Dampak Antarmuka Pelaporan Analytics pada Program Analytics

Di dunia analitik, analis menghabiskan banyak waktu dalam produk analitik yang menjalankan laporan. Setiap produk analitik memiliki pendekatan pelaporan yang sedikit berbeda. Beberapa produk analitik dimulai dengan lebih banyak kanvas kosong dan mengharuskan analis untuk menyeret elemen data untuk melakukan analisis. Lainnya memungkinkan analis untuk mengimpor data ke dalam spreadsheet. Beberapa memerlukan penggunaan SQL. Beberapa menyediakan template laporan yang memungkinkan analis untuk mengisi bagian yang kosong dengan peristiwa dan properti. Meskipun tidak ada antarmuka pelaporan analitik yang lebih baik dari yang lain, penting bagi organisasi untuk memilih salah satu yang paling sesuai dengan organisasi mereka dan konsumen datanya. Antarmuka pelaporan dapat memiliki dampak konsekuensial pada program analitik secara keseluruhan. Dalam posting ini, saya akan menguraikan beberapa antarmuka pelaporan analitik yang telah saya lihat dan bagaimana mereka dapat memengaruhi model dan program pengiriman analitik.

Pelaporan Bentuk Bebas

Salah satu antarmuka pelaporan analitik paling populer adalah apa yang saya sebut pelaporan bentuk bebas. Dalam antarmuka pelaporan ini, analis disajikan dengan kanvas kosong dan dapat menyeret atau memilih metrik dan dimensi. Saat elemen data ditambahkan ke kanvas, data berbentuk tabel dengan kolom dan baris. Pendekatan ini dipopulerkan oleh alat BI seperti Tableau dan produk analitik digital seperti Adobe dan Google Analytics.

Manfaat antarmuka pelaporan bentuk bebas adalah Anda memiliki kendali penuh atas struktur data yang ingin Anda analisis. Anda dapat membuat beberapa tingkat perincian dan sering kali dapat menambahkan filter untuk mempersempit data menurut nilai dimensi. Analis yang kuat menyukai model ini karena memberikan banyak kebebasan dan kemampuan untuk melakukan beberapa kueri tingkat lanjut tanpa harus mengetahui SQL.

Pelaporan Preskriptif

Antarmuka pelaporan analitik lainnya adalah pelaporan preskriptif. Model ini menyediakan kerangka kerja untuk jenis analisis yang dilakukan dan memungkinkan analis untuk memasukkan item yang diperlukan untuk menjalankan laporan. Saya suka menganggap model ini sebagai pendekatan "mengisi yang kosong" untuk pelaporan. Setiap jenis laporan mengetahui jenis metrik, peristiwa, atau dimensi/properti apa yang diperlukan dan memungkinkan analis untuk memilih dari opsi yang memenuhi syarat untuk membuat laporan.

Pendekatan ini dapat membatasi dalam beberapa hal, tetapi juga mencegah analis membuat terlalu banyak kesalahan karena strukturnya.

Impor Spreadsheet

Tidak peduli seberapa maju bidang analitik, akan selalu ada orang yang hanya ingin melakukan analisis mereka di spreadsheet. Banyak produk analitik menyediakan cara agar data dapat diunduh atau diekspor ke spreadsheet sehingga analis dapat memanipulasi data di sana sesuai kebutuhan. Spreadsheet, terutama Microsoft Excel, cenderung menjadi penyebut umum terendah untuk analis. Namun, salah satu kelemahan menggunakan spreadsheet adalah lebih sulit untuk dibagikan, dikolaborasikan, dan dapat memiliki masalah kontrol versi.

SQL/R/Python

Mereka yang menyukai diri mereka sendiri "ilmuwan data" sering lebih suka menganalisis data melalui SQL atau melalui bahasa pelaporan seperti R atau Python. Antarmuka dan bahasa pemrograman ini memberikan banyak fleksibilitas dan dapat digunakan untuk melakukan analisis khusus dan lanjutan. Sementara semakin banyak konsumen data yang mempelajari bahasa ini akhir-akhir ini, bahasa tersebut masih sulit untuk diukur, terutama di perusahaan besar.

Dampak Antarmuka Pelaporan

Jadi dengan semua pilihan yang tersedia untuk melakukan analisis, bagaimana seharusnya organisasi memilih yang tepat untuk mereka? Seperti biasa, tidak ada satu jawaban yang benar, tetapi berikut ini akan memberikan beberapa hal untuk Anda pertimbangkan ketika membuat pilihan. Juga, penting untuk diingat bahwa banyak organisasi perlu menggunakan lebih dari satu untuk audiens internal yang berbeda.

Tipe Konsumen Data

Sebagian besar organisasi memiliki tipe konsumen data yang berbeda. Seringkali ada tim analitik inti yang melakukan analisis setiap hari dan ada orang lain yang lebih merupakan pengguna data biasa. Pengguna data biasa mungkin termasuk eksekutif atau orang-orang dalam bisnis yang terkadang perlu melihat data untuk menginformasikan keputusan mereka. Contoh yang terakhir mungkin adalah pemilik produk yang ingin melihat tampilan situs web mingguan atau bulanan dari produk yang mereka kelola.

Kebutuhan pelaporan tim analitik inti akan jauh lebih maju daripada pengguna biasa. Tim analitik inti kemungkinan ingin melakukan beberapa perincian data dan memfilter data menurut beberapa dimensi/properti. Bagi mereka, memiliki antarmuka pelaporan bentuk bebas atau menggunakan bahasa pemrograman mungkin yang paling cocok. Tetapi antarmuka pelaporan tingkat lanjut ini sering kali menakutkan atau membebani orang-orang yang hanya sesekali melakukan analisis. Eksekutif mungkin hanya ingin melihat dasbor tingkat tinggi dari alat BI.

Penting untuk memahami tingkat keterampilan setiap konsumen data internal dan memastikan bahwa masing-masing disediakan antarmuka pelaporan yang kondusif untuk kebutuhan dan bakat mereka. Saya telah melihat banyak organisasi gagal dengan mencoba menggunakan pendekatan "satu ukuran cocok untuk semua" dan memaksa semua konsumen data untuk menggunakan antarmuka pelaporan analitik yang sama. Dalam situasi ini, biasanya tim analitik inti, yang cenderung lebih maju, berasumsi bahwa semua konsumen data dapat menguasai antarmuka pelaporan yang terlalu rumit atau terlalu membingungkan bagi konsumen data biasa. Bahkan ketika antarmuka pelaporan yang lebih canggih dikuratori untuk lebih banyak konsumen data pemula, yang terakhir merasa sulit untuk menelusuri data dan menemukan jawaban yang mereka butuhkan tanpa memerlukan bantuan. Saya sendiri telah mencoba untuk melatih konsumen data biasa tentang antarmuka pelaporan lanjutan hanya untuk melihat mereka berjuang untuk mempelajarinya. Dalam kasus ini, saya merasa lebih berguna untuk menyediakan beberapa antarmuka pelaporan analitik yang disesuaikan dengan audiens konsumen data.

Model Penayangan Analytics

Dalam dunia analitik, ada beberapa model yang tersedia untuk melakukan analisis. Beberapa organisasi menggunakan model terpusat di mana konsumen data mengajukan permintaan untuk analisis dan analisis dilakukan oleh tim terpusat. Organisasi lain mencoba menggunakan pendekatan desentralisasi di mana setiap orang diharapkan untuk melakukan analisis mereka sendiri (sering disebut demokratisasi data). Ada juga pendekatan hibrida yang memanfaatkan model terpusat untuk beberapa jenis analisis dan pendekatan terdesentralisasi untuk yang lain (Anda dapat mendengar pembicaraan tentang topik ini di sini). Ada pro dan kontra dari setiap pendekatan dan ini adalah situasi lain di mana pendekatan yang berbeda akan lebih baik atau lebih buruk untuk organisasi yang berbeda.

Tetapi satu hal yang saya lihat adalah bahwa kesalahan yang dibuat dalam model pelaporan dapat berdampak negatif pada model pengiriman analitik. Sebagai contoh, mari kita bayangkan bahwa Acme Corp, sebagai sebuah organisasi, memilih untuk menggunakan model desentralisasi untuk analisis. Tetapi pada saat yang sama, mereka memutuskan untuk membuat standar pada antarmuka pelaporan analitik bentuk bebas. Seiring waktu, mereka menemukan bahwa banyak konsumen data biasa berjuang untuk memahami data dalam implementasinya dan bagaimana melaporkannya. Perlahan, tim analitik inti mulai menerima email dan permintaan bantuan. Pada awalnya mereka dapat mengikuti dan mencoba melakukan pelatihan tambahan, tetapi segera mereka menyadari bahwa konsumen data tidak dapat melayani diri sendiri dan jumlah permintaan menjadi sangat banyak. Dalam situasi ini, yang telah saya lihat berkali-kali, jelas ada ketidakcocokan antara antarmuka pelaporan dan konsumen data dan ketidakcocokan ini merusak model pengiriman analitik secara keseluruhan. Inilah mengapa saya percaya bahwa ada hubungan langsung dan penting antara antarmuka pelaporan analitik dan model pengiriman analitik.

Menemukan Sweet Spot

Dalam dua puluh tahun saya membantu organisasi dengan analitik, saya jarang menemukan bahwa satu antarmuka akan berfungsi untuk semua jenis konsumen data dan semua model pengiriman analitik. Saya telah melihat keberhasilan yang terbatas dengan pelatihan produk analitik untuk konsumen data biasa, karena jika Anda tidak terlalu sering menggunakan alat, sulit untuk mempelajarinya. Saya pikir organisasi terbaik meluangkan waktu untuk memahami budaya perusahaan mereka, keterampilan dari berbagai jenis konsumen data dan menggunakan keduanya untuk memilih antarmuka pelaporan analitik dan model pengiriman analitik mereka. Saya telah melakukan banyak lokakarya dan pelatihan dengan organisasi untuk membantu mereka menemukan antarmuka dan model mana yang paling cocok untuk mereka. Saya juga mendorong organisasi untuk secara berkala mencoba antarmuka pelaporan baru untuk tipe konsumen data yang berbeda untuk melihat apakah satu "mengklik" dengan mereka lebih dari yang mereka gunakan saat ini. Di Amplitude, kami telah berusaha membuat antarmuka pelaporan yang mudah bagi konsumen data biasa dan kami bangga dengan fakta bahwa di beberapa organisasi ratusan orang melayani diri sendiri setiap hari. Inilah mengapa kami menciptakan cara mudah bagi tim analitik untuk memanfaatkan pekerjaan yang dilakukan di vendor analitik lain (Google dan Adobe) untuk mengirim data ke Amplitude sehingga mereka melihat apakah antarmuka pelaporan kami dapat melengkapi apa yang digunakan tim analitik inti.

Pada akhirnya, semua organisasi ingin menggunakan data secara efektif dan mengurangi waktu yang dibutuhkan untuk mengubah data menjadi wawasan. Memilih antarmuka pelaporan analitik yang tepat untuk konsumen data Anda yang berbeda adalah langkah yang bagus dalam meningkatkan nilai keseluruhan program analitik.