جلوگیری از فرسودگی تحلیل‌گران: چگونه درخواست‌های تحلیل موردی را ساده‌سازی کنیم

هدف از هوش تجاری این است که به ذینفعان و استراتژیست‌ها اطلاعاتی بدهد که برای تصمیم‌گیری مبتنی بر داده نیاز دارند. تحلیل‌گران هوش تجاری می‌توانند به سوالاتی پاسخ دهند که به هدایت برخی از این تصمیم‌ها کمک می‌کند، اما اغلب کسی در سازمان شما نیاز دارد که تحلیل‌های سریع را با استفاده از تعدادی منبع داده انجام دهد و سپس یافته‌ها را به فرمتی قابل خواندن تبدیل کند که همه ذینفعان شما درک کنند (نه فقط کسانی که با داده آشنا هستند). اینجاست که تحلیل موردی به کار می‌آید.

اگر به درستی مدیریت نشود، تحلیل موردی می‌تواند فرآیندی خسته‌کننده باشد. هر بررسی در داده‌های شما زمان می‌برد و تحلیل‌گران هوش تجاری اغلب در حال مدیریت چندین درخواست همزمان از ذینفعان هستند. پس سوال این می‌شود: چگونه می‌توانیم تحلیل موردی را به صورت کارآمد، مؤثر و بدون خسته کردن تحلیل‌گرانمان انجام دهیم؟

استفاده از تحلیل‌های خودخدمت برای توانمندسازی اعضای تیم برای تحلیل موردی

ذینفعان تحلیل موردی باید بدانند که چگونه خودشان سطحی از تحلیل را انجام دهند. این به این معنی نیست که بازاریابان یا کارکنان منابع انسانی شما باید در علوم داده دو رشته داشته باشند، اما باید با ابزارها و پروتکل‌های اساسی لازم برای دریافت پاسخ‌های مورد نیازشان مجهز شوند، بدون اینکه لزوماً یک تحلیل‌گر را درگیر کنند.

کریس شورت، تحلیل‌گر ارشد بینش در Easy Agile، استفاده از Loom برای دسترسی به ویدیوهای آموزشی را پیشنهاد می‌کند که به اعضای تیم کمک می‌کند تا تحلیل‌ها را برای مورد استفاده خاص خود بهتر درک کنند. «ما یک مکانیزم امتیازدهی داریم... که اگر سوال آسانی باشد، باید بتوانند خودشان آن را انجام دهند.» کریس همچنین می‌گوید که برای پرس‌وجوهای پیچیده‌تر، تیمش راه‌حل‌های سفارشی می‌سازد که به غیرتحلیل‌گران امکان می‌دهد همچنان به سوالات خود به طور مستقل پاسخ دهند.

علی باغشمالی، بنیانگذار Mentat Analytics، موافق است که توانمندسازی کاربران بهترین راه برای کاهش ترافیک برای تحلیل‌گران هوش تجاری است: «افزودن خطوط به یک بزرگراه راه خوبی برای کاهش ترافیک نیست. در عوض، تحلیل‌گران باید روی راه‌اندازی چیزها تمرکز کنند تا در ابتدا درخواست‌های داده کمتری به تیمشان وارد شود، به جای اینکه سعی کنند تا جایی که می‌توانند به درخواست‌ها پاسخ دهند. با ادامه تمثیل ترافیک، هدف باید ایجاد یک سیستم حمل‌ونقل عمومی بهتر باشد.»

علی معتقد است که مستندسازی خوب و «ابزارهای بهتر، دارایی‌های داده و آموزش برای اعضای تیم غیرداده»، راه را برای بهبود خودخدمتی در تحلیل‌ها هموار می‌کند.

استفاده از سیستم تیکت برای درخواست‌های تحلیل موردی

تیکت‌گذاری درخواست‌های تحلیل برای کمک به تیم‌ها در ردیابی درخواست‌ها از استعلام اولیه تا حل مسئله بسیار مهم است. بدون تیکت، درخواست‌ها می‌توانند گم شوند، به شدت به تأخیر بیفتند یا حتی تکرار شوند - که کل خط تحلیل را کند می‌کند. استفاده به تنهایی از کانال‌های Slack، پیام‌های مستقیم و ایمیل‌ها برای مدیریت حجم زیادی از درخواست‌ها به اندازه کافی کارآمد یا منظم نیستند.

تحلیل‌های خودخدمت و سیستم‌های تیکت متقابلاً منحصر به فرد نیستند. کریس شورت می‌گوید: «برخی از محتوای تولید شده می‌تواند برای خودخدمت استفاده شود.» جان اودل از Strategies for Internet Citizens این را به عنوان یک «چرخه فضیلت برای تحلیل‌ها» توصیف می‌کند، جایی که سوالات مطرح شده توسط کاربران غیرداده، ابزارهای جدیدی را اطلاع می‌دهند که به آنها و کاربران آینده کمک می‌کند تا خودشان به آن سوالات پاسخ دهند.

تیکت‌گذاری همچنین راهی عالی برای ردیابی پهنای باند تیم هوش تجاری است و به درخواست‌کنندگان حجم فعلی که تیم با آن مواجه است را نشان می‌دهد و به دیگران (از جمله مدیریت) دیدگاهی در مورد حجم کارشان ارائه می‌دهد.

آموزش کاربران قدرتمند از بخش‌های مختلف در تحلیل موردی ساده

همه اعضای تیم‌های غیرداده در شرکت شما ظرفیت یا زمان یادگیری نحوه انجام تحلیل موردی را نخواهند داشت. اما باید حداقل یک کاربر قدرتمند از هر بخش را به عنوان یک «قهرمان داده» آموزش دهید تا تحلیل‌های موردی را مدیریت کند.

شما حتی ممکن است در نظر بگیرید که درخواست‌های موردی را به طور کامل از بخش هوش تجاری دور کنید و اصرار کنید که این درخواست‌ها توسط بخشی که آن را آغاز کرده است مدیریت شود. اگر این مسیر را انتخاب کنید، ممکن است بخواهید تیم هوش تجاری شما جلسات آموزشی دوره‌ای ارائه دهد که اصول تحلیل موردی را به کاربران غیرداده علاقه‌مند آموزش دهد. سایر منابع آموزشی ممکن است شامل فرصت‌های یادگیری آنلاین اضافی و همچنین جلسات پرسش و پاسخ آموزنده در Reddit باشد.

استفاده از پرس‌وجوهای آماده برای تحلیل موردی

با گذشت زمان، احتمالاً متوجه خواهید شد که بسیاری از درخواست‌های موردی که دریافت می‌کنید نسبتاً مشابه هستند یا از همان داده استفاده می‌کنند. ایجاد یک کاتالوگ برای پرس‌وجوهای داده رایج، زمان و انرژی صرف شده برای استخراج داده و اجرای تحلیل‌ها را به شدت کاهش می‌دهد. این پرس‌وجوهای آماده - مانند قطعات SQL متابیس - با اجازه دادن به شما برای کپی، چسباندن و ویرایش پرس‌وجوهایتان در صورت نیاز، کارها را ساده می‌کند.

اگر می‌خواهید شروع به ساخت پایگاه داده پرس‌وجوهای آماده خود کنید، راهنمای SQL را بررسی کنید.

فرهنگ لغت داده

مشابه ایجاد کاتالوگ پرس‌وجوهای آماده، تدوین یک فرهنگ لغت داده (یک دامپ از ابرداده) به شما امکان می‌دهد تا به سرعت به اجزای مختلف پرس‌وجو برای تحلیل موردی مراجعه کنید.

می‌توانید این راه‌حل را به راحتی با استفاده از فرمت صفحه‌گسترده با ستون‌هایی برای پایگاه داده، جدول، فیلد، توضیحات فیلد و نوع داده (و غیره) برای آسان‌تر کردن فیلتر کردن پیاده‌سازی کنید.

ایجاد رویه‌های واضح با رهبری ارشد برای تحلیل موردی

مشکل تحلیل موردی اغلب عدم درک یا رد کامل رویه‌های درخواست است. اگر درخواست‌ها خیلی زیاد ارسال شوند، از طریق کانال اشتباه، یا با اولویت‌بندی نادرست، به راحتی می‌توانند گم شوند یا گم شوند و تیم‌های هوش تجاری تحت فشار قرار گیرند.

باید دستورالعمل‌های واضح و آسان برای ارسال درخواست‌ها داشته باشید که به کاربران امکان می‌دهد قبل از ارسال، اولویت و پیچیدگی را خودشان تعیین کنند. اگر این کار را انجام دهید، می‌توانید این درخواست‌ها را به پورتال‌های خودخدمت نیز هدایت کنید.

رهبری و کارکنان مدیریتی باید درک واضحی از این رویه‌ها داشته باشند و باید نسبت به آنها پاسخگو باشند و مایل باشند که کارکنان خود را نیز نسبت به آنها پاسخگو نگه دارند.

افکار نهایی: نکات تحلیل موردی

بهترین کاری که می‌توانید برای تیم و همکاران غیرداده خود انجام دهید این است که تا حد امکان خودخدمت را توانمند کنید. این حجم درخواست‌های موردی که دریافت می‌کنید را کاهش می‌دهد، حتی اگر هر از گاهی چند استعلام پیچیده از بین برود. علاوه بر این، مستندسازی خوب و یک پایگاه داده قوی به تیم شما کمک می‌کند تا به سرعت و به راحتی به درخواست‌ها پاسخ دهد.