Analyyttisten metodien vertailu, osa 2: Itsepalveluanalytiikka

data analytiikka
KNOWIT
17.12.2021

Tämä on toinen osa sarjassa, jonka tarkoitus on käsitellä analytiikan eri alalajeja ja niiden toteuttamista liikemaailmassa. Sarjan tarkoitus on vastata erilaisiin kysymyksiin: mitä tarkoittaa vaikkapa kontekstuaalinen analytiikka, onko analytiikka vain kokeneille koodaajille ja matemaatikoille, sekä ennen kaikkea, millaista analytiikka tarvitaan nyt ja tulevaisuudessa.

Ensimmäinen osa käsitteli visuaalista analytiikkaa, ja sen löydät täältä.

Itsepalveluanalytiikka

Tämä teksti tarkastelee itsepalveluanalytiikkaa, jonka tarkoituksena on tukea analytiikan päivittäistä käyttöä normaaleissa käyttötilanteissa, antaen käyttäjille mahdollisuudet ja oikeudet luoda omia raporttejaan ja toteuttaa itsenäisesti esimerkiksi visuaalista analytiikkaa [1]. Tarkoitus on antaa data liiketoimintapäättäjien käsiin ja näin mahdollistaa omaehtoinen analysointi ja jalkauttaa analyyttisiä toimintatapoja osaksi yrityksen laajempaa toimintaa. Työntekijöitä kannustetaan tutkimaan dataa, minkä kautta mahdollisuudet datan monimuotoiselle hyödyntämiselle kasvavat.

Suurin ero visuaaliseen analytiikkaan löytyy yrityksen puitteista – itsepalveluanalytiikka on usein loppukäyttäjien tekemää analytiikkaa alustalla, jonka datatyöntekijät ovat rakentaneet. Tämä alusta mahdollistaa loppukäyttäjän tekemän analytiikan ja näiden tulosten jakamista muille, lähtien esimerkiksi yrityksen asiakasmäärän selvittämisestä tietyn tuoteryhmän myynnin ennustamiseen.

Datatyöntekijät tuottavat valmiita ja laadukkaita datasettejä alustalle, jolloin data on loppukäyttäjälle selkeää ja hän pääsee analysoimaan dataa helpommin. Tästä hyvänä esimerkkinä on esimerkiksi yrityksen asiakasmäärään liittyvät tekijät. Loppukäyttäjät eivät välttämättä ole perehtyneitä datan käsittelyyn ja muokkaamiseen, mutta kykenevät analysoimaan valmiita datakokonaisuuksia. Laadukas data on erittäin tärkeä osa tätä kokonaisuutta, jotta analytiikka olisi helposti lähestyttävää loppukäyttäjille, eikä johtaisi vääristettyihin tuloksiin.

Laadukas data on [2]:

  • helposti saatavilla
  • hyvin määriteltyä
  • tarkoitukseen sopivaa
  • luotettavaa ja
  • selkeää

Esimerkiksi, jos data on heikosti määriteltyä, käyttäjillä voi olla eri näkökulmat, jonka perusteella he analysoivat dataa. Asiakasmääriä selvittäessä, joku saattaa laskea asiakkaiksi kaikki, joiden tiedot löytyvät ja toinen saattaa laskea asiakkaaksi henkilön, jolla on transaktio tälle kalenterivuodelle. Heikkolaatuinen data johtaa väärinymmärryksiin, joiden vaikutukset voivat olla merkittäviä.

Haasteita voi syntyä myös ongelman muotoilemisessa tai siinä, että kommunikaation ollessa vajavaista, joukko käyttäjiä selvittävät kaikki samaa ongelmaa vähän eri tavalla määritellen.

Itsepalveluanalytiikan dimensiovertailut

Johtuen siitä, että itsepalveluanalytiikka on monesti visuaalista analytiikkaa, dimensiot ovat lähellä visuaalisen analytiikan vastaavia. Itsepalveluanalytiikassa on kuitenkin hyvin keskeistä, että data on toimivaa ja helposti käyttöönotettavaa, mikä vaatii yritykseltä enemmän datan käsittelyä ja toimivia dataputkia kuin pelkkä visuaalinen analytiikka.

Dimensiovertailu

Selitykset valituille dimensioille löytyvät sarjan ensimmäisestä osasta.

Työkalut

Vaatimukset ovat pitkälti samat, kuin visuaalisessa analytiikassa. Itsepalveluanalytiikassa korostuu se, että työntekijällä on pääsy laadukkaaseen dataan ja soveltuvat työkalut datan analysointiin, lähtien tietolähteeseen yhdistämisestä, datan muuttamisesta ja toiseen dataan yhdistämisestä, soveltuvan analytiikkaohjelman käyttöön. [3]

Jotta datasta saadaan laadukasta ja helposti analysoitavaa, vaaditaan ensin pohjatyötä ja datan käsittelyä. Tämä onnistuu esimerkiksi Tableau Prepilla, joka on nimensä mukaisesti osa Tableau tuoteperhettä. Myös muilla työkaluilla datan käsittely onnistuu, tästä ovat hyviä esimerkkejä muun muassa Python ja R. Voisi sanoa, että laadukas data on eräs itsepalveluanalytiikan työkalu.

Tämän jälkeen tarvitaan jonkinlainen alusta, jonka kautta käyttäjät saavat yhteyden dataan ja jossa he voivat dataa jalostaa ja analysoida. Tällaisia ovat esimerkiksi Tableau Server ja Power BI premium, jotka tarjoavat mahdollisuuden helppoon visuaaliseen analytiikkaan.


Lue esimerkkicasemme, kuinka integroimme dataa useasta lähteestä ja muodostimme kattavan tietovaraston, jota hyödynnetään visualisoinneissa: Tietovarastoratkaisu - Case Finnpark

 

Kirjoittanut

Veera Korte ja Nico Ylirönni

Kirjoittajat toimivat Data Driven Services -liiketoimintayksikkömme Data Analysteina.

 

[1] Gartner Glossary. Self-service Analytics. Saatavilla: https://www.gartner.com/en/information-technology/glossary/self-service-analytics (Viitattu 17.12.2021)
[2] Cai, L. and Zhu, Y., 2015. The Challenges of Data Quality and Data Quality Assessment in the Big Data Era. Data Science Journal, 14, p.2. Saatavilla: http://doi.org/10.5334/dsj-2015-002 (Viitattu 17.12.2021)
[3] Tableau. How a modern data stack is unlocking agility across the retail industry. https://www.tableau.com/about/blog/2021/5/how-modern-data-stack-unlocking-agility-across-retail-industry


 

Arrow-short-Digital-lollipop Tutustu dataohjatun liiketoiminnan palveluihimme.

Arrow-short-Digital-lollipop Haemme jatkuvasti uusia osaajia riveihimme! Tsekkaa avoimet työpaikat täältä.

Solutions

Lue lisää