Self Service Analytics
Self service BI, drie smaken zelfbediening

Als ik de term ‘self service’ hoor – en dat gebeurt nogal eens – is het eerste beeld dat in mijn hoofd verschijnt dat van mijn zoontje van 2 die zegt ‘zelf doen!’. Hij wil de hele dag door alles zelf doen, maar als het niet lukt, wordt hij boos en roept ‘mama helpen!’ Met self service BI gaat het bij veel organisaties waarschijnlijk precies hetzelfde… Je gebruikers willen graag van alles zelf doen met data, maar wel geholpen worden zodra dit nodig is. Self-service is dus niet; achterover leunen, want je eindgebruiker doet alles zelf. Je gebruikers worden alleen beter van zelfbediening als je goed hebt nagedacht wat self service voor hen betekent en welke smaken je aanbiedt in je organisatie. Self service wordt tegenwoordig te pas en te onpas gebruikt binnen het domein van (big) data, analytics en business intelligence zonder dat nu echt duidelijk wordt wat we precies bedoelen met het woord ‘zelfbediening’. Discussies over de rol en aanpak van self service worden dan ook al snel babylonische spraakverwarringen. In dit artikel ga ik daarom dieper in op het begrip zelfbediening en geef ik handvaten om een serieuze en onderbouwde discussie te kunnen voeren over de rol van self service in je BI strategie.

 

Handscanner

Verschillende mensen, verschillende wensen

Op dit moment ben ik bezig om voor een groot bedrijf een visie te ontwikkelen op self service analytics en die visie vervolgens te implementeren in de organisatie. Bij de aanvang van die opdracht was meteen duidelijk dat iedereen in het bedrijf een ander beeld had bij zelfbediening. De managers en verkoopmedewerkers dachten aan flexibele dashboards op basis van logische use cases. De business consultants wilden graag de benodigde Excel files zelf kunnen maken en schedulen. De IT experts opperden de mogelijkheid om zelf te kiezen welke data je geleverd wilt krijgen en de optie om daar andere data aan toe te voegen om modellen te ontwikkelen. Kortom: zeer uiteenlopende ideeën vanuit ieders domein en expertise.

In al die verschillende ideeën zit wel een overeenkomst. Iedereen wil zelf iets kunnen doen met data wat nu niet (of alleen met veel inspanning en doorlooptijd) kan. Voor iemand met veel IT kennis voelt een dashboard met bewerkte, berekende data te beperkt. Die wil het liefst toegang tot de ruwe data om zelf een specifieke analyse te bouwen. Een business user, die nu Excel files krijgt waar hij maar moeilijk de belangrijke informatie uit kan halen, heeft juist behoefte aan een mooi dashboard. In één oogopslag de belangrijkste informatie en de mogelijkheid om op onderzoek te gaan naar oorzaken als er afwijkingen zijn.

De vraag van vandaag is niet die van morgen

In twee eerdere artikelen “In 5 stappen naar het perfecte dashboard” en “Waarom vertel je me niet wat ik wil weten?” heb ik het gehad over user centered BI en het ontwerpen van dashboards. Richt je op de behoefte van de gebruikers: wie zijn je gebruikers, wat is hun functie, welke beslissingen nemen ze en hoe kun je ze ondersteunen met analyses en visualisaties? Het probleem daarbij is natuurlijk wel dat de beslissingen en vragen van je gebruiker niet statisch zijn. Je organisatie verandert, de wereld waarin je opereert verandert, maar bovenal leidt ieder antwoord op een vraag als vanzelf tot 10 nieuwe vragen! En die behoefte aan doorvragen kun je alleen met (een stuk) zelfbediening door de gebruiker oplossen. Ik illustreer het met een voorbeeld:

Je bent verkoopmanager en wil graag inzicht in de trend in de verkoop van artikelen. Een informatieanalist breekt deze vraag keurig op in de stukjes data die nodig zijn, pluist uit hoe je verkoop meet, of je alle artikelen wil zien of per categorie en hoe we de data kunnen ontsluiten en visualiseren. De aanvraag komt op de backlog van de IT en/of BI afdeling en na enige tijd is er een mooie grafiek aan je dashboard toegevoegd die per artikel de trend inzichtelijk maakt. Je kunt zelfs artikelen onderling met elkaar vergelijken. Top! Tot er ineens een piek is in de verkoop van artikelen voor woningbeveiliging. Waarop je direct een vervolgvraag hebt: wat veroorzaakt die piek? Zijn het bepaalde mensen die deze producten kopen? Of verschilt dat misschien per regio? Dus maar weer naar de informatienanalist en een nieuw verzoek in de backlog. Enige (of behoorlijk wat?) dagen later wordt duidelijk dat het vooral klanten in Drenthe zijn die deze producten kochten. Is dat genoeg? Nee, natuurlijk niet! Enig speurwerk levert op dat er een golf inbraken was in Drenthe waarover veel op social media werd gesproken. Je bent al aan het nadenken over een campagne voor beveiligingsartikelen, als je je realiseert dat de piek vorige maand was en de verkoop alweer genormaliseerd is. Je bent te laat met je analyse, kans gemist. Had je die analyse maar direct zelf kunnen uitvoeren toen je de trendbreuk zag!

Informatiebehoefte is niet statisch. Elk antwoord op een vraag roept een heleboel nieuwe vragen op. Dat inzicht is natuurlijk niet nieuw. Het is de belangrijkste reden dat veel gebruikers de afgelopen jaren (zonder overleg met IT) aan de slag zijn gegaan met self service BI-tools. In een forumdiscussie uit 2010 verwoordde een medewerker van Qlik het als volgt: “Het beantwoorden van de beginvraag is niet zo moeilijk. (…) De uitdaging zit hem in het beantwoorden van de vraag die daarna volgt en die daarna en die daarna, enzovoorts. De moeilijkheid is om het voor een business user mogelijk te maken om elke vraag die hij kan verzinnen te beantwoorden op een zeer intuïtieve en interactieve manier.” Een tool alleen is uiteraard niet de oplossing. Met zoveel verschillende gebruikers en gebruikersvragen, moet je slim nadenken welke mate van zelfbediening je aanbiedt en hoe je dat in je bedrijf structureert en organiseert.

Een kwestie van definitie

Even terug naar het begin: wat is zefbediening eigenlijk? Ik heb even wat gangbare definities op een rijtje gezet:

Zelfbediening - woordenboekdefinities

 

De laatste uit dit rijtje is het meest treffend, omdat die niet alleen benoemt dat een klant zichzelf bedient (“zelf doen!”), maar ook dat er vaak nog wel personeel aanwezig is voor ondersteunende taken (“mama doen!”). Van de bekende voorbeelden spreken zelfbedieningsrestaurants mij het meest aan, want ik ben dol op koken (en eten). Ik gebruik de metafoor van het restaurant daarom om de verschillende smaken van zelfbediening te illustreren.

De drie kenmerken van zelfbediening

Oké, je werkdag zit erop en je hebt trek in een goed diner. Wat doe je?

  1. Je kunt goed koken, hebt een goed recept in je hoofd en koopt in de supermarkt alle ingrediënten die je nodig hebt. En hoewel het een recept van je moeder is, smaakt het toch anders dan wanneer zij het klaarmaakt.
  2. Je rijdt langs de La Place, waar gerechten en ingrediënten klaarstaan. Je maakt je keuze en laat je maaltijd ter plekke voor je bereiden. Je mag natuurlijk zeggen hoe doorbakken je vlees moet zijn en of je een extra portie mozzarella op je pizza wil.
  3. Je gaat naar je favoriete restaurant en maakt een keuze van de kaart. Je haalt je eten hier niet zelf op, maar het wordt keurig gebracht (noemen we dit ook nog zelfbediening?).

Elke vorm van (zelf)bediening wordt dus gekenmerkt door drie aspecten:

  • vrijheid/flexibiliteit: zelf kunnen bepalen wat je wil hebben
  • zelf doen: zelf uitvoeren van werkzaamheden die eerder door iemand anders werden gedaan
  • ondersteuning: terug kunnen vallen op ondersteunend personeel voor advies of uitvoering

Inrichten van self service BI betekent dat je per gebruikersgroep bepaalt op welke manier en in welke mate je invulling geeft aan deze drie kenmerken. Daarnaast moet je goed inschatten wat de gevolgen zijn van de mogelijke invulling van self service. Meer vrijheid voor je gebruiker, betekent onherroepelijk meer risico op verkeerde interpretaties, risico op foutief gebruik van de data, etc. Inderdaad, dat betekent heel wat meer dan een tool aanschaffen en iedereen zelf aan de slag laten gaan met alle beschikbare data!

Drie smaken van zelfbediening

Self service betekent dus niet een vast gedefinieerde manier van werken, je kunt het op oneindig veel manieren invullen. Maar er zijn wel drie belangrijke hoofdsmaken te benoemen waarmee je kunt variëren. Ik val weer even terug op de metafoor van het restaurant.

De business user
In een chique restaurant wordt alles voor je gedaan. Je kunt zelf kiezen wat je wil eten, maar je bent hierin beperkt door de beschikbare gerechten op het menu. De persona hier zegt: “Ik wil ontzorgd worden. Ik ga ervan uit dat alles op de kaart goed bereid is en ik wil op mijn wenken bediend worden.”Je gaat er heen met honger en die moet bevredigend gestild worden.

Bij de business user zie ik het perfecte dashboard voor me, toegesneden op zijn functie en de besluiten die hij moet nemen. Bij deze gebruiker hebben we het grootste gat te overbruggen naar techniek en data. Hier zullen ook artificial intelligence en machine learning een grote rol gaan spelen in de toekomst. Daarmee wordt de (mondelinge) vraag van de gebruiker geïnterpreteerd door de software die op basis van analyse van de beschikbare data direct met een antwoord komt. Hij vraagt gewoon: “Oké Google, wat veroorzaakt die piek in de verkoop van beveiligingsartikelen?”

De analist
Ga je naar La Place, dan doe je meer zelf en heb je meer keuzevrijheid. Je pakt je eigen dienblad en schept bij het fruitbuffet voornamelijk aardbeien in je bakje. Je stelt je eigen pizza samen en laat die afbakken. Je bent wel beperkt in het type gerechten (pizza, fruitsalade, groentebuffet). De ananas is al in blokjes gesneden, je sapje is al geperst, je kunt niet besluiten een hele ananas te nemen. De persona hier zegt: “Ik wil rond kunnen neuzen en kijken waar ik trek in heb. Ik stel mijn eigen gerecht samen.” Je kunt hier niet echt de mist in. De ingrediënten zijn allemaal zorgvuldig voor je uitgezocht en op smaak gesorteerd. Je kunt hoogstens ananas en zalm samen op een pizza doen en erachter komen dat dat toch niet is wat je zocht.

Dit type gebruikers herken ik als de analist. Die bouwt bijvoorbeeld zelf dashboards. De analist weet waar hij naar op zoek is en kan dat zelf vinden als je hem die mogelijkheid biedt om te speuren in voor hem klaargezette en voorgedefinieerde data. Waar nodig wordt hij ondersteund door IT experts om data te prepareren.

De data scientist
Je wil vanavond iets lekkers koken. Je gaat naar de markt en je loopt langs de stalletjes en raakt geïnspireerd door al het lekkers dat je ziet. Je ziet de mogelijkheden van de ingrediënten. Als je mooie, rijpe peren ziet, neem je die mee, omdat je een prachtige combinatie voor je ziet met de reep Tony Chocolonely die je nog thuis hebt liggen. Voorwaarde is wel dat je weet wat je wil hebben of geïnspireerd raakt door de ingrediënten die je ziet, dat je een keuken hebt en dat je kunt koken. Sommige dingen haal je juist bij de toko, de boerderij in het dorp of heb je thuis nog in de kast. Er is ook de kans dat je flink de mist in gaat. Je gerecht kan compleet mislukken. Als je niet weet hoe je goed chocola moet smelten, blijf je zitten met een prutje in plaats van een gladde saus om je stukjes peer in te dopen. Je hoeft ook niet nu meteen te eten. Het bereiden van een goede maaltijd mag tijd kosten en je ziet ook de waarde van de stappen die je aan het doen bent en je kent de valkuilen. Aardappels niet te lang koken, zorgen dat de room niet schift…

De data scientist weet niet precies waarnaar hij op zoek is, maar wil experimenteren met de data. Data combineren, mooie inzichten ontdekken en modellen bouwen. Deze gebruiker raakt gefrustreerd van dashboards; geef hem maar gewoon de data en speelruimte om er mee aan de slag te gaan.

Breng je de data naar de gebruiker? Of andersom?

De mate waarin mensen zichzelf kunnen bedienen hangt natuurlijk wel af van de beschikbare data en tools. Ook kennis van de tools en bijvoorbeeld kennis van statistiek zijn heel bepalend voor de zelfstandigheid van gebruikers. Verder hangt de keuze voor de smaak zelfbediening die je kiest af van de risico’s die je mag en wil lopen. Mensen de vrijheid geven om zelfstandig te werken met data brengt immers ook risico’s met zich mee. Voor je het weet neem je een foute beslissing op basis van informatie die niet klopt.

Moeten we nu massaal business users gaan opleiden tot analist of zelfs data scientist? Of moeten we investeren in betere en flexibelere informatieproducten voor gebruikers? Zodat analysetools geschikt worden voor iedere eindgebruiker? Of beide? Hoeveel beheersen we de risico’s van self service? En hoeveel flexibiliteit willen we daarvoor inleveren?

Allemaal vragen om met je organisatie te beantwoorden, maar zorg eerst dat je het eens bent wat zelf service eigenlijk is en welke smaken voor jouw organisatie interessant zijn. Dat scheelt een hoop spraakverwarring!

Whitepaper
DOWNLOAD