5 consejos para tener éxito con la analítica modo autoservicio

La toma de decisiones basada en datos es un atributo clave del negocio digital moderno. Pero los analistas de datos y los científicos de datos experimentados pueden ser costosos y difíciles de encontrar y retener.

Una posible solución a este desafío es implementar análisis de autoservicio, un tipo de inteligencia comercial (BI) que permite a los usuarios comerciales realizar consultas y generar informes por su cuenta con poca o ninguna ayuda de especialistas en datos o TI.

El análisis de autoservicio generalmente involucra herramientas que son fáciles de usar y tienen capacidades básicas de análisis de datos. Los profesionales y líderes empresariales pueden aprovecharlas para manipular datos para que puedan identificar tendencias y oportunidades de mercado, por ejemplo. No es necesario que tengan experiencia en análisis o en estadística u otras disciplinas relacionadas.

Dada la brecha actual entre la demanda de analistas de datos experimentados y la oferta de estos profesionales y el deseo de obtener rápidamente información comercial valiosa en manos de los usuarios que más la necesitan, es fácil ver por qué las empresas encuentran la analítica de autoservicio atractiva.

Pero hay formas correctas e incorrectas de implementar y utilizar análisis de autoservicio. Estos son algunos consejos para los líderes de TI que buscan cumplir la promesa de las estrategias de análisis de autoservicio.

 

Tener un plan de análisis claro y completo

El análisis de datos y las herramientas de análisis han ganado un perfil tan alto dentro de muchas empresas que es fácil ver cómo se pueden usar en exceso o aplicar de manera inapropiada. Este es un problema aún mayor con el análisis de autoservicio, porque permite que una base de personas mucho más amplias analicen los datos.

Por eso es importante establecer un plan sobre dónde y cuándo tiene sentido usar la analítica y tener controles razonables para evitar que su estrategia de analítica se convierta en gratuita para todos.

“Determine su misión, visión y las preguntas que necesita responder sobre el análisis incluso antes de comenzar”, dice Brittany Meiklejohn, analista de procesos comerciales y de ventas en Swagelok, un desarrollador de productos y servicios de sistemas de fluidos para petróleo, gas, productos químicos y industrias de energía limpia.

“Es extremadamente fácil quedar atrapado en todos los cuadros y gráficos que puede crear, pero eso se vuelve abrumador muy rápidamente”, dice Meiklejohn. “Tener esa hoja de ruta desde el principio ayuda a recortar y centrarse en las métricas reales para crear. Tenga también un plan de gobierno de datos para validar y mantener limpias las métricas. Tan pronto como una métrica no es precisa, es difícil volver a obtener la aceptación, por lo que es extremadamente importante confirmar de forma rutinaria la precisión de todos los análisis”.

El plan de análisis debe enfatizar el uso de datos proactivos tanto como sea posible, dice Meiklejohn. “Concéntrese en los datos que son procesables y se pueden implementar nuevamente en el negocio”, dice ella. “Incorporar aprendizajes para transformar procesos y toma de decisiones a escala organizacional. Es genial entender el lado histórico del negocio, pero es difícil cambiar si solo miras el pasado”.

En Swagelok, los departamentos utilizan herramientas de análisis de autoservicio de Domo para determinar si los pedidos de los clientes se retrasarán, programar ciclos de producción, analizar el rendimiento de las ventas y tomar decisiones sobre la cadena de suministro.

“Hemos visto un aumento en la eficiencia; todos pueden obtener los datos que necesitan para tomar decisiones mucho más rápido que antes”, dice Meiklejohn. “Estamos tomando decisiones más responsables basadas en datos, ya que cada departamento está utilizando los datos para la toma de decisiones”.

 

Ve a por ganancias rápidas

Si bien es importante contar con una estrategia de análisis de largo alcance, eso no significa que las organizaciones deban moverse a un ritmo acelerado con el análisis de autoservicio.

“En mi empresa anterior, nuestro negocio de materiales avanzados tenía un dicho: 'Ve rápido, toma riesgos y aprende'”, dice Keith Carey, CIO de Hemlock Semiconductor, un fabricante de productos para las industrias de energía solar y electrónica. “Ese sería mi consejo para aquellos que recién comienzan [con el análisis de autoservicio]. No me malinterpreten, la gobernanza es muy importante y puede llegar un poco más tarde para no sofocar la creatividad”.

Es una buena idea encontrar un pequeño grupo de trabajo “y asignar una misión a la luna para demostrar el arte de lo posible”, dice Carey. Sugiere que los equipos se centren “en las canalizaciones de datos que impulsan la lógica empresarial y las métricas coherentes en toda la empresa. Comprender la importancia de la puntualidad y la calidad de los datos sobre los que se toman decisiones importantes. Ese es un gran lugar para comenzar”.

Hemlock lanzó una iniciativa de análisis de autoservicio en 2018 utilizando la plataforma Spotfire de Tibco, que actualmente utilizan todas las funciones de la empresa. “Antes de eso, TI desarrollaba aplicaciones .NET personalizadas que manejaban los datos y proporcionaban la capacidad inicial de creación de gráficos”, dice Carey. "La característica más popular de estas aplicaciones fue un botón de 'exportar a Excel', donde [la hoja de cálculo de Microsoft] se convirtió en la plataforma de análisis preferida".

Un puñado de los ingenieros más brillantes de la compañía también crearon macros que combinarían nuevos conjuntos de datos, "que tardaron toda la noche en ejecutarse en la PC de alguien", dice Carey. “Y con suerte, si no colapsó, el conjunto de datos se compartió entre los profesionales de la ingeniería.

Con capacidades de análisis de autoservicio, Hemlock ha visto beneficios como una toma de decisiones más rápida y resultados más rápidos. El autoservicio permite que todas las funciones, incluidas las operaciones, las finanzas, las adquisiciones, la cadena de suministro y los equipos de mejora continua, realicen el descubrimiento de datos y creen potentes visualizaciones.

“Acortamos la curva de aprendizaje, entregamos resultados más rápido y aceleramos nuestra comprensión de nuestros procesos de fabricación, lo que llevó a mejorar nuestros productos y reducir costos”, dice Carey. “En muy poco tiempo, ahorramos millones de dólares al mejorar los métodos de generación de informes existentes y descubrir nuevos conocimientos”.

 

Aproveche el procesamiento del lenguaje natural

El procesamiento de lenguaje natural (NLP) hace que los análisis sean más accesibles para un mayor número de personas al eliminar la necesidad de comprender SQL, las estructuras de bases de datos y el concepto de unir tablas, dice Dave Menninger, vicepresidente senior y director de investigación de Ventana Research.

Hay dos aspectos principales de la PNL en lo que respecta a la analítica, dice Menninger: la búsqueda en lenguaje natural, también conocida como consulta en lenguaje natural, y la presentación en lenguaje natural, también conocida como generación de lenguaje natural.

“La búsqueda en lenguaje natural permite a las personas hacer preguntas y obtener respuestas sin [ninguna] sintaxis especial”, dice Menninger. "Al igual que escribir una búsqueda en una barra de búsqueda de Google, puede escribir o, en algunos casos, hablar, una consulta usando el lenguaje cotidiano".

Por ejemplo, un usuario podría solicitar ver los productos que tuvieron el mayor aumento o disminución en las ventas de ese mes. Los resultados se mostrarían y luego el usuario podría refinar la búsqueda, por ejemplo, para determinar el inventario disponible para ciertos productos.

La presentación en lenguaje natural se ocupa de los resultados de los análisis en lugar de la parte de la consulta, dice Menninger. “Una vez que se ha formulado una consulta, usando NLP o de otro modo, los resultados se muestran como narraciones que explican lo que se encontró”, dice.

En el ejemplo del producto, en lugar de mostrar un gráfico de productos que muestre los aumentos o disminuciones de las ventas, la presentación en lenguaje natural generaría algunas oraciones o un párrafo que describiera detalles específicos sobre los productos.

“Las personas tienen diferentes estilos de aprendizaje”, dice Menninger. “A algunos les gustan las tablas de números. Algunos prefieren gráficos. Otros no saben cómo interpretar tablas o gráficos y prefieren narraciones. La presentación en lenguaje natural facilita saber qué buscar en un análisis. También elimina la inconsistencia en la forma en que se interpretan los datos al explicar exactamente lo que se debe quitar del análisis”.

 

Usar análisis integrados

El análisis integrado implica la integración de capacidades analíticas y visualizaciones de datos en aplicaciones comerciales. La incorporación de informes y paneles en tiempo real en estas aplicaciones permite a los usuarios comerciales analizar los datos en estas aplicaciones.

“El análisis incorporado lleva el análisis a las aplicaciones que las personas usan en sus actividades diarias”, dice Menninger. Esto podría incluir aplicaciones de línea de negocio como planificación de recursos empresariales (ERP) , gestión de relaciones con el cliente (CRM) o sistemas de información de recursos humanos (HRIS) , así como herramientas de productividad como colaboración, correo electrónico, hojas de cálculo, presentaciones y documentos.

“En el contexto de las aplicaciones comerciales, los análisis prediseñados facilitan mucho el acceso y el uso de los análisis al personal de la línea de negocios”, dice Menninger. “También proporciona una buena gobernanza, ya que los datos son administrados por la aplicación subyacente donde ya se mantienen los derechos de acceso”.

 

Elige las herramientas adecuadas

La diferencia entre el éxito y el fracaso con el análisis de autoservicio puede deberse a las herramientas tecnológicas que las empresas eligen implementar. Los ejecutivos de negocios deben trabajar en estrecha colaboración con los líderes de TI para evaluar las herramientas y determinar cuáles satisfacen mejor las necesidades de la organización y se ajustan a su infraestructura.

Entre los requisitos que tenía la empresa de servicios financieros Western Union al seleccionar una plataforma de análisis de autoservicio estaba que fuera fácil de integrar con múltiples fuentes de datos dispares, que fuera flexible y fácil de usar, que tuviera potentes capacidades analíticas y que tuviera requisitos mínimos de infraestructura.

La empresa implementó una plataforma de Tableau para permitir que los usuarios comerciales tomen decisiones en función de sus propias consultas y análisis en un entorno gobernado, dice Harveer Singh, arquitecto jefe de datos y jefe de ingeniería y arquitectura de datos de Western Union.

Los departamentos comerciales pueden crear sus propias consultas e informes y colaborar sin necesidad de soporte de TI, dice Singh. “Los usuarios tienen la libertad de cortar y trocear los datos sin conocimientos técnicos”, dice. "Los datos se pueden derivar de múltiples fuentes en varios formatos".

Cuando las organizaciones seleccionan las herramientas de análisis adecuadas, el análisis de autoservicio “faculta a los usuarios comerciales para recuperar y analizar los datos sin necesidad de expertos en TI/especialistas en productos para el desarrollo y análisis de informes”, dice Singh. Es un activo “que responde a los requisitos comerciales dinámicos”.