysten sind in der Regel Teil einer zentralisierten Datenfunktion und dienen einer Vielzahl von verschiedenen Geschäftsfunktionen. Datenanalysten sind in der Regel Teil von Teams wie Data Science, Business Analytics, Business Intelligence und Data Analytics. Datenanalysten sind die Experten für Analytik im Unternehmen. Sie arbeiten mit Geschäftsanalysten zusammen und verfügen über Fachwissen in Bezug auf die Struktur der Daten, deren Modellierung und die Erstellung von Berichten für Geschäftsanalysten. Sie liefern Anforderungen an die Datentechnik, um sicherzustellen, dass alle für Analysen benötigten Daten in der richtigen Form und in der richtigen Kadenz zur Verfügung stehen. Datenanalysten sind Experten für BI-Tools, SQL, Python und KI/ML.
4. Dateningenieure - Die letzte Gruppe sind die Dateningenieure. Data Engineers sind für die Verwaltung der Dateninfrastruktur verantwortlich, einschließlich operativer Datenspeicher, Data Warehouses, ETL/ELT-Jobs, Zugriffskontrolle, Einhaltung von Sicherheits-, Datenschutz- und Governance-Richtlinien, Audit, Kostenmanagement und Leistungsoptimierung.

Geschäftskunden sind also von Geschäftsanalysten abhängig, die wiederum von Datenanalysten abhängig sind, die wiederum von der Datentechnik abhängen. Dies führt zu Ineffizienzen und langen Wartezeiten für Analysen. Oft wird die datengestützte Entscheidungsfindung aufgegeben, weil sich zu dem Zeitpunkt, an dem ein Geschäftsmann eine Analyse erstellt, die Geschäftsbedingungen geändert haben und die Analyse nicht mehr relevant ist. Die Bereitstellung von mehr Self-Service und die Verringerung der Abhängigkeit von anderen Analyseteams kann einen enormen Einfluss auf die Fähigkeit eines Unternehmens haben, rechtzeitig datengestützte Entscheidungen zu treffen und die Geschäftsergebnisse positiv zu beeinflussen.

Sehen wir uns an, was Self-Service für die drei Gruppen bedeuten könnte, die aktiv an der Erstellung und Nutzung von BI beteiligt sind.

Geschäftskunden

Self-Service für Geschäftskunden hat zwei Formen - Dashboards und natürlichsprachliche Schnittstellen:

Dashboards

Dashboards sind die am meisten genutzten BI-Inhalte für Geschäftskunden. Diese Dashboards sind operativer Natur und erfassen wichtige Metriken und deren Aufschlüsselung mit Visualisierungen, die in logischen Gruppen organisiert sind. Dashboards verfügen in der Regel über Eingabeaufforderungen oder Filter am oberen Rand für verschiedene Dimensionen, z.B. Zeit, Produkt, Region, Kunde usw. Die Benutzer können sich verschiedene Datenausschnitte ansehen, indem sie verschiedene Kombinationen von Filtern anwenden. Darüber hinaus können Sie innerhalb der Visualisierungen einfache Drilldowns durchführen.

Natürlichsprachliche Schnittstellen

Dashboards helfen bei der Beantwortung von Fragen, die sich Verbraucher regelmäßig stellen. Aber was ist mit Fragen, die von Dashboards nicht abgedeckt werden? Schließlich ist es nicht möglich, alle möglichen Fragen vorherzusehen und Dashboards für alle Fragen zu erstellen. Geschäftskunden haben viele Ad-hoc-Fragen, auf die sie sofort Antworten benötigen. Für einfache Ad-hoc-Fragen mit einer einfachen Antwort ist es möglich, eine natürlichsprachliche Schnittstelle zu haben, bei der der Verbraucher die Frage einfach in natürlicher Sprache stellen kann und das System (gesteuert durch LLMs) die entsprechende Antwort generiert. Relativ einfache Fragen, die nicht zweideutig sind und eine einzige Antwort ergeben, eignen sich für einen auf natürlicher Sprache basierenden Self-Service. Mit den Fortschritten in der LLM-Technik wird dies im Laufe der Zeit wahrscheinlich immer besser werden.

Business-Analysten

Wenn Geschäftskunden komplexere Ad-hoc-Fragen haben, die nicht über Dashboards beantwortet werden können oder die für eine natürlichsprachliche Schnittstelle zu komplex sind, wenden sie sich an Geschäftsanalysten. Zum Beispiel: "Analysieren Sie, warum die Conversion Rates im letzten Quartal gesunken sind". Diese Art von Fragen erfordern oft eine tiefgreifende und iterative Analyse, um Antworten zu erhalten. Oft haben diese Fragen mehrere Antworten. Das Ergebnis dieser Analyse ist eine Reihe von Untersuchungen und Kommentaren zu den Analyseschritten, die zu den Schlussfolgerungen führen. Genau hier liegt die größte Herausforderung bei der Selbstbedienung. Die überwiegende Mehrheit der Unternehmensanalysten kann nur einen Teil davon selbst durchführen (insbesondere mit Hilfe von LLMs), muss sich aber größtenteils auf Datenanalysten verlassen. Das liegt daran, dass die BI-Tools (wenn sie überhaupt Zugang zu ihnen haben) zu komplex und nicht für die Selbstbedienung ausgelegt sind.

Datenanalysten

Datenanalysten sind analytisch sehr versiert. Sie sind zwar in der Lage, alles selbst zu erstellen, könnten aber von der Bereitstellung eines Self-Service-Tools für Business-Analysten profitieren, um zu vermeiden, dass sie für jede Frage wiederholt Anfragen stellen müssen. Datenanalysten sind oft stark mit solchen Berichtsanfragen belastet, und die Geschäftsteams müssen lange auf Antworten warten. Datenanalysten können auch davon profitieren, dass sie in demselben Tool, das von beiden Teams verwendet wird, für die Geschäftsbereiche entwickeln. Dies ermöglicht eine gemeinsame Entwicklung mit der Möglichkeit, die grundlegende Analyse in dem Tool zu erstellen und die Geschäftsseite darauf aufbauen zu lassen. Mit der Zeit wird immer mehr von den Geschäftsteams selbst erledigt. Schließlich können Datenanalysten auch Zeit sparen, indem sie Self-Service-Tools mit UI-gesteuerten Vorlagen und modularen Abstraktionen verwenden - dies ermöglicht eine schnelle Entwicklung von Analyseelementen und die Wiederverwendung von Bausteinen für mehrere Analysen. Dies führt zu einer enormen Zeitersparnis für Datenanalysten, die dann mehr Zeit für höherwertige Arbeiten aufwenden können.

Optimizely Warehouse-Native Analytics's self-service BI Funktionen

Bei Optimizely Warehouse-Native Analytics konzentrieren wir uns auf die Bereitstellung von Self-Service-Analysen für Business-Analysten und Datenanalysten. Wie bei jedem Produkt integrieren wir generative KI-Techniken in einen "Analytik-Co-Piloten". Wir sind jedoch der Meinung, dass generative KI-Techniken allein ohne die grundlegende Abstraktionsschicht nicht ausreichen werden. Die Zwischenschicht umfasst die folgenden Elemente, die in herkömmlichen BI-Tools fehlen:

Schablonen

Optimizely Warehouse-Native Analytics bietet eine umfangreiche Bibliothek von UI-gesteuerten Vorlagen für generische Grundbausteine, anwendungsfallspezifische und domänenspezifische Analysen. Zu den grundlegenden Bausteinvorlagen gehören die Modellierung von Geschäftseinheiten, Ereignisströmen, Metriken, abgeleiteten/formelspezifischen Spalten und Kohorten. Zu den übergeordneten anwendungsfallspezifischen Vorlagen gehören Ereignis-Segmentierung, Trichter, Pfad, Auswirkung, Retention, Korrelation, Treiber und eine generische Vorlage "Universal Exploration". Die domänenspezifischen Vorlagen sind pro Domäne und Kunde anpassbar, z.B. Kampagneneffektivität, Feature Adoption, Produkt-KPI, Session Engagement, Sales Funnel, Website-Besucher usw. Vorlagen können Hand in Hand mit generativer KI arbeiten, wobei ein LLM-gesteuerter "Analyse-Co-Pilot" den Nutzern bei der Erstellung mit Vorlagen hilft.

Blöcke

Optimizely Warehouse-Native Analytics bietet eine reichhaltige Bibliothek von Bausteinen, mit denen Sie beliebige analytische Berechnungen beliebiger Komplexität zusammenstellen können. Blöcke bieten den Vorteil, dass sie UI-gesteuert sind und kein SQL geschrieben werden muss - das macht sie für Business-Analysten nutzbar und erspart Datenanalysten mühsames SQL. Blöcke haben außerdem den Vorteil, dass sie modular und wiederverwendbar sind. Dadurch wird vermieden, dass viele verschiedene Definitionen desselben Sachverhalts in Tausenden von SQL-Anweisungen vergraben werden. Benutzer können Blöcke erstellen und veröffentlichen, die unabhängig voneinander, aber auch innerhalb anderer Blöcke für die nächste Berechnungsebene verwendet werden können. Blöcke erzeugen eine Zwischendarstellung in einer Sprache namens NetScript, die zu optimiertem SQL für verschiedene Data Warehouses kompiliert wird.

Kosten/Leistungsoptimierung

Wenn Sie eine sehr große Datenskala haben, ist die typische Herausforderung bei herkömmlichen BI-Tools eine schlechte Abfrageleistung und hohe Data Warehouse-Kosten. Oftmals vermeiden es Datenteams, einer großen Anzahl von Geschäftsanwendern Zugang zu Ad-hoc-Analysen zu gewähren, weil sie Angst vor unkontrollierten Abfragen und hohen Warehouse-Kosten haben. Optimizely Warehouse-Native Analytics ist mit seiner Expertise in der Verarbeitung großer Mengen von Ereignisdaten darauf ausgelegt, mit innovativen Techniken wie Sampling und Auto-Materialisierung eine massive Skalierung zu bewältigen, um das beste Kosten-Leistungs-Verhältnis zu bieten. Benutzer können Ad-hoc-Analysen mit guten Reaktionszeiten und kontrollierten Kosten selbst durchführen. Datenteams können den Zugang zu Optimizely Warehouse-Native Analytics für alle Mitarbeiter des Unternehmens zur Selbstbedienung freigeben.

Analyse von ereignis- und zustandsorientierten Daten

BI-Tools sind für die dimensionale Analyse von Metriken mit Modellierungsartefakten wie Stern- und Schneeflockenschemata konzipiert. Sie werden in erster Linie für die Berichterstattung über Zustandsdaten (Geschäftsvorgänge aus POS, Auftragserfassung, Lieferkette, Vertrieb, Finanzen, HR usw.) im Lager verwendet. In Unternehmen mit einer großen Anzahl kundenorientierter digitaler Produkte besteht auch die Notwendigkeit, mit Ereignisströmen zu arbeiten, z.B. mit Daten von Produkt-/Website-/Mobilgeräten, IoT-Geräten, Wearables, Marketing-Touchpoints, Anrufen, Chats usw. In der Vergangenheit wurden diese Art von Daten nie in Data Warehouses gespeichert, und die Analyse dieser Daten erfolgte in speziellen SaaS-Tools wie Marketing/Web Analytics, Product Analytics, Digital Experience Analytics usw. Diese Daten und die zur Analyse dieser Daten verwendeten Tools waren unabhängig von den Data Warehouses und BI-Tools des Unternehmens. Infolgedessen sind die Analysen fragmentiert, nicht sehr umfangreich und unzuverlässig. Immer mehr Ereignisdaten fließen in moderne Cloud Data Warehouses wie Snowflake und BigQuery ein. Optimizely Warehouse-Native Analytics ist das erste Tool, das auf Data Warehouses aufbaut und nahtlos Ereignis- und Zustandsdaten verarbeiten kann - ein einziges Self-Service-Tool mit Funktionen zur Analyse von BI- und Ereignisdaten. Die schablonengesteuerte Benutzeroberfläche von Optimizely Warehouse-Native Analytics bietet die Möglichkeit, Metriken in klassische Dimensionen aufzuschlüsseln, aber auch Ereignisfolgen, Verhaltenskohorten, User Journeys usw. einzubeziehen. So können Sie z.B. die Abonnementeinnahmen ganz einfach nach verschiedenen Nutzerkohorten aufschlüsseln, z.B. nach Marketing Targeting, neuen Nutzern, sehr engagierten Nutzern usw.

Einlösen des Versprechens der Selbstbedienung

Optimizely Warehouse-Native Analytics bietet organisatorische Flexibilität durch Self-Service-BI und beschleunigt die Zeit bis zu analytischen Erkenntnissen für Geschäfts- und Datenanalysten - die wichtigsten Personas bei der datengesteuerten Entscheidungsfindung in Unternehmen. Optimizely Warehouse-Native Analytics löst eine der wichtigsten Lücken in der Self-Service-BI und löst das Versprechen von Self-Service-Analysen für alle ein.