Anwendungsfälle für Self-Service Analytics – DATAVERSITY

Self-Service-Analysen bieten Geschäftsbenutzern dynamische Berichte, mit denen sie die Daten mithilfe ausgefeilter, integrierter Funktionen analysieren können. Diese Art der Benutzerermächtigung verringert die Abhängigkeit von IT-Mitarbeitern. Darüber hinaus kann die Self-Service-Business-Intelligence-Funktion (BI) Benutzer zusätzlich mit externem Datenzugriff und integrierten Funktionen ausstatten, um sofort fertige Berichte zu erstellen. Um eine vollständige Palette von Analyse- oder BI-Funktionen nutzen zu können, müssen Benutzer nichts von der zugrunde liegenden Programmierschicht der Anwendungen verstehen.

Advanced Analytics-Anwendungsfälle sind ein starkes Argument für „Self-Service-Analyseplattformen“. die, so der Autor, die Fähigkeit haben, fortschrittliche Analysetools für den Desktop eines normalen Benutzers zu sein.

Die
Self-Service Analytics-Markt

Der nordamerikanische Self-Service-BI-Markt wird voraussichtlich bis 2022 dominieren. Die rasche Einführung von Big Data und die Zunahme datengesteuerter Organisationen haben diesen Markt befeuert, aber einige wesentliche Nachteile der Technologie sind Sicherheitsverletzungen, das Fehlen sauberer Daten und hohe Investitionskosten.

Bei der Auswahl geeigneter Lösungen für ihr Unternehmen stehen Unternehmer immer noch vor zahlreichen Herausforderungen, z. B. der Suche nach Tools zur Überwachung aller Geschäftsaspekte und der Suche nach den richtigen Funktionen zur Messung der Daten KPIs oder Verständnis der richtigen Methoden zur Analyse der Leistungsergebnisse. Eine weitere wichtige Herausforderung besteht darin, zu verstehen, wie Daten aus verschiedenen betrieblichen Pipelines erfasst und auf einer einheitlichen Plattform zur weiteren Analyse verwaltet werden können.

Einige der
Häufige Bedenken eines Geschäftskäufers sind, wie viel manuelle Dateneingabe oder -codierung erforderlich ist
erlaubt, was sind die Plattformintegrationsfähigkeiten, sind Routinelösungen
leicht verfügbar und ob die Software skalierbar ist.

Vertrauensbildung zwischen IT- und Geschäftsbenutzern

Obwohl
Führungskräfte oder Unternehmensleiter werden möglicherweise von der Blendung von Nifty fasziniert sein
Tools, farbenfrohe Dashboards oder Multimedia-Berichtsfunktionen sind umsichtig
erfahrene IT-Mitarbeiter in die Kaufentscheidung einzubeziehen. Ein guter Ansatz ist zu
Stellen Sie dem internen Techniker eine „Wunschliste“ mit den Technologieanforderungen zur Verfügung
Experten, die dann den Markt untersuchen können, um Lösungen zu finden, die angemessen sind
diese Anforderungen.

In einer Pressemitteilung von Gartner wurde Folgendes angekündigt: "Self-Service-Analytics- und BI-Benutzer werden bis 2019 mehr Analysen erstellen als Data Scientists."

Wie von Gartners Senior beobachtet
Mitarbeiter:

• Um die Anwendungen ordnungsgemäß verwenden zu können, müssen Benutzer von Self-Service-Analysen zunächst von technischen Mitarbeitern (Data Science) in die Verwendung der Lösungen und Tools eingewiesen werden.
• Der Erfolg einer Self-Service-Analyse Die Plattform wird weitgehend vom Data and Analytics Governance-Modell abhängen, das die Freiform-Datenerkennung unterstützen muss. Weitere Informationen finden Sie unter Regierter Self-Service: Wer erhält Datenzugriff in Ihrem Unternehmen?
• Anstatt Zugriff auf Daten und eine Handvoll Tools zu gewähren, muss das technische Personal Zeit und Mühe investieren, um Vertrauen aufzubauen zwischen sich selbst und anderen Benutzern.

Self-Service Analytics-Anwendungsfälle

Automatisierte Algorithmen – mit leistungsstarken Funktionen zum Lernen aus historischen Daten und zum Anwenden des Lernens auf die Mustererkennung für zukünftige Vorhersagen – waren einst der Bereich der „erweiterten Analyse“. sind aber jetzt in das Gebiet der Self-Service-Analytik eingezogen. Sowohl die Modellerstellung als auch die Modellbereitstellungsphase sind entscheidend für den Erfolg einer Self-Service-Analyseplattform. In den meisten Fällen bevorzugen Geschäftsanwender einen sicheren Übergang, bei dem es sich um ein einfaches „Vorhersagemodell“ handelt, oder eine Handvoll davon, um Entscheidungen zu treffen, die ihren vorhandenen technologischen Fähigkeiten überlegen sind.

Nach dem ersten
Beim Übergang möchten Geschäftsbenutzer nach und nach mehr als nur das Teilen
Daten oder Anzeigen von automatisierten Dashboards. Benutzer möchten lernen, wie man analysiert
Berichte oder Ergebnisse und wandeln sie schnell in umsetzbare Entscheidungen um
mitten in der Arbeit. Dies sind einige der wichtigsten Anforderungen an die beliebte Selbstbedienung
Analyseplattformen sind: Benutzerfreundlichkeit; einfache Navigation; Funktionen zur automatischen Aktualisierung;
und einfache Integration mit anderen Anwendungen.

Self-Service-Analytik im Gesundheitswesen

Rado Kotorov, Chief Innovation Officer bei Information Builders, glaubt:

„[O] Organisationen haben die Möglichkeit, tiefer zu graben, um wichtige Indikatoren und Metriken aufzudecken, Informationen zu erkunden und ihre zu entdecken Potenziale, interagiere mit Echtzeitdaten, automatisiere die Planung und Bereitstellung wichtiger Informationen und nutze die daraus resultierenden Erkenntnisse, um bessere Geschäftsergebnisse zu erzielen. Analytische Erkenntnisse sind nicht länger Datenwissenschaftlern und anderen Elitegruppen vorbehalten. “

Die Vereinigten Staaten sind das 50. von 55 Industrieländern in Bezug auf die„ Effektivität der Gesundheitsversorgung “in einer Studie, in der eine qualitativ hochwertige Patientenversorgung zu erschwinglichen Kosten gemessen wurde. Während des Umgangs mit Datenbeständen im Gesundheitswesen stellten die Analysten fest, dass Hindernisse wie starre Datenrahmen, Latenz, Systemkomplexität und Personalmangel die Qualität der Gesundheitsversorgung erheblich beeinträchtigen können. Die schwerwiegendste Hürde besteht häufig in elektronischen Patientenakten (EHR), die zu Entscheidungsengpässen und reduzierten Ergebnissen führen können.

In der Selbstbedienungsanalyse im Gesundheitswesen werden all diese Herausforderungen erheblich reduziert, sodass Angehörige der Gesundheitsberufe in relativ kurzer Zeit ohne Data Science-Kenntnisse direkt auf Patientendaten zugreifen, diese analysieren und verarbeiten können. In den meisten Self-Service-Analyselösungen für das Gesundheitswesen werden „Datenzugriff, Vorbereitung, Analyse und Berichterstellung“ durch fortschrittliche Technologie automatisiert. Die Flexibilität von selbstfahrenden, auf Erkenntnissen basierenden Gesundheitslösungen kann eine genaue Diagnose, zeitnahe Behandlungsentscheidungen, bessere Behandlungsergebnisse und eine Gesundheitsversorgung mit Mehrwert ermöglichen.

Data Governance ist ein weiterer Bereich, in dem Branchenkenner immer noch die Zuverlässigkeit gespeicherter Daten im Gesundheitswesen in Frage stellen. Der Einfluss von Data Governance auf die Self-Service-Analytik besagt, dass in der Self-Service-Phase die Phase der „Datenaufbereitung“ teilweise oder vollständig automatisiert ist, was darauf hinweist, dass „diese Technologie tatsächlich als Treiber für mehr dienen kann Datenqualität und Data Governance, kein Hemmschuh. “ Die sichtbarsten Vorteile einer Self-Service-Plattform für Gesundheitsanalysen sind die Freiheit von IT-Mitarbeitern, die Ermächtigung der Benutzer und die genaue Entscheidungsfindung.

Self-Service-Analysen im Marketing

Mit der Looker Sales Analytics-Lösung kann jedes Verkaufsteam ist mit "verwertbaren Daten" ausgestattet, um "Leads oder Deals" zu filtern. Über die Sales Analytics-Plattform von Looker können Unternehmenskunden alle Daten über eine einheitliche Datenverwaltungsplattform erfassen und anzeigen. Der Artikel Aufbauend auf der Plattform: Benutzerdefinierte Anwendungen für Vertrieb und Marketing erläutert, wie diese einzigartige Anwendung „benutzerdefinierte Datenerlebnisse“ liefert.

Self-Service-Analysen in der Fertigung

Im Fertigungsgeschäft sind Unternehmer tätig Überleben Sie auf "Six Sigma" (alternativ "Define Measure Analyze Improve Control Cycle [DMAIC]"), das als primärer Qualitätsmaßstab dient. Dieses Qualitätswerkzeug kann jetzt zusammen mit einem industriellen Analysesystem für Unternehmen verwendet werden, um die in einer Einheit oder Anlage erzielten Ergebnisse auf andere Einheiten im gesamten Unternehmen zu übertragen und so die betriebliche Exzellenz im gesamten Unternehmen zu formalisieren und zu replizieren.

Six Sigma ist ausgerichtet mit
datengesteuerte Anwendungen für kontinuierliche Qualitätsverbesserungen. Wenn richtig
implementiert und ausgeführt, kann das industrielle Analysesystem jedem helfen
Produktionsanlage erreichen Kosteneffizienz, einen geringen CO2-Fußabdruck und mehr
Sicherheit.

In einer schlanken Fertigungsumgebung kann ein Six Sigma-Projekt drei bis sechs Monate dauern. Innerhalb dieser Zeit müssen Manager Leistungsmetriken iterativ testen und entwerfen. In diesem Artikel von Science Direct wird die Implementierung eines Self-Service-Business-Analytics-Systems beschrieben, das Lean Manufacturing unterstützt.

Self-Service-Analytics in Bank- und Finanzwesen

In der Finanzdienstleistungsbranche genau
und rechtzeitige finanzielle Entscheidungen müssen den Kunden erreichen. Die aktuellen Herausforderungen
sind nicht verbundene Daten und es mangelt an Data Science-Talenten.

Mithilfe einer Self-Service-Analyseplattform können Finanzfachleute das Problem der „Datensilos“ mithilfe von Datenintegrationstools beseitigen. Darüber hinaus wird eine Self-Service-BI-Plattform den Finanzdienstleistern automatisch vorbereitete Daten zur Verfügung stellen – alles bereit für die Analyse. Auf diese Weise müssen die Mitarbeiter der Finanzdienstleistungen nicht auf technische IT-Mitarbeiter angewiesen sein, um ihre Arbeit zu erledigen.

Endergebnis? Die Kunden erhalten eine zeitnahe und genaue Finanzberatung. Ein Artikel von Digitalistmag zeigt, wie Self-Service-Analysen für Finanzdienstleistungen die Mitarbeiter befähigt haben. Sie treffen nicht nur schnelle Entscheidungen, sondern die Entscheidungen werden auch durch fundierte Datenanalysen gestützt.

Natürlich sind die Bedenken hinsichtlich der Datensicherheit in der Finanzdienstleistungsbranche viel höher, aber die neueren, kontrollierten Self-Service-Analyselösungen können diese berücksichtigen Probleme. Self-Service-Datenanalyse in Finanzdienstleistungen beschreibt eine solche Self-Service-Analyselösung für das Finanzdienstleistungsgeschäft.

Der Artikel Die fünf wichtigsten Bankaktivitäten, die am besten von Digital Self-Service gehandhabt werden bietet eine spezifische Liste an, die durch ihren Titel beschrieben wird. Heute ist Net-Banking mit seinen zahlreichen Digital-Banking-Funktionen eine der weltweit am häufigsten verwendeten Self-Service-Banking-Anwendungen. Bankkunden lieben die Leistungsfähigkeit und Flexibilität des Net-Banking, und zunehmend entscheiden sich Bankkunden jeden Alters für digitales Banking.

Vertrauen
ist ein Bereich, in dem die Bankentechnologie vor großen Herausforderungen steht. auch die
Die Häufigkeit von Online-Banking-Betrug nimmt zu. Trotz fortschrittlicher digitaler
Banken nutzen weiterhin die Filiale
oder sprechen Sie mit einem Kundenvertreter per Telefonbanking. Als digitales Banking
Die Technologie gewinnt im Laufe der Zeit mehr „Vertrauen“ bei den weltweiten Kunden der Bank
Besuche werden runterkommen.

Kundenbindung ist
Eine weitere ernsthafte Herausforderung im Zeitalter des digitalen Bankwesens, wo ein Konkurrent dies kann
Entführen Sie die alten Kunden eines Konkurrenten über einen Online-Chat oder eine SMS. So viele
Banken konzentrieren sich jetzt wieder auf physische Filialdienste für hochwertige Kunden
Retention.

Banken haben gelernt, mithilfe von Big-Data-Analysen ihre High-Net-Kunden für Filialbanken zu identifizieren und zu lokalisieren. Dieselbe Analyseplattform kann verwendet werden, um Kunden mit geringem Wert für Self-Service-Net-Banking oder Kiosk-Banking zu identifizieren.

Das letzte Wort: Augmented Analytics

Ein Gartner-Beitrag definiert Augmented Analytics als Die „Automatisierung“ von Wettbewerbsinformationen signalisiert den Beginn der AI-fähigen Geschäftsanalyse. Der größte Wert von Augmented Analytics besteht darin, dass Business Intelligence bei Bedarf ausgeführt werden kann, da das System automatisiert ist. Was ist Augmented Analytics und warum ist es wichtig? diskutiert die Vorteile von Augmented Analytics. Unternehmen, die viele Predictive Analytics durchführen, können von dieser maschinell lernbasierten Analysetechnologie viel profitieren.

Laut Gartner:

„Bis 2021 ist die Anzahl der Benutzer moderner BI- und Analyseplattformen differenziert Die Funktionen zur intelligenten Datenerkennung werden doppelt so schnell wachsen wie diejenigen, die dies nicht tun, und den doppelten Geschäftswert liefern. “

Bild, das unter Lizenz von Shutterstock.com verwendet wird

Der Beitrag Anwendungsfälle für Self-Service Analytics – DATAVERSITY erschien zuerst auf Business Intelligence Online.

Weiterlesen: https://ift.tt/39yV7G4