Business Intelligence (BI) med självbetjäning

Självbetjäning inom Business Intelligence (BI) har diskuterats i årtionden. Men bred självbetjäning för en majoritet av affärsteamen i företaget är fortfarande en önskedröm. Leverantörerna har försökt sig på olika varianter av självbetjäning med begränsad framgång. Optimizely Warehouse-native Analytics följer en mallad och modulariserad strategi för att möjliggöra självbetjäning av BI för affärs- och dataanalytiker. Vi tror att detta är den saknade länken för att uppnå verklig företagsomfattande självbetjäning.

Självbetjäning för vem?

Låt oss ställa frågan - för vem i organisationen vill vi tillhandahålla analystjänster med självbetjäning? Ur ett BI-perspektiv omfattar ett typiskt organisationsmönster fyra distinkta grupper - affärskonsumenter, affärsanalytiker, dataanalytiker och dataingenjörer. Din organisation kan ha en annan struktur, t.ex. kan affärsanalytiker och dataanalytiker vara samma grupp, eller så kan affärskonsumenter i vissa team vara analytiskt kunniga affärsanalytiker, men de begrepp som beskrivs nedan gäller fortfarande.

1. Business Consumers - Högst upp finns business consumers - den grupp som mestadels konsumerar analyser och inte författar. Affärskonsumenterna är de som dagligen driver verksamheten inom produkt, marknadsföring, finans, HR, supply chain, försäljning, support, framgång, IT osv. Business consumers är de som är minst analytiskt kunniga, men de har en mycket djup förståelse för sina affärsfunktioner. De är domänexperterna. Många av de frågor som kräver dataanalys kommer från företagskunder som dagligen driver sin snabbrörliga verksamhet. Företagskunder kan vanligtvis inte skriva SQL eller använda analysverktyg av någon komplexitet utöver Excel.
2. Business Analysts - Nästa grupp är business analysts. Business analysts är dedikerade till sina respektive affärsfunktioner och fungerar som leverantör av analyser för business consumers. Deras expertis är analys, tillsammans med en god förståelse för den affärsfunktion de tjänar. Affärsanalytiker är vanligtvis en del av Ops-team - Marketing Ops, Product Ops, Business Ops, Sales Ops, IT Ops, Digital Ops etc. Affärsanalytiker tar emot frågor från företagskonsumenter och arbetar med att tillhandahålla datadrivna svar på frågorna. Affärsanalytiker har en god förståelse för semantiken i de data de analyserar. Affärsanalytiker använder Excel, BI-verktyg och skriver till och med SQL. Men för det mesta förlitar de sig på att datateamen bygger rapporter åt dem. Affärsanalytiker är bryggan mellan affärskonsumenter och dataanalytiker.
3. Dataanalytiker - Den tredje gruppen är dataanalytiker. Dataanalytiker är vanligtvis en del av en centraliserad datafunktion och betjänar en mängd olika affärsfunktioner. Dataanalytiker är vanligtvis en del av team som Data Science, Business Analytics, Business Intelligence och Data Analytics. Dataanalytiker är expertmyndigheten för analys i företaget. De arbetar med affärsanalytiker och tillhandahåller expertis inom datastruktur, modellering och skapande av rapporter för affärsanalytiker. De ställer krav på datateknik för att säkerställa att alla data som behövs för analys finns tillgängliga i rätt form och i rätt takt. Dataanalytiker är experter på BI-verktyg, SQL, Python och AI/ML.
4. Dataingenjörer - Den sista gruppen är dataingenjörer. Dataingenjörer ansvarar för att hantera datainfrastrukturen, inklusive operativa datalager, datalager, ETL/ELT-jobb, åtkomstkontroll, efterlevnad av policyer för säkerhet, integritet och styrning, revision, kostnadshantering och prestandatuning.

Så företagskunder är beroende av affärsanalytiker, som är beroende av dataanalytiker, som i sin tur är beroende av datateknik. Detta leder till ineffektivitet och långa väntetider för analyser. Ofta överges datadrivna beslut eftersom affärsförhållandena har förändrats när en personalisera får en analys gjord och analysen inte längre är relevant. Att tillhandahålla mer självbetjäning och minska beroendet av andra team för analyser kan ha en enorm inverkan på en organisations förmåga att fatta datadrivna beslut i rätt tid och påverka affärsresultaten positivt.

Låt oss titta på vad självbetjäning kan innebära för de tre grupper som är aktivt involverade i att producera och konsumera BI.

Företagskonsumenter

Självbetjäning för företagskonsumenter tar två former - dashboards och gränssnitt för naturligt språk:

Dashboards

Dashboards är det BI-innehåll som används mest av företagskonsumenter. Dessa dashboards är operativa till sin natur och fångar upp nyckeltal och deras uppdelning med visualiseringar som är organiserade i logiska grupper. Dashboards har vanligtvis uppmaningar eller filter högst upp för olika dimensioner, t.ex. tid, produkt, region, kund etc. Konsumenterna kan titta på olika delar av data genom att använda olika kombinationer av filter. Konsumenterna kan dessutom utföra grundläggande drill downs inom visualiseringarna.

Gränssnitt för naturligt språk

Dashboards hjälper till att svara på vanliga frågor som konsumenter har regelbundet. Men hur är det med frågor som inte täcks av dashboards? Det är trots allt inte möjligt att förutse alla möjliga frågor och bygga dashboards för dem alla. Företagskunder har många ad hoc-frågor som de behöver svar på omedelbart. För grundläggande ad hoc-frågor med ett enkelt svar är det möjligt att ha ett gränssnitt för naturligt språk där konsumenten helt enkelt kan ställa frågan på naturligt språk och låta systemet (som drivs av LLM:er) generera det lämpliga svaret. Relativt enkla frågor som inte innehåller några tvetydigheter och som ger ett enda svar är lämpliga för självbetjäning på naturligt språk. Tack vare framstegen inom LLM-tekniken kommer detta sannolikt att bli bättre och bättre med tiden.

Företagsanalytiker

När företagskunder har mer komplexa ad hoc-frågor som inte kan besvaras via dashboards eller är för komplexa för att ett gränssnitt med naturligt språk ska kunna hantera dem korrekt, vänder de sig till affärsanalytiker. Till exempel - "analysera varför konverteringsgraden sjönk förra kvartalet". Den här typen av frågor kräver ofta djupgående och iterativ analys för att få svar. Ofta har dessa frågor flera svar. Resultatet av denna analys är en serie undersökningar och kommentarer om de analyssteg som leder fram till slutsatserna. Det är här den största utmaningen med självbetjäning finns. De allra flesta affärsanalytiker kan bara göra en del av detta själva (särskilt med hjälp av LLM), men måste till största delen förlita sig på dataanalytiker. Detta beror på att BI-verktygen (om de ens har tillgång till dem) är för komplexa och inte är utformade för självbetjäning.

Dataanalytiker

Dataanalytiker är analytiskt mycket kunniga. Även om de har funktioner som gör att de kan bygga allting själva, skulle de kunna dra nytta av ett självbetjäningsverktyg för affärsanalytiker, så att de inte behöver svara på upprepade förfrågningar om varje fråga. Dataanalytiker är ofta hårt belastade med sådana rapporteringsförfrågningar, och affärsteamen måste vänta länge på svar. Dataanalytiker kan också dra nytta av att bygga för verksamheten i samma verktyg som används av båda teamen. Detta möjliggör utvecklingssamarbete med möjligheter att bygga den grundläggande analysen i verktyget och låta verksamheten plocka upp och bygga vidare på den. Med tiden görs mer och mer av affärsteamen själva. Slutligen kan dataanalytiker också spara tid genom att använda självbetjäningsverktyg med UI-drivna mallar och modulära abstraktioner - detta möjliggör snabb utveckling av analytiska element och återanvändning av byggstenar i flera analyser. Detta resulterar i enorma tidsbesparingar för dataanalytiker som sedan kan ägna mer tid åt arbete med högre värde.

Optimizely Warehouse-Native Analytics BI-funktioner med självbetjäning

På Optimizely Warehouse-Native Analytics fokuserar vi på att tillhandahålla självbetjäningsanalys för affärsanalytiker och dataanalytiker. Som med alla produkter införlivar vi generativ AI-teknik i en "analytisk co-pilot". Men vi tror att generativ AI-teknik inte räcker till utan ett grundläggande mellanlager av abstraktion. Det mellanliggande skiktet innehåller följande element som saknas i traditionella BI-verktyg:

Mallar

Optimizely Warehouse-Native Analytics erbjuder ett rikt bibliotek med UI-drivna mallar för generiska grundläggande byggstenar, användningsfallspecifik och domänspecifik analys. De grundläggande mallarna för byggstenar inkluderar modellering av affärsenheter, händelseströmmar, mätvärden, härledda kolumner/formler och kohorter. De användarspecifika mallarna på högre nivå omfattar segmentering av händelser, tratt, väg, påverkan, kvarhållande, korrelation, drivkrafter och en generisk mall för "Universal Exploration". De domänspecifika mallarna är anpassningsbara per domän och kund, t.ex. kampanjeffektivitet, funktionsadoption, produkt-KPI, sessionsengagemang, försäljningstratt, besökare på webbplatsen etc. Mallar kan fungera hand i hand med generativ AI, med en LLM-driven "analytisk co-pilot" som hjälper användare att bygga med mallar.

Block

Optimizely Warehouse-native Analytics erbjuder ett rikt bibliotek med byggstenar för att komponera alla analytiska beräkningar av godtycklig komplexitet. Blocken har fördelen att vara användargränssnittsdrivna, vilket eliminerar behovet av att skriva SQL - detta gör det användbart för affärsanalytiker och sparar dataanalytikernas tid från tråkig SQL. Block har också fördelen att de är komponerbara och återanvändbara - på så sätt slipper man många olika definitioner av samma sak i 1000-tals SQL-satser. Användare kan bygga och publicera block som kan användas oberoende av varandra, men också användas inom andra block för nästa beräkningsnivå. Blocken genererar en mellanliggande representation i ett språk som heter NetScript, som kompileras ned till optimerad SQL för olika datalager.

Optimering av kostnad/prestanda

När du har en mycket stor skala upp data är den typiska utmaningen med traditionella BI-verktyg dålig frågeprestanda och höga datalagerkostnader. Ofta undviker datateam att ge ett stort antal affärsanvändare tillgång till ad hoc-analyser på grund av rädslan för att förfrågningarna ska ta lång tid och att datalagret ska kosta för mycket. Optimizely Warehouse-Native Analytics, med sin expertis inom högvolymsbearbetning av händelsedata, är utformad för att hantera massiv skala med innovativa tekniker som sampling och automatisk materialisering för att ge de bästa förhållandena mellan kostnad och prestanda. Användarna kan själva utföra ad hoc-analyser med korta svarstider och kontrollerade kostnader. Datateam kan fritt öppna upp åtkomst till Optimizely Warehouse-native Analytics för alla i organisationen för självbetjäning.

Analyser av händelse- och tillståndsorienterad data

BI-verktyg är utformade för dimensionell analys av mätvärden med modelleringsartefakter som stjärn- och snöflingescheman. De används främst för att rapportera om tillståndsdata (affärstransaktioner från POS, ordermottagning, supply chain, försäljning, ekonomi, HR etc.) i lagret. I företag där det finns ett stort fotavtryck av kundinriktade digitala produkter finns det också ett behov av att arbeta med händelseströmmar, t.ex. data från instrumentering av produkter/webbplatser/mobiler, IoT-enheter, wearables, kontaktpunkter för marknadsföring, samtal, chattar osv. Historiskt sett har denna typ av data aldrig nått datalager och analys av dessa data gjordes i specialiserade SaaS-verktyg som marknadsföring/webbanalys, produktanalys, digital upplevelseanalys etc. Dessa data och de verktyg som användes för att analysera dessa data var oberoende av företagets datalager och BI-verktyg. Resultatet är fragmenterade analyser som saknar rikedom och är otillförlitliga. Allt mer av händelsedata kommer in i moderna molnbaserade datalager som Snowflake och BigQuery. Optimizely Warehouse-Native Analytics är det första verktyget som tillhandahåller enhetlig analys ovanpå datalagren som sömlöst kan hantera händelse- och tillståndsdata - ett enda självbetjäningsverktyg med både BI- och händelsedataanalysfunktioner. Optimizely Warehouse-Native Analytics malldrivna användargränssnitt ger möjlighet att göra klassisk dimensionell uppdelning av mätvärden, men också att införliva händelsesekvenser, beteendekohorter, användarresor etc. Användare kan till exempel enkelt dela upp abonnemangsintäkter efter flera olika användarkohorter, t.ex. användare med målgruppsinriktning för marknadsföring, nya användare, mycket engagerade användare osv.

Leverera på löftet om självbetjäning

Optimizely Warehouse-Native Analytics kan ge organisatorisk smidighet genom självbetjänings-BI, vilket påskyndar tiden till analytiska insikter för affärs- och dataanalytiker - de viktigaste personerna för att säkerställa datadrivet beslutsfattande i företag. Optimizely Warehouse-Native Analytics löser en av de viktigaste saknade bitarna i självbetjänings-BI och levererar löftet om självbetjäningsanalys för alla.