Влияние интерфейсов отчетов Analytics на программы Analytics

В мире аналитики аналитики проводят много времени в аналитических продуктах, выполняя отчеты. Каждый аналитический продукт имеет несколько иной подход к отчетности. Некоторые аналитические продукты начинаются с чистого листа и требуют от аналитика перетаскивания элементов данных для проведения анализа. Другие позволяют аналитикам импортировать данные в электронные таблицы. Некоторые требуют использования SQL. Некоторые предоставляют шаблоны отчетов, которые позволяют аналитикам заполнить пробел событиями и свойствами. Хотя ни один интерфейс аналитической отчетности не обязательно лучше другого, важно, чтобы организации выбирали тот, который лучше всего подходит для их организации и ее потребителей данных. Интерфейс отчетности может оказать косвенное влияние на программу аналитики в целом. В этом посте я расскажу о некоторых интерфейсах аналитических отчетов, которые я видел, и о том, как они могут повлиять на модели и программы предоставления аналитических данных.

Отчетность в произвольной форме

Одним из самых популярных интерфейсов аналитических отчетов является то, что я называю отчетами произвольной формы. В этом интерфейсе отчетности аналитикам предоставляется пустое полотно, и они могут перетаскивать или выбирать показатели и параметры. Когда элементы данных добавляются на холст, данные принимают форму таблицы со столбцами и строками. Этот подход был популяризирован инструментами бизнес-аналитики, такими как Tableau, и продуктами цифровой аналитики, такими как Adobe и Google Analytics.

Преимущество интерфейсов отчетов произвольной формы заключается в том, что у вас есть полный контроль над структурой данных, которые вы хотите проанализировать. Вы можете создать несколько уровней разбивки и часто можете добавлять фильтры, чтобы сузить данные по значениям измерения. Эта модель нравится опытным аналитикам, потому что она предоставляет большую свободу и возможность выполнять некоторые сложные запросы без знания SQL.

Предписывающая отчетность

Другой интерфейс аналитической отчетности — предписывающая отчетность. Эта модель обеспечивает основу для типа выполняемого анализа и позволяет аналитикам вводить элементы, необходимые для запуска отчета. Мне нравится думать об этой модели как о подходе «заполнить пробелы» к отчетности. Каждый тип отчета знает, какой тип метрик, событий или измерений/свойств необходим, и позволяет аналитикам выбирать из подходящих вариантов для создания отчета.

Этот подход может быть в некоторых отношениях ограничивающим, но он также предотвращает слишком много ошибок аналитиков из-за его структуры.

Импорт электронных таблиц

Независимо от того, насколько развита область аналитики, всегда найдутся те, кто просто хочет провести анализ в электронных таблицах. Многие аналитические продукты предоставляют способы загрузки или экспорта данных в электронные таблицы, чтобы аналитики могли манипулировать данными там по мере необходимости. Электронные таблицы, особенно Microsoft Excel, имеют тенденцию быть наименьшим общим знаменателем для аналитиков. Однако одним из недостатков использования электронных таблиц является то, что ими труднее делиться, с ними труднее работать вместе, и могут возникать проблемы с контролем версий.

SQL/R/Питон

Те, кто считает себя «специалистами по данным», часто предпочитают анализировать данные с помощью SQL или языков отчетности, таких как R или Python. Эти программные интерфейсы и языки обеспечивают большую гибкость и могут использоваться для выполнения специализированного и расширенного анализа. Хотя в наши дни все больше потребителей данных изучают эти языки, их по-прежнему сложно масштабировать, особенно на крупных предприятиях.

Влияние интерфейсов отчетности

Итак, со всеми возможными вариантами проведения анализа, как организациям выбрать правильный вариант? Как обычно, единого правильного ответа не существует, но ниже приведены некоторые моменты, которые следует учитывать при выборе. Кроме того, важно иметь в виду, что многим организациям потребуется использовать более одного для разных внутренних аудиторий.

Типы потребителей данных

Большинство организаций имеют различные типы потребителей данных. Часто есть основная аналитическая группа, которая занимается ежедневным анализом, и есть другие, которые являются более случайными пользователями данных. Случайные пользователи данных могут включать в себя руководителей или тех, кто в бизнесе, которым время от времени необходимо просматривать данные для принятия обоснованных решений. Примером последнего может быть владелец продукта, который хочет видеть еженедельные или ежемесячные просмотры веб-сайтов продуктов, которыми он управляет.

Потребности в отчетности основной аналитической группы будут гораздо более продвинутыми, чем у обычных пользователей. Основная команда аналитиков, скорее всего, захочет выполнить несколько разбивок данных и отфильтровать данные по нескольким параметрам/свойствам. Для них лучше всего подойдет интерфейс отчетов произвольной формы или использование языка программирования. Но эти расширенные интерфейсы отчетности часто могут быть пугающими или подавляющими для людей, которые лишь изредка проводят анализ. Руководители могут захотеть видеть только информационные панели высокого уровня из инструмента BI.

Важно понимать уровень навыков каждого внутреннего потребителя данных и обеспечивать, чтобы каждому был предоставлен интерфейс отчетности, соответствующий его потребностям и способностям. Я видел, как многие организации терпели неудачу, пытаясь использовать подход «один размер подходит всем» и заставляя всех потребителей данных использовать один и тот же интерфейс аналитической отчетности. В таких ситуациях основной аналитической группе свойственно предполагать, что все потребители данных могут освоить интерфейсы отчетности, которые либо слишком сложны, либо слишком запутаны для случайных потребителей данных. Даже когда более продвинутые интерфейсы отчетности создаются для большего числа начинающих потребителей данных, последним трудно углубляться в данные и находить нужные им ответы, не нуждаясь в помощи. Я сам пытался обучить случайных потребителей данных расширенным интерфейсам отчетности только для того, чтобы увидеть, как они с трудом осваивают их. В этих случаях я счел более полезным предоставить несколько интерфейсов аналитических отчетов, адаптированных к аудитории потребителей данных.

Модели доставки аналитики

В мире аналитики существует несколько моделей проведения анализа. Некоторые организации используют централизованную модель, в которой потребители данных отправляют запросы на анализ, а анализ выполняется централизованной командой. Другие организации пытаются использовать децентрализованный подход, при котором каждый должен проводить собственный анализ (часто называемый демократизацией данных). Существуют также гибридные подходы, которые используют централизованную модель для одних типов анализа и децентрализованный подход для других (вы можете послушать доклад на эту тему здесь). У каждого подхода есть свои плюсы и минусы, и это еще одна ситуация, когда разные подходы будут лучше или хуже для разных организаций.

Но я заметил, что ошибки, допущенные в модели отчетности, могут негативно повлиять на модель предоставления аналитики. Например, давайте представим, что Acme Corp как организация решила использовать для анализа децентрализованную модель. Но в то же время они решили стандартизировать интерфейс аналитической отчетности произвольной формы. Со временем они обнаруживают, что многие случайные потребители данных изо всех сил пытаются понять данные в своей реализации и то, как о них сообщать. Постепенно основная аналитическая группа начинает получать электронные письма и запросы о помощи. Сначала они могут не отставать и пытаться проводить дополнительное обучение, но вскоре понимают, что потребители данных не могут обслуживать себя самостоятельно, и количество запросов становится огромным. В этой ситуации, которую я видел много раз, было явное несоответствие между интерфейсом отчетности и потребителями данных, и это несоответствие нарушило общую модель предоставления аналитики. Вот почему я считаю, что существует прямая и важная связь между интерфейсом аналитической отчетности и моделью предоставления аналитики.

Как найти золотую середину

За двадцать лет помощи организациям с аналитикой я редко обнаруживал, что один интерфейс будет работать для всех типов потребителей данных и всех моделей предоставления аналитики. Я видел ограниченный успех в обучении продуктам аналитики для случайных потребителей данных, поскольку, если вы не очень часто пользуетесь инструментом, его трудно освоить. Я думаю, что лучшие организации тратят время на то, чтобы понять свою корпоративную культуру, навыки различных типов потребителей данных и используют их для выбора интерфейса аналитической отчетности и модели предоставления аналитики. Я провел множество семинаров и тренингов с организациями, чтобы помочь им понять, какие интерфейсы и модели будут работать для них лучше всего. Я также призываю организации периодически пробовать новые интерфейсы отчетности для разных типов потребителей данных, чтобы увидеть, не «кликает» ли кто-то из них больше, чем тот, который они используют в настоящее время. В Amplitude мы попытались создать интерфейс отчетности, удобный для случайных пользователей данных, и мы гордимся тем фактом, что в некоторых организациях сотни людей ежедневно самообслуживаются. Вот почему мы создали простые способы для групп аналитиков использовать работу, проделанную другими поставщиками аналитики (Google и Adobe), для отправки данных в Amplitude, чтобы они увидели, может ли наш интерфейс отчетности дополнять то, что использует основная группа аналитиков.

В конце концов, все организации хотят эффективно использовать данные и сократить время, необходимое им для превращения данных в ценную информацию. Выбор правильного интерфейса аналитической отчетности для различных потребителей данных — важный шаг к повышению общей ценности аналитической программы.