Overzicht:
proliferatie gegevens heeft elke zakelijke data-driven gemaakt. De impact is, alle business analytics wordt gedreven en alle zakelijke gebruikers analytics gebruikers. Dus de grote uitdaging van het moderne bedrijfsleven is hoe de steun voor self-service analytics in evenwicht te brengen en tegelijkertijd de beveiliging en integriteit. Het doel van de self-service analytics is te machtigen zakelijke gebruikers te werken met hun relevante gegevens zelfstandig met een beetje hulp van IT of BI-team. De self-service proces kan alleen succesvol worden gemaakt met behulp van de nieuwste BI self-service tools en infrastructuur, omdat de traditionele BI-tools niet geschikt zijn voor self-service support.
In this article, we zullen proberen om beide kanten van self-service analytics en de gevolgen voor het bedrijfsleven te verkennen. We zullen ook een kijkje nemen op de toekomst van deze trend.
De opkomst van self-service analytics
Self-service analytics kan worden gedefinieerd als een eenvoudige vorm van business intelligence (BI), waar zakelijke gebruikers bevoegd zijn om toegang te krijgen tot relevante gegevens, uit te voeren query's en rapporten te genereren zichzelf met behulp van eenvoudig te gebruiken self-service BI-tools. De hele self-service proces wordt vereenvoudigd of afgebouwd voor een betere bruikbaarheid.
Het doel van de self-service analytics is om zakelijke gebruikers in staat hun dag-tot-dag analytics taken zelf uit te voeren en bevrijdt de BI-team (het hebben van een goede achtergrond in de statistische analyse en data science) betrokken te raken bij meer kritische data-analyse proces te krijgen.
Vanaf Gartner's voorspelling, by 2017, het merendeel van de zakelijke gebruikers toegang tot self-service BI-tools hebben. Maar op het zelfde moment, één op de tien initiatieven worden goed bestuurde met een positieve business impact. And, de rest zal problemen met data inconsistentie hebben.
Hoe kunnen we het beheer van de data chaos?
In de moderne tijd van het bedrijfsleven, organisaties moeten flexibeler in het geval van nieuwe gegevensbronnen en business requirements te zijn. Self-service analytics is een stap op weg naar dit doel. And, De uitdaging is hoe de data chaos te beheren, terwijl werknemers doen self-service analytics.
Hier volgen enkele tips die ons kunnen helpen beheren van de gegevens chaos.
- De invoering van meer krachtige self-service BI-platforms, samen met de bestaande BI-tools
- Vouw de toepassing van moderne BI-tools in elke afzonderlijke business units
- Implementeer strenge governance data kwaliteit en consistentie
- Introduceer duidelijke rollen en verantwoordelijkheden binnen de organisatie
Self-service analytics en 'burger data scientist'
Citizen data wetenschapper is een term die nauw verbonden met self-service analytics. Het idee is, met behulp van geavanceerde BI-tools en technologieën, zakelijke gebruikers (die niet de juiste data science back ground) kan analytics taken uit te voeren (self-service analytics). Deze groep mensen staan bekend als burger data wetenschappers, hoewel, mensen hebben verschillende meningen met deze term. Per Gartner voorspelling, het aantal burger data wetenschappers zal groeien vijf keer door het jaar 2017.
burger data scientist
Image1: Het concept van de burger data scientist
Voordelen van de self-service analytics
Big data analytics en is nu een integraal onderdeel van elke organisatie en hun business. Het is zo snel verspreiden, dat de organisaties vinden het moeilijk te beheren met een beperkt aantal zuivere data science professionals. Hier komt de opkomst van de self-service analytics en burger data wetenschappers.
Hier volgen enkele voordelen.
- Democratiseren Big Data: Democratisering van grote gegevens worden alleen mogelijk wanneer het wordt gebruikt door de meeste gebruikers. Self-service analytics is het maken van de weg naar dit doel. Het verspreidt zich het bewustzijn onder de gewone gebruikers, die actief betrokken zijn of zullen worden betrokken bij self-service analytics taken.
- Empower zakelijke gebruikers: In dit tijdperk van data-explosie, Als analytics taken worden opgesloten binnen een beperkte groep mensen, dan zal de organisatie niet in staat om de kracht van hefboomwerking analytics. Self-service analytics machtigt de zakelijke gebruikers hun taken zelf te doen.
- Data Science team zich kan concentreren op de kern analytics taken: Door het gebruik van self-service analytics, zakelijke gebruikers kunnen een minder intensieve taken zoals data verkenning uit te voeren, verificatie, visualisatie en rapportage over hun eigen. As a result, de kern data science team zich kan concentreren op meer kritische en complexe taken. En het geeft veel toegevoegde waarde voor de organisatie en het bedrijfsleven.
- Werk samen voor een hogere productiviteit: Self-service analytics gebruikers en kerngegevens wetenschap team kunnen samenwerken voor het beste resultaat. Zakelijke gebruikers kunnen zichzelf te helpen met self-service, en kerngegevens wetenschap team kan input van self-service analytics team nemen voor verdere geavanceerde analyses of complexe taken. Zo gaat samen als één team om een gemeenschappelijk doel te bereiken.
Risico's van self-service analytics
Elk nieuw concept heeft zijn eigen risico's, en self-service analytics is niet anders. Laten we proberen om een aantal van de risicofactoren in verband met het te analyseren.
- Gebrek aan goede training: Om self-service uit te voeren, de eerste stap is om juiste set van mensen selecteren en train ze rigoureus on self-service BI-tools. Gebrek aan goede training kan leiden tot een verkeerde beslissing.
- Beperkingen van zakelijke gebruikers: Zakelijke gebruikers hebben ook hun eigen beperkingen op het gebied van vaardigheden, kennis, achtergrond kwalificatie etc. So, een organisatie heeft om het goed te oordelen wie wat kan doen. En daarna, specifieke opleidingen moeten worden verstrekt. Anders, deze beperkingen kunnen negatieve resultaten op.
- Risico van self-service tools: Je kunt niet volledig vertrouwen op self-service BI-tools als deze tools ook fouten kan hebben. Dus het kan riskant zijn, Als de resultaten van deze onderdelen niet goed gecontroleerd en geverifieerd.
- gegevensinconsistentie: Organisaties moeten data consistentie vóór de tenuitvoerlegging self-service in verschillende bedrijfssectoren lagen te waarborgen. Elke inconsistentie in de gegevens kan leiden tot een inconsistente en onjuiste uitgang.
- Het ontbreken van deugdelijk bestuur: Zelfs na het waarborgen van alle bovenstaande punten, risico is niet volledig verwijderd tenzij voor een goede governance in het hele proces wordt uitgevoerd. Elke lus gaten in de governance-proces kan het een puinhoop.
Wat is de toekomst?
Big data gaat tot dag groeien met de dag en dus de analytics zal de zakelijke wereld regeren. Dus de toekomst is alles over big data en analyses in verschillende vormen. Dit is het moment, wanneer de organisaties proberen om de eenvoudige analytics taken uitbreiden tot de zakelijke gebruikers en maken gebruik van de kerncompetentie van de gegevens wetenschap team in meer specifieke gebieden. Dus de zakelijke, IT en de kern data science team zal samenwerken om de gemeenschappelijke doelstellingen van zakelijk succes.
Summary: Self-service analytics is hier te blijven en te verspreiden geleidelijk in alle business lagen. De term 'burger data scientist’ is verbonden met een self-service analytics, en dat betekent dat de self-service gebruikers. Kan zijn, De term kan worden gewijzigd om ze specifieker en zinvol, want er zijn veel discussies eromheen. Maar de belangrijkste bedoeling is om de voordelen en risico's van self-service analytics en zijn toekomst te identificeren. And, Het is duidelijk zichtbaar dat de cultuur van de self-service analytics alle organisaties zal helpen, als de juiste zorg wordt genomen van het management.
