En qué se equivoca la mayoría de las empresas sobre el análisis de autoservicio

Gartner define el análisis de autoservicio de la siguiente manera:

Self-Service Analytics es una forma de inteligencia comercial (BI) en la que los profesionales de la línea de negocios están habilitados y alentados a realizar consultas y generar informes por su cuenta, con soporte nominal de TI. El análisis de autoservicio a menudo se caracteriza por herramientas de BI fáciles de usar con capacidades analíticas básicas y un modelo de datos subyacente que se ha simplificado o reducido para facilitar la comprensión y el acceso directo a los datos.

Con el debido respeto a nuestros amigos de Gartner, creemos que no se entiende el punto. Es hora de redefinir el análisis de autoservicio . ¿Por qué? Porque los productos son creados por equipos capacitados y multifuncionales. La dicotomía TI vs Negocio es mucho menos relevante en el mundo del producto. Cuando enmarcamos el objetivo del análisis de autoservicio como un acceso conveniente e individual a informes, conocimientos y datos, perdemos de vista el panorama general. Especialmente si limitamos esa definición a "capacidades analíticas básicas".

El autoservicio no es el objetivo. El impacto es el objetivo.

Exploremos algunos de los problemas aquí con tres ejemplos de cómo el análisis de autoservicio podría no estar a la altura de sus expectativas:

1. Ejemplo n.º 1 : un equipo de análisis se asocia con un equipo de ingeniería de datos para crear un tablero para un tomador de decisiones. El tablero es de "autoservicio" y responde las preguntas exactas finalizadas durante el proceso de descubrimiento. Es perfecto. Hasta que no lo es. ¿Qué pasa con las nuevas preguntas? ¿Qué pasa con la exploración de los datos?
2. Ejemplo n.º 2 : un equipo decide utilizar un enfoque de "pulgada de profundidad, milla de ancho". Realizan un seguimiento de todo, pero con una fidelidad muy baja (por ejemplo, no utilizan propiedades de eventos ni imponen una taxonomía). En teoría, ahora todo el mundo tiene acceso a los datos mediante una herramienta de autoservicio. ¡Solo inicia sesión! Pero, ¿a qué costo para la calidad de la decisión?
3. Ejemplo n.° 3 : un equipo de 40 gerentes de productos tiene acceso a una herramienta de autoservicio. Ellos van a la ciudad. Los tableros aparecen en todas partes. La herramienta es poderosa y personalizable, pero el equipo actualmente no tiene mucha experiencia en datos. Sí, esto es autoservicio, pero no genera un mayor impacto.

El ejemplo #1 es demasiado rígido. El ejemplo #2 está limitado por la calidad de los datos. El ejemplo n.º 3 no logra escalar la alfabetización de datos. En el vertiginoso e impredecible mundo de los productos y el crecimiento, lanzamos nuevos experimentos y actualizaciones continuamente. Nuestro enfoque elegido debe mantenerse al día sin volverse desordenado e inutilizable. En resumen, necesita adaptabilidad sostenida, datos sólidos y alfabetización de datos.

“Analytics, a diferencia de los informes, está destinado a ser interactivo, lo que requiere flexibilidad y datos de alta calidad”, señala el consultor de gestión de productos Saeed Khan. “Esa flexibilidad está muy ausente en muchas soluciones construidas internamente y adquiridas externamente. Te ves obligado a converger en las preguntas, en lugar de dejar la puerta abierta a nuevas áreas de curiosidad. O sea flexible y nivelado en la superficie. Esto simplemente no funciona para los equipos de productos”.

Pero los problemas son un poco más profundos. La construcción del producto es un esfuerzo de equipo. ¿Cómo es el autoservicio para todo un equipo en lugar de para un solo usuario comercial? El equipo necesita la libertad de instrumentar y rastrear nuevos eventos sin preocuparse por sobrecargar a otro equipo. También necesitan la libertad de acceder a los conocimientos, realizar análisis exploratorios, administrar datos, colaborar en conocimientos, planificar experimentos y tomar medidas.

Incluso esta visión de equipo individual es un poco restrictiva. Considere que la mayoría de las organizaciones tienen un "equipo de datos", aunque un equipo de datos que está sobrecargado de trabajo y disperso. El modelo dominante es transaccional: los equipos envían preguntas y solicitudes, el equipo de datos hace todo lo posible para responder/desviar. Como respuesta al exceso de trabajo, crean opciones de "autoservicio" para tener un respiro. Pero esto también es un pobre sacrificio.

“El autoservicio como chispa de curiosidad, buscador de preguntas y generador de ideas es algo muy real y valioso”, explica Grant Winship, ingeniero de análisis de dbt Labs. “Pero creo que debe combinarse con una mentalidad de producto en el equipo de datos. Los PM y los usuarios comerciales deben estar preparados para que sus preguntas e incursiones analíticas se sinteticen, interroguen y desarrollen selectivamente”. Asuntos de colaboración y educación.

Para Elena Dyachkova, gerente sénior de análisis de productos en Peloton, el componente educativo es el verdadero "elefante en la sala". Como ex periodista deportiva, compara la alfabetización de datos con educar a los atletas sobre los principios generales del entrenamiento de fuerza y ​​"encontrar adaptaciones únicas para la anatomía de cada atleta". El uso apropiado de los datos, los marcos para establecer los KPI y el contexto comercial detrás de ciertas métricas "no están realmente dentro del alcance de una sola herramienta SaaS, pero son la base para que funcionen todas las demás piezas de alfabetización de datos". Si bien vemos analistas que usan Amplitude para ayudar en estos esfuerzos educativos, todavía se reduce a un esfuerzo concentrado y concertado.

Para nosotros en Amplitude, este enfoque más centrado en el equipo, la colaboración y el impacto es el autoservicio. No solo acceso a un tablero. La idea de lograr cosas “sin la ayuda de ingenieros o personal de datos” es generalizada, pero puede reforzar los silos e impactar en los resultados. El autoservicio debe permitir la colaboración, no obstaculizarla.

En Amplitude tratamos de tener una visión más holística del análisis de autoservicio. Nuestra filosofía de producto es:

1. Fomentar la curiosidad . Las preguntas de primer paso rara vez son las mejores preguntas. La exploración inspira nuevas preguntas. Ayudamos a desbloquear la larga cola de ideas, donde existen las verdaderas gemas.
2. El autoservicio tiene que ver con la agencia, la eliminación de dependencias y el impacto. No se trata de empujar la carga para que algunos miembros del equipo puedan disfrutar de un fácil acceso, mientras que otros miembros del equipo hacen el trabajo duro.
3. Escalar la alfabetización de datos . ¿Pueden un analista y un gerente de producto emparejarse y aprender juntos? ¿Alguien puede comenzar un análisis, hacer un cuaderno y luego compartirlo con alguien más capacitado para obtener comentarios?
4. Un sesgo a la acción y el impacto. Al respaldar las pruebas, las recomendaciones, la personalización y el marcado de funciones, acercamos a los equipos a la acción. Al final del día, el objetivo es construir un sistema que cree valor para los clientes, el negocio, etc. No es generar informes.

Creemos que el autoservicio encaja en un ciclo virtuoso. El acceso y los datos utilizables inspiran curiosidad, y la curiosidad, junto con la colaboración y la alfabetización de datos, produce mejores decisiones, acciones e impacto.