Definição de análise de autoatendimento: melhores práticas e estratégias

Os líderes empresariais precisam de informações para tomar decisões críticas, antecipar e responder às mudanças no setor e no mercado. Em teoria, as grandes quantidades de dados armazenados pelas empresas atuais deveriam ter facilitado a obtenção de insights. Mas muitas vezes a realidade é que a obtenção de dados relevantes requer uma solicitação para uma equipe de TI que já está lidando com diversas responsabilidades.

A análise de autoatendimento muda o jogo para os empresários, substituindo os defensores dos tickets de TI, das extrações de dados e das solicitações de relatórios por uma tecnologia que permite que não especialistas coletem e manipulem dados, apliquem técnicas avançadas, como machine learning (ML) e inteligência artificial (IA), e gerem suas próprias visualizações e relatórios. O resultado é uma organização em que os usuários corporativos podem seguir sua intuição e curiosidade para descobrir as respostas necessárias, tudo isso em tempo hábil para garantir que as descobertas ainda sejam relevantes e acionáveis.

O que é análise de autoatendimento?

A análise de autoatendimento é uma tecnologia que permite que pessoas sem experiência em TI ou ciência de dados analisem dados operacionais e encontrem insights relevantes e oportunos. Com análises de autoatendimento, os usuários corporativos, como vendedores, profissionais de marketing e equipes de manufatura, podem aproveitar o poder de uma plataforma de análise sem o suporte de cientistas de dados ou profissionais de TI.

Para permitir análises de autoatendimento, uma empresa implementa uma ferramenta de análise, geralmente residente na nuvem, e depois a conecta a um repositório de dados. Na análise tradicional, as equipes de TI geralmente precisavam lidar com solicitações de usuários corporativos para criar e fazer download de extrações de dados. Da mesma forma, às vezes, o departamento de vendas e marketing recorrem às equipes de business intelligence ou ciência de dados para gerar resumos, relatórios ou análises. O “autoatendimento” da análise refere-se à capacidade dos usuários corporativos de realizar ambas as tarefas sem assistência. Os dados estão diretamente conectados ao software de análise, para que os usuários possam selecionar os dados certos, e as ferramentas da plataforma permitem que eles executem suas próprias análises e visualizações.

Com a análise de autoatendimento, os usuários corporativos podem executar muitas tarefas que antes exigiam conhecimento específico, como o processamento de conjuntos de dados, a geração de informações, o design de painéis e a criação de visualizações. Algumas ferramentas de análise de autoatendimento têm recursos integrados de IA e ML que vasculham rapidamente conjuntos de dados muito grandes para encontrar insights e descobrir padrões ocultos. Em particular, a recente integração da IA ​​e da ML trouxe mudanças revolucionárias nos recursos de análise. Ao introduzir a automação, os usuários não técnicos são capacitados no processo de descoberta. A simples conexão de uma aplicação de análise a uma fonte cria um perfil automático dos dados relacionados, ignorando várias etapas para ajudar os usuários a encontrar o que estão procurando. Em muitos casos, isso permite que os usuários tenham liberdade de movimento na descoberta de dados quando nem sequer têm uma consulta específica em mente.

Principais conclusões

• A análise de autoatendimento permite que os usuários corporativos gerem relatórios, visualizações e análises de forma mais fácil e rápida, ajudando-os a responder com mais eficiência às condições em constante mudança.
• Ao permitir que as equipes acessem dados e ferramentas diretamente, os usuários empresariais podem iterar suas pesquisas e adicionar novas fontes de dados conforme necessário.
• Como não são necessários tickets ou assistência, os funcionários têm mais liberdade para buscar cenários hipotéticos e resolver rapidamente novos problemas ou oportunidades que surgirem.
• A análise de autoatendimento reduz a carga sobre a equipe de TI, permitindo tempo para explorar oportunidades, como a integração de novas fontes de dados ou a descoberta de novas ferramentas para análise e governança.

Por que a análise de autoatendimento é importante?

Seja em finanças, RH, operações ou vendas e marketing, o sucesso geralmente depende da geração de insights claros sobre o que está acontecendo e mudando e, em seguida, da formulação e execução rápida de planos de resposta. O que impede a ação rápida? Muitas vezes, é que as equipes de linha de negócios devem confiar em outras partes da organização para executar análises para que possam entender claramente a situação.

A análise avançada de autoatendimento altera esse cenário. Em vez de preencher um ticket ou enviar um email, o usuário vai até a plataforma de análise de autoatendimento para acessar diretamente os conjuntos de dados, selecionar parâmetros e usar as ferramentas fornecidas para gerar insights orientados por dados e criar visualizações e relatórios. A análise resultante é carregada e executada dentro da própria ferramenta, em vez de usar uma aplicação, como uma planilha, para coletar dados. Isso minimiza as oportunidades de erros manuais ou exclusões acidentais de dados. Outra melhoria é que a análise de autoatendimento facilita muito as tarefas iterativas. Isso significa que você pode encontrar informações úteis em seus dados e buscar essas ideias com diferentes caminhos de análise sem precisar esperar que uma equipe de TI responda.

A análise não precisa existir separadamente das aplicações de uma organização. Na verdade, estudos mostraram que a aceitação de análises aumenta significativamente quando os usuários podem acessar ferramentas incorporadas diretamente em uma aplicação. Por quê? A psicologia humana é simples: quanto mais fácil uma tarefa puder ser concluída com menos etapas, maior será a probabilidade de as pessoas tentarem executá-la. No caso de análises incorporadas, quando um ambiente suporta análises, os obstáculos de exportação/importação de dados desaparecem para incentivar o trabalho com eles naquele momento e ali — e quando o fazem, eles podem gerar mais insights com mais rapidez e frequência. Um exemplo comum vem da web, onde dados e relatórios analíticos são frequentemente incorporados em um artigo ou página para conceder acesso instantâneo.

11 melhores práticas e estratégias de análise de autoatendimento

A implementação de análises de autoatendimento envolve muito mais do que comprar uma ferramenta baseada em nuvem e acionar o botão “ligar”. A implementação bem-sucedida dessa abordagem em uma organização requer uma série de considerações de estratégia e tecnologia de negócios, incluindo treinamento de funcionários e criação de padrões de dados. Veja a seguir as principais melhores práticas e estratégias para trazer análises de autoatendimento com sucesso para uma organização.

1. Avalie suas necessidades

Antes de uma empresa adquirir uma plataforma de análise de autoatendimento, os líderes devem identificar seus processos orientados por dados mais importantes e fazer um brainstorming sobre como eles podem ser aprimorados com recursos de análise mais robustos. As equipes operacionais devem criar uma lista de fontes de dados internas e externas necessárias para dar suporte a essa visão, juntamente com as áreas que podem se beneficiar de fontes de dados adicionais ou de técnicas mais avançadas, como análise e modelagem baseadas em IA. Esses insights informarão quais plataformas de análise oferecem os recursos necessários.

2. Encontre o provedor de plataforma certo

Com base em uma avaliação das necessidades, os líderes de TI podem criar uma lista de provedores de plataformas de análise de dados. A TI deve fazer parceria com grupos de negócios que usarão as ferramentas para revisão e seleção de produtos. Reserve uma demonstração para mostrar aos funcionários a interface do usuário e analisar as opções de personalização. Incorporação das finanças: determine se você deseja migrar para a nuvem ou para o on-premises e se a estrutura de custos atende às suas necessidades. Conecte a equipe de segurança e a equipe jurídica ao processo para avaliar os recursos de segurança e governança de dados.

Procure por características-chave como as seguintes:

• Carregamento de dados de arrastar e soltar de autoatendimento, transformação de dados e modelagem de negócios.
• Mecanismos de análise alimentados por IA e ML para aumentar a acessibilidade entre usuários não especialistas.
• Análise gráfica integrada para visualizar contextos e conexões entre entidades de dados. Por exemplo, seu CFO poderá ver todos os custos de fornecedor e quadro efetivo interno associados a um determinado projeto de cliente?
• Análise espacial para responder a perguntas como: “Como o tempo ruim afetou nossas entregas?” e “Quais clientes provavelmente responderão a uma oferta de upsell específica?”.

3. Comece com resultados rápidos

Impulsionar a ampla adoção de uma nova plataforma de análise de autoatendimento pode ser uma das etapas mais difíceis. Estamos acostumados com nossos processos familiares, por mais imperfeitos que sejam. A melhor maneira de fazer com que os funcionários utilizem totalmente sua nova plataforma é mostrar como ela ajuda cada equipe a executar uma tarefa rotineira e demorada com mais facilidade. Os exemplos incluem análise de taxas de conversão de campanha (marketing), crescimento de vendas por território (vendas) e rotatividade de estoque (operações).

4. Expandir para usos mais avançados

A chave para a análise de autoatendimento bem-sucedida é que os usuários tomem medidas graduais para uma análise mais complexa. Essas plataformas facilitam o trabalho com várias fontes de dados, grandes volumes de dados e recursos avançados, como machine learning. Usando um dos exemplos acima, os líderes de vendas podem adicionar uma dimensão a uma análise de crescimento importando dados de campanha de marketing para ver como vários territórios se beneficiaram do suporte à campanha, sem as preocupações de copiar/colar que acompanham a integração manual de dados.

5. Incentive a experimentação

As plataformas de análise de autoatendimento vêm com recursos avançados que facilitam o acesso de usuários corporativos a análises mais profundas, como consultas por meio de processamento de linguagem natural, visualizações com um toque e modelagem preditiva. Para garantir que as equipes aproveitem esses recursos, inicie a plataforma de autoatendimento com um tour de alto nível dos recursos, juntamente com exemplos de como aplicá-los em casos de uso específicos. Cultive usuários avançados com recursos de suporte dedicados. Garanta que os funcionários entendam que essa plataforma é muito mais do que uma substituição de planilha. O ideal é que eles possam usar a plataforma de análise para todo o fluxo de trabalho, desde os dados até a decisão. Se as aplicações incorporarem análises em seus ambientes, isso superará os obstáculos de adoção pelo usuário e poderá aumentar a aceitação, levando a uma experimentação mais rápida e fácil.

6. Identifique lacunas de dados

À medida que as equipes se familiarizam com o trabalho em uma organização orientada por análises, elas identificarão novas fontes de dados que melhorariam os resultados, seja preenchendo lacunas ou substituindo fontes incompletas, desatualizadas ou difíceis de trabalhar. Incentive as equipes a procurar lacunas e identificar novos fluxos de dados. Tenha um processo para as pessoas comunicarem suas necessidades upstream. Isso permitirá que os curadores de dados de TI avaliem novas fontes de dados ou técnicas de transformação para preencher essas lacunas.

7. Prontidão de dados

A “prontidão de dados” se refere a ter dados precisos, completos e desduplicados, formatados para uso em análises de autoatendimento e outras ferramentas. O maior benefício da análise de autoatendimento é que ela permite que usuários corporativos e outros não especialistas obtenham insights de conjuntos de dados. O outro lado, porém, é que esses usuários não terão a experiência de gerentes de banco de dados ou cientistas de dados, portanto, questões de prontidão de dados, como problemas de formato ou dados ausentes, devem ser resolvidas antes que os dados sejam disponibilizados para as ferramentas de análise de autoatendimento. As origens de dados devem ser validadas quanto à precisão e limpas para atender aos padrões de formatação e definições. A prontidão dos dados deve incluir treinamento para usuários avançados em unidades de negócios que descrevam possíveis problemas e como sinalizá-los para a equipe de TI.

8. Planeje o crescimento

Ao implementar análises de autoatendimento, a infraestrutura subjacente deve ser capaz de lidar com ampla adoção entre as equipes, bem como suporte e gerenciamento de conjuntos de dados de entrada. O que é necessário para dimensionar será diferente entre as organizações com base no número de usuários, nos tipos de análise que estão fazendo, no tamanho dos conjuntos de dados e em quantas fontes estão configuradas. Considerações práticas adicionais incluem problemas de governança e se as origens de dados contêm dados estruturados ou não estruturados. Os dados estruturados podem vir acompanhados de requisitos, como necessidades específicas de data warehouse, que podem tornar a expansão mais cara. Em muitos casos, as organizações optam por implementar gradualmente análises de autoatendimento por departamento, em vez de em toda a organização, para equilibrar os fatores técnicos e de treinamento envolvidos na ampliação do acesso.

9. Estabeleça padrões de dados organizacionais

À medida que os usuários corporativos ganham experiência com análises de autoatendimento, eles começarão a ver possibilidades mais interessantes, e essa mentalidade deve ser incentivada. Do ponto de vista prático, as equipes de TI precisam desenvolver padrões organizacionais para dados, incluindo formatação, ingestão de dados, integridade e organização. Forçar os usuários a resolver inconsistências em elementos como formato ou precisão de data/hora pode ser desanimador. Em vez disso, defina padrões para garantir a uniformidade e incentivar as equipes a trazer novas fontes de insights.

Os padrões de dados simplesmente facilitam o uso e o compartilhamento de informações. Para a equipe de TI, ter padrões significa minimizar o trabalho gasto na normalização de dados e, ao mesmo tempo, facilitar a identificação de anomalias. Os padrões de nível organizacional devem se concentrar em políticas de dados de alto nível, como definições de dados, processos de transformação, fornecimento de dados. Em um nível operacional, as empresas também podem configurar formatos de relatório padrão para ajudar criadores e leitores a saber o que esperar e, ao mesmo tempo, dar a eles a liberdade de criar relatórios personalizados, se uma plataforma de autoatendimento oferecer o devido suporte. Por exemplo, a configuração de uma saída de relatório padrão para determinados algoritmos de machine learning pode ajudar as equipes a integrar mais rapidamente essa análise em relatórios criados pelo usuário.

10. Torne a segurança, a privacidade e a conformidade dos dados uma prioridade

Dar a mais funcionários mais acesso a mais dados para análise de autoatendimento pode exigir que a organização tome medidas para evitar riscos, como a divulgação de informações de clientes ou de dados operacionais confidenciais. Requisitos de conformidade e privacidade, como GDPR ou regras de residência de dados específicas do país, significam que as empresas devem ficar em dia com os regulamentos. Abordar a segurança também implica verificar se os dados confidenciais não são vistos pelas partes erradas ou divulgados em sites voltados para o público, o que requer a configuração de níveis de acesso granulares com base na função do usuário e na sensibilidade dos dados.

11. Conheça os limites da análise de autoatendimento

A análise de autoatendimento pode ser um benefício para produtividade e criatividade, mas nem todos os dados são apropriados para um ambiente de autoatendimento. Alguns conjuntos de dados podem ser tão grandes que analisá-los sobrecarrega toda a infraestrutura. Algumas fontes podem exigir muita limpeza inicial sem benefícios suficientes, enquanto outras contêm dados confidenciais que não devem ser divulgados em um ambiente de autoatendimento. As equipes de linha de negócios devem identificar quais conjuntos de dados atualmente indisponíveis seriam mais úteis para seus grupos e colaborar com a TI sobre os custos de adicioná-los em termos de tempo da equipe, uso da infraestrutura e segurança.

Renove seus negócios com a análise de autoatendimento

Para implementar as melhores práticas de análise de autoatendimento acima, as organizações precisam de uma plataforma que funcione para todos que dependem dos dados, especialmente usuários avançados, líderes de unidades de negócios, equipes de TI e executivos. O ideal é que uma plataforma de análise de autoatendimento ofereça uma interface intuitiva que permita que os usuários corporativos entrem imediatamente, recursos que ofereçam suporte a projetos complexos para cientistas de dados e usuários avançados, conectividade fácil com data lakes ou data warehouses e modelagem e insights usando inteligência artificial que incentivem a experimentação.

O Oracle Analytics oferece essa gama de recursos para oferecer suporte à análise de autoatendimento. O Oracle Analytics se integra a repositórios de dados, oferecendo um conjunto de recursos que permitem que pessoas com uma ampla variedade de conjuntos de habilidades obtenham resultados. O Oracle Analytics oferece recursos prontos para uso, incluindo análise de autoatendimento, análise de streaming em tempo real e visualizações de dados, para extrair insights acionáveis de todos os tipos de dados, seja na nuvem, on-premises ou em um ambiente híbrido.

Não deixe que as preocupações com governança e padrões atrasem a adoção da análise de autoatendimento. Se os usuários corporativos não puderem explorar e analisar os dados por conta própria, as equipes de TI e de ciência de dados, sobrecarregadas, sempre terão um enorme acúmulo de solicitações, e os funcionários poderão ficar desanimados e abandonar a busca por novos insights de negócios.

As ferramentas que facilitam a exploração de dados de forma livre e ad hoc compensarão com insights novos e oportunos, bem como com o aumento da alfabetização em dados e uma evolução de apenas relatar “o que” está acontecendo na empresa para entender o “porquê”.

Perguntas frequentes sobre as melhores práticas de análise de autoatendimento

Quem é o usuário ideal para análises de autoatendimento?

O usuário ideal para análise de autoatendimento é alguém que entende o valor dos dados, mas não tem o conhecimento técnico para gerenciar e filtrar grandes conjuntos de dados. Na maioria dos casos, esse é um usuário de negócios, como alguém em marketing, vendas, finanças, cadeia de suprimentos ou manufatura. Esses tipos de usuários entendem o potencial fornecido pelos dados; eles simplesmente precisam de uma maneira mais fácil de analisar informações para gerar insights.

Como a análise de autoatendimento é diferente da análise tradicional?

Um processo de análise tradicional exige que um usuário empresarial faça uma solicitação de um conjunto de dados com um objetivo específico em mente. Essa solicitação pode ficar na fila de TI por tempo suficiente para que uma oportunidade de negócio seja perdida. Ao migrar para a análise de autoatendimento, esse usuário pode executar ferramentas, carregar conjuntos de dados, definir dimensões e parâmetros e manipular os dados para ver quais tipos de insights, visualizações e relatórios surgem.

Qual a diferença entre dados estruturados e desestruturados?

Os dados estruturados vêm com formatos e nomenclatura definidos, como um campo de data que especifica o formato AAAA-MM-DD. Os dados não estruturados não têm um formato definido.

Um exemplo de dados estruturados é um formulário de seguro médico com campos definidos para o número da conta do cliente e códigos de procedimento e faturamento. Exemplos de dados não estruturados são uma ressonância magnética, anotações de um médico sobre uma consulta e opções de tratamento. Isso exigirá a adição de tags e outros metadados para descrever o ativo e fornecer contexto.

Como a IA e o machine learning ajudam na análise de autoatendimento?

Os recursos de inteligência artificial e machine learning (IA/ML) podem identificar insights que os sistemas de análise tradicionais baseados em regras podem ignorar. Os algoritmos de machine learning ficam melhores em detectar padrões à medida que são expostos a mais dados ao longo do tempo. Isso economiza tempo para os usuários corporativos enquanto abre a porta para insights anteriormente negligenciados. À medida que as ferramentas analíticas com tecnologia de IA ficarem online, os usuários poderão fazer perguntas usando a pesquisa em linguagem natural e fazer com que o sistema selecione as fontes de dados certas para gerar respostas.

Como o processamento de linguagem natural pode oferecer suporte a análises de autoatendimento?

O processamento de linguagem natural (PNL), quando usado em uma plataforma de análise de autoatendimento, permite que as pessoas façam perguntas de conversação e obtenham respostas com base em um determinado conjunto de dados. O PNL é composto pela compreensão de linguagem natural (NLU) e pela geração de linguagem natural (NLG), que aumentam a usabilidade e a acessibilidade da análise. Com o NLU, a aplicação pode entender as perguntas feitas em linguagem natural, em vez de usar consultas técnicas. Pode ser um funcionário de RH perguntando "quais foram os cinco principais motivos pelos quais as pessoas deixaram a empresa no ano passado?" ou um profissional de marketing perguntando "quais campanhas publicitárias orientadas por pesquisa apresentaram as maiores taxas de conversão nos últimos seis meses?" Com a PNL, a saída pode chegar em relatórios gerados automaticamente para resumos fáceis de entender de insights e descobertas.