Visión global:
proliferación de datos fixo que todos os datos de empresas impulsados. O impacto é, todas as empresas é Analytics conducido e todos os usuarios de negocios son usuarios de Google Analytics. Así, o gran desafío da empresa moderna é como equilibrar o soporte para a análise de autoservizo, garantía a seguridade e integridade. O obxectivo da análise de autoservizo é capacitar os usuarios de negocios para traballar cos seus datos relevantes de forma independente con pouca axuda de IT é equipo de DNI. O proceso de auto-servizo só se pode facer con éxito coa axuda das máis recentes ferramentas de self-service DNI e infraestruturas, porque as ferramentas de BI tradicionais non están aptos para soporte self-service.
In this article, imos tratar explotar ambos lados da análise de autoservizo e seu impacto nos negocios. Tamén imos ter un ollar para o futuro desta tendencia.
O ascenso da análise de autoservizo
análise de autoservizo pode definirse como unha forma sinxela de intelixencia de negocio (DNI), onde os usuarios de negocios teñen o poder de acceder aos datos relevantes, realizar consultas e xerar informes propios coa axuda de ferramentas de BI doado de usar de autoservizo. Todo o proceso de self-service é simplificada ou reducida a unha mellor usabilidade.
O obxectivo da análise de autoservizo é permitir que os usuarios de negocios realizando as súas tarefas do día a día de análise e libera o equipo de DNI (ter de volta á terra adecuada na análise e datos estatísticos ciencia) a involucrar-se en proceso de análise de datos máis críticos.
conforme previsión do Gartner, by 2017, a maioría dos usuarios de negocios pode acceder a ferramentas de BI self-service. Pero, á vez, un de cada dez iniciativas serán ben gobernado con un impacto positivo de negocios. And, resto terá problemas coa inconsistencia de datos.
Como podemos xestionar o caos de datos?
Na idade moderna dos negocios, as organizacións teñen que ser máis áxiles en caso de novas fontes de datos e requisitos de negocios. Analytics autoservizo é un paso para acadar este obxectivo. And, o reto é como xestionar o caos de datos, mentres que os empregados están a facer análises de autoservizo.
Abaixo amósanse algunhas suxestións que poden axudarnos a xestionar o caos de datos.
- Introdución de autoservizo máis poderoso plataformas de DNI, xunto coas ferramentas de BI existentes
- Ampliar a adopción de ferramentas de BI modernas en cada unha das unidades de negocio
- Aplicar unha gobernación rigorosa para garantir a calidade e consistencia dos datos
- Introducir papeis e responsabilidades claras en toda a organización
análise de autoservizo e 'datos dos cidadáns científico "
científico de datos cidadán é un termo intimamente asociada coa análise de autoservizo. A idea é, coa axuda de ferramentas de BI e tecnoloxías avanzadas, usuarios de negocios (que non ten ciencia de datos axeitada volver ground) Pode realizar tarefas de análise (análise de autoservizo). Este conxunto de persoas son coñecidas como os científicos de datos de cidadáns, aínda, as persoas teñen opinións diferentes con este termo. Segundo a previsión do Gartner, o número de científicos de datos de cidadáns crecerá cinco veces ao ano 2017.
datos científico cidadán
Image1: O concepto de científico de datos cidadán
Vantaxes da análise de autoservizo
Grandes datos e Analytics é agora unha parte de cada organización e os seus negocios. El está estendendo tan axiña, que as organizacións están descubrindo que é difícil de xestionar con número limitado de profesionais da ciencia de datos pura. Aí vén a aparición de análise de autoservizo e científicos de datos cidadán.
Abaixo amósanse algunhas das vantaxes.
- Democratizar Big Data: Democratización do big data só é posible cando é usado pola maioría dos usuarios. análise de self-service está facendo o camiño para lograr este obxectivo. El cubre a conciencia entre os usuarios comúns que están activamente implicados ou estarán implicados en tarefas de análise de autoservizo.
- Capacitar os usuarios de negocios: Nesta época de explosión de datos, as tarefas de análise están confinados dentro dun conxunto limitado de persoas, entón a organización non vai ser capaz de alavancar o poder da análise. Analytics self-service capacita os usuarios de negocios a facer-se as súas tarefas.
- equipo de ciencia de datos pode concentrarse nas tarefas de análise do núcleo: Usando análise de autoservizo, os usuarios poden realizar tarefas menos intensivo, como a explotación de datos, comprobación, visualización e informes sobre o seu propio. Como resultado, o equipo de ciencia de datos núcleo pode concentrarse en tarefas máis críticas e complexas. E dá unha morea de adición de valor para a organización e empresas.
- Traballar xuntos para unha mellor produtividade: Auto-servizo de análise usuarios e datos básicos equipo científica poden traballar xuntos para o mellor resultado. Os usuarios empresariais poden axudar a si mesmos con self-service, e equipo de ciencia de datos núcleo pode incorporarse a información de autoservizo do equipo de análise para novas análises avanzadas ou tarefas complexas. Así vai en conxunto como unha única equipo para acadar un obxectivo común.
Riscos de análise de autoservizo
Cada novo concepto ten os seus propios riscos, e análise de autoservizo non é diferente. Imos tentar analizar algúns dos factores de risco asociados.
- Falta de adestramento axeitado: Para aplicar self-service, o primeiro paso é seleccionar conxunto correcto de persoas e adestramento-los rigorosamente en ferramentas de BI self-service. Falta de adestramento axeitado pode levar a unha decisión errada.
- Limitacións de usuarios de negocios: Os usuarios de negocios tamén teñen as súas propias limitacións en canto a competencias, coñecemento, cualificación terreo de volta etc. So, unha organización ten para xulgar correctamente quen pode facer o que. E despois diso, adestramentos específicos deben ser proporcionadas. se non, esas limitacións pode producir resultados negativos.
- Risco de ferramentas de autoservizo: Non pode confiar enteiramente en ferramentas de BI self-service como estas ferramentas tamén pode ter erros. Por iso, pode ser arriscado, os resultados destas ferramentas non son controladas e verificadas adecuadamente.
- inconsistencia de datos: As organizacións de garantir a consistencia dos datos antes de self-service aplicación en diferentes capas de negocios. Calquera inconsistencia nos datos poden levar a unha saída inconsistentes e erradas.
- A falta dunha gobernanza axeitada: Mesmo despois de asegurar todos os puntos anteriores, risco non é completamente eliminado, a menos que unha gobernanza adecuada é aplicado en todo o proceso. Calquera brechas no proceso de gobernanza pode facelo unha desorde.
Cal é o futuro?
Big data crecerá día a día e, polo tanto, as análises ha gobernar o mundo dos negocios. Así, o futuro é todo sobre grandes datos e análises en diferentes formas. Agora é o momento, cando as organizacións están tentando estender as tarefas de análise sinxela para os usuarios de negocios e alavancar a principal competencia do equipo de ciencia de datos en áreas máis específicas. Así, a empresa, TIC e equipo de ciencia de datos núcleo traballará en colaboración para acadar os obxectivos comúns de éxito do negocio.
Summary: análise de autoservizo está aquí para ficar e se espallou gradualmente en todas as capas de negocios. O termo "científico de datos cidadán’ está ligada coa análise de autoservizo, e iso significa que os usuarios de autoservizo. Pode ser, o termo pode ser modificada para facer máis específica e significativa, como hai moitos debates en torno a el. Pero a intención principal é identificar os beneficios e riscos da análise de autoservizo e seu futuro. And, é claramente visible que a cultura de análise de autoservizo axudará todas as organizacións, se é bo tomar coidado a partir da xestión.
