Auswirkungen von Analytics-Berichterstellungsschnittstellen auf Analytics-Programme

In der Welt der Analytik verbringen Analysten viel Zeit mit Analyseprodukten, die Berichte erstellen. Jedes Analyseprodukt hat einen etwas anderen Ansatz für die Berichterstellung. Einige Analyseprodukte beginnen eher mit einer leeren Leinwand und erfordern, dass der Analyst Datenelemente hineinzieht, um die Analyse durchzuführen. Andere ermöglichen es Analysten, Daten in Tabellenkalkulationen zu importieren. Einige erfordern die Verwendung von SQL. Einige bieten Berichtsvorlagen, die es Analysten ermöglichen, die Lücke mit Ereignissen und Eigenschaften zu füllen. Obwohl keine Analytics-Berichterstellungsschnittstelle notwendigerweise besser ist als eine andere, ist es wichtig, dass Unternehmen diejenige auswählen, die am besten zu ihrer Organisation und ihren Datenverbrauchern passt. Die Berichtsschnittstelle kann sich auf das Analyseprogramm als Ganzes auswirken. In diesem Beitrag werde ich einige der Analytics-Berichterstellungsschnittstellen skizzieren, die ich gesehen habe, und wie sie sich auf Analysebereitstellungsmodelle und -programme auswirken können.

Freiformberichterstattung

Eine der beliebtesten Analytics-Berichtsschnittstellen ist das, was ich Freiform-Berichte nenne. In dieser Berichtsoberfläche wird Analysten eine leere Leinwand angezeigt und sie können Metriken und Dimensionen ziehen oder auswählen. Wenn Datenelemente zum Zeichenbereich hinzugefügt werden, nehmen die Daten die Form einer Tabelle mit Spalten und Zeilen an. Dieser Ansatz wurde durch BI-Tools wie Tableau und Digital-Analytics-Produkte wie Adobe und Google Analytics populär gemacht.

Der Vorteil von Freiform-Berichtsschnittstellen besteht darin, dass Sie die vollständige Kontrolle über die Struktur der Daten haben, die Sie analysieren möchten. Sie können mehrere Aufschlüsselungsebenen erstellen und häufig Filter hinzufügen, um Daten nach Dimensionswerten einzugrenzen. Power-Analysten mögen dieses Modell, weil es viel Freiheit und die Möglichkeit bietet, einige erweiterte Abfragen durchzuführen, ohne SQL kennen zu müssen.

Vorgeschriebene Berichterstattung

Eine weitere Analytics-Berichtsschnittstelle ist das vorgeschriebene Berichtswesen. Dieses Modell bietet einen Rahmen für die Art der durchgeführten Analyse und ermöglicht es Analysten, die Elemente einzugeben, die für die Ausführung des Berichts erforderlich sind. Ich betrachte dieses Modell gerne als einen „Füllen Sie die Lücke“-Ansatz für die Berichterstattung. Jeder Berichtstyp weiß, welche Art von Metriken, Ereignissen oder Dimensionen/Eigenschaften benötigt werden, und ermöglicht Analysten die Auswahl geeigneter Optionen zum Erstellen des Berichts.

Dieser Ansatz kann in gewisser Weise einschränkend sein, verhindert aber aufgrund seiner Struktur auch, dass Analysten zu viele Fehler machen.

Spreadsheet-Importe

Ganz gleich, wie weit der Analysebereich wird, es wird immer diejenigen geben, die ihre Analysen einfach in Tabellenkalkulationen durchführen möchten. Viele Analyseprodukte bieten Möglichkeiten zum Herunterladen oder Exportieren von Daten in Tabellenkalkulationen, damit Analysten die Daten dort nach Bedarf bearbeiten können. Tabellenkalkulationen, insbesondere Microsoft Excel, sind in der Regel der kleinste gemeinsame Nenner für Analysten. Einer der Nachteile der Verwendung von Tabellenkalkulationen ist jedoch, dass sie schwieriger zu teilen und zusammenzuarbeiten sind und Probleme mit der Versionskontrolle haben können.

SQL/R/Python

Diejenigen, die sich selbst als „Datenwissenschaftler“ bezeichnen, ziehen es oft vor, Daten über SQL oder über Berichtssprachen wie R oder Python zu analysieren. Diese Programmierschnittstellen und -sprachen bieten viel Flexibilität und können für benutzerdefinierte und erweiterte Analysen verwendet werden. Während heutzutage immer mehr Datennutzer diese Sprachen lernen, sind sie immer noch schwer zu skalieren, insbesondere in großen Unternehmen.

Auswirkungen von Berichtsschnittstellen

Wie sollten Unternehmen also bei all den Möglichkeiten, die für die Durchführung von Analysen zur Verfügung stehen, die richtige für sich auswählen? Wie üblich gibt es keine richtige Antwort, aber im Folgenden finden Sie einige Dinge, die Sie bei der Auswahl berücksichtigen sollten. Außerdem ist es wichtig zu bedenken, dass viele Organisationen mehr als eine für unterschiedliche interne Zielgruppen verwenden müssen.

Datenverbrauchertypen

Die meisten Organisationen haben unterschiedliche Arten von Datenkonsumenten. Oft gibt es ein zentrales Analyseteam, das täglich Analysen durchführt, und es gibt andere, die eher gelegentliche Datennutzer sind. Zu gelegentlichen Datennutzern können Führungskräfte oder Mitarbeiter des Unternehmens gehören, die gelegentlich Daten einsehen müssen, um ihre Entscheidungen zu treffen. Ein Beispiel für Letzteres könnte ein Produkteigentümer sein, der wöchentliche oder monatliche Website-Ansichten von Produkten sehen möchte, die er verwaltet.

Die Berichterstellungsanforderungen des Kernanalyseteams werden viel weiter fortgeschritten sein als die von Gelegenheitsbenutzern. Das zentrale Analyseteam wird wahrscheinlich mehrere Datenaufschlüsselungen vornehmen und Daten nach mehreren Dimensionen/Eigenschaften filtern wollen. Für sie ist es möglicherweise am besten, eine Freiform-Berichtsschnittstelle zu haben oder eine Programmiersprache zu verwenden. Aber diese fortschrittlichen Berichtsschnittstellen können für Leute, die nur gelegentlich Analysen durchführen, oft einschüchternd oder überwältigend sein. Führungskräfte möchten vielleicht nur High-Level-Dashboards von einem BI-Tool sehen.

Es ist wichtig, das Qualifikationsniveau jedes internen Datenkonsumenten zu verstehen und sicherzustellen, dass jedem eine Berichtsschnittstelle zur Verfügung gestellt wird, die seinen Bedürfnissen und Fähigkeiten entspricht. Ich habe viele Organisationen scheitern sehen, weil sie versuchten, einen „one size fits all“-Ansatz zu verwenden und alle Datenkonsumenten dazu zwangen, dieselbe Schnittstelle für Analyseberichte zu verwenden. In diesen Situationen ist es üblich, dass das Kernanalyseteam, das fortgeschrittener ist, davon ausgeht, dass alle Datenkonsumenten Berichtsschnittstellen beherrschen können, die entweder zu komplex oder zu verwirrend für gelegentliche Datenkonsumenten sind. Selbst wenn fortgeschrittenere Berichtsschnittstellen für unerfahrenere Datennutzer kuratiert werden, finden letztere es schwierig, in die Daten einzudringen und die benötigten Antworten zu finden, ohne Hilfe zu benötigen. Ich selbst habe versucht, gelegentliche Datenkonsumenten in erweiterten Berichtsschnittstellen zu schulen, nur um zu sehen, dass sie Schwierigkeiten haben, sie zu lernen. In diesen Fällen habe ich es als hilfreicher empfunden, mehrere Analytics-Berichtsschnittstellen bereitzustellen, die auf die Zielgruppe der Datenkonsumenten zugeschnitten sind.

Analytics-Bereitstellungsmodelle

In der Analytics-Welt stehen mehrere Modelle zur Durchführung von Analysen zur Verfügung. Einige Organisationen verwenden ein zentralisiertes Modell, bei dem Datenkonsumenten Anfragen zur Analyse stellen und die Analyse von einem zentralisierten Team durchgeführt wird. Andere Organisationen versuchen, einen dezentralisierten Ansatz zu verwenden, bei dem von jedem erwartet wird, dass er seine eigene Analyse durchführt (oft als Datendemokratisierung bezeichnet). Es gibt auch hybride Ansätze, die das zentralisierte Modell für einige Arten von Analysen und einen dezentralisierten Ansatz für andere nutzen (einen Vortrag zu diesem Thema können Sie hier hören). Jeder Ansatz hat Vor- und Nachteile, und dies ist eine weitere Situation, in der unterschiedliche Ansätze für verschiedene Organisationen besser oder schlechter sind.

Aber eines habe ich gesehen: Fehler im Berichtsmodell können sich negativ auf das Analysebereitstellungsmodell auswirken. Stellen wir uns beispielsweise vor, dass Acme Corp als Organisation ein dezentralisiertes Modell für die Analyse verwendet. Gleichzeitig beschließen sie jedoch, die Freiform-Analytics-Berichtsschnittstelle zu standardisieren. Im Laufe der Zeit stellen sie fest, dass viele gelegentliche Datenkonsumenten Schwierigkeiten haben, die Daten in ihrer Implementierung zu verstehen und darüber zu berichten. Langsam beginnt das zentrale Analyseteam, E-Mails und Hilfeanfragen zu erhalten. Zunächst können sie mithalten und versuchen, zusätzliche Schulungen durchzuführen, aber bald stellen sie fest, dass die Datenverbraucher nicht in der Lage sind, sich selbst zu bedienen, und die Anzahl der Anfragen überwältigend wird. In dieser Situation, die ich schon oft gesehen habe, gab es eindeutig eine Diskrepanz zwischen der Berichterstellungsschnittstelle und den Datenkonsumenten, und diese Diskrepanz zerstörte das gesamte Analytics-Bereitstellungsmodell. Aus diesem Grund glaube ich, dass es eine direkte und wichtige Beziehung zwischen der Analytics-Berichtsschnittstelle und dem Analytics-Bereitstellungsmodell gibt.

Den Sweetspot finden

In meinen zwanzig Jahren, in denen ich Organisationen bei der Analyse geholfen habe, habe ich selten festgestellt, dass eine Schnittstelle für alle Arten von Datenkonsumenten und alle Analysebereitstellungsmodelle funktioniert. Ich habe nur begrenzten Erfolg mit Analytics-Produktschulungen für gelegentliche Datenkonsumenten gesehen, da es schwierig ist, es zu lernen, wenn Sie nicht sehr oft mit einem Tool arbeiten. Ich denke, die besten Organisationen nehmen sich die Zeit, ihre Unternehmenskultur und die Fähigkeiten der verschiedenen Arten von Datenkonsumenten zu verstehen und beides zu nutzen, um ihre Analytics-Berichtsschnittstelle und ihr Analytics-Bereitstellungsmodell auszuwählen. Ich habe viele Workshops und Schulungen mit Organisationen durchgeführt, um ihnen dabei zu helfen, herauszufinden, welche Schnittstellen und Modelle für sie am besten geeignet sind. Ich ermutige Organisationen auch, regelmäßig neue Berichtsschnittstellen für verschiedene Datenkonsumententypen auszuprobieren, um zu sehen, ob man mit ihnen mehr „klickt“ als mit der derzeit verwendeten. Wir bei Amplitude haben versucht, eine Schnittstelle für die Berichterstellung zu schaffen, die für gelegentliche Datenkonsumenten einfach ist, und wir sind stolz darauf, dass in einigen Organisationen täglich Hunderte von Menschen sich selbst bedienen. Aus diesem Grund haben wir einfache Möglichkeiten für Analyseteams geschaffen, um die Arbeit anderer Analyseanbieter (Google und Adobe) zu nutzen, um Daten an Amplitude zu senden, damit sie sehen können, ob unsere Berichterstellungsschnittstelle das ergänzen kann, was das Kernanalyseteam verwendet.

Letztendlich möchten alle Unternehmen Daten effektiv nutzen und die Zeit verkürzen, die sie benötigen, um Daten in Erkenntnisse umzuwandeln. Die Auswahl der richtigen Analytics-Berichterstellungsschnittstelle für Ihre verschiedenen Datenkonsumenten ist ein großer Schritt zur Verbesserung des Gesamtwerts des Analyseprogramms.