5 dicas para se destacar em análise de autoatendimento

A tomada de decisão informada por dados é um atributo chave do negócio digital moderno. Mas analistas de dados e cientistas de dados experientes podem ser caros e difíceis de encontrar e reter.

Uma solução potencial para esse desafio é implantar análises de autoatendimento, um tipo de business intelligence (BI) que permite que os usuários de negócios realizem consultas e gerem relatórios por conta própria com pouca ou nenhuma ajuda de especialistas em TI ou dados.

A análise de autoatendimento geralmente envolve ferramentas fáceis de usar e com recursos básicos de análise de dados. Profissionais e líderes de negócios podem aproveitá-los para manipular dados para que possam identificar tendências e oportunidades de mercado, por exemplo. Eles não são obrigados a ter nenhuma experiência com analytic ou experiência em estatística ou outras disciplinas relacionadas.

Dada a lacuna contínua entre a demanda por analistas de dados experientes e a oferta desses profissionais – e o desejo de obter rapidamente insights valiosos de negócios nas mãos dos usuários que mais precisam – é fácil ver por que as empresas acham a análise de autoatendimento atraente.

Mas existem maneiras certas e erradas de implantar e usar a análise de autoatendimento. Aqui estão algumas dicas para líderes de TI que desejam cumprir a promessa de estratégias de análise de autoatendimento.

Tenha um plano de analytics claro e abrangente

As ferramentas de analytics e análise de dados ganharam um perfil tão alto em muitas empresas que é fácil ver como elas podem ser usadas em excesso ou aplicadas de forma inadequada. Isso é ainda mais um problema com a análise de autoatendimento, porque permite que uma gama e uma base de pessoas muito maiores analisem os dados.

É por isso que é importante estabelecer um plano para onde e quando faz sentido usar analytics e ter controles razoáveis para evitar que sua estratégia de analytics se torne gratuita para todos.

“Determine sua missão, visão e perguntas que você precisa responder sobre analytics antes mesmo de começar”, diz Brittany Meiklejohn, Analista de Processos de Negócios e Vendas da Swagelok, desenvolvedora de produtos e serviços de sistemas de fluidos para petróleo, gás, produtos químicos e indústrias de energia limpa.

“É extremamente fácil ficar preso em todos os gráficos e tabelas que você pode criar, mas isso se torna exaustivo muito rapidamente”, diz Meiklejohn. “Ter esse roteiro desde o início ajuda a reduzir e focar nas métricas reais a serem criadas. Tenha também um plano de governança de dados para validar e manter as métricas limpas. Assim que uma métrica não for precisa, é difícil obter o buy-in novamente, portanto, confirmar rotineiramente a precisão em todas as análises é extremamente importante”.

O plano de analytics deve enfatizar o uso de dados proativos o máximo possível, diz Meiklejohn. “Concentre-se nos dados que são acionáveis e podem ser implementados de volta aos negócios”, diz ela. “Incorpore aprendizados para transformar processos e tomadas de decisão em escala organizacional. É ótimo entender o lado histórico do negócio, mas é difícil mudar se você estiver apenas olhando para o passado”.

Na Swagelok, os departamentos estão usando ferramentas de análise de autoatendimento da Domo para determinar se os pedidos dos clientes atrasarão, programar execuções de produção, analisar o desempenho de vendas e tomar decisões sobre a cadeia de suprimentos.

“Vimos um aumento na eficiência; todos podem obter os dados de que precisam para tomar decisões muito mais rápido do que antes”, diz Meiklejohn. “Estamos tomando decisões baseadas em dados mais responsáveis, já que cada departamento está usando os dados para a tomada de decisões”.

Vá para vitórias rápidas

Embora seja importante ter uma estratégia de analytics de longo alcance, isso não significa que as organizações devam avançar em um ritmo lento com análises de autoatendimento.

“Na minha empresa anterior, nosso negócio de materiais avançados tinha um ditado: ‘Vá rápido, arrisque e aprenda’”, diz Keith Carey, CIO da Hemlock Semiconductor, fabricante de produtos para os setores de energia elétrica e eletrônica. “Esse seria meu conselho para quem está começando [com análises de autoatendimento]. Não me entenda mal, a governança é muito importante e pode vir um pouco mais tarde para não sufocar a criatividade”.

É uma boa ideia encontrar um pequeno grupo de trabalho “e atribuir uma missão lunar para demonstrar a arte do possível”, diz Carey. Ele sugere que as equipes se concentrem “nos pipelines de dados que impulsionam a lógica e as métricas de negócios consistentes em toda a empresa. Compreender a importância da pontualidade e qualidade dos dados sobre os quais decisões importantes estão sendo tomadas. Esse é um ótimo lugar para começar”.

A Hemlock lançou uma iniciativa de análise de autoatendimento em 2018 usando a plataforma Spotfire da Tibco, que atualmente está sendo usada por todas as funções da empresa. “Antes disso, a TI desenvolveria aplicativos .NET personalizados que processavam dados e forneciam capacidade inicial de criação de gráficos”, diz Carey. “O recurso mais popular desses aplicativos era um botão ‘exportar para Excel’, onde [a planilha da Microsoft] se tornou a plataforma de análise preferida”.

Um punhado dos engenheiros mais brilhantes da empresa também criou macros que combinavam novos conjuntos de dados, “que levavam a noite para rodar no PC de alguém”, diz Carey. “Esperançosamente, se não falhasse, o conjunto de dados seria compartilhado entre os profissionais de engenharia”.

Com recursos de análise de autoatendimento, a Hemlock viu benefícios como tomada de decisão mais rápida e resultados mais rápidos. O autoatendimento permite que todas as funções, incluindo operações, finanças, compras, cadeia de suprimentos e equipes de melhoria contínua, realizem a descoberta de dados e criem visualizações poderosas.

“Encurtamos a curva de aprendizado, entregamos resultados mais rapidamente e aceleramos nossa compreensão de nossos processos de fabricação, o que levou à melhoria de nossos produtos e redução de custos”, diz Carey. “Em muito pouco tempo, economizamos milhões de dólares melhorando os métodos de relatórios existentes e descobrindo novos insights”.

Aproveite o processamento de linguagem natural

O processamento de linguagem natural (NLP) torna a análise mais acessível a um número maior de pessoas, eliminando a necessidade de entender SQL, estruturas de banco de dados e o conceito de juntar tabelas, diz Dave Menninger, Vice-Presidente Sênior e Diretor de Pesquisa da Ventana Research.

Existem dois aspectos principais da PNL no que se refere à analytics, diz Menninger: pesquisa em linguagem natural – também conhecida como consulta em linguagem natural – e apresentação em linguagem natural – também conhecida como geração de linguagem natural.

“A pesquisa de linguagem natural permite que as pessoas façam perguntas e obtenham respostas sem [qualquer] sintaxe especial”, diz Menninger. “Assim como digitar uma pesquisa em uma barra de pesquisa do Google, você pode digitar ou, em alguns casos, falar uma consulta usando a linguagem cotidiana”.

Por exemplo, um usuário pode pedir para ver os produtos que tiveram o maior aumento ou diminuição nas vendas naquele mês. Os resultados seriam exibidos e então o usuário poderia refinar a busca, por exemplo, para determinar o estoque disponível para determinados produtos.

A apresentação em linguagem natural lida com os resultados das análises e não com a parte da consulta, diz Menninger. “Uma vez formulada uma consulta, usando PNL ou de outra forma, os resultados são exibidos como narrativas explicando o que foi encontrado”, diz ele.

No exemplo do produto, em vez de exibir um gráfico de produtos mostrando o aumento ou diminuição das vendas, a apresentação em linguagem natural geraria algumas frases ou um parágrafo descrevendo detalhes específicos sobre os produtos.

“As pessoas têm estilos de aprendizagem diferentes”, diz Menninger. “Alguns gostam de tabelas de números. Alguns preferem gráficos. Outros não sabem interpretar tabelas ou gráficos e preferem narrativas. A apresentação em linguagem natural torna mais fácil saber o que procurar em uma análise. Também remove a inconsistência na forma como os dados são interpretados, explicando exatamente o que deve ser retirado da análise”.

Use análises incorporadas

A análise incorporada envolve a integração de recursos analíticos e visualizações de dados em aplicativos de negócios. A incorporação de relatórios e painéis em tempo real nesses aplicativos permite que os usuários de negócios analisem os dados nesses aplicativos.

“A análise incorporada traz a analytics para os aplicativos que os indivíduos estão usando em [suas] atividades do dia-a-dia”, diz Menninger. Isso pode incluir aplicativos de linha de negócios, como planejamento de recursos empresariais (ERP), gerenciamento de relacionamento com o cliente (CRM) ou sistemas de informação de recursos humanos (HRIS), bem como ferramentas de produtividade, como colaboração, e-mail, planilhas, apresentações e documentos.

“No contexto de aplicativos de negócios, análises pré-criadas tornam muito mais fácil para o pessoal da linha de negócios acessar e utilizar analytics”, diz Menninger. “Também fornece boa governança, pois os dados são gerenciados pelo aplicativo subjacente onde os direitos de acesso já são mantidos”.

Escolha as ferramentas certas

A diferença entre o sucesso e o fracasso com a análise de autoatendimento pode se resumir às ferramentas de tecnologia que as empresas optam por implantar. Os executivos de negócios precisam trabalhar em estreita colaboração com a liderança de TI para avaliar as ferramentas e determinar quais atendem melhor às necessidades da organização e se ajustam à sua infraestrutura.

Entre os requisitos que a empresa de serviços financeiros Western Union tinha ao selecionar uma plataforma de análise de autoatendimento estava a facilidade de integração com várias fontes de dados diferentes, ser flexível e fácil de usar, ter recursos analíticos poderosos e ter requisitos mínimos de infraestrutura.

A empresa implantou uma plataforma do Tableau para permitir que usuários corporativos tomem decisões com base em suas próprias consultas e análises em um ambiente governado, diz Harveer Singh, Arquiteto-Chefe de Dados e Chefe de Engenharia e Arquitetura de Dados da Western Union.

Os departamentos de negócios podem criar suas próprias consultas e relatórios e colaborar sem a necessidade de suporte de TI, diz Singh. “Os usuários têm liberdade para fatiar e cortar os dados sem conhecimento técnico”, diz ele. “Os dados podem ser derivados de várias fontes em vários formatos”.

Quando as organizações selecionam as ferramentas de analytics corretas, a análise de autoatendimento “capacita os usuários de negócios a recuperar e analisar os dados sem a necessidade de especialistas em TI/especialistas em produtos para desenvolvimento e análise de relatórios”, diz Singh. É um ativo “que responde a requisitos de negócios dinâmicos”.