Apa yang Salah dari Kebanyakan Perusahaan Tentang Analisis Layanan Mandiri

Gartner mendefinisikan analitik swalayan sebagai berikut:

Self-Service Analytics adalah bentuk intelijen bisnis (BI) di mana profesional lini bisnis diaktifkan dan didorong untuk melakukan kueri dan menghasilkan laporan sendiri, dengan dukungan TI nominal. Analitik swalayan sering ditandai dengan alat BI yang mudah digunakan dengan kemampuan analitik dasar dan model data dasar yang telah disederhanakan atau diperkecil untuk kemudahan pemahaman dan akses data langsung.

Dengan segala hormat kepada teman-teman kami di Gartner, kami pikir ini salah sasaran. Saatnya untuk mendefinisikan kembali analitik swalayan . Mengapa? Karena produk dibangun oleh tim lintas fungsi yang berdaya. Dikotomi TI vs Bisnis jauh kurang relevan dalam dunia produk. Ketika kami membingkai tujuan analitik swalayan sebagai akses individu yang nyaman ke laporan, wawasan, dan data, kami kehilangan gambaran besarnya. Terutama jika kita membatasi definisi itu pada “kemampuan analitik dasar.”

Layanan mandiri bukanlah tujuan. Dampak adalah tujuannya.

Mari kita telusuri beberapa masalah di sini dengan tiga contoh bagaimana analitik swalayan mungkin tidak memenuhi harapannya:

1. Contoh #1 : Tim analitik bermitra dengan tim teknik data untuk membuat dasbor bagi pembuat keputusan. Dasbor adalah "layanan mandiri", dan menjawab pertanyaan yang tepat diselesaikan selama proses penemuan. Itu sempurna. Sampai tidak. Bagaimana dengan pertanyaan baru? Bagaimana dengan mengeksplorasi data?
2. Contoh #2 : Sebuah tim memutuskan untuk menggunakan pendekatan “dalam inci, lebar mil”. Mereka melacak semuanya, tetapi dengan ketelitian yang sangat rendah (misalnya mereka tidak menggunakan properti acara atau menerapkan taksonomi). Secara teori, sekarang setiap orang memiliki akses ke data menggunakan alat swalayan. Masuk saja! Tapi berapa biaya untuk kualitas keputusan?
3. Contoh #3 : Sebuah tim yang terdiri dari 40 manajer produk diberikan akses ke alat swalayan. Mereka pergi ke kota. Dasbor muncul di mana-mana. Alat ini kuat dan dapat disesuaikan, tetapi tim saat ini tidak terlalu melek data. Ya, ini adalah layanan mandiri, tetapi tidak membawa dampak yang lebih besar.

Contoh #1 terlalu kaku. Contoh #2 dibatasi oleh kualitas data. Contoh #3 gagal mengukur literasi data. Dalam dunia produk dan pertumbuhan yang serba cepat dan tidak terduga, kami merilis eksperimen dan pembaruan baru secara terus-menerus. Pendekatan yang kami pilih perlu mengikuti tanpa menjadi berantakan dan tidak dapat digunakan. Singkatnya, Anda membutuhkan kemampuan beradaptasi yang berkelanjutan, data yang solid, dan literasi data.

“Analitik, tidak seperti pelaporan, dimaksudkan untuk menjadi interaktif, yang membutuhkan fleksibilitas dan data berkualitas tinggi,” catat konsultan manajemen produk Saeed Khan. “Fleksibilitas itu sangat kurang di banyak solusi yang dibuat secara internal dan dibeli secara eksternal. Anda dipaksa untuk memusatkan perhatian pada pertanyaan, alih-alih membiarkan pintu terbuka untuk area baru rasa ingin tahu. Atau menjadi fleksibel dan tingkat permukaan. Ini tidak bekerja untuk tim produk.”

Tapi masalahnya sedikit lebih dalam. Membangun produk adalah upaya tim. Seperti apa layanan mandiri untuk seluruh tim, bukan pengguna bisnis tunggal? Tim membutuhkan kebebasan untuk instrumen dan melacak peristiwa baru tanpa khawatir membebani tim lain. Mereka juga membutuhkan kebebasan untuk mengakses wawasan, melakukan analisis eksplorasi, mengelola data, berkolaborasi dalam wawasan, merencanakan eksperimen, dan mengambil tindakan.

Bahkan pandangan tim individu ini sedikit membatasi. Pertimbangkan bahwa sebagian besar organisasi memang memiliki "tim data", meskipun tim data terlalu banyak bekerja dan tersebar tipis. Model yang dominan adalah transaksional—tim mengajukan pertanyaan dan permintaan, tim data melakukan yang terbaik untuk menjawab/menghindar. Sebagai tanggapan karena terlalu banyak bekerja, mereka menciptakan opsi "swalayan" untuk mendapatkan ruang bernapas. Tapi ini juga merupakan pengorbanan yang buruk.

“Layanan mandiri sebagai pemicu rasa ingin tahu, pencari pertanyaan, dan penghasil ide adalah hal yang sangat nyata dan berharga,” jelas Grant Winship, Analytics Engineer di dbt Labs. “Tapi saya pikir itu harus dipasangkan dengan pola pikir produk di tim data. PM dan pengguna bisnis harus siap untuk pertanyaan dan analisis mereka untuk disintesis, diinterogasi, dan dikembangkan secara selektif.” Kolaborasi dan pendidikan penting.

Bagi Elena Dyachkova, Manajer Analisis Produk Senior di Peloton, komponen pendidikan adalah “gajah dalam ruangan” yang sebenarnya. Seorang mantan jurnalis olahraga, dia menyamakan peningkatan literasi data dengan mendidik atlet tentang prinsip-prinsip umum latihan kekuatan dan "menemukan adaptasi unik untuk setiap anatomi atlet." Penggunaan data yang tepat, kerangka kerja untuk menetapkan KPI, dan konteks bisnis di balik metrik tertentu, “tidak benar-benar dalam cakupan untuk satu alat SaaS tetapi merupakan dasar untuk semua bagian literasi data lainnya yang berfungsi.” Sementara kami melihat analis menggunakan Amplitude untuk membantu dalam upaya pendidikan ini, itu masih bermuara pada upaya terpadu dan terfokus.

Bagi kami di Amplitude, pendekatan yang lebih berfokus pada tim, kolaboratif, dan berfokus pada dampak ini adalah layanan mandiri. Bukan hanya akses ke dasbor. Gagasan untuk menyelesaikan sesuatu "tanpa bantuan insinyur atau orang data" menyebar luas, tetapi dapat memperkuat silo dan memengaruhi hasil. Swalayan harus memungkinkan kolaborasi, bukan menghambatnya.

Di Amplitude, kami mencoba mengambil pandangan yang lebih holistik tentang analitik swalayan. Filosofi produk kami adalah untuk:

1. Mendorong rasa ingin tahu . Pertanyaan first-pass jarang merupakan pertanyaan terbaik. Eksplorasi menginspirasi pertanyaan baru. Kami membantu membuka wawasan panjang, tempat permata sejati ada.
2. Layanan mandiri adalah tentang agensi, menghilangkan ketergantungan, dan dampak. Ini bukan tentang mendorong beban sehingga beberapa anggota tim dapat menikmati akses mudah, sementara anggota tim lainnya melakukan pekerjaan kasar.
3. Skala literasi data . Bisakah seorang analis dan manajer produk berpasangan dan belajar bersama? Dapatkah seseorang memulai analisis, membuat buku catatan, dan kemudian membagikannya dengan seseorang yang lebih ahli untuk mendapatkan umpan balik?
4. Bias terhadap tindakan dan dampak. Dengan mendukung pengujian, rekomendasi, personalisasi, dan penandaan fitur, kami membuat tim mendekati tindakan. Pada akhirnya, tujuannya adalah untuk membangun sistem yang menciptakan nilai bagi pelanggan, bisnis, dll. Bukan untuk menjalankan laporan.

Kami percaya bahwa swalayan cocok dengan siklus yang baik. Akses dan data yang dapat digunakan menginspirasi rasa ingin tahu, dan rasa ingin tahu yang digabungkan dengan kolaborasi dan literasi data menghasilkan keputusan, tindakan, dan dampak yang lebih baik.