Impacts des interfaces de création de rapports d'analyse sur les programmes d'analyse

Dans le monde de l'analyse, les analystes passent beaucoup de temps dans les produits d'analyse à exécuter des rapports. Chaque produit d'analyse a une approche légèrement différente de la création de rapports. Certains produits d'analyse commencent avec une toile vierge et obligent l'analyste à faire glisser des éléments de données pour effectuer l'analyse. D'autres permettent aux analystes d'importer des données dans des feuilles de calcul. Certains nécessitent l'utilisation de SQL. Certains fournissent des modèles de rapport qui permettent aux analystes de remplir le vide avec des événements et des propriétés. Bien qu'aucune interface de création de rapports d'analyse ne soit nécessairement meilleure qu'une autre, il est important que les organisations choisissent celle qui convient le mieux à leur organisation et à ses consommateurs de données. L'interface de reporting peut avoir des impacts conséquents sur le programme d'analyse dans son ensemble. Dans cet article, je vais décrire certaines des interfaces de création de rapports d'analyse que j'ai vues et comment elles peuvent avoir un impact sur les modèles et les programmes de livraison d'analyses.

Rapports de forme libre

L'une des interfaces de création de rapports d'analyse les plus populaires est ce que j'appelle les rapports de forme libre. Dans cette interface de création de rapports, les analystes se voient présenter un canevas vierge et peuvent faire glisser ou sélectionner des métriques et des dimensions. Au fur et à mesure que des éléments de données sont ajoutés au canevas, les données prennent la forme d'un tableau avec des colonnes et des lignes. Cette approche a été popularisée par des outils de BI comme Tableau et des produits d'analyse numérique comme Adobe et Google Analytics.

L'avantage des interfaces de création de rapports de forme libre est que vous avez un contrôle total sur la structure des données que vous souhaitez analyser. Vous pouvez créer plusieurs niveaux de répartition et souvent ajouter des filtres pour affiner les données par valeurs de dimension. Les analystes de puissance apprécient ce modèle car il offre une grande liberté et la possibilité d'effectuer des requêtes avancées sans avoir à connaître SQL.

Rapports prescriptifs

Une autre interface de création de rapports d'analyse est la création de rapports prescriptifs. Ce modèle fournit un cadre pour le type d'analyse effectuée et permet aux analystes d'entrer les éléments nécessaires à l'exécution du rapport. J'aime penser à ce modèle comme une approche « remplir les blancs » en matière de reporting. Chaque type de rapport sait quel type de mesures, d'événements ou de dimensions/propriétés est nécessaire et permet aux analystes de choisir parmi les options éligibles pour créer le rapport.

Cette approche peut être limitante à certains égards, mais elle empêche également les analystes de faire trop d'erreurs en raison de sa structure.

Importations de feuilles de calcul

Peu importe à quel point le domaine de l'analyse est avancé, il y aura toujours ceux qui voudront simplement faire leur analyse dans des feuilles de calcul. De nombreux produits d'analyse permettent de télécharger ou d'exporter des données vers des feuilles de calcul afin que les analystes puissent y manipuler les données selon leurs besoins. Les feuilles de calcul, en particulier Microsoft Excel, ont tendance à être le plus petit dénominateur commun pour les analystes. Cependant, l'un des inconvénients de l'utilisation des feuilles de calcul est qu'elles sont plus difficiles à partager, à collaborer et peuvent avoir des problèmes de contrôle de version.

SQL/R/Python

Ceux qui se veulent « data scientists » préfèrent souvent analyser les données via SQL ou via des langages de reporting comme R ou Python. Ces interfaces et langages de programmation offrent une grande flexibilité et peuvent être utilisés pour effectuer des analyses personnalisées et avancées. Alors que de plus en plus de consommateurs de données apprennent ces langages ces jours-ci, ils sont encore difficiles à faire évoluer, en particulier dans les grandes entreprises.

Impacts des interfaces de rapport

Ainsi, avec tous les choix disponibles pour effectuer une analyse, comment les organisations devraient-elles choisir celle qui leur convient le mieux ? Comme d'habitude, il n'y a pas une seule bonne réponse, mais ce qui suit vous fournira quelques éléments à prendre en compte lors de votre choix. De plus, il est important de garder à l'esprit que de nombreuses organisations devront en utiliser plusieurs pour différents publics internes.

Types de consommateurs de données

La plupart des organisations ont différents types de consommateurs de données. Il y a souvent une équipe d'analyse de base qui effectue des analyses quotidiennement et il y en a d'autres qui sont des utilisateurs de données plus occasionnels. Les utilisateurs occasionnels de données peuvent inclure des cadres ou des personnes au sein de l'entreprise qui ont occasionnellement besoin de voir des données pour éclairer leurs décisions. Un exemple de ce dernier pourrait être un propriétaire de produit qui souhaite voir les vues hebdomadaires ou mensuelles du site Web des produits qu'il gère.

Les besoins de reporting de l'équipe d'analyse principale seront beaucoup plus avancés que ceux des utilisateurs occasionnels. L'équipe d'analyse principale voudra probablement effectuer plusieurs ventilations de données et filtrer les données selon plusieurs dimensions/propriétés. Pour eux, avoir une interface de création de rapports de forme libre ou utiliser un langage de programmation pourrait être la meilleure solution. Mais ces interfaces de création de rapports avancées peuvent souvent être intimidantes ou écrasantes pour les personnes qui n'effectuent qu'occasionnellement des analyses. Les dirigeants peuvent souhaiter uniquement voir les tableaux de bord de haut niveau d'un outil de BI.

Il est important de comprendre le niveau de compétence de chaque consommateur de données interne et de s'assurer que chacun dispose d'une interface de reporting adaptée à ses besoins et à ses aptitudes. J'ai vu de nombreuses organisations échouer en essayant d'utiliser une approche "taille unique" et en forçant tous les consommateurs de données à utiliser la même interface de création de rapports d'analyse. Dans ces situations, il est courant pour l'équipe d'analyse de base, qui est plus avancée, de supposer que tous les consommateurs de données peuvent maîtriser des interfaces de reporting trop complexes ou trop déroutantes pour les consommateurs de données occasionnels. Même lorsque des interfaces de création de rapports plus avancées sont organisées pour les consommateurs de données plus novices, ces derniers ont du mal à approfondir les données et à trouver les réponses dont ils ont besoin sans avoir besoin d'aide. J'ai moi-même tenté de former des consommateurs de données occasionnels sur des interfaces de reporting avancées pour les voir lutter pour les apprendre. Dans ces cas, j'ai trouvé plus utile de fournir plusieurs interfaces de création de rapports analytiques adaptées au public consommateur de données.

Modèles de livraison d'analyses

Dans le monde de l'analyse, plusieurs modèles sont disponibles pour effectuer des analyses. Certaines organisations utilisent un modèle centralisé dans lequel les consommateurs de données soumettent des demandes d'analyse et l'analyse est effectuée par une équipe centralisée. D'autres organisations tentent d'utiliser une approche décentralisée dans laquelle chacun est censé mener sa propre analyse (souvent appelée démocratisation des données). Il existe également des approches hybrides qui tirent parti du modèle centralisé pour certains types d'analyse et d'une approche décentralisée pour d'autres (vous pouvez entendre une conférence sur ce sujet ici). Il y a des avantages et des inconvénients de chaque approche et c'est une autre situation où différentes approches seront meilleures ou pires pour différentes organisations.

Mais une chose que j'ai constatée, c'est que les erreurs commises dans le modèle de création de rapports peuvent avoir un impact négatif sur le modèle de livraison des analyses. Par exemple, imaginons qu'Acme Corp, en tant qu'organisation, choisisse d'utiliser un modèle décentralisé pour l'analyse. Mais en même temps, ils décident de normaliser l'interface de création de rapports d'analyse de forme libre. Au fil du temps, ils constatent que de nombreux consommateurs de données occasionnels ont du mal à comprendre les données dans leur mise en œuvre et à en faire rapport. Lentement, l'équipe d'analyse principale commence à recevoir des e-mails et des demandes d'aide. Au début, ils peuvent suivre et tenter de suivre une formation supplémentaire, mais ils se rendent vite compte que les consommateurs de données ne sont pas en mesure de se servir eux-mêmes et que le nombre de demandes devient écrasant. Dans cette situation, que j'ai vue à plusieurs reprises, il y avait clairement une inadéquation entre l'interface de création de rapports et les consommateurs de données, et cette inadéquation a brisé le modèle global de fourniture d'analyses. C'est pourquoi je pense qu'il existe une relation directe et importante entre l'interface de création de rapports d'analyse et le modèle de livraison d'analyse.

Trouver le bon endroit

Au cours de mes vingt années d'aide aux organisations en matière d'analytique, j'ai rarement trouvé qu'une seule interface fonctionnerait pour tous les types de consommateurs de données et tous les modèles de livraison d'analytique. J'ai constaté un succès limité avec la formation sur les produits d'analyse pour les consommateurs de données occasionnels, car si vous n'êtes pas très souvent dans un outil, il est difficile à apprendre. Je pense que les meilleures organisations prennent le temps de comprendre leur culture d'entreprise, les compétences des différents types de consommateurs de données et utilisent les deux pour choisir leur interface de reporting d'analyse et leur modèle de livraison d'analyse. J'ai organisé de nombreux ateliers et formations avec des organisations pour les aider à découvrir les interfaces et les modèles qui leur conviennent le mieux. J'encourage également les organisations à essayer périodiquement de nouvelles interfaces de reporting pour différents types de consommateurs de données pour voir si l'on « clique » avec eux plus que celui qu'ils utilisent actuellement. Chez Amplitude, nous avons tenté de créer une interface de reporting simple pour les consommateurs de données occasionnels et nous sommes fiers du fait que dans certaines organisations, des centaines de personnes se servent quotidiennement. C'est pourquoi nous avons créé des moyens simples pour les équipes d'analyse de tirer parti du travail effectué par d'autres fournisseurs d'analyse (Google et Adobe) pour envoyer des données à Amplitude afin qu'ils voient si notre interface de création de rapports peut compléter ce que l'équipe d'analyse principale utilise.

En fin de compte, toutes les organisations veulent utiliser efficacement les données et réduire le temps qu'il leur faut pour transformer les données en informations. Choisir la bonne interface de création de rapports d'analyse pour vos différents consommateurs de données est une étape importante dans l'amélioration de la valeur globale du programme d'analyse.