Smart Analytics
Self Service: de gebruiker aan het stuur. Laatst bijgewerkt: 4 april 2019

Leer in 8 minuten:

  • hoe je een self service cultuur binnen de datagedreven organisatie creëert
  • welke rol datavirtualisatie kan spelen bij het bouwen van de self service analytics omgeving
  • het belang van een dataloket, flexibel gebruik van tooling en datavaardige medewerkers voor self service analytics

Eerder schreven we over dashboards als component van het smart analytics framework. Waar dashboards informatie binnen afgebakende kaders aanbieden staat bij de volgende component, Self Service, de gebruiker zelf aan het stuur. In een organisatie waar self service analytics een centrale rol speelt, creëert niet alleen de IT-afdeling meerwaarde met data. Ook marketinganalisten, business controllers, risk managers en proces analisten kunnen zelf aan de slag met data, om relevante inzichten te krijgen en op basis daarvan slimmere beslissingen te nemen.

Self service ontstaat uit de behoefte van gebruikers om zelf met de grote hoeveelheid beschikbare data meer inzicht te krijgen in klanten, medewerkers of processen. In veel organisaties is data echter nog steeds het domein van IT. Daardoor hebben gebruikers vaak beperkte mogelijkheden om zelf dashboards, rapportages of analyses te maken. Het beschikbaar stellen van informatie door IT duurt meestal ook (te) lang. Vaak gaan gebruikers daarom zelf op eigen initiatief en onbegeleid aan de slag met tools en data. Met als gevolg dat bedrijven geen enkele controle meer hebben over waar de data zich bevindt of hoe deze geïnterpreteerd wordt, met alle gevolgen van dien. Organisaties kunnen hierop reageren door beperkingen op te leggen, maar een betere oplossing is om gebruikers te voorzien van de juiste handvatten en te profiteren van hun drang om met data aan de slag te gaan.

Het smart analytics framework beschrijft drie voorwaarden die van belang zijn bij het goed faciliteren van self service. Ten eerste de beschikbaarheid van een dataloket waar gebruikers data en informatieproducten kunnen ophalen of zelfgemaakte informatieproducten beschikbaar kunnen stellen voor anderen. Ten tweede de mogelijkheid voor gebruikers om verschillende tools te gebruiken zodat zij een keuze kunnen maken wat het beste bij hun situatie past. En last but not least: self service werkt alleen als medewerkers ‘datavaardig’ worden door opleidingen en trainingen in het gebruik van data. We gaan hieronder verder in op deze drie voorwaarden.

Een loket voor informatieproducten

Een dataloket biedt organisaties de mogelijkheid om te zien waar data vandaan komt en wat die data betekent. Door het bouwen van een soort bibliotheek voor data, kunnen gebruikers zelf zoeken naar data in allerlei bewerkte en onbewerkte vormen zoals datasets, dashboards en rapporten. Het dataloket stelt gebruikers in staat om zelf informatieproducten te maken en die aan te bieden binnen de organisatie. Toegang tot de data kan centraal geregeld worden per domein of gebruiker, of zelfs voor gebruikers buiten de organisatie. Dankzij het loket blijft het gebruik van data beheersbaar, overzichtelijk en betrouwbaar. Omdat de data op één plek staat zijn datasets allemaal eenduidig gedefinieerd. Dat maakt het ook eenvoudig om nieuwe informatie snel beschikbaar te stellen.

Een dataloket is echter een concept en geen kant-en-klaar systeem. De beste universele data-architectuur voor self service analytics bestaat niet. De invulling is voor iedere organisatie anders en afhankelijk van vele factoren, waaronder:

  • De aanwezigheid van bestaande data warehouses en data marts.
  • De locatie van gegevensbronnen: lokaal of in de cloud.
  • De omvang en complexiteit van een organisatie.
  • De kennis en ervaring van de IT-afdeling.
  • De eisen en richtlijnen voor data governance.

Daarom moeten organisaties bij het ontwerpen van de architectuur van hun dataloket goed nadenken over een aantal zaken zoals de lagen van de architectuur, het beheer van definities en business rules, autorisaties en de keuze voor software tools per laag. Ook dient er gekeken worden naar welke mate van zelfbediening mogelijk is in welke laag met betrekking tot data toevoegen, verzamelen, integreren en analyseren. Een technologie die hier een mooie rol kan spelen is datavirtualisatie. Met datavirtualisatie kan een virtueel dataloket ontwikkeld worden waarin data uit diverse gegevensbronnen real time geïntegreerd en ontsloten wordt. Datavirtualisatie zorgt er zo voor dat data veel sneller beschikbaar is voor gebruikers dan in traditionele data warehouse omgevingen.

Keuzevrijheid in tooling

Het zal niet werken om een heel bedrijf voor te schrijven welke tooling gebruikt moet worden. Gebruikers moeten hierin keuzevrijheid hebben, zonder dat er te veel eisen worden gesteld aan het product. De software die medewerkers gebruiken om inzicht te verwerven en besluiten te nemen zal verschillen per rol. Een goed geïmplementeerd dataloket geeft keuzevrijheid in hulpmiddelen. Het is afhankelijk van de gebruikersrol in hoeverre het gebruik van bepaalde middelen gestandaardiseerd of voorgeschreven kan worden. Een business user zal altijd werken met centraal gekozen tooling. Analisten en data scientists hebben daarentegen veel meer keuzevrijheid nodig. Zij moeten echter wel goed nadenken hoe de oplossingen die ze bedenken later beschikbaar kunnen worden gesteld aan een brede groep gebruikers of geïntegreerd kunnen worden in bestaande applicaties. Een goede afstemming met IT-experts bij de keuze voor bepaalde tools is dan ook onmisbaar om te zorgen dat modellen die ontwikkeld gaan worden wel te implementeren zijn in het applicatielandschap van de organisatie.

Datavaardige medewerkers

Maar met een goed functionerend dataloket en keuzevrijheid in tools ben je er nog niet. Want wat heb je aan een mooi dataloket en de meest geschikte tools, als medewerkers niet in staat zijn om met data om te gaan? Medewerkers moeten analyseren, maar hebben vaak te weinig kennis van data, datastructuren, rekenen met data, analyses en visualisaties. Nog los van kennis over data-aspecten als privacy en ethiek. Hierdoor komen ze niet ver of maken ze allerlei fouten, met mogelijk verkeerde beslissingen tot gevolg. Self service werkt dus alleen als medewerkers datavaardig zijn en klaargestoomd zijn voor het werken met data.

Mensen goed opleiden lijkt een logische oplossing, toch wordt het nog veel te weinig gedaan. Er moet flink geïnvesteerd worden in kennis en kunde om ervoor te zorgen dat mensen echt waarde uit data halen met creatieve initiatieven. Niet alleen met cursussen in het gebruik van software, maar vooral ook door training op het gebied van datamanagement, statistische vaardigheden en datavisualisatie. Een set aan opleidingen die toegankelijk is voor alle medewerkers biedt uitkomst. Het resultaat hiervan is dat niet alleen veel meer medewerkers met data aan de slag gaan, maar ook dat ze veel minder onnodig een beroep doen op data scientists en de BI-afdeling.

Door opleidingen te ontwikkelen die niet alleen gericht zijn op de technische gebruikers, maar juist ook op de business gebruikers, creëer je veel meer resultaat:

  • meer mensen kunnen betere beslissingen nemen onderbouwd door data.
  • mensen op de werkvloer kunnen zelfstandig aan de slag met data.
  • gebruikers stellen betere vragen omdat ze precies de context van hun vraag of beslissing kennen.

Als we spreken over ‘datavaardig’, betreft dat dus een heel scala aan onderwerpen. Te denken valt hierbij bijvoorbeeld aan kennis van datavirtualisatie, datastructuren en datagedreven werken, maar ook aan bewustzijn over privacy, veiligheid en ethische aspecten van data. Combineer dit met de inzet van de juiste tooling en een goed opgezet dataloket en de weg naar self service analytics is gereed!

Wat ga jij als eerste veranderen in je organisatie om de gebruiker aan het stuur te zetten?


eBook: De Smart Analytics organisatie
DOWNLOAD