Översikt:
Data spridning har gjort varje affärsdata drivna. Effekterna är, all verksamhet analys driven och alla företagsanvändare är analys användare. Så den stora utmaningen att moderna företag är hur man balanserar stöd för självbetjäning analys samtidigt som säkerhet och integritet. Syftet med självbetjäning analys är att ge företagsanvändare att arbeta med sina relevanta uppgifter självständigt med lite hjälp från IT eller BI-team. Den självbetjäning process kan bara göras framgångsrikt med hjälp av senaste BI självbetjäningsverktyg och infrastruktur, eftersom de traditionella BI-verktyg är inte passar för självbetjäning support.
In this article, Vi kommer att försöka att utforska båda sidor av självbetjänings analys och dess inverkan på verksamheten. Vi kommer också att ta en titt på framtiden för denna trend.
Ökningen av självbetjäning analytics
Självbetjänings analys kan definieras som en enkel form av business intelligence (BI), där affärsanvändare har befogenhet att få tillgång till relevanta uppgifter, utföra förfrågningar och generera rapporter själva med hjälp av lättanvända självbetjänings BI-verktyg. Hela självbetjäning process förenklas eller skalas ned för bättre användbarhet.
Syftet med självbetjäning analys är att göra det möjligt för affärsanvändare att utföra sina dag till dag analys uppgifter själva och frigör BI-team (ha ordentlig tillbaka marken i statistisk analys och data vetenskap) att engagera sig i mer kritiska dataanalys process.
Enligt Gartners prognos, by 2017, de flesta företagsanvändare kommer att ha tillgång till självbetjäning BI-verktyg. Men samtidigt, en av tio initiativ kommer att vara väl styrd med positiv påverkan på verksamheten. And, resten kommer att ha problem med uppgifter inkonsekvens.
Hur kan vi hantera data kaos?
I modern tid av verksamhet, organisationer måste vara mer flexibel i fråga om nya datakällor och affärsmässiga krav. Självbetjäning analys är ett steg mot detta mål. And, utmaningen är hur man ska hantera data kaos medan anställda gör självbetjänings analytics.
Följande är några tips som kan hjälpa oss att hantera data kaos.
- Införande av mer kraftfulla självbetjänings BI plattformar tillsammans med de befintliga BI-verktyg
- Expandera antagandet av moderna BI-verktyg i varje enskilt affärsenheter
- Genomföra strikt styrning för att säkerställa uppgifternas kvalitet och konsekvens
- Införa tydliga roller och ansvar i organisationen
Självbetjänings analyser och "medborgare uppgifter forskare"
Citizen uppgifter forskare är en term som är nära förknippad med självbetjäning analytics. Tanken är, med hjälp av avancerade BI-verktyg och tekniker, företagsanvändare (som inte har ordentlig data science tillbaka marken) kan utföra analysuppgifter (självbetjänings analytics). Dessa uppsättning av människor kallas medborgaruppgifter forskare, även om, människor har olika åsikter med denna term. Enligt Gartner förutsägelse, antalet medborgare uppgifter forskare kommer att växa fem gånger fram till år 2017.
medborgare uppgifter vetenskapsman
Image1: Begreppet medborgare uppgifter forskare
Fördelar med självbetjäning analytics
Stora data och analyser är nu en integrerad del av varje organisation och sin verksamhet. Det sprider sig så snabbt, att organisationerna har svårt att hantera med begränsat antal rena datavetenskapliga yrkesverksamma. Här kommer ökningen av självbetjäningsanalys och medborgare uppgifter forskare.
Följande är några av fördelarna.
- Demokrati Big Data: Demokratisering av stora datamängder är endast möjligt när det används av en majoritet av användarna. Självbetjänings analys gör vägen mot detta mål. Det sprider medvetenhet bland vanliga användare som är aktivt engagerade eller kommer att delta i självbetjäningsanalysuppgifter.
- Bemyndiga affärsanvändare: I denna tid av dataexplosion, om analysuppgifter är begränsade till en begränsad uppsättning av folk, då organisationen inte kommer att kunna utnyttja kraften i analys. Självbetjäning analys ger företagsanvändare att göra sina uppgifter själva.
- Data vetenskap laget kan koncentrera sig på kärnanalysuppgifter: Genom att använda självbetjänings analytics, affärsanvändare kan utföra mindre intensiva uppgifter som prospekteringsdata, verifiering, visualisering och rapportering på egen hand. As a result, kärnan data science laget kan koncentrera sig på mer kritiska och komplexa uppgifter. Och det ger ett stort värde utöver organisationen och verksamheten.
- Arbeta tillsammans för bättre produktivitet: Självbetjäningsanalys användare och kärnuppgifter vetenskap laget kan arbeta tillsammans för bästa resultat. Företagsanvändare kan hjälpa sig själva med självbetjäning, och kärnuppgifter vetenskap laget kan ta input från självbetjäning Analytics-teamet för ytterligare avancerad analys eller komplicerade uppgifter. Så det går ihop som en enda team för att uppnå ett gemensamt mål.
Risker för självbetjäning analytics
Varje nytt koncept har sina egna risker, och självbetjäning analys skiljer sig inte. Låt oss försöka analysera några av riskfaktorer i samband med det.
- Brist på lämplig utbildning: För att genomföra självbetjäning, det första steget är att välja rätt uppsättning av människor och utbilda dem strikt på självbetjäning BI-verktyg. Brist på lämplig utbildning kan leda till ett felaktigt beslut.
- Begränsningar av företagsanvändare: Företagsanvändare har också sina egna begränsningar i fråga om kompetens, kunskap, tillbaka marken kvalifikationer etc. So, en organisation måste bedöma det ordentligt vem kan göra vad. Och efter det, särskild utbildning bör tillhandahållas. Otherwise, dessa begränsningar kan ge negativa resultat.
- Risk för självbetjäningsverktyg: Du kan inte helt förlita sig på självbetjäning BI-verktyg som dessa verktyg kan också ha fel. Så det kan vara riskabelt, om resultaten från dessa verktyg inte kontrolleras och verifieras korrekt.
- Data inkonsekvens: Organisationer måste se datakonsistens före genomförandet självbetjäning i olika affärslager. Alla inkonsekvens i data kan leda till en inkonsekvent och felaktig utgång.
- Brist på ordentlig styrning: Även efter att säkerställa alla ovanstående punkter, Risken är inte helt bort om korrekt styrning genomförs i hela processen. Eventuella hål slinga i styrningsprocessen kan göra det en enda röra.
Vad är framtiden?
Big data kommer att växa dag för dag och därmed de analyser kommer att styra näringslivet. Så framtiden handlar om stora data och analyser i olika former. Nu är det dags, när organisationer försöker sprida enkla analysuppgifter till företagsanvändare och utnyttja kärnkompetens data vetenskap laget i mer specifika områden. Så att företaget, IT och kärnuppgifter vetenskap team kommer samarbeta för att nå de gemensamma målen för företagets framgång.
Summary: Självbetjänings analys är här för att stanna och sprida gradvis i alla affärslager. Uttrycket "medborgare uppgifter vetenskapsman’ binds med självbetjäning analytics, och det innebär att användare självbetjäning. Kanske, uttrycket kan ändras för att göra det mer specifika och meningsfull, eftersom det finns många diskussioner kring det. Men huvudsyftet är att identifiera de fördelar och risker med självbetjäningsanalys och dess framtid. And, Det är tydligt att kulturen i självbetjänings analys kommer att hjälpa alla organisationer, om lämplig vård tas från ledningen.
