Analityka dla każdego

Analityka nie jest tylko i wyłącznie narzędziem wykorzystywanym do budowania sprawnej organizacji. Rzeczywiście, jest kluczem do efektywnego konkurowania na rynkach, ale także skuteczne jej wykorzystanie jest gwarantem innowacji w funkcjonowaniu przedsiębiorstw. Pozwala to realizować strategie wyprzedzające w stosunku do aktualnych zasad rynkowych oraz zmieniać zasady walki o klienta i przychody. Aby tym wyzwaniom sprostać, kluczowe jest maksymalizowanie dostępu pracowników do danych i narzędzi analitycznych oraz, co jest trudniejsze, poszerzanie zakresu danych poddawanych analizie. Scentralizowane zespoły analityków nie są w stanie samodzielnie wspierać wszystkich procesów biznesowych – dlatego tak istotne jest przekazanie narzędzi analitycznych i danych w ręce każdego pracownika organizacji. Inicjatywy takie nazywane są samoobsługowym Business Intelligence (ang. self-service BI). W skrócie idea sprowadza się do takiego zaprojektowania i zarządzania środowiskiem analizy danych, aby każdy był w stanie samodzielnie odnajdywać interesujące go dane, poddawać je przetwarzaniu i analizie, aby ostatecznie wyciągnąć wnioski usprawniające pracę przedsiębiorstwa lub inicjujące innowację, np. w budowaniu oferty produktowej.

Czy poza tendencją do wzmacniania zdolności organizacji do konkurowania są dodatkowe czynniki motywujące wdrażanie rozwiązań self-service BI?

W badaniach prowadzonych przez The Data Warehousing Institute (TDWI) wskazywany jest szereg takich czynników – przede wszystkim rosnąca dynamika zmian, która charakteryzuje współczesny biznes. Monolityczne rozwiązania raportowe nie są w stanie dynamicznie dopasowywać się do zmieniających się procesów biznesowych, danych i oczekiwań użytkowników. Przesunięcie zadań analizy danych bezpośrednio do interesariuszy pozwala zwiększyć pojemność organizacji na wprowadzanie zmian w procesach przetwarzania i wykorzystania danych. Odciąża to także departamenty IT, które, jak wskazują badania, nie są już w stanie zaspokoić galopujących oczekiwań biznesu. Same źródła informacji, z których można czerpać korzyści biznesowe, rozwijają się równie intensywnie – w czasach Big Data analizie poddajemy każdą, nawet najmniejszą daną, z którą przedsiębiorstwo ma do czynienia. Analityka nie obejmuje już tylko sald kontrahentów czy informacji z systemów CRM, ale sięga po logi, działania serwisów internetowych, dane pomiarowe z maszyn produkcyjnych czy też informacje o zachowaniach klientów w mediach społecznościowych. Jest jeszcze jeden czynnik, nie ujawniony w badaniach, który bezpośrednio przekłada się na potrzebę samodzielnego analizowania danych przez pracowników merytorycznych – jest to wykształcenie i potrzeba samodzielnego podejmowania decyzji. Obecnie zatrudniane kadry to ludzie, dla których komputer jest naturalnym narzędziem pracy, a analiza danych, metody statyczne i wykorzystanie zaawansowanych aplikacji jest naturalne. Realizowane w dzisiejszych czasach programy studiów kształcą studentów w zakresie wykorzystania danych do wsparcia procesów podejmowania decyzji. Uczą samodzielności i kompetencji matematycznych kluczowych dla analizy danych i wnioskowania. Tacy pracownicy nie są zainteresowani specyfikowaniem swoich potrzeb informacyjnych i oczekiwaniem na raporty i analizy dostarczone przez dedykowany departament – chcą samodzielnie wykorzystać zgromadzone w przedsiębiorstwie dane, chcą odkrywać znajdujące się w nich korelacje i zależności. Takim oczekiwaniom klasyczne modele budowania architektur systemów Business Intelligence nie są w stanie sprostać.

Jak zatem należy przygotować się na uruchomienie inicjatywy self-service BI?

Kluczowe jest przede wszystkim właściwe zidentyfikowanie potrzeb użytkowników aplikacji analitycznej. Badania wskazują, że kluczowe wymagania to łatwy dostęp do danych i określony poziom wydajności. W drugim kroku przychodzą oczekiwania dotyczące konstrukcji samego rozwiązania – ścieżka pozyskania kompetencji musi być krótka, a uzyskiwane wizualizacje czytelne i atrakcyjne wizualnie. Jednakże przełożenie tego na rzeczywiste działania i właściwe zaprojektowanie procesów zarządzania danymi nie jest już takie oczywiste. W pierwszym kroku należy zauważyć, że użytkownicy dzielą się na grupy – zarówno pod kątem oczekiwań, jak i własnych możliwości. Jedni będą kontrybuować do organizacji budując złożone transformacje danych i kostki analityczne, inni będą specjalizować się w modelach statystycznych. Patrząc na ten aspekt pod innym kątem możemy wyróżnić konsumentów informacji (czyli użytkowników budujących raporty na własne potrzeby) oraz twórców informacji (czyli użytkowników budujących obszary informacyjne do wykorzystania przez innych). Dla każdej z tych grup powinna zostać przygotowana odmienna strategia, obejmująca osobno aspekt architektury i narzędzi systemu oraz procesów wymiany wiedzy i motywowania do dzielenia się efektami własnej pracy. Opracowania TDWI rekomendują np. zbudowanie i wzmacnianie grona zaawansowanych użytkowników, wspieranie ich w wymianie doświadczeń i współdzieleniu wiedzą. Zalążki takich grup pracowników oraz metod działania możemy odnaleźć w istniejących już w organizacjach centrach kompetencyjnych Business Intelligence (ang. Business Intelligence Competency Center). To właśnie te zespoły powinny być odpowiedzialne za realizację strategii self-service BI w firmie.

Czy wdrażanie strategii self-service BI ma wpływ na architektury istniejących środowisk analitycznych lub hurtowni danych?

Self-service BI to praktycznie nowy paradygmat architektoniczny – odchodzimy od uporządkowanych i szczelnie zarządzanych hurtowni danych na rzecz budowania społeczności użytkowników tworzących samodzielnie środowisko analityczne na własny użytek. Założenie to jest zbliżone do podejścia stosowanego w budowaniu środowisk Big Data, gdzie kluczowa jest możliwość szybkiego zasilania nowych źródeł danych, nawet nieuporządkowanych, niestrukturalnych oraz uzyskanie zdolności do realizowania dowolnych analiz z ich wykorzystaniem. Niestety, takie podejście nie może być stosowane jeżeli informacja i analityka ma wspierać procesy, np. sprawozdawczości obligatoryjnej lub operacyjnego scoringu klienta. Dla takich działań potrzebne jest wysokie SLA działania systemu oraz zaufanie do powtarzalności wykonywanych obliczeń i transformacji danych.

Czy to oznacza konieczność utrzymywania w organizacji dwóch systemów analitycznych?

Tak, oczywiście. Istotne jest jednak zapewnienie współdziałania tych platform ze sobą. Tabela powyżej podsumowuje różnice pomiędzy cechami tak budowanych środowisk. Jako element wspólny trzeba wskazać np. przyłączenie systemów analitycznych do źródeł danych oraz, co najważniejsze, wspólne procesy biznesowe zarządzania środowiskami. Uchwycenie innowacji i korzyści, jakie wynikają z realizowania inicjatywy self-service BI, to przede wszystkim identyfikowanie wartościowych analiz i raportów opracowywanych przez użytkowników i ich promowanie do centralnie zarządzanej hurtowni danych. W ten sposób innowacja pojawiająca się szybko i dynamicznie w pozbawionych nadzoru środowiskach self-service BI może być propagowana w organizacji i promowana do analiz stosowanych cyklicznie.

Zadaniem jednostek zarządzających informacją w przedsiębiorstwie jest zapewnienie właściwego przepływu informacji pomiędzy użytkownikami platform analitycznych oraz dostarczenie wyczerpującego opisu biznesowego danych zgromadzonych zarówno w hurtowni, jak i w systemach źródłowych. Co ciekawe, w przypadku skutecznie wdrożonych inicjatyw self-service BI opis ten (zwany także "słownikiem biznesowym") może być utrzymywany bezpośrednio przez użytkowników. Wokół analityki powstaje w organizacji społeczność, gdzie o poziomie nadzoru i kontroli decyduje już strategia zarządzania informacją.

Czy przytoczone badania wskazują problemy, z jakimi można się spotkać wprowadzając inicjatywy self-service BI w organizacjach?

Przede wszystkim należy zauważyć, że technologia pozwalająca na skuteczne wsparcie wdrożeń inicjatyw self-service BI jest już dostępna i idea ta przyświeca budowie nowoczesnych narzędzi analitycznych. Odchodzi się od wysokiej złożoności interfejsów użytkownika, konsoliduje pakiety narzędziowe w proste aplikacje o bardzo zaawansowanych możliwościach. Użytkownicy bezpośrednio uzyskują dostęp do danych, mają swobodę ich transformowania, analizowania i wizualizacji. W kolejnym kroku mogą się uzyskanymi raportami dzielić między sobą. Jako potencjalne zagadnienia wymagające rozwiązania należy wskazać nadal niedostateczne kompetencje analityczne wśród kluczowych specjalistów branżowych. Na edukacji i szkoleniach właśnie tej grupy zawodowej należy się skupić – to właśnie ci pracownicy mają potencjał kreowania innowacyjnych zastosowań dla analizy danych. W drugiej kolejności jako zagrożenie z wdrażania inicjatyw self-service BI wskazywany jest brak kontroli nad przepływem danych, brak centralnego zarządzania i monitorowania jakości danych i reguł ich transformacji. Metodą mitygacji tego ryzyka jest edukacja użytkowników, dostarczanie kompletnej i rzetelnej informacji o danych oraz jasne zdefiniowanie roli poszczególnych środowisk analitycznych.

Czy dostępność rozwiązań BI w "chmurze" może być rozwiązaniem na szybkie uruchomienie inicjatywy self-service BI?

Rynek usług cloud computing dynamicznie rośnie w Polsce. Wykorzystanie aplikacji analitycznych dostępnych w tzw. chmurze może znacząco skrócić czas udostępnienia użytkownikom narzędzi wspierających ich potrzeby informacyjne, jednak istotnym aspektem jest udostępnienie w tych narzędziach danych oraz zapewnienie dostatecznego poziomu bezpieczeństwa danych. Optymalnym modelem biznesowym będzie tutaj zbudowanie hybrydowego środowiska łączącego narzędzia i moc obliczeniową dostępne w chmurze z zasobami organizacji. W ten sposób możliwe jest udostępnienie danych dla inicjatywy self-service BI i zbudowanie "analitycznych piaskownic" dla użytkowników bez angażowania istniejących zasobów infrastruktury przetwarzania danych. Ostatecznie przetwarzania krytyczne dla działania organizacji (np. hurtownia danych) pozostają całkowicie wewnątrz organizacji, a środowisko wsparcia innowacji i dynamicznego raportowania przez użytkowników jest wyniesione na zewnętrzne serwery. Daje to dużą elastyczność w przydzielaniu zasobów i wspieraniu analityków w realizacji nawet najbardziej zaawansowanych obliczeń.

Źródło: www.sas.com
Autor: Patryk Choroś