Рекомендации по развертыванию самообслуживания с помощью Qlik Sense

Независимо от того, будет ли использование Qlik Sense в компании успешным, это не только вопрос его возможностей и функциональности. Оценка его пригодности для заданной цели выходит за рамки простого перебора списка функций, определяющих, что возможно в Qlik Sense, а что нет.

Для хорошего внедрения инструмента ИТ необходимо подготовить среду, определить ключевых пользователей в организации и привлечь их к использованию этой технологии.

Важно, чтобы им оказывали всестороннюю поддержку, особенно в начале, и им разрешалось управлять тем, как следует использовать технологию, а не ограничивать их готовыми принципами.

Управление должно быть всегда, но опытные пользователи никогда не должны чувствовать, что они им ограничены. Потому что, как только они начнут выигрывать, дальше все пойдет как по маслу и успех будет лишь вопросом времени.

Вот несколько важных моментов, которые необходимо учитывать при развертывании самообслуживания с Qlik Sense:

  • Qlik Sense не QlikView: даже не почти. Самая большая проблема и ошибка в том, что организации, которые купили Qlik или что-то еще, не просто получили следующую версию инструмента. Совсем не помогло и то, что сам Qlik много лет работал над новым продуктом Qlik Sense который сначала назывался Qlik.Next. Однако, чтобы вам ни говорили, проданный вам Qlik Sense в лучшем случае является кузеном QlikView. Семья та же, но никакого кровного родства. Другие мысли по этому поводу порождают неверные ожидания, поэтому бизнес дает неверное посыл заинтересованным сторонам и не повышает осведомленность ИТ-специалистов о том, что самообслуживание в BI не может развертываться таким же образом, как и управляемая аналитика QlikView в этом случае. Разочарование неизбежно, когда заинтересованные стороны осознают, что Qlik Sense не может копировать панели мониторинга QlikView.
  • Не думайте, что простая установка Qlik Sense создает вам среду самообслуживания в BI: установка Qlik Sense и предоставление пользователям доступа к инструменту – это начало, но здесь нужно выполнить гораздо больше, чем просто установить ПО.

Инфраструктура требует проектирования и планирования, обработки качества данных, их сбора и определения того, кто собирается использовать эти типы данных. Если данные недоступны пользователю, аналитика данных не имеет определенной цели. Удостоверьтесь, что хранилище данных или аналогичное устройство на месте, и у бизнеса есть прецедент для анализа данных для самообслуживания. Хорошим показателем для этого является то, что бизнес или проект работают с большим количеством данных, и есть бизнес-пользователи, у которых есть большое количество таблиц Excel, которые по-разному применяют для его анализа. Это ваш лучший кандидат на Qlik Sense.

  • IT необходимо сделать шаг назад и мониторить среду Qlik Sense, а не контролировать ее: IT-специалисты должны научиться изучать новые вещи, и то же самое относится к развертыванию самообслуживания. Создайте структуру с рекомендациями и принципами и следите за тем, чтобы пользователи следовали им, вместо того, чтобы ограничивать их возможности. Эта структура должна также допускать включение вклада пользователей и быть эластичной. Кроме того, не многие IT-специалисты согласны с предоставлением пользователю слишком широких прав в процессе разработки, полагая, что это приведет к хаосу и анархии. В то время как существует определенный риск, этот страх необходимо преодолеть. Пользователи любят аналитику данных, и они стремятся получить помощь IT-специалистов, чтобы создать наиболее ценную панель мониторинга и обеспечить, чтобы ее хорошо воспринимала широкая аудитория.
  • Определите ключевых пользователей и группы пользователей. Для хорошего внедрения IT-инструмента, необходимо подготовить среду и определить ключевых пользователей в организации и привлечь их к использованию этой технологии.

Важно, чтобы их интенсивно поддерживали, особенно в начале, и чтобы им разрешалось управлять тем, как следует использовать технологию, а не иметь собственные принципы. Управление должно всегда быть, но опытные пользователи никогда не должны чувствовать, что они ограничены этим. Потому что, как только они почувствуют успех, дальше все пойдет как по маслу и адаптация других пользователей будет лёгкой.

  • Qlik Sense продает хорошо – делайте много демок: аналитика данных, убедительные визуализации и интерактивность Qlik Sense – это то, в чем заинтересованы почти все. Бизнес хочет видеть свои собственные данные, собранные, отфильтрованные и представленные на отличной глянцевой панели. Используйте момент и делайте как можно больше демо-версий, чтобы заполучить больше сторонников технологии и продвинуть идею перехода в культуру данных в организации. Даже самые простые панели для мониторинга Qlik Sense удивляют людей и повышают их творческий потенциал для использования в тех случаях, когда аналитика данных в их области может применяться и создавать ценность.

Содействие сотрудничеству: совместное использование. Это относится не только к пониманию, которое, естественно, разделяется с волнением от того, что человек узнал что-то новое и ценное, а также о том, как было получено новое понимание. Люди хранят свои секреты в отношении подхода и методологии для себя, но это контрпродуктивно. Важно, чтобы приложениями, визуализаторами и панелями мониторинга, созданными с помощью Qlik Sense, делились и демонстрировали другим пользователям Qlik Sense как можно чаще.

Это не только способствует продвижению культуры работы с данными, но и поощряет сотрудничество пользователей и команд по различным бизнес-функциям, чего бы иначе не было. Они могут либо делиться знаниями, советами и уловками, либо даже понимать, что смотрят на одни и те же фрагменты данных и могут создать дополнительную ценность, объединив их.

  • Развивайте успех Qlik Sense в организации: если проект успешно выполнен с помощью Qlik Sense, расскажите об этом другим. Создайте историю успеха и предложите провести демонстрации панели управления и ее аналитики. Исторически сложилось так, что IT очень плохо подходит для продвижения своей работы, а это – контрпродуктивно. Аналитика данных создает ценность, и нет ничего зазорного в том, чтобы похвастаться своим успехом; как говорил Мухаммед Али: «если это правда – это не хвастовство».
  • Внедрите рекомендации по дизайну и терминологии: избегайте ситуаций, когда есть несколько панелей различного вида в продвижении последовательного брендинга, просматривая все панели и приложения Qlik Sense, включая терминологию и лучшие практики. Убедитесь, что документ легко доступен всем пользователям. Кроме того, создайте предварительно настроенные шаблоны с листами образцов, чтобы пользователи дублировали их и изменяли на свой вкус, с возможностью расширения, применяя один и тот же дизайн.

  • Защитите неопытных пользователей от сложностей: не давите на пользователей, если они никогда не развивались в данном направлении. Подходите к менее технически подкованным пользователям по-другому, предоставляя им образцы данных и образцы шаблонов, включая библиотеку предопределенных визуализаций, измерений или мер (так называемые основные ключевые элементы). Имейте в виду, что то, что интуитивно понятно для профессионалов Qlik или опытных пользователей, не обязательно будет интуитивно понятно другим пользователям – будьте терпеливы и благодарны за отзывы и постарайтесь понять, как может думать типичный бизнес-пользователь.

Выводы

Qlik проложил новый путь, разработав новый продукт под названием Qlik Sense. В отличие от QlikView, новая технология фокусируется на предоставлении возможностей BI для самообслуживания бизнес-пользователей, позволяя им создавать свою собственную аналитику данных в соответствии с их требованиями в собственном темпе. Модель самообслуживания BI значительно отличается от традиционных инструментов BI тем, что она включает конечного пользователя в процесс разработки, и поэтому подходить к ней нужно по-своему.

Модель самообслуживания имеет собственные цели и динамику. Ее четырьмя основными точками являются простые и настраиваемые интерфейсы конечных пользователей, легкий доступ к исходным данным, простые в использовании инструменты BI, быстрое развертывание и простая в управлении архитектура. Она создает благоприятную для бизнеса среду, в которой сами пользователи имеют свободу развиваться по-своему. Хотя самообслуживание и предлагает множество функций, не все пользователи могут или хотят использовать все это.

Некоторые пользователи проявляют большой интерес к самообслуживанию, в то время как другие больше заинтересованы в получении ответа в усложненной и своевременной форме. Различные группы пользователей можно просуммировать и упорядочить по уровню сложности в IT, опытных пользователей, бизнес-пользователей и потребителей. Идентификация этих групп играет важную роль в разработке архитектуры среды самообслуживания с Qlik Sense. Опытные пользователи – это самые активные пользователи, нужно завоевать их в качестве сторонников технологии: они создают информационные панели и продвигают их в бизнес без значительного вклада от IT. Это может сделать Qlik Sense очень рентабельным, как решение для BI.

Ускоренное время разработки, расширение прав и возможностей пользователей, эффект IKEA и мобильные возможности – все это значимые преимущества Qlik Sense, которые позволяют организациям стать более ориентированными на данные, чтобы получить возможность принимать более эффективные, своевременные и обоснованные решения для своего бизнеса. Проблемы и риски в основном связаны с отсутствием руководства, которое сопровождается аспектом самообслуживания Qlik Sense, включая необходимые инвестиции в обучение. Qlik Sense прост в установке, для того, чтобы извлечь наибольшую ценность из Qlik Sense, должны быть доступными надежные источники данных.

Без значимых данных аналитика данных не будет значительным дополнением для бизнеса. Поэтому важно принять во внимание различные организационные соображения, прежде чем принимать решение о развертывании Qlik Sense. Рекомендации кратко изложены здесь, причем в первую тройку входят: не думайте, что Qlik Sense можно развернуть так же, как QlikView; внедряйте управление, а не диктатуру управления, поощряйте сотрудничество для создания ориентированной на данные культуры со сторонниками Qlik Sense.

QlikView против Qlik Sense – пора переключаться?

Битва между QlikView и Qlik Sense продолжается уже несколько лет, но маятник общественного мнения, похоже, недавно качнулся в сторону Sense. Хотя оба продукта имеют разные цели и ориентированы на разные аудитории, кажется, что сообщество Qlik начинает отдавать предпочтение новому, более удобному для пользователя инструменту.

В этом посте мы рассмотрим все плюсы и минусы обоих продуктов и приведём свои аргументы в пользу того, что пришло время подумать о переходе на Sense.

В чем разница между QlikView и Qlik Sense?

Говоря откровенно, разница существенная. Хотя обе программы являются продуктами Qlik и построены на одной и той же ассоциативной модели, QlikView и Qlik Sense больше отличаются, чем похожи.

QlikView. По своей сути QlikView предназначен для ориентированной аналитики. Он предлагает квалифицированным разработчикам среду для создания интерактивных приложений для аналитики. QlikView больше привлекает пользователей, которые хотят создавать пользовательские приложения и свободно играть с данными, но в то же время должны иметь существенные технические навыки, чтобы в полной мере использовать это программное обеспечение.

С другой стороны, приложение Qlik Sense задумывалось больше для самообслуживания в BI и служит как для технически продвинутых, так и для бизнес-пользователей. Его невероятно удобный интерфейс и отзывчивый дизайн часто делают Sense более привлекательным для новых пользователей, поскольку он позволяет любому создавать визуализацию данных без каких-либо технических знаний. В сочетании с возможностями расширений, приложение становится еще более мощным и может легко использоваться для управляемой аналитики.

Разный подход к проектам

Основной задачей Qlik Sense является предоставление управляемой среды, в которой бизнес-пользователи могут свободно создавать приложения и аналитические материалы, при этом не требуются специализированные ИТ-разработчики или консультанты, чтобы создать такой проект. Конечно, некоторые более сложные приложения и информационные панели будут по-прежнему требовать классического подхода к разработке программного обеспечения; однако, по сравнению с QlikView, вопрос разработки смещается, и консультанту Qlik необходимо немного изменить свое мышление.

СБОР ТРЕБОВАНИЙ

Цель каждого нового проекта Qlik Sense – сделать так, чтобы следовать интересам бизнес-пользователя.

Понимание того, в чем заключаются недостатки эффективности, является ключом к сбору требований в Qlik Sense. В QlikView это всегда было просто: вам нужна панель инструментов, давайте ее спроектируем, и готово. Если вы хотите дать возможность бизнесу делать аналитику самостоятельно, вам нужно начать понимать, как они работают. Также важно распознать потребность в аналитике данных у бизнеса: довольны ли они самой аналитикой и есть ли у них все для нее?

Другим важным аспектом является понимание уровня технической сложности. Если в проекте или у компании нет достаточных технических возможностей, для них нет необходимости в существенной настройке анализа или в интерактивном создании моделей данных в сценарии загрузки. Лучше дать им простое решение, используя управляемые ключевые элементы.

Наконец, наиболее важным аспектом сбора требований, относящихся к Qlik Sense, которого нет в QlikView, является понимание того, на каких устройствах и как будет использоваться приложение Qlik Sense. В то время как QlikView был доступен почти исключительно на десктопных устройствах, Qlik Sense можно использовать на мобильных устройствах на ходу. В зависимости от того, где и как он будет использоваться, будут рассматриваться различные аспекты дизайна пользовательского интерфейса, контекст отображаемых данных, а также интегрируемость с другими платформами и технологиями (например, вы не можете экспортировать в файлы XLS на ваш iPad).

РЕАЛИЗАЦИЯ

В QlikView фаза реализации была преимущественно ориентирована на разработчиков и ИТ-специалистов. Гибкие процессы разработки позволили поддерживать замкнутый цикл обратной связи с бизнесом. Хотя то же самое возможно и в Qlik Sense, вопрос заключается в том, станет ли бизнес частью реализации.

Если пользователь активно участвует в процессе разработки, реализация проектов Qlik Sense становится весьма интерактивной. Вместо того, чтобы тесно сотрудничать с бизнесом в своем приложении, вы можете начать активно привлекать пользователя к самой разработке. Ваше участие в таком сценарии будет зависеть от создания расширений для пользователей и написания модели данных, а также планирования архитектуры среды Qlik Sense.

ПОДДЕРЖКА

Фаза поддержки не сильно выражена в QlikView, если мы не рассматриваем обслуживание сервера Qlik и обучение пользователей. Возможно, вам придется реагировать на проблемы, связанные с некорректными данными или случайным вопросом пользователя, но помимо этого пользователь просто использует приложение, вот и всё. Если есть новые идеи и требования, которые необходимо реализовать, они обычно записываются и реализуются в новой версии того же приложения. Для статических приложений в Qlik Sense, где пользователи не могут добавлять контент в приложение, имеем то же самое.

Однако, когда пользователь имеет разрешение и ему дается право создавать свои листы и объекты визуализации в приложении, фаза поддержки приложения становится неотъемлемым аспектом развертывания Qlik Sense. Поскольку пользователи могут создавать не только свои листы, но и продвигать эти листы в тематических сообществах, где все остальные пользователи могут их увидеть, фаза поддержки быстро превращается в ресурсоемкую процедуру, которая в зрелой среде Qlik Sense может стать повседневной работой консультанта.

В заключение, отметим, что самообслуживание на месте является основной маркетинговой фишкой технологии Qlik Sense, при этом техническая поддержка является важнейшей, здесь роль консультанта Qlik Sense напоминает модель DevOp.

Почему Sense быстро набирает популярность?

Хотя у нас нет каких-либо научных доказательств, подтверждающих наши претензии, у нас есть много анекдотических доказательств, указывающих на один простой факт: Sense быстро приобретает популярность среди бизнес-пользователей. И вот почему:

Спрос на самообслуживания в BI растет, и Sense в этом плане предлагает большую независимость. У Sense есть пользовательский интерфейс, который значительно облегчает разработку менее технологически продвинутым пользователям, они могут публиковать свои собственные визуализации данных и результаты своего анализа. Особенно впечатляет его функция перетаскивания. Она позволяет пользователям просто перетаскивать новые наборы данных прямо в приложение или использовать несколько источников данных.

Qlik Sense реагирует на размер экрана и соотношение сторон устройств. Создание отзывчивых приложений в QlikView всегда означало дополнительную работу и хлопоты (а также потерю документов), но с Sense такого точно не будет. Диаграммы и навигация не только адаптируются к размеру экрана, но, когда это необходимо, слова могут стать значками для экономии места, или значки могут полностью исчезнуть. Отзывчивый дизайн в Qlik Sense выполнен на очень высоком уровне.

Qlik Sense предлагает быстрый способ получить данные. В деловой среде ценят скорость. Необходимость быстрого получения данных и удовлетворения ожиданий бизнес-пользователей является одной из ключевых причин, побуждающих пользователей QlikView экспериментировать с Sense. Многие хотят запустить его параллельно с QlikView – отчасти потому, что им интересно узнать, что же так рекламируется, а отчасти потому, что этот программный продукт действительно нужен в бизнес-организациях, управляемых данными.

В своей книге «Mastering Qlik Sense» Мартин Малер, соучредитель и исполнительный директор Vizlib, пишет:

 «Если вы имеете опыт работы с QlikView, в какой-то момент переход на Qlik Sense станет неизбежным. Хотя эта технология является новой и немного отличается, есть много навыков передачи, включая язык выражения Qlik с установленным анализом. И хотя QlikView и Qlik Sense разработаны одной компанией и у них один и тот же сервер данных, это не значит, что они на 100% идентичны. В Qlik Sense вводится новый способ предоставления аналитики данных с использованием самообслуживания. Qlik Sense полностью основан на веб-интерфейсах, и поэтому важную роль играют новые языки программирования, такие как JavaScript, CSS и HTML5. Ключевым отличием, здесь является расширяемость Qlik Sense, при использовании вышеупомянутых языков программирования. Расширение знаний, а также интеграция Qlik в другие платформы становятся оптимальным вариантом использования, а вместе с ним необходимы и новые наборы навыков для успешного внедрения Qlik Sense в проекты».

Что нужно учитывать перед переходом на Qlik Sense?

Речь идет не о «лучшем решении» или «лучшем инструменте». Речь идет о выборе лучшего инструмента для работы. Поэтому, прежде чем принимать какие-либо решения, рассмотрите следующие вопросы:

  • Кто ваши основные пользователи и как они будут использовать приложение? Какие функции необходимы?
  • Насколько грамотны ваши пользователи данных?
  • Какие возможности самообслуживания необходимы?
  • Каким будет ваш подход к управлению данными?
  • Какими полномочиями вы хотите наделить ваших пользователей, когда они будут создавать визуализацию данных и отчеты?

Кроме того, стоит иметь в виду, что переход от QlikView к Qlik Sense также потребует некоторого перестроения.

Несмотря на то, что существует много совпадений, наиболее существенным различием между этими двумя технологиями является введение нового необходимого набора навыков, JavaScript в Qlik Sense, который начинает занимать большую часть времени разработчика по сравнению с тем, что было в разработке в QlikView.

Второе самое большое изменение – сокращение компактного вывода информации, требуемого в Qlik Sense. Хотя он интуитивно понятен, потребность в нем уменьшается благодаря внедрению основных возможностей самообслуживания Qlik Sense. Основным пользователем, создающим панели и диаграммы, является сам пользователь. Это также объясняет, почему количество времени, затрачиваемое на обучение пользователя, значительно увеличилось, так как разработчику необходимо будет научить клиента использовать фундаментальный набор анализа, выражения и, возможно, поделиться некоторыми эффективными практиками в области визуализации данных.

Пять обязательных элементов культуры управления на основе данных

Многие организации утверждают, что они управляются на основе данных. Но действительно ли это так?

Чтобы построить культуру, в которой данные понимают и используют с их истинным потенциалом, бизнес должен разбираться и решать пять ключевых задач.

Глоссарий данных

Как говорится, «лучше понять мало, чем понять неправильно».

Очень важно, чтобы команда была с вами на одной волне и использовала ту же лексику для обсуждения различных проектов и показателей данных. Это один из аспектов успешной культуры данных, которую организации склонны игнорировать. Это – одна из основных причин, почему возникают споры и недопонимание между командами. Бизнес должен быть активным при составлении внутреннего словаря данных, который определяет, как организация понимает различные показатели. Без ясного и согласованного внутреннего глоссария ваши люди будут интерпретировать данные через свое собственное субъективное восприятие. И тут возникают проблемы.

В большинстве случаев основные показатели одинаково хорошо понимают все команды, преобладают общие определения. А вот более сложные, и более глубокие показатели оставляют слишком много места для интерпретирующего искажения, и это вызывает проблемы. Успешное построение внутреннего словаря данных, такого глоссария, к которому с радостью присоединяется целая организация, требует согласия всех команд на всех уровнях управления. Другими словами, его нельзя вытащить из-за закрытой двери и передать командам. Единственный способ придумать «язык данных» в бизнесе – это вовлечь всех. Это может быть простым обсуждением того, какие аналогичные показатели можно свернуть в одну общую метрику, создавая ситуации, когда более глубокие показатели были бы более уместными или обсуждались в разных бизнес-сценариях, где данные используются для принятия решений.

В самом простом смысле, необходимо убедиться, что все сотрудники говорят на одном языке, и этот один язык данных является одним из ключевых блоков сильной культуры данных. Понимаете, о чем я?

Централизованный, целостный источник данных

Как только вы будете уверены, что ваша организация свободно говорит о данных, следующим важным шагом станет создание единого источника данных, который использует весь бизнес. Эти основные данные следует регулярно контролировать и регулярно обновлять, чтобы обеспечить хорошую работу с высококачественной и актуальной информацией. И самое главное, что все команды должны работать с одними и теми же данными.

Наличие централизованного источника данных позволяет организациям быть более проворными и фактически использовать данные, которые у них есть в повседневных процессах принятия решений. Если данные труднодоступны или люди не знают, что они есть, организации рискуют потерять деньги или возможности из-за плохо информированных решений. Даже что-то настолько простое, как наличие централизованного каталога данных, указывающего людям на лучшие источники для определенных данных, может иметь большое значение.

Демократизация данных

Какая польза от данных, если люди не могут получить к ним доступ?

Компании, управляющие данными, хорошо известны своим инклюзивным подходом к совместному использованию данных в бизнесе. Конечно, это не означает, что каждый должен иметь доступ ко всему, но демократизация данных имеет огромный потенциал для расширения прав и возможностей сотрудников.

Наиболее успешные организации, как правило, проявляют большой интерес к оценке потребностей в данных всех команд, а не только аналитиков и ключевых лиц, принимающих решения. Даже сотрудники, работающие с клиентами, и команды, работающие на дому, могут извлечь выгоду из расширения доступа к ценным сведениям.

Например, компания Sprig из Сан-Франциско, которая занимается доставкой продуктов питания, дает своим поварам доступ к платформе аналитики, где они могут отслеживать и анализировать все заказы, которые были сделаны. Это помогает им лучше понять, какие продукты, ингредиенты и вкусы популярны среди потребителей, а какие идут не так хорошо. Вооруженные подобной информацией, шеф-повара могут быстро реагировать на возникающие тенденции и соответственно адаптировать свое меню.

По сути, речь идет не только о подключении ваших сотрудников к панелям аналитики. Вместо этого демократизация данных помогает организациям развивать культуру, в которой люди чувствуют себя комфортно в обращении и применении данных в своих повседневных процессах принятия решений. Это может значительно повысить производительность любой компании и помочь развить новые идеи.

Грамотность данных

Как только организация решает следовать пути демократизации данных, она должна критически оценивать способность своих сотрудников эффективно изучать и использовать данные. Если сотрудники не могут в полной мере понять и применить идеи из панелей мониторинга, отчетов и анализов, с которыми они сталкиваются ежедневно, усилия по созданию организации, основанной на данных, напрасны.

Даже простые решения, доступные для всех предприятий, такие как обучение сотрудников визуализации данных или навыки базовой статистики, могли бы обеспечить организациям значительный прирост. Часто такие, казалось бы, неважные решения, как выбор правильной диаграммы или цветовой схемы, могут нанести большой урон, если не применять лучшие методики. Неподходящие типы диаграмм и цвета затрудняют интерпретацию данных, снижая ценность данных или ухудшая их, делая данные недоступными.

Инвестирование в непрерывное обучение персонала для повышения грамотности данных во всей организации – это решение, которое даст свои дивиденды.

Ввод данных в работу

Построение культуры, ориентированной на данные – это прекрасно, пока симпатичные визуализации и отчёты не окажутся на столе того, кто «доверяет своему чутью».

 

Просто, чтобы вы получили представление о том, насколько велика (и распространена) эта проблема, расскажем вам о Аванише Каушике из Google, который придумал термин «мнение высокооплачиваемого человека» (или HiPPO). Это – люди с «многолетним опытом», которые все видели и все знают, и они не заботятся о ваших данных, если сталкиваются с очень сильным внутренним убеждением. Financial Times объясняет HiPPO следующим образом:

«HiPPO могут оказаться летальными для бизнеса, потому что они в лучшем случае основывают свои решения на плохо понятых показателях или на чистых догадках. Без интеллектуальных инструментов для получения смысла из полного спектра взаимодействия с клиентами и оценки того, что, когда, где и как стоит за действиями, подход HiPPO может нанести ущерб бизнесу».

Культура, основанная на данных, должна начинаться сверху. Организации, которые склонны ценить интуицию по отношению к данным, почти всегда ведут люди, которые не понимают, как работают данные или не знают, как их использовать. Но даже это можно преодолеть с помощью хорошего обучения и грамотной команды по работе с данными.

И наконец, организации не становятся ориентированными на данные в одночасье. Построение культуры в компании, где ценят, понимают и используют данные – это многогранный процесс, и сделать все за один раз – очень сложно.

Наука сторителлинга: как перейти от диаграммы к увлекательной истории

Более 3000 лет назад сила сторителлинга привела к тому, что локальные племена поднялись против господства завоевателей. Так родилась одна из самых влиятельных цивилизаций в мире.

Гомеровская эпоха в Греции – это период вторжения дорийцев. Дорийцы завоевали целый ряд народностей, разбросанных по всему греческому полуострову. У местных племен отсутствовал общий язык, и они использовали каменные орудия и оружие. Защищать себя от военной власти дорийцев, владевших металлическим оружием, было просто невозможно. Когда они напали на полуостров, то с легкостью его завоевали.

Но была одна вещь, которую они не могли контролировать, – это люди, именуемые рассказчиками.

Рассказчики зарабатывали на жизнь, путешествуя из деревни в деревню и рассказывая любопытные истории на греческом языке. Местные племена с удовольствием слушали эти вдохновляющие басни, легенды и мифы, таким образом, быстро изучая греческий язык и пересказывая эти истории своей семье и друзьям. Вскоре у древних греков появился общий язык.

В конце концов, племена объединились, стали сильнее и вытеснили захватчиков, породив одну из ключевых цивилизаций в мире.

В этом сила сторителлинга.

 

Мозг и истории: захватывающая химическая реакция

Ученые утверждают, что люди изобрели язык для обмена историями и сплетнями. Рассказывание историй – это часть нашей идентичности и того, как функционирует наш мозг.

Когда мы слышим историю, в мозгу происходит интересная химическая реакция. Ученые обнаружили, что в ответ на увлекательную историю в кровоток попадают гормоны: допамин, окситоцин, эндорфины, серотонин и другие.

То, как они влияют на работу нашего мозга, невероятно.

  • Высокий уровень допамина существенно улучшает нашу мотивацию, концентрацию и память.
  • Нейрохимический окситоцин, высвобожденный организмом в ответ на историю, помогает нам сочувствовать. При увеличении уровня окситоцина мы становимся более щедрыми, доверчивыми и открытыми к отношениям. Мы становимся более человечными.
  • Эндорфины высвобождаются в кровоток, когда мы смеемся. Когда это происходит, люди становятся более творческими, расслабленными и, следовательно, более сосредоточенными.

Современный рассказчик не похож на старого бородатого человека, хотя именно его мы представляем, когда слышим слово «сторителлинг».

Каждый из нас ежедневно занимается сторителлингом, но некоторые из нас делают это лучше других.

Когда дело доходит до рассказов в бизнес-среде, нужно понимать, за какие рычаги тянуть и высвобождение каких гормонов провоцировать (а также как это сделать), ведь есть огромная разница между расслабленной, вовлеченной и ничего не понимающей аудиторией.

Исследователи предлагают начинать важные встречи с какой-нибудь личной истории эмоционального содержания, чтобы дать Вашей аудитории возможность лучше понять ее ключевые моменты и сделать ее более запоминающейся.

 

Сторителлинг с помощью данных: как превратить график в историю

Многим из нас приходилось бывать на этих ужасно скучных собраниях, где обсуждались таблицы.

Цифры – это весомый аргумент, это достоверность и обоснованность, но сторителлинг с помощью данных требует очень тщательного планирования.

Вы же не думаете, что актеры на сцене импровизируют – им нужно поделиться с Вами определенным сообщением, так почему же мы терпим собрания с обсуждением таблиц, где на нас просто вываливают данные?

Если Вы хотите, чтобы Ваши усилия в области бизнес аналитики были убедительными и приносили бы высокие результаты (одобрение проектов, скупка и распределение бюджетных средств), цифры нужно «завернуть» в захватывающую историю.

Числа + картинки + история = конфетка для мозга

В наши дни вряд ли можно рассказать мощную бизнес историю без использования данных.

Информационная перегрузка человека находится на рекордно высоком уровне, и компании пытаются отделить сигнал от шума. Структурированные, чистые визуализации помогают нам извлечь смысл из данных, но одних только цифр недостаточно.

Сочетание данных, изображений и сторителлинга – это самый верный способ передачи сложной информации. Мозгу это понравится, и он ее запомнит.

Цифры подводят нас к определенному выводу, картинки проникают в память, а история вызывает высвобождение целого ряда гормонов. Визуализация данных – это та самая конфетка для мозга.

ПРИМЕР: Используя данные рекрутингового агентства, мы создали диаграмму Венна, чтобы визуализировать набор навыков кандидатов. Всего несколько кликов, и Вы получите общий обзор всех навыков и точное представление о том, каких навыков больше, а какие встречаются реже, делая кандидатов более «продаваемыми». Фактор интерактивности улучшает диаграмму – она дает пользователям возможность взаимодействовать с данными и перемещаться по диаграмме, понимая ее глубже.

 

И напоследок: истории управляют миром

Люди редко запоминают статистику, но, если Вы расскажите им хорошую историю, она запомнят ее на долгое время.

Объем данных постоянно растет, а уровень концентрации внимания сокращается, поэтому сторителлинг с данными становится инструментом общения во всех областях и отраслях.

Независимо от того, зачем Вы рассказываете истории – для того, чтобы команда была мотивирована, вовлечена или чтобы привлечь новых клиентов с помощью убедительного повествования, сила сторителлинга способна завоевать сердца людей, сперва завоевав их мозги.

Эффект «IKEA» в самообслуживании «Qlik Sense»

Самообслуживание в пользовании программой «Qlik Sense» дает клиентам такую свободу, что это заставляет многих IT-менеджеров содрогаться, ведь, по их мнению, это неизбежно приведет к анархии в сфере данных. Однако уверенность в себе повышает уровень уверенности бизнес пользователей, снижая их зависимость, что является ключевым преимуществом, при этом обеспечивая переход от классической модели BI к самообслуживанию. В условиях самообслуживания обязанности разработчиков информационных панелей данных выходят за рамки сферы IT и становятся более приближенными к бизнесу.

Но является ли снижение уровня зависимости от IT команд настолько привлекательным, чтобы простимулировать быстрое изменение привычек, и привести к демократизации процесса анализа данных? Кажется, что здесь есть кое-что более важное, что-то, что может ускорить переход к модели самообслуживания BI, и это наш мозг.

Эффект «IKEA»

Любопытно, что эффект «IKEA» связывают с растущей популярностью модели самообслуживания BI.

Эффект «IKEA» – это когнитивное искажение, вследствие которого люди считают вещи, созданные ими, более ценными, чем такие же вещи, созданные кем-то другим.

Если Вы когда-либо покупали что-то у этого шведского мебельного гиганта, то знаете, как это происходит: Вы берете аккуратно упакованный предмет с пошаговой инструкцией по его сборке, затем собираете мебель самостоятельно дома. Именно в этот момент начинает происходить вышеупомянутое искажение.

В рабочем докладе Гарвардской школы бизнеса сказано, что традиционное экономическое мышление предполагает, что потребитель или клиент вычитают стоимость своего собственного труда из конечной стоимости продукта. Но на самом деле, мы наблюдаем обратный эффект, то есть ценность продукта для нас увеличивается, когда мы вкладываем в него свой собственный труд, предполагая, что в нем содержится любовь.

Этот же механизм работает в похожей истории о тортах.

Компания «Бетти Крокер» поддерживает быстроту и удобство работы на кухне, начиная с 1931 года. С этой целью была придумана знаменитая смесь для выпекания торта – она позволяет любому желающему быстро испечь свежий торт, добавив всего пару ингредиентов. Да, можно просто пойти в пекарню или кондитерскую, но это слишком легко и, естественно, не произведет такого впечатления на гостей. Первоначальная смесь торта требовала, чтобы клиент добавил в нее только воду, а затем поместил бы ее в духовку. «Бетти Крокер» создала новый продукт, несмотря на то, что он противоречил экономическим законам. Это была самодельная смесь, позволяющая выпекать торт по требованию без значительных усилий.

Компания «Бетти Крокер» продолжила экспериментировать со смесью и, в конце концов, пришла к варианту, где отсутствуют молоко и яйца. По сути, клиентам теперь придется приложить больше усилий, и это сделало продукт абсолютным хитом. Это помогло компании понять, что клиенту хочется добавить в продукт собственную нотку, делая торт более «домашним».

Эта история показывает две вещи, и делает связь между смесью для выпекания торта и самообслуживанием в модели BI более очевидной.

Во-первых, когнитивное искажение в сфере самообслуживания BI есть. То есть пользователь  воспринимает свои собственные отчеты, как более стоящие. Это искажение является мощным фактором, способствующим успеху бизнеса, при этом играя важную роль в продвижении самообслуживания в сфере аналитики данных. Пользователи более охотно продают и продвигают аналитическую работу, созданную ими, и они, естественно, будут стремиться поделиться своими открытиями. Это может в конечном итоге привести к самообслуживанию в пользовании программой «Qlik Sense», делая ее все более вирусной.

Во-вторых, подход компании «Бетти Крокер», в конечном счете, основывается не только на простоте и скорости – он ориентирован на пользовательский опыт в целом. Это важно для самообслуживания в пользовании программой «Qlik Sense», поскольку архитектор или разработчик должен сосредоточиться не только на предоставлении результатов, но также на том, каким образом представлены эти результаты и идеи.

Дело в том, что благодаря самообслуживанию в пользовании «Qlik Sense» и тесному вовлечению конечного пользователя в процесс разработки, появляется новая психологическая динамика, и ее необходимо учитывать. Стоит забыть о некоторых методах разработки в сфере IT, ранее считающихся передовыми, и начать использовать новые возможности и новый подход к аналитике данных, основываясь на самообслуживании в BI.

 

Типы пользователей в среде самообслуживания Qlik Sense

Так как интерес к самообслуживанию в BI растет во многих областях, начинают появляться различные группы пользователей, которые выделяют в зависимости от того, как осуществляется самообслуживание.

Хотя самообслуживание обычно начинается с IT-отдела, который настраивает инфраструктуру и, как правило, разрабатывает первые приложения для нескольких потребителей, в типичной корпоративной среде можно выделить четыре различные группы клиентов:

  • Продвинутые пользователи или Гуру данных,
  • Бизнес-пользователи или визуализаторы данных,
  • Потребители или считыватели данных и
  • IT или контролеры данных.

Конечно, могут быть и гибридные группы пользователей, и каждый тип будет отличаться от другого по уровню заинтересованности, технической грамотности и тому, как они потребляют данные, поэтому здесь представлены подробные описания четырех основных сегментов пользователей.

Продвинутые пользователи или Гуру данных

Продвинутые пользователи – это наиболее технологичные бизнес-пользователи, которые проявляют большой интерес к самообслуживанию в BI. Они сами создают и настраивают информационные панели и знают, как загружать данные и обрабатывать их для создания логической модели данных. Они склонны к самообучению и имеют гибридный набор навыков, обычно это сочетание бизнес-знаний и некоторых передовых технических навыков.

Эта группа пользователей часто разочаровывается существующими решениями в сфере отчетности или BI и считает, что ИТ-технологии недостаточны для решения их задач. В результате, особенно в прошлом, они брали данные из IT-решений и создавали свои собственные информационные панели в Excel, используя передовые навыки, такие как VBA, Visual Basic для приложений. Они, как правило, любят участвовать в процессе разработки, но не могут реализовать свой потенциал полностью из-за правил управления и строгого разделения IT-подразделений старой школы от бизнеса.

 

В частности, самообслуживание в BI адресовано этой группе. Выявление этих пользователей имеет ключевое значение для принятия внутри организации. В рамках установленной среды самообслуживания опытные пользователи обычно участвуют в комитетах, работающих в технической среде и представляющих интересы бизнеса. Они также разрабатывают основную часть первых версий приложений, которые в рамках процесса естественного развития затем передаются более опытным IT-специалистам, чтобы их можно было отполировать и оптимизировать.

Продвинутые пользователи выступают за технологию самообслуживания в BI и часто не только демонстрируют информацию, которую они извлекли из своих данных, но также ее эффективность и своевременность. В то же время они также служат начальной точкой контакта для других пользователей и потребителей, когда дело доходит до вопросов об их приложениях и информационных панелях. Иногда они также участвуют в техническом консультативном процессе в решение того, можно ли реализовать другие проекты с использованием той же технологии.

В среде самообслуживания в BI можно с уверенностью сказать, что эти опытные пользователи являются основой успешного принятия решений.

Бизнес-пользователи или визуализаторы данных

Эти пользователи часто используют аналитику данных, основной целью которой является извлечь ценность из данных, которые они представляют. Эти пользователи представляют группу людей, заинтересованных в проведении анализа и обнаружения данных, чтобы лучше понять бизнес и принимать более обоснованные решения. Презентация и простота использования приложения являются ключевыми для этого типа пользователей, они менее заинтересованы в создании новых аналитических средств.

При этом определенные формы создания новых диаграмм и загрузки данных иногда представляет для них интерес, хотя и на базовом уровне. Своевременность, актуальность данных и пользовательский опыт наиболее важны для них. Это те, кто разделяет и режет данные и группирует их по размерам, и стремится исследовать в приложении, чтобы получить ценную информацию. Обычно это – группа пользователей из одного отдела с полномочиями пользователя, который наблюдает за ними в отношении вопросов, а также получает обратную связь о том, как можно улучшить информационную панель. Их взаимодействие с IT в основном ограничивается запросом доступа и разрешением неожиданных технических ошибок.

Потребители или считыватели данных

 

Эти специалисты обычно составляют самую большую группу пользователей аналитических решений самообслуживания в BI. Это – конечные получатели аналитических данных и аналитики данных, и, как правило, они заинтересованы только в дистиллированной информации, которая представляется им в переваренной форме.

Они, как правило, являются теми пользователями, которые будут довольны докладу и в цифровом, и в печатном виде, в котором на нескольких страницах кратко излагаются основные моменты и недостатки, и не требуется никакого взаимодействия. Кроме того, они наиболее чувствительны к своевременности и доступности своих отчетов.

Хотя обычно это самая большая группа, в то же время эта группа пользователей максимально использует возможности инструмента самообслуживания в BI. И это создает проблему лицензирования, так как эти пользователи не в полной мере используют предлагаемые функциональные возможности, но платят полную сумму, чтобы получить доступ к отчетам. Поэтому нет ничего необычного в том, чтобы назначать группе этого типа \ доступ к аккаунтам или не предоставлять им доступа к платформе самообслуживания и BI и предоставлять им необходимую информацию (в цифровом виде) в печатном виде или в презентациях, подготовленных пользователями.

IT или контролеры данных

IT представляет собой группу технически продвинутых пользователей. Они работают в фоновом режиме, разрабатывают и управляют инфраструктурой, в которой работает решение самообслуживания в BI. Они являются основой развертывания и обеспечивают правильную настройку среды для обслуживания различных случаев использования, требуемых описанными выше группами пользователей. В то же время они обеспечивают, чтобы политика безопасности внедрялась и поддерживалась, и они внедряют структуру управления для развертывания, качества данных и передовой практики.

Они фактически отвечают за надзор за продвинутыми пользователями и помогают им в технических вопросах, но в то же время обеспечивают условия и определения, а также поддержку внешнего вида и согласованности во всех приложениях. Благодаря самообслуживанию в BI, IT играет меньшую роль в разработке информационных панелей, но предполагает наставничество, проведение тренингов, консультаций и рекомендаций в отношении лучших практик.

Работая в тесном контакте с продвинутыми пользователями, IT также предоставляют техническую поддержку пользователям и поддерживают связь с IT-инфраструктурой, чтобы гарантировать, что серверная инфраструктура подходит для выполнения целей и правильно запускается для обслуживания пользователей. Это также включает в себя обновление платформы, где это необходимо, и обогащение ее дополнительными функциями, если и когда это возможно.

Может ли разработчик QlikView быть разработчиком Qlik Sense?

Разработчики QlikView (согласно книге QlikView 11 for Developers) были теми из нас, кто писал скрипты загрузки, разрабатывал модели данных, формулировал выражения и работал с объектами QlikView. Теперь Qlik Help оставил эту группу людей безымянными, а разработчиками считает тех, кто работает с QlikView или Qlik Sense API, используя какой-то сторонний код. Тем не менее, я по-прежнему считаю себя разработчиком QlikView, поскольку создание программных расширений, или любое другое использование QlikView API не является неотъемлемой частью программного обеспечения. Однако Qlik Sense API находится на переднем крае того, что является программным обеспечением, а звание разработчика Qlik Sense подразумевает некоторую способность работать с ним.

Могут ли разработчики QlikView улучшить свои навыки и стать полноценными разработчиками Qlik Sense?

Славные дни

На протяжении 11 лет я был разработчиком QlikView, и за эти годы я успешно выполнил несколько проектов BI, не разработав ни одного расширения QlikView. Я всегда находил способ использовать собственные объекты QlikView для решения практически любых бизнес-задач. Уверен, есть много разработчиков QlikView, таких же, как и я, которые прибегают к такой же тактике и избегают создания объектов расширений QlikView.

Разработчикам QlikView, на всякий случай, нужно немного напомнить о нашей креативности, и для этого я приведу некоторые примеры. Одним из наиболее распространенных трюков является использование дизайна пользовательского интерфейса Freeform QlikView и наложения одного объекта поверх другого. Этот трюк позволяет нам создать определенную инфографику или добавлять линии и полосы в область диаграммы. Следующие примеры взяты из книги Джулиана Вильяфюрета «Creating Stunning Dashboards for QlikView».

Я использую еще один трюк, чтобы сделать объект гистограммы обозначением тепловой карты, прежде чем размещать его поверх фактической гистограммы.

Также, иногда мне приходится копать глубже, до нижней области функциональности QlikView. Например, я использую строки ошибок, для создания пулевой диаграммы.

Это всего лишь несколько примеров из длинного списка возможных трюков визуализации данных в QlikView. Я уверен, что каждый читатель сможет вспомнить время, когда он использовал объект QlikView каким-то безумным способом. На мой взгляд, это именно то, что делает разработку визуализации данных QlikView настолько интересной.

К сожалению, пришло время перемен, всё заканчивается с появлением Qlik Sense. Отсутствие настраиваемых свойств объектов и произвольной формы разработки пользовательского интерфейса убили все веселье. Однако, похоже, что разработчики Qlik Sense готовы явиться на вечеринку без приглашения. Главный вопрос заключается в том, обладают ли разработчики QlikView достаточными навыками для этого или же вечеринка только для веб-разработчиков.

Самодовольство разработчиков QlikView

Вне всяких сомнений, большинство моих побуждений направленных на то, чтобы узнать, как разрабатывать расширения Qlik Sense, являются личными. Я не добавил ничего нового в свой набор технических навыков, так как примерно в то же время в 2011 году вышел QlikView 11. Конечно, за последние 6 лет я мог бы изучить R, Python, JavaScript, Hadoop или тысячу любых других вещей.

Даже если так, кто может обвинить меня? Жизнь разработчика QlikView по-прежнему интересна, а клиенты остаются довольны тем, чего можно добиться с помощью QlikView. Если бы я мог научиться разрабатывать расширения, чтобы охватывать не только атрибуты визуализации, которых все еще не хватает в Qlik Sense, но и создавать несколько визуализаций, которые я никогда не мог сделать в QlikView, и предлагать своим клиентам готовые преимущества Qlik Sense, тогда я могу это сделать.

Тем не менее, выгоды должны быть весомыми, а кривая обучения для разработки расширений не настолько глубока, чтобы это оставалось хорошим вложением и стоило приложенных усилий. Я считаю, что такое исчисление – это то, что заставляет многих разработчиков QlikView стесняться взять на себя полную роль разработчика Qlik Sense, или, это связано с чем-то большим, чем невозможность научиться писать код на JavaScript. Любой, кто может анализировать логику и синтаксис анализа набора QlikView, способен понимать JavaScript.

Следите за правильностью разрыва

Мы, разработчики QlikView, склонны зацикливаться на теме QlikView и Qlik Sense и функционального разрыва между ними. Также, мы придерживаемся идеи, что Qlik в какой-то момент предоставит нам все основные атрибуты визуализации, которые были доступны в QlikView. Мы можем пойти еще дальше и понять, что, даже если это не так, мы можем зависеть от какого-нибудь великодушного разработчика Qlik Sense, чтобы создать то, что нам нужно.

Первая ошибка состоит в предположении, что устранение разрыва между QlikView и Qlik Sense является целью Qlik. Это не так. Разрыв, в устранении которого заинтересован Qlik – это функциональность Qlik Sense и то, что ожидается от клиентов в будущем. Необходимо отбросить множество функций QlikView, включая некоторые простые параметры свойств визуализации данных из программного обеспечения.

Как и многие другие технологические сдвиги, каждый текущий клиент QlikView в какой-то момент достигнет переломного момента, когда QlikView больше не будет удовлетворять его требованиям. Независимо от того, сможет ли Qlik Sense удовлетворить будущие требования клиентов, это вероятно, будет зависеть не только от Qlik, но и от его экосистемы, в которую входит армия разработчиков QlikView.

Разрыв между требованиями клиентов и объединенной функциональностью Qlik Sense и QlikView потенциально катастрофический. Хотя большая часть ответственности за покрытие этого разрыва принадлежит Qlik, разработчики QlikView способны творчески, хотя бы незначительно, продлевать жизнь QlikView. Они также имеют компетенцию стать разработчиками Qlik Sense и помогут компенсировать некоторые недостатки Qlik Sense.

Стимулом для нас для оказания помощи в закрытии этого разрыва, является продолжение использования преимуществ наших знаний. У веб-разработчиков нет такого же стимула. JavaScript переживет Qlik. Таким образом, мы также можем создавать новые возможности для нашей будущей карьеры, которые не зависят от одного программного обеспечения и, которые все еще используют то, что Qlik-проекты научили нас анализу данных.

Поскольку мы ожидаем, что другие разработчики создадут что-то, что соответствует нашим потребностям, я не думаю, что выполнение важного требования за счет бесплатного труда – хорошая стратегия. Даже если в маловероятном случае, когда я найду все, что мне понадобится в Qlik Branch, и мне никогда не придется разрабатывать расширение с нуля, я единственный, кто отвечает за поддержку и, при необходимости, тонкую настройку этого расширения.

Независимо от каких-либо других побуждений, Qlik может предложить сделать развитие расширений полезным навыком, я думаю, у нас достаточно аргументов, чтобы добавить веб-разработку в наш набор технических навыков.

 

План

План разработчиков QlikView, которые ничего не знают о веб-разработке, выглядит следующим образом:

  1. Позаботиться об основных принципах и изучить HTML5, CSS и JavaScript.
  2. (a) Ознакомиться со справочной документацией разработчика Qlik Sense Developer и (b) создать свое первое расширение.
  3. Получить обновленную информацию из блогов, связанных с Qlik
  4. Получить живой совет от экспертов.
  5. Научиться использовать библиотеку визуализации данных JavaScript.
  6. Найти визуализацию для разработки и просто начать работу.
  7. Найти методы исправления своих ошибок в работе других.
  8. Внести вклад в Qlik Branch.
  9. Найти время и узнать, что сделает вас лучше (заняться саморазвитием).
  10. Создать расширение для решения реальной потребности бизнеса.

И еще…

Если вы все еще не уверены в том, хотите ли Вы самостоятельно развивать расширения Qlik Sense, как минимум, следите за тем, что делают другие в Qlik Branch. Даже если Вы всего лишь пользователь, обратная связь важна для создания лучших расширений.

Учебный центр по технологиям анализа данных и BI: расписание/запись на учебные курсы, тестирование разработчиков — https://education.biconsult.ru/

Присоединяйтесь к QUBIC – сообщество профессионалов в области BI! Наши страницы в соц.сетях – расписание учебных курсов, бесплатные учебные материалы, анонсы мероприятий: https://vk.com/club165575964 и https://www.facebook.com/qubicspb

Неофициальный форум разработчиков QlikView & Qlik Sense Russian forum

Канал на Youtube – много обучающих видео и записи вебинаров

Готовые решения “Конструктор финансовой отчетности” и “Анализ продаж

Set Analysis – Новые и потерянные клиенты с вложенным расширенным поиском

Мне нравится анализ, который можно выполнить с помощью анализа множеств (Set Analysis) Qlik, но его синтаксис приводит от отсеиванию слишком большого количества бизнес-пользователей. Те же самые бизнес-пользователи, которые используют для своих аналитических задач Excel, недостаточно убеждены, что Qlik доступен для выполнения их пользовательского анализа.

Я считаю, что однажды применение простых и сложных бизнес-правил станет проще, но пока этого не произошло я собираюсь поделиться советами и трюками, чтобы максимально упростить синтаксис Set Analysis. Кроме того, я буду использовать примеры часто используемых индикаторов, которые можно повторно использовать для собственных приложений Qlik.

Одним из запутанных атрибутов синтаксиса Set Analysis является использование двойных кавычек (“) и использование одинарных кавычек (‘). Согласно Qlik Help (отличный ресурс),

Поиск всегда определяется использованием двойных кавычек, например, <Ingredient = {«*Garlic*»}> выберет все ингредиенты, включающие «Garlic».

Поиск также может базироваться на формуле или диапазоне. Например, <Customer = {«= sum (Sales)> 10000»}> выберет всех клиентов с суммой продаж более десяти тысяч, а <Year = {«> = 2008 <= 2010»}> выберет в диапазоне между 2008 и 2010 годами.

С другой стороны, одиночная кавычка (‘) обозначает строковое значение. Например, <Customer = {‘Alles Lusekofter’}>. Однако, это может быть ясно для одних, и смущать других. Еще более сбивает с толку тот факт, что на практике не существует никакой разницы между использованием двойной кавычки («) и одинарной кавычки (‘). Например, <Customer = {‘Alles Lusekofter’}> даст вам тот же результат, что и <Customer = {«Alles Lusekofter»}>, и вопреки тому, что говорится в Qlik Help, <Ingredient = {‘* Garlic *’}> возвращает тот же результат, что и <Ingredient = {«* Garlic *»}>.

Когда мы обучаем тех, у которых нет технического образования написанию Set Analysis, важно оставаться последовательным и оставлять выражения как можно более простыми. Самое простое решение – всегда использовать что-то одно.

Единственное допустимое исключение из этого правила будет при использовании вложенного Set Analysis. Вложенный Set Analysis – это когда мы используем расширенный поиск для фильтрации поля, которое также фильтруется Set Analysis. Например,

<Customer = {«=sum( {$<Ingredient={‘*Garlic*’}>} Sales)>10000»}>

будет фильтровать клиентов, у которых есть продажи более чем на десять тысяч для продуктов, содержащих чеснок.

Вот реальное приложение вложенного Set Analysis, которое помогает определить бизнес-правила, определяющие индикаторы для выигранных и потерянных клиентов, которые являются ключевыми индикаторами в любом приложении по продажам. Наши бизнес-правила следующие:

  • Новые клиенты – это те, которые впервые покупали за предыдущие 30 дней.
  • Потерянные клиенты – это те, кто покупали ранее (за последние 120 дней), но ничего не купили за предыдущие 60 дней.
  • Индикаторы можно просмотреть за предыдущие месяцы, а не только за текущий месяц.
  • Учитывайте только положительные транзакции продаж (без возврата)

Наша модель данных включает в себя мастер-календарь с  полями Month, Year, Yearmonth и Orderdate; справочником клиентов; и таблицей фактов с полем «Sales».

Короче говоря, выражение будет вычислять первый и последний раз, когда каждый клиент совершил покупку до даты, выбранной пользователем, и посмотрит, попадает ли она в диапазон дней, определенных в определенных ранее бизнес-правилах. Если бы мы сначала вычислили, что клиент совершил покупку до даты, выбранной пользователем, то будем использовать следующее выражение,

min({$<Sales={‘>0’}, Year=, Month=, YearMonth=, OrderDate={‘<=$(=max(OrderDate))’}>} OrderDate)

и нам нужно всего лишь изменить min на max, чтобы вычислить последний раз, когда клиент совершил покупку,

max({$<Sales={‘>0’}, Year=, Month=, YearMonth=, OrderDate={‘<=$(=max(OrderDate))’}>} OrderDate)

Обратите внимание, что мы использовали одинарные кавычки (‘) в выражениях поиска, включенных в предыдущие формулы. Теперь мы делаем простой подсчет,

count(distinct Customer)

и добавляем предыдущие формулы, которые рассчитали первый и последний раз, когда была сделана покупка, сравнивая ее с максимальной датой, выбранной пользователем,

=max(OrderDate)

в расширенном поиске в нашем Set Analysis.

Если первая дата, когда покупка была совершена клиентом, составляет менее 30 дней, клиент считается новым, а если последняя дата, когда была сделана покупка, составляет от 60 до 120 дней, клиент считается потерянным. Наши полученные выражения выглядят так.

Новые клиенты

count({$<Year=, Month=, YearMonth=,Customer={«=min({$<Sales={‘>0’}, Year=, Month=, YearMonth=, OrderDate={‘<=$(=max(OrderDate))’}>} OrderDate)>=$(=max(OrderDate)-30)»}>} distinct Customer)

Потерянные клиенты

count({$<Year=, Month=, YearMonth=,Customer={«=max({$<Sales={‘>0’}, Year=, Month=, YearMonth=, OrderDate={‘<=$(=max(OrderDate))’}>} OrderDate)< $(=max(OrderDate)-60) and max({$<Sales={‘>0’}, Year=, Month=, YearMonth=, OrderDate={‘<=$(=max(OrderDate))’}>} OrderDate)>= $(=max(OrderDate)-120)»}>} distinct Customer)

Обратите внимание, что мы использовали двойные кавычки («), чтобы окружить вложенное расширенное выражение поиска. Кроме того, важно помнить, что мы должны повторять игнорируемые поля (например, Year, Month и YearMonth) как во внешнем, так и вложенном Set Analysis.

Другими замечательными индикаторами, которые можно получить аналогичным образом, являются количество восстановленных и подверженных риску клиентов.

 

Учебный центр по технологиям анализа данных и BI: расписание/запись на учебные курсы, тестирование разработчиков — https://education.biconsult.ru/
Присоединяйтесь к QUBIC – сообщество профессионалов в области BI! Наши страницы в соц.сетях – расписание учебных курсов, бесплатные учебные материалы, анонсы мероприятий: https://vk.com/club165575964 и https://www.facebook.com/qubicspb
Неофициальный форум разработчиков QlikView & Qlik Sense Russian forum
Канал на Youtube – много обучающих видео и записи вебинаров
Готовые решения “Конструктор финансовой отчетности” и “Анализ продаж

7 простых способов облагораживания дэшбордов

Простые секреты для улучшения визуализации данных

Безобразный дэшборд может превратить ваши идиллические мечты о визуализации данных в зловещие кошмары, и это вопрос не просто эстетического предпочтения. Если пользовательский интерфейс загроможден, дезорганизован или полностью исключает вашу способность воспринимать и использовать данные, аналитика будет серьезно нарушена.

На этой неделе я раскрою семь моих главных секретов, которые каждый может использовать с целью облагораживания своего «уродливого детища» и придать визуальному взаимодействию больше эффектности.

1. Больше белого пространстваЕсли в вашей аудитории нет страдающих от боязни пустоты, вам нужно воспользоваться белым пространством. Исследование художественного и субъективного восприятия показало, что пустое пространство облегчает распознавание информации, демонстрирует отсутствие информации и контекстуализирует данные, чтобы прояснить резкие отклонения и придать значение размерам элементов.

Создание пробелов в любой визуализации данных или отчете – самый простой способ выделить наиболее важные данные. Старайтесь избегать темного фона, который может конкурировать с цветами диаграммы или усложнить просмотр текста. Не помню, когда мы в последний раз создавали визуализацию с цветным фоном! Сначала это может быть привлекательно, но со временем цветные фоны могут послужить отвлекающими факторами.

2. Уберите беспорядок

Беспорядок можно определить как дезорганизованные визуальные элементы, такие как избыточные строки в диаграммах и повторяющиеся метки, которые обычно скрывают структуру данных. По мнению некоторых исследователей: «Даже в небольшом наборе данных беспорядок может затруднить определение структуры и выявление взаимосвязей». Сделайте все проще, не перегружая правое полушарие мозга наблюдателя визуальными данными, которые на самом деле не несут полезной информации.

Вот перечень наиболее распространенных типов беспорядка, которых следует избегать:

  1. Удалите ненужный текст в диаграммах. — Например, вы можете удалить значения по оси x или y, просто указав значения непосредственно на диаграммах или строках диаграммы.
  2. Сведите цвета диаграммы до минимума. – Сосредоточьтесь на выделении на диаграмме исключений, а не всех значений.
  3. Проверьте окружение диаграммы. – Когда дело доходит до размещения диаграмм — меньше – это больше. Наложение нескольких диаграмм на экран затрудняет определение пользователем той информации, которая является важной. Использование микродиаграмм, больших значений и значков может обеспечить отсутствие перегруженности пользователя подробными диаграммами.
  4. Ограничение размеров таблиц. — Строки и столбцы предназначены для отчетов. Когда дело доходит до визуализации, ограничьте длину таблицы не более чем в пять строк. Старайтесь избегать использования линий между таблицами, которые отвлекают и не несут в себе значения.

3. Добавьте иконки

Иконки передают общее понятие более сжато, чем блок текста. Во время одного из исследований, представленных на третьей Международной конференции IEEE по интеллектуальному анализу данных, было отмечено, что организованные значки и глифы могут облегчить зрителям восприятие многомерных наборов данных. К счастью, в Интернете есть много бесплатных ресурсов иконок, в том числе:

Разумеется, эти ресурсы нужно использовать с умом, поэтому ознакомьтесь с этими замечательными примерами того, как использование иконок может сделать сложные наборы данных более четкими:

Мы используем иконки в двух случаях: 1) при наличии доступного пространства и 2) когда это помогает лучше передать смысл. Одна из наших любимых иконок – иконка большого пальца. Мы используем ее для представления лидеров и аутсайдеров. Благодаря Facebook (нравится или не нравится), эти иконки известны во всем мире, и пользователи сразу понимают, что они означают.

4. Используйте набор цветовой палитры

Используйте цвета умеренно. Серые, синие и другие нейтральные тона легко сопоставляются, а цвета RAG (красный, янтарный и зеленый) хороши для выделения каких-либо исключений. И главное – сохранение простой палитры облегчает выбор контекстно-зависимых оттенков, что важно; Исследования в Гарварде показывают, что семантически резонансные цвета облегчают восприятие данных.

Мы стараемся использовать один из двух методов для выбора цветов:

  1. Запросить набор брендовых цветов у клиента (в отделе маркетинга)
  2. Используя сайты, такие как Color Scheme Designer или Adobe Color Wheel

5. Заменяйте сложные диаграммы простыми

Пауки, водопады и 3D-визуализации привлекательны, но их сложнее расшифровать. Психологи говорят, что сложные графики требуют больших различий для пользователей, чтобы различать данные и формы. Так что придерживайтесь классики, например, столбиков, линий, и искр.

Есть практическое правило, которое заключается в том, чтобы избегать «экзотических» графиков. На этапе создания макета они отлично выглядят благодаря разнообразию, которое они вносят в визуализацию как по текстуре, так и по цвету, но со временем они становятся ненужным довеском в сознании пользователя; они отнимают слишком много времени для восприятия, поэтому придерживайтесь основ. Подобно иконкам, большинство пользователей понимают использование столбиковой или линейной диаграммы, не требуя объяснений. Не нужно изобретать велосипед.

6. Будьте последовательными

Читаемый BI дэшборд поддерживает согласованность в отношении размеров текста, выравнивания диаграмм, форм, меток, заголовков и других элементов. Как отмечает Web Development Group, «непоследовательные элементы запутывают читателя».

Большинство инструментов BI имеют сетки или параметры автоматического выравнивания в своих панелях инструментов, которые делают последовательность легкой. Используйте их. Хотя небольшие ошибки размещения могут казаться невидимыми пользователю, мозг распознает их подсознательно и это может снизить возможность пользователя сосредотачиваться на представленных данных. Вот почему в наших семинарах по визуальному представлению информации мы используем установленную структуру для наших макетов.

Форма макетной структуры BI дэшборда

Мы призываем всех участников использовать наши шаблоны, чтобы избежать «ноу-хау», необходимых для создания идеального макета. Постоянство, когда дело доходит до визуализации данных, ассоциируется с «чистым» видом.

7. Разработка, ориентированная, в первую очередь, на мобильные устройства

То, что отлично выглядит на компьютере, может показаться достаточно искаженным на смартфоне или планшете. Поскольку вы, в конечном счете ограничены размерами мобильных устройств, облагородьте визуализацию данных, разработав интерфейс, макет и другие факторы, связанные с мобильным экраном не менее 10 дюймов.

Менталитет проектирования мобильных устройств начался с iPhone, но теперь общепризнанным фактом является то, что если ваши визуализации данных или отчеты не работают на мобильном устройстве, это негативно скажется на общем восприятии пользователем. Хуже всего, пользователи будут просто видеть в этом устарелость и искать другие решения. Хотя некоторые организации и избегают мобильного доступа к данным из соображений безопасности, это можно рассматривать как повод оставаться в «темном веке». Организации, которые не охватывают мобильные устройства, могут оказаться в будущем ненужными в BI.

Учебный центр по технологиям анализа данных и BI: расписание/запись на учебные курсы, тестирование разработчиков — https://education.biconsult.ru/

Присоединяйтесь к QUBIC – сообщество профессионалов в области BI! Наши страницы в соц.сетях – расписание учебных курсов, бесплатные учебные материалы, анонсы мероприятий: https://vk.com/club165575964 и https://www.facebook.com/qubicspb

Неофициальный форум разработчиков QlikView & Qlik Sense Russian forum

Канал на Youtube – много обучающих видео и записи вебинаров

Готовые решения “Конструктор финансовой отчетности” и “Анализ продаж

10 трендов в бизнес-аналитике

Темпы и эволюция решений бизнес-аналитики означают, что то, что работает сегодня, может потребовать улучшения завтра. От обработки естественного языка до роста страхования данных мы опросили клиентов и сотрудников Tableau, чтобы определить 10 влиятельных тенденций в 2018 году. Независимо от того, являетесь ли вы специалистом в сфере данных, ИТ-специалистом или руководителем в BI компании, эти тенденции акцентируют стратегические приоритеты, которые могут помочь вашей организации выйти на новый уровень.

1.  Не бойтесь искусственного интеллекта

Как машинное обучение поможет аналитику

Популярная культура подпитывает мрачный взгляд на то, что может сделать машинное обучение. Но в то время как исследования и технологии продолжают улучшаться, машинное обучение быстро становится ценным дополнением для аналитика. Фактически, машинное обучение является конечным помощником аналитика.

Представьте, что вам нужно быстро взглянуть на влияние изменения цены на данный продукт. Для этого вы будете использовать линейную регрессию для своих данных. До появления Excel, R или Tableau вы должны были делать это вручную, и процесс занимал часы. Благодаря машинному обучению вы можете увидеть объем потребления продукта в считанные минуты, если не секунды. Как аналитику, вам не нужно проходить через этот процесс, и вы можете перейти к следующему вопросу — были ли месяцы более высокого потребления из-за внешнего фактора, такого как праздник? Был ли новый релиз? Были ли новостные сообщения, влияющие на продажи или узнавание продукта? Вы не думаете о том, как бы вы хотели потратить больше времени на совершенствование регрессионной модели.

Существует два способа, с помощью которых машинное обучение может помочь аналитику. Во-первых, это эффективность. В приведенном выше примере аналитик не тратит драгоценное время на базовую математику. У аналитика теперь больше времени, чтобы подумать о бизнес-последствиях и о следующих логических шагах. Во-вторых, это помогает аналитику исследовать и оставаться в потоке анализа данных, потому что ему больше не нужно останавливаться и проверять числа. Вместо этого аналитик задает следующий вопрос. Инженер-программист Райан Аталла описывает эту ситуацию так: «Машинное обучение помогает вам смотреть под множеством камней, когда вам нужна помощь в получении ответа».

Способность машинного обучения помочь аналитику неоспорима, но важно признать, что оно должен быть принято, когда есть четко определенные результаты. «Машинное обучение не очень хорошо, когда ваши данные субъективны» — говорит Эндрю Виньо, менеджер по персоналу Tableau.  Например, при проведении опроса для клиентов об удовлетворенности продукта машинное обучение не всегда может подобрать качественные слова.

Кроме того, аналитик должен понимать показатели успеха для данных, для того, чтобы работать с ними. Другими словами, входящая информация в машину не делает результаты значимыми. Только человек может понять, было ли применено правильное количество контекста, а это значит, что машинное обучение невозможно изолировать (без понимания модели и того, какие должны быть входы / выходы). Несмотря на то, что может возникнуть проблема с заменой, машинное обучение фактически перезагрузит аналитиков и сделает их более эффективными, точными и более эффективными для бизнеса. Вместо того чтобы бояться технологии машинного обучения, воспользуйтесь возможностями, которые она представляет.

IDC прогнозирует, что к 2020 году доходы от систем AI и машинного обучения составят 46 миллиардов долларов.

В 2020 году AI станет позитивным чистым мотиватором работы, создав 2,3 миллиона рабочих мест, исключив только 1,8 миллиона рабочих мест. (Gartner)

2.  Влияние свободных искусств

Человеческое влияние свободных искусств в индустрии аналитики

Поскольку индустрия аналитики продолжает искать квалифицированных работников с данными, и организации стремятся повысить свою аналитическую команду, у нас должно быть много талантов под рукой. Мы знакомы с тем, как искусство и сторителлинг помогли оказать влияние на отрасль аналитики данных. Это не сюрприз. Интересным является то, как технические аспекты создания аналитического дашборда, ранее доступные только для ИТ и опытных пользователей, воспринимаются теперь пользователями, которые понимают искусство сторителлинга — навык, пришедший в основном из гуманитарных наук. Кроме того, организации уделяют больше внимания найму работников, которые могут использовать данные и идеи, чтобы влиять на изменения и управлять трансформацией посредством искусства и убеждений, не только разбирающихся в самой аналитике.

По мере того как технологические платформы становятся проще в использовании, внимание к техническим специальностям уменьшается. Каждый может играть с данными, и при этом особых технических навыков не требуется. Именно на этом этапе люди с более широкими навыками, в том числе со знанием гуманитарных наук, сталкиваются с трудностями, когда отрасли и организации испытывают нехватку работников данных.  Поскольку все больше организаций сосредотачиваются на аналитике данных в качестве приоритета бизнеса, эти работники данных с гуманитарными знаниями дают компаниям понять, что расширение возможностей такого вида рабочей силы является конкурентным преимуществом.

Мы не только видим широкую базовую привлекательность, чтобы помочь нанять новое поколение работников  с данными, мы также наблюдали несколько случаев, когда компаниями, основанных на технологиях, руководили или являлись основателями люди с гуманитарным образованием. Сюда входят основатели и руководители Slack, LinkedIn, PayPal, Pinterest и ряда других высокопроизводительных технологических компаний.

Одним из мощных примеров привлечения гуманитарных наук к преимущественно технологической компании является недавняя книга Скотта Хартли «the Fuzzy and the Techie». Nissan нанял антрополога Мелиссу Чефкин, чтобы возглавить исследование компании в области взаимодействия человека и машины, а именно взаимодействия между самоуправляемыми автомобилями и людьми. Технология, обеспечивающая самоуправление транспортным средствам, прошла долгий путь, но по-прежнему сталкивается с препятствиями, сохраняя смешанные человеко-машинные среды. Используя в качестве примера систему four-way stop, люди обычно анализируют ситуации в каждом конкретном случае, и этому невозможно научить машину. Чтобы помочь в борьбе с этим, Чефкин было поручено использовать свой антропологический фон для выявления закономерностей поведения людей, которые могут лучше научить эти самоуправляемые автомобили, образцами, и, в свою очередь, сообщать об этом людям, путешествующим в машине.

Поскольку аналитика развивается, чтобы содержать в себе больше искусства и меньше науки, основное внимание было сосредоточено на простом предоставлении данных для создания именно тех данных, которые неизбежно приводят к принятию решений. Организации охватывают данные в гораздо большем масштабе, чем когда-либо прежде, и естественная прогрессия означает больший акцент на сторителлинге и формировании данных. Золотой век сторителлинга выпал на нас, и где-то внутри вашей организации аналитик данных ждет, чтобы раскрыть ваше следующее важное понимание.

Выпускники гуманитарных специальностей находят работу на 10% быстрее, чем выпускники технических специальностей. (LinkedIn)

Одна треть всех руководителей Fortune 500 имеет степени гуманитарных наук. (Fast Company)

 

3.  Перспектива NLP

Перспектива обработки естественного языка

В 2018-м году будет расти распространённость, сложность и повсеместность обработки естественного языка (NLP). Поскольку разработчики и инженеры продолжают совершенствовать свое понимание NLP, интеграция его в нереализованные области также будет расти. Растущая популярность Amazon Alexa, Google Home и Microsoft Cortana подпитывает ожидания людей, что они могут говорить со своим программным обеспечением, и оно поймет, что делать. Например, указав команду «Alexa, играй «Yellow Submarine», и вот песня уже звучит на вашей кухне во время обеда. Эта же концепция также применяется к данным, что облегчает каждому задавать вопросы и анализировать данные, которые у них есть.

Gartner прогнозирует к 2020 году, что 50 процентов аналитических запросов будут генерироваться посредством поиска, NLP или голоса. Это означает, что для генерального директора будет намного проще попросить его мобильное устройство рассказать ему: «Общий объем продаж по клиентам, которые купили основные товары в Нью-Йорке», затем отфильтровать «заказы за последние 30 дней», а затем выделить группу «отдел владельца проекта». Или директор школы вашего ребенка может спросить: «Каков средний балл студентов в этом году», затем отфильтровать «учеников 8-го класса» и группу по «предмету учителя». NLP предоставит людям возможность задавать более тонкие вопросы о данных и получать соответствующие ответы, которые приводят к улучшению повседневных идей и решений.

Одновременно разработчики и инженеры будут добиваться больших успехов в обучении и понимании того, как люди используют NLP. Они будут исследовать, как люди задают вопросы, начиная от однозначного вопроса («какой продукт имел наибольший объем продаж?») до исследования («Я не знаю, что мои данные могут мне рассказать — как работает мой отдел?»). Как отмечает Райан Аталла, инженер-программист Tableau, «это поведение очень связано с контекстом, в котором задается вопрос». Если конечный пользователь использует мобильный телефон, он с большей вероятностью задаст вопрос, который генерирует мгновенное решение, тогда как если они сидят за столом, глядя на дашборд, они, вероятно, хотят проанализировать глубже и изучить более глубокий вопрос.

Наибольшая ценность от аналитики будет получена за счет понимания разнообразных рабочих процессов, которые NLP может увеличить. Как говорит Видья Сетлур, инженер-программист Tableau, «Неоднозначность — это сложная проблема», поэтому понимание рабочих процессов становится более важным, чем ввод конкретного вопроса. Когда есть несколько способов задать один и тот же вопрос о данных (например, «Какой объем продаж был самым большим в этом квартале?» Или «У кого больше всего продаж в этом квартале?»), конечный пользователь не хочет думать о правильности вопроса, он просто хочет ответа. Следовательно, возможности будут возрастать не от размещения NLP в каждой ситуации, а в том, чтобы сделать его доступным в правильных рабочих процессах, чтобы он стал второй натуральной копией человека, использующего его.

К 2019 году 75% работников, чьи ежедневные задачи связаны с использованием корпоративных приложений, будут иметь доступ к интеллектуальным персональным помощникам для повышения их квалификации и опыта. (IDC)

К 2021 году более 50% предприятий будут тратить на ботов и создание чатботов за год больше, чем на развитие традиционных мобильных приложений. (Gartner)

 

 

4.  Дебаты о Multi-Cloud

Если ваша организация изучает и оценивает стратегию с несколькими облаками в 2018 году, вы не одиноки.

Существует ряд организаций, которые переносят свои данные в облако и перемещают туда свои основные приложения», — говорит главный сотрудник по продуктам Франсуа Айенстат. Мы видим, что пользователи адаптируются к облаку намного быстрее, чем когда-либо.

Согласно недавнему исследованию Gartner, «стратегия мульти облака станет общей стратегией для 70-ти процентов предприятий к 2019 году, по сравнению с менее чем 10-ти процентами сегодня». Клиенты становятся все более чувствительными к тому, чтобы быть заблокированными в одном устаревшем программном решении, которое не соответствует их будущим потребностям. Тем не менее, переключение и миграции стали относительно проще с аналогичными API-интерфейсами и с использованием открытых стандартов, таких как Linux, Postgres, MySQL и других.

Вероятно, ваша организация также оценивает, как проектируются и запускаются центры обработки данных. Ваш ИТ-отдел оценивает хостинговые среды на основе рисков, сложности, скорости и стоимости всех факторов, которые увеличивают сложность поиска одного, единого решения для нужд вашей организации.

Оценка и внедрение среды с несколькими облаками может помочь определить, кто обеспечивает лучшую производительность и поддержку вашей ситуации. Согласно Boston Herald, GE переориентировала свою стратегию облачного хостинга на использование как Microsoft Azure, так и Amazon Web Services, с целью понять наиболее эффективную хостинговую среду и посмотреть, какой контракт обеспечивает самую низкую стоимость для своих клиентов.

Но мультиоблачная тенденция не приходит без здорового осознания достоинств и проблем перехода к этому типу среды. Хотя гибкость является плюсом, среда с несколькими облаками увеличивает накладные расходы за счет разделения рабочих нагрузок вашей организации на нескольких поставщиков. И среда с несколькими облаками вынуждает внутреннюю группу разработчиков изучать несколько платформ и внедрять дополнительные процессы управления в зависимости от условий, которые они должны поддерживать.

Кроме того, стратегия с несколькими облаками может потенциально снизить покупательную способность компании или организации. Если компания разделяет то, что они покупают у нескольких провайдеров, это повредит их скидкам на объем. Это создает модель, в которой компания покупает меньше по худшей цене.

Опросы и статистические данные, такие как Gartner, указывают на то, что внедрение нескольких облаков растет. Однако они не указывают, какая часть данных решений была принята. Во многих случаях с несколькими облаками организации используют одного поставщиках для большинства своих потребностей и очень мало для других. Но большинство из этих случаев использования приходится на внедрение второй облачной среды размещения в качестве резервной копии в случае некомпетентности или сбоя основной облачной среды размещения.

В то время как растет процент внедрения нескольких облаков в 2018 году, организациям придется маневрировать через нюанс оценки того, как их стратегия определяет, какая часть каждой облачной платформы была принята, внутреннее использование и требования к рабочей нагрузке и затраты на внедрение.

70% предприятий будут внедрять стратегию с несколькими облаками к 2019 году (Gartner)

74% финансовых директоров технологических компаний заявили, что облачные вычисления окажут самое заметное влияние на их бизнес в 2017 году. (Forbes)

5.  Возвышение директоров по данным (CDO)

Данные и аналитика становятся основой для каждой организации. Это не подлежит обсуждению. По мере развития организаций они уделяют первоочередное внимание новому уровню стратегической направленности и подотчетности в отношении их аналитики.

Исторически сложилось так, что большинство усилий в области бизнес-аналитики были поручены директору по IT (CIO), который курировал стандартизацию, консолидацию и управление данными по всей организации, что требовало последовательной отчетности. Это поставило инициативы бизнес-аналитики (управление данными, построение аналитических моделей и т. д.) в конкуренцию с другими стратегическими инициативами (такими как ИТ-архитектура, системная безопасность или сетевая стратегия) в сфере компетенции CIO и часто препятствовало успеху и влиянию бизнес-аналитики.

В некоторых случаях разрыв между CIO и бизнесом формировался благодаря быстроте понимания и безопасности данных и управлению ими. Таким образом, чтобы получить эффективные данные из данных посредством инвестиций в аналитику, организации все чаще осознают необходимость подотчетности топ-менеджмента для создания культуры аналитики. Для растущего числа организаций ответ заключается в назначении директора по данным (CDO) или главного аналитика (CAO) для изменения бизнес-процессов, преодоления культурных барьеров и передачи ценности аналитики на всех уровнях организации. Это позволяет CIO более ориентированно смотреть на такие вещи, как безопасность данных.

Тот факт, что CDO и / или CAO назначаются и берут ответственность за влияние на бизнес и улучшенные результаты, также демонстрирует стратегическую ценность данных и аналитики в современных организациях. Теперь на уровне первых лиц компании существует активное обсуждение  того, как развернуть стратегию аналитики. Вместо того чтобы ждать запросов на конкретный отчет, CDO спрашивают: «Как мы можем предвидеть или быстро адаптироваться к бизнес-запросам?»

Чтобы наилучшим образом помочь высокоэффективной команде в рамках этой позиции на уровне руководства, организации выделяют больше денег и ресурсов. По словам Gartner, 80 процентов крупных предприятий будут иметь офис CDO, полностью реализованный к 2020 году. В настоящее время среднее число сотрудников в офисе составляет 38, но 66 процентов опрошенных организаций ожидают, что выделенный бюджет для офиса будет расти.

Джош Паренто, директор по маркетинговой информации Tableau, отмечает, что роль CDO является «ориентированной на результат». Он утверждает, что «речь идет не только о помещении данных в хранилище данных, они должны определить, что такое использование, и убедиться, что получают ценность». Этот итоговый фокус имеет решающее значение, поскольку он согласуется с тремя основными целями в опросе CDO Gartner 2016 года, который включает в себя большую близость клиента, повышенное конкурентное преимущество и повышение эффективности.

Эти цели подпитывают такие компании, как Wells Fargo, IBM, Aetna и Ancestry для внедрения CDO с намерением перенести свою стратегию данных на следующий уровень, в результате чего роль Chief Data Officer станет основным элементом бизнеса в 2018 году.

К 2019 году 90% крупных компаний будут иметь CDO. (Gartner)

К 2020 году 50% ведущих организаций будут иметь CDO с уровнем влияния на стратегию и авторитетом, сравнимыми с CIO.

6.  Управление посредством краудсорсинга

Будущее управления данными – краудсорсинг

Современная бизнес-аналитика продвигалась от изоляции данных и контента до расширения возможностей бизнес-пользователей во всем мире для использования надежных, управляемых  и понятных данных. И поскольку люди учатся использовать данные в большем количестве ситуаций, их вклад в лучшие модели управления стал грандиозной силой внутри организаций.

Недостаточно сказать, что аналитика самообслуживания нарушила мир бизнес-аналитики. Парадигма переключилась на всех, у кого была возможность создавать аналитику, ведущую к заданию и ответу на критические вопросы в организации. Такое же вмешательство происходит с управлением. Поскольку аналитика самообслуживания расширяется, воронка ценных перспектив и информации начинает вдохновлять новые и инновационные способы внедрения управления.

Управление — это использование мудрости толпы, чтобы получить нужные данные от правильного человека, так же, как и заблокировать данные не от того человека.

Для бизнес-пользователя последняя ответственность, которую они хотят, — это безопасность данных. Правильная политика управления позволяет бизнес-пользователю задавать вопросы и получать ответы, позволяя им находить нужные данные в необходимый момент времени.

Бизнес-аналитика и стратегическая аналитика будут охватывать современную модель управления: IT-отделы и инженеры-разработчики данных будут изучать и готовить надежные источники данных, а при использовании самообслуживания конечные пользователи будут иметь возможность исследовать надежные и доверенные данные.

Процессы сверху вниз, направленные только на управление IT, будут отброшены в пользу совместного процесса разработки, сочетающего таланты IT и конечных пользователей. Вместе они идентифицируют данные, которые наиболее важны для управления и создания правил и процессов, которые максимизируют бизнес-ценность аналитики без ущерба для безопасности.

45% граждан считают, что менее половины своих отчетов содержат данные хорошего качества. (Collibra)

61% руководителей считают, что принятие решений собственными силами компании производится нечасто, или редко управляются данными. (PwC)

7.  Страхование данных

Уязвимость приводит к росту страхования данных

Для многих компаний данные являются важным бизнес-активом. Но как вы оцениваете ценность этих данных? И что происходит, когда эти данные теряются или украдены? Как мы видели при недавних громких утечках данных, угроза для данных компании может быть разрушительной и может нанести непоправимый урон бренду.

Согласно исследованию Института Понэмона, проведенному в 2017 году, средняя стоимость нарушения данных оценивалась в 3,62 млн. долл. США.

Но могут ли компании делать все возможное для защиты и страхования своих данных? Одной из отраслей, быстро растущей в ответ на нарушения данных, является рынок страхования кибербезопасности. Эта отрасль продемонстрировала 30-процентный рост в годовом исчислении, а к 2020 году эта отрасль достигнет 5,6 млрд. долл. США в год. (AON)

Кибер- и страхование частной жизни покрывает ответственность бизнеса за нарушения данных, когда персональная информация клиента подвергается угрозе или украдена хакером.

Однако даже с ростом рынка и продолжающейся угрозой нарушения данных только 15 процентов компаний США имеют страховой полис, который охватывает нарушения данных и кибербезопасность. Кроме того, эти 15 процентов в основном состоят из крупных, устойчивых финансовых учреждений.

Необходимость в политике в отношении финансовых учреждений очевидна. Но тенденция будет расширяться и в других направлениях, потому что никто не застрахован от угрозы нарушения данных.

Дуг Лэни, аналитик Gartner недавно написал книгу под названием «Инфономика: как монетизировать, управлять и измерять информацию для конкурентного преимущества». Он дает различные модели того, как компании во всех отраслях промышленности могут анализировать ценность своих данных как в нефинансовых, так и в финансовых моделях.

Нефинансовые модели ориентированы на внутреннюю ценность, стоимость бизнеса и значение производительности данных. Эти значения могут измерять уникальность, точность, релевантность, внутреннюю эффективность и общее влияние на ее использование.

Финансовые модели фокусируются на стоимости, экономической ценности и рыночной стоимости данных. Эти значения могут измерять стоимость приобретения данных, администрирования данных внутри страны и стоимости продажи или лицензирования ваших данных.

То, что данные это товар означает, что их стоимость будет только возрастать и, в конечном счете, порождать новые вопросы и споры о том, как этот материал будет влиять на рост компании. И как любой продукт, что хорошего, если его можно воровать без последствий?

Средняя стоимость нарушения данных оценивалась в 3,62 млн. долл. США. (Ponemon)

Только 15% американских компаний имеют страховой полис специально для своих данных. (Ponemon)

 

8.  Роль инженера данных

Повышенная значимость роли инженера данных

Вы не можете создать панель мониторинга, не создав диаграммы, чтобы понять историю, которую вы пытаетесь установить. Другой принцип, который вы, вероятно, знаете: у вас не может быть надежного источника данных, если вы не понимаете сначала тип данных, которые входят в систему, и откуда они получены.

Инженеры по данным будут продолжать оставаться неотъемлемой частью организации, чтобы использовать данные для принятия правильных решений в отношении своего бизнеса. В период с 2013 по 2015 год число инженеров данных выросло более чем в два раза. А по состоянию на октябрь 2017 года на сайте LinkedIn было более 2500 открытых позиций с «инженером данных» в названии, что свидетельствует о растущем и продолжающемся спросе на эту специальность.

Итак, какова эта роль и почему она так важна? Инженер данных отвечает за проектирование, создание и управление базами данных операций и аналитики бизнеса. Другими словами, они несут ответственность за извлечение данных из основополагающих систем бизнеса таким образом, чтобы их можно было использовать для создания идей и решений. По мере увеличения скорости передачи данных и емкости хранения данных становится все более критичным тот, кто обладает глубокими техническими знаниями о разных системах, архитектуре и способности понимать, что хочет или в чем нуждается бизнес.

Тем не менее, роль инженера данных требует уникального набора навыков. Им нужно понять бэкэнд, что содержится в данных и как он может обслуживать бизнес-пользователя. Инженер данных также должен разработать технические решения, позволяющие использовать данные.

По словам Майкла Эша, старшего рекрутера Tableau: «Я занимаюсь наймом технических специалистов более 17 лет. И неудивительно, что данные и емкость хранилища продолжают расти — я видел, как это произошло в результате смены парадигм из-за научно-технического прогресса. Данные всегда нуждаются в настройке. Компаниям необходимо подключиться к этому. Они должны погрузиться в конкретные данные для принятия бизнес-решений. Инженер данных определенно будет продолжать расти как роль».

Исследование, проведенное Gartner 2016 года, показало, что организации-респонденты теряют в среднем 9,7 млн. долл. США ежегодно в результате низкого качества данных.

Ученые-аналитики и аналитики данных могут потратить до 80% времени на очистку и подготовку данных. (TechRepublic)

9.  Местоположение вещей

Местоположение вещей будет стимулировать инновации в сфере интернета вещей (IoT)

Недостаточно сказать, что распространение интернета вещей привело к монументальному росту числа подключенных устройств, которые мы видим в мире. Все эти устройства взаимодействуют друг с другом и получают данные, что делает их более связанными. Фактически, Gartner прогнозирует, что к 2020 году количество устройств IoT, доступных для потребителей, более чем удвоится (до 20,4 млрд. IoT-устройств).

Даже при таком росте варианты использования и реализации данных IoT не соответствовали одному и тому же желательному пути. У компаний есть опасения по поводу безопасности, но большинство из них не имеют необходимых организационных навыков или внутренней технической инфраструктуры с другими приложениями и платформами для поддержки данных IoT.

Одной из позитивных тенденций, которые мы наблюдаем, является использование и преимущества использования данных на основе местоположения с помощью устройств IoT. Эта подкатегория, называемая «местоположением вещей», обеспечивает IoT-устройства чувствительностью и передает их географическое положение. Зная, где находится устройство IoT, оно позволяет нам добавлять контекст, лучше понимать, что происходит, и то, что мы прогнозируем, произойдет в определенном месте.

Для компаний и организаций, стремящихся захватить этот сбор данных, мы видим, что используются разные технологии. Например, больницы, магазины и отели начали использовать технологию Bluetooth Low Energy (BLE) для внутренних служб определения местоположения, которые, как правило, затрудняют для GPS предоставление контекстного местоположения. Эта технология может использоваться для отслеживания конкретных активов, людей и даже взаимодействия с мобильными устройствами, такими как умные часы, чтобы обеспечить персонализированный опыт.

Поскольку это касается анализа данных, данные, основанные на местоположении, могут рассматриваться как входные данные. Если данные доступны, аналитики могут включить эту информацию в свой анализ, чтобы лучше понять, что происходит, где это происходит, и что они должны ожидать в контекстной области.

Количество конечных точек устройств IoT к 2020 году возрастёт до 30 млрд. (IDC)

Ожидается взрывной рост IoT, к концу 2020 года рынок превысит 5 миллиардов долларов. (Gartner)

10.  Академические инвестиции

Университеты удваивают программы по науке о данных и аналитике

Университет штата Северная Каролина является родиной первой программы «Магистр научной аналитики». Эта программа проводится институте усовершенствованной аналитики (IAA) — центре данных, целью которого является «создание лучших специалистов в мире по аналитике — людей, которые освоили сложные методы и инструменты для крупномасштабного моделирования данных [и], у которых есть страсть для решения сложных проблем … ». Как первая в своем роде, государственная программа штата предвидела заметные инвестиции академических наук в учебную программу по науке и аналитике данных.

В начале этого года Калифорнийский университет в Сан-Диего запустил первый для своего учреждения бакалавриат по науке о данных. Они не останавились на достигнутом. Университет также планирует создать институт науки о данных. Следуя этому примеру,  университеты Berkeley, Davis и Santa Cruz увеличили свои программы по науке о данных и аналитике для студентов, спрос которых превышает ожидания.

Согласно недавнему исследованию PwC, 69 процентов работодателей к 2021 году потребуют знания в области науки и аналитики данных от соискателей. В 2017 году Glassdoor также сообщил, что «наука о данных» второй год подряд является «лучшей работой».

По мере роста спроса со стороны работодателей необходимость заполнения воронки высококвалифицированных специалистов по данным становится все более актуальной. Но есть реальный разрыв. В том же отчете PwC говорится, что только 23 процента выпускников колледжей будут обладать необходимыми навыками для конкуренции на требуемом для работодателей уровне. Недавний опрос MIT показал, что 40% менеджеров испытывают трудности с наймом аналитических талантов.

Развитые навыки аналитики уже не являются необязательными; они являются необходимыми. В 2018 году будет более строгий подход к тому, чтобы ученики обладали навыками для присоединения к современной рабочей силе. И так как компании продолжают совершенствовать свои данные, чтобы извлечь максимальную пользу, спрос на высокопрофессиональную рабочую силу будет существовать и расти.

К 2021 году 69% работодателей будут требовать аналитическую науку в качестве критического навыка от кандидатов на работу. (PWC)

Недавний опрос MIT показал, что 40% менеджеров испытывают трудности с наймом аналитических талантов. (MIT)

Учебный центр по технологиям анализа данных и BI: расписание/запись на учебные курсы, тестирование разработчиков — https://education.biconsult.ru/

Присоединяйтесь к QUBIC – сообщество профессионалов в области BI! Наши страницы в соц.сетях – расписание учебных курсов, бесплатные учебные материалы, анонсы мероприятий: https://vk.com/club165575964 и https://www.facebook.com/qubicspb

Неофициальный форум разработчиков QlikView & Qlik Sense Russian forum

Канал на Youtube – много обучающих видео и записи вебинаров

Готовые решения “Конструктор финансовой отчетности” и “Анализ продаж

65 queries in 0,377 seconds