Saltar al contenido

Análisis de autoservicio: desafíos y soluciones basadas en datos

La analítica de autoservicio es un ideal que se comparte y promueve ampliamente en el lugar de trabajo moderno, especialmente para aquellas organizaciones que se enorgullecen de estar basadas en datos. La analítica de autoservicio puede describirse como un entorno en el que se habilita y alienta a los usuarios empresariales a acceder directamente a los datos, a fin de obtener información de la información empresarial de la manera más rápida y eficiente posible.

Sin embargo, el proceso para lograr un verdadero autoservicio está plagado de obstáculos y complejidades imprevistas. Si tuviera que caracterizar la mayoría de estos problemas, diría que nosotros, como profesionales de los datos, estamos subestimando el nivel de dificultad para transformar a un usuario de negocios curioso con los datos en alguien que pueda acceder, analizar y consumir esos datos de manera competente.

Análisis de autoservicio: desafíos y soluciones basadas en datos
Análisis de autoservicio: desafíos y soluciones basadas en datos

Superando los desafíos

Desde mi punto de vista, hay dos opciones principales para superar estas dificultades: la primera es dedicar una cantidad extraordinaria de tiempo a estudiar el comportamiento de los usuarios de su empresa, comprender sus necesidades y luego entrenarlos tanto a nivel abstracto como a nivel contextual, de modo que su conjunto de habilidades mejore lo suficiente como para ser verdaderamente autosuficientes en su función.

La otra alternativa primaria es adquirir y/o construir herramientas que simplifiquen drásticamente el proceso de adquisición, limpieza y análisis de datos. Como alguien que trabaja continuamente para desarrollar productos de datos cada vez más accesibles, me hago constantemente la pregunta: ¿Es esto fácil de usar? Desafortunadamente, las herramientas que son fáciles de usar son pocas y están lejos de serlo.

Usando Tableau

Por ejemplo, Tableau se enorgullece de su capacidad para convertir a los usuarios en analistas. Sin embargo, una vez que se supera la inspiración inicial provocada por el aprendizaje del potencial de Tableau (o de cualquier otra aplicación de visualización), queda el trabajo difícil y técnico de crear un significado real a partir de datos dispares. Este no es un trabajo fácil, incluso si es fácil hacer clic y arrastrar un campo para hacer un gráfico de barras.

Hablando específicamente de Tableau, una pregunta común de los nuevos usuarios es: ¿Cómo comparo el rendimiento de una dimensión singular con el rendimiento de la categoría más grande en la que se encuentra esa dimensión? Esta es una pregunta tan común y lógica en el análisis de datos, pero llegar a la respuesta no es fácil. La construcción de una expresión de nivel de detalle (LOD), que es una solución a esta pregunta, no es fácil de lograr. Y más que eso, el concepto es aún más difícil de comprender que la mecánica, especialmente para alguien con un mínimo de habilidades y experiencia en datos.

Encontrar soluciones

Pero en general, Tableau hace las cosas más fáciles para los usuarios de negocios. Las complejidades que se superan al usar estas herramientas como si no se pudieran exagerar. Tableau y otros programas informáticos como éste abren posibilidades a los usuarios comerciales no técnicos de maneras que antes eran inalcanzables.

Dicho esto, todavía hay un gran potencial de mejora. En un mundo tan ideal, la importación de datos es limpia y mínima. Sin embargo, los posibles escollos abundan a lo largo del proceso. El desafío para los ingenieros, analistas y administradores de datos es continuar perfeccionando las herramientas que permiten la democratización de los datos. Nunca dejes de preguntar: ¿Es esto fácil de usar?