Selvbetjent Business Intelligence (BI)

Det har vært snakket om selvbetjent Business Intelligence (BI) i flere tiår. Men bred selvbetjening for et flertall av forretningsteamene i bedriften er fortsatt en ønskedrøm. Leverandører har forsøkt seg på ulike varianter av selvbetjening med begrenset suksess. Optimizely Warehouse-Native Analytics følger en standardisert og modularisert tilnærming for å muliggjøre selvbetjent BI for forretnings- og dataanalytikere. Vi mener at dette er det manglende leddet for å oppnå ekte selvbetjening i hele virksomheten.

Selvbetjening for hvem?

La oss stille spørsmålet - hvem i organisasjonen ønsker vi å tilby selvbetjent analyse for? Fra et BI-perspektiv involverer et typisk organisasjonsmønster fire forskjellige grupper - forretningskonsumenter, forretningsanalytikere, dataanalytikere og dataingeniører. Organisasjonen din kan ha en annen struktur, f.eks. kan forretningsanalytikere og dataanalytikere være samme gruppe, eller forretningskonsumenter i noen team kan være analytisk kyndige forretningsanalytikere, men konseptene som er beskrevet nedenfor, gjelder likevel.

1. Business Consumers - På toppen finner vi Business Consumers - gruppen som for det meste bruker analyser og ikke er forfattere. Forretningskonsumentene er de som driver virksomheten fra dag til dag, innen produkt, markedsføring, finans, HR, forsyningskjeden, salg, support, suksess, IT osv. Forretningskundene er de minst analytisk kyndige, men de har en dyp forståelse av de kompliserte forretningsfunksjonene sine. De er domeneeksperter. Mange av spørsmålene som krever dataanalyse, kommer fra forretningskunder som driver en virksomhet i rask bevegelse hver dag. De kan vanligvis ikke skrive SQL eller bruke mer komplekse analyseverktøy enn Excel.
2. Forretningsanalytikere - Den neste gruppen er forretningsanalytikere. Forretningsanalytikere er dedikert til sine respektive forretningsfunksjoner og fungerer som leverandør av analyser for forretningskunder. Deres ekspertise er analyse, sammen med en god forståelse av forretningsfunksjonen de betjener. Forretningsanalytikere er vanligvis en del av Ops-team - Marketing Ops, Product Ops, Business Ops, Sales Ops, IT Ops, Digital Ops osv. Forretningsanalytikere tar imot spørsmål fra forretningskunder og jobber med å gi datadrevne svar på spørsmålene. Forretningsanalytikere har en god forståelse av semantikken i dataene de analyserer. Forretningsanalytikere bruker Excel, BI-verktøy og skriver til og med SQL. Men når det gjelder det meste, er de avhengige av at datateamene bygger rapporter for dem. Forretningsanalytikere er bindeleddet mellom forretningskunder og dataanalytikere.
3. Dataanalytikere - Den tredje gruppen er dataanalytikere. Dataanalytikere er vanligvis en del av en sentralisert datafunksjon og betjener en rekke ulike forretningsfunksjoner. Dataanalytikere er vanligvis en del av team som Data Science, Business Analytics, Business Intelligence og Data Analytics. Dataanalytikere er ekspertisen på analyse i selskapet. De samarbeider med forretningsanalytikere og bidrar med ekspertise innen datastruktur, datamodellering og utvikling av rapporter for forretningsanalytikere. De stiller krav til datateknikk for å sikre at alle data som trengs for analyser, er tilgjengelige i riktig form og i riktig kadence. Dataanalytikere er eksperter på BI-verktøy, SQL, Python og AI/ML.
4. Dataingeniører - Den siste gruppen er dataingeniører. Dataingeniørene er ansvarlige for å administrere datainfrastrukturen, inkludert operasjonelle datalagre, datavarehus, ETL/ELT-jobber, tilgangskontroll, samsvar med retningslinjer for sikkerhet, personvern og styring, revisjon, kostnadsstyring og ytelsesjustering.

Forretningskunder er altså avhengige av forretningsanalytikere, som igjen er avhengige av dataanalytikere, som igjen er avhengige av datateknikere. Dette resulterer i ineffektivitet og lange ventetider for analyser. Ofte blir datadrevne beslutninger ikke tatt fordi forretningsforholdene har endret seg innen en analyse er ferdig, og analysen er ikke lenger relevant. Mer selvbetjening og mindre avhengighet av andre analyseteam kan ha stor innvirkning på organisasjonens evne til å ta datadrevne beslutninger i tide og påvirke forretningsresultatene i positiv retning.

La oss se på hva selvbetjening kan bety for de tre gruppene som er aktivt involvert i produksjon og bruk av BI.

Forretningskunder

Selvbetjening for forretningskunder kan ta to former - dashbord og grensesnitt for naturlig språk:

Dashbord

Dashbord er det BI-innholdet som brukes mest av bedriftsforbrukerne. Disse instrumentbordene er operasjonelle og viser nøkkeltall og deres fordeling med visualiseringer organisert i logiske grupper. Dashbord har vanligvis ledetekster eller filtre øverst for ulike dimensjoner, f.eks. tid, produkt, region, kunde osv. Brukerne kan se på ulike utsnitt av data ved å bruke ulike kombinasjoner av filtre. I tillegg kan forbrukerne utføre grunnleggende drill downs i visualiseringene.

Grensesnitt for naturlig språk

Dashbord bidrar til å svare på vanlige spørsmål som forbrukerne har med jevne mellomrom. Hva med spørsmål som ikke dekkes av dashbord? Det er tross alt ikke mulig å forutse alle mulige spørsmål og lage dashbord for dem alle. Forretningskunder har mange ad hoc-spørsmål som de trenger svar på umiddelbart. For grunnleggende ad hoc-spørsmål med et enkelt svar er det mulig å ha et grensesnitt for naturlig språk der forbrukeren ganske enkelt kan stille spørsmålet på naturlig språk og få systemet (drevet av LLM-er) til å generere det passende svaret. Relativt enkle spørsmål som ikke er tvetydige og som gir ett enkelt svar, egner seg for selvbetjening basert på naturlig språk. Med fremskritt innen LLM-teknologi vil dette sannsynligvis bli bedre og bedre med tiden.

Forretningsanalytikere

Når bedriftskunder har mer komplekse ad hoc-spørsmål som ikke kan besvares gjennom dashbord, eller som er for komplekse til at et grensesnitt med naturlig språk kan håndtere dem nøyaktig, henvender de seg til forretningsanalytikere. For eksempel - "analyser hvorfor konverteringsfrekvensen falt i forrige kvartal". Denne typen spørsmål krever ofte dyptgående og iterative analyser for å få svar. Ofte har disse spørsmålene flere svar. Resultatet av denne analysen er en rekke utforskninger og kommentarer om analysetrinnene som leder frem til konklusjonene. Det er her den største utfordringen med selvbetjening ligger. De aller fleste forretningsanalytikere kan bare gjøre noe av dette selv (spesielt med hjelp av LLM-er), men må for det meste stole på dataanalytikere. Dette skyldes at BI-verktøyene (hvis de i det hele tatt har tilgang til dem) er for komplekse og ikke er utformet for selvbetjening.

Dataanalytikere

Dataanalytikere er analytisk svært kunnskapsrike. Selv om de er i stand til å bygge alt selv, kan de ha nytte av å tilby forretningsanalytikere et selvbetjeningsverktøy, slik at de slipper å måtte betjene gjentatte forespørsler for hvert eneste spørsmål. Dataanalytikerne er ofte overbelastet med slike rapporteringsforespørsler, og forretningsteamene må vente lenge på svar. Dataanalytikere kan også dra nytte av å bygge for virksomheten i det samme verktøyet som brukes av begge teamene. Det gir mulighet for samarbeid om utvikling, slik at man kan bygge den grunnleggende analysen i verktøyet, og så kan forretningsteamet plukke den opp og bygge videre på den. Etter hvert blir mer og mer gjort av forretningsteamene selv. Endelig kan dataanalytikere også spare tid ved å bruke selvbetjeningsverktøy med brukergrensesnittdrevne maler og modulære abstraksjoner - dette muliggjør rask utvikling av analytiske elementer og gjenbruk av byggeklosser på tvers av flere analyser. Dette gir store tidsbesparelser for dataanalytikerne, som dermed kan bruke mer tid på arbeid av høyere verdi.

Optimizely Warehouse-Native Analytics' selvbetjente BI-funksjoner

Hos Optimizely Warehouse-Native Analytics fokuserer vi på å tilby selvbetjent analyse for forretningsanalytikere og dataanalytikere. Som med alle andre produkter integrerer vi generative AI-teknologier i en "analytisk co-pilot". Men vi mener at generativ AI-teknologi alene vil komme til kort uten det grunnleggende mellomliggende abstraksjonslaget. Dette mellomlaget omfatter følgende elementer som mangler i tradisjonelle BI-verktøy:

Maler

Optimizely Warehouse-Native Analytics tilbyr et rikt bibliotek med brukergrensesnittdrevne maler for generiske, grunnleggende byggeklosser, brukstilfellespesifikke og domenespesifikke analyser. De grunnleggende byggeklossene omfatter modellering av forretningsenheter, hendelsesstrømmer, beregninger, avledede kolonner/formler og kohorter. De høyere nivåene av brukstilfelle-spesifikke maler inkluderer hendelsessegmentering, trakt, sti, innvirkning, oppbevaring, korrelasjon, drivere og en generisk "Universal Exploration"-mal. De domenespesifikke malene kan tilpasses per domene og kunde, f.eks. kampanjeeffektivitet, funksjonsadopsjon, produkt-KPI, øktengasjement, salgstrakt, besøkende på nettstedet osv. Malene kan fungere hånd i hånd med generativ AI, med en LLM-drevet "analytisk co-pilot" som hjelper brukerne med å bygge med maler.

Blokker

Optimizely Warehouse-Native Analytics tilbyr et rikt bibliotek med byggeklosser som kan brukes til å sette sammen analytiske beregninger av vilkårlig kompleksitet. Blokker har den fordelen at de er brukergrensesnittstyrte, noe som eliminerer behovet for å skrive SQL - dette gjør dem anvendelige for forretningsanalytikere, og dataanalytikerne slipper å bruke tid på kjedelig SQL. Blokker har også den fordelen at de er komponerbare og gjenbrukbare, slik at man unngår mange ulike definisjoner av samme sak begravd i tusenvis av SQL-setninger. Brukerne kan bygge og publisere blokker som kan brukes uavhengig av hverandre, men som også kan brukes i andre blokker for neste beregningsnivå. Blokker genererer en mellomliggende representasjon i et språk som kalles NetScript, som kan kompileres til optimalisert SQL for ulike datavarehus.

Optimalisering av kostnader/ytelse

Når du har svært store datamengder, er den typiske utfordringen med tradisjonelle BI-verktøy dårlig spørringsytelse og høye datavarehuskostnader. Ofte unngår datateam å gi et stort antall forretningsbrukere tilgang til ad hoc-analyser på grunn av frykten for at spørringene skal kjøre av gårde og datavarehusregningen bli høy. Optimizely Warehouse-Native Analytics, med sin ekspertise innen behandling av hendelsesdata i store volumer, er utviklet for å håndtere massiv skala med innovative teknikker som sampling og automatisk materialisering for å gi det beste forholdet mellom kostnad og ytelse. Brukerne kan selv utføre ad hoc-analyser med god responstid og kontrollerte kostnader. Datateamene kan fritt åpne tilgangen til Optimizely Warehouse-Native Analytics slik at alle i organisasjonen kan bruke den selv.

Analyser på tvers av hendelses- og tilstandsorienterte data

BI-verktøy er utviklet for dimensjonal analyse av måltall med modelleringsartefakter som stjerne- og snøfnuggskjemaer. De brukes primært til rapportering av tilstandsdata (forretningstransaksjoner fra POS, ordreinnhenting, forsyningskjeden, salg, økonomi, HR osv. I selskaper som har et stort fotavtrykk av kundevendte digitale produkter, er det også behov for å jobbe med hendelsesstrømmer, f.eks. data fra produkt-, nettsteds- og mobilinstrumenter, IoT-enheter, wearables, berøringspunkter for markedsføring, samtaler, chatter osv. Historisk sett har denne typen data aldri nådd datavarehusene, og analyser av disse dataene ble utført i spesialiserte SaaS-verktøy som markedsførings-/webanalyse, produktanalyse, digital opplevelsesanalyse osv. Disse dataene og verktøyene som ble brukt til å analysere dem, var uavhengige av bedriftens datavarehus og BI-verktøy. Resultatet er at analysene er fragmenterte, lite omfattende og upålitelige. Stadig mer av hendelsesdataene kommer inn i moderne datavarehus i skyen, som Snowflake og BigQuery. Optimizely Warehouse-Native Analytics er det første verktøyet som tilbyr enhetlig analyse på toppen av datavarehusene som sømløst kan håndtere hendelses- og tilstandsdata - et enkelt selvbetjeningsverktøy med både BI- og hendelsesdataanalysefunksjoner. Optimizely Warehouse-Native Analytics' maldrevne brukergrensesnitt gjør det mulig å utføre klassisk dimensjonal oppdeling av beregninger, men også å inkorporere hendelsessekvenser, atferdskohorter, brukerreiser osv. Brukerne kan for eksempel enkelt dele opp abonnementsinntektene etter flere brukerkohorter, f.eks. brukere som er målrettet mot markedsføring, nye brukere, høyt engasjerte brukere osv.

Lever opp til løftet om selvbetjening

Optimizely Warehouse-Native Analytics kan gi organisatorisk smidighet gjennom selvbetjent BI, noe som gir raskere analytisk innsikt for forretnings- og dataanalytikere - nøkkelpersonene når det gjelder å sikre datadrevet beslutningstaking i bedrifter. Optimizely Warehouse-Native Analytics løser en av de viktigste utfordringene innen selvbetjent BI, og innfrir løftet om selvbetjent analyse for alle.