En tidligere sjef av meg var av den vitebegjærlige sorten. Han hadde stadig behov for nye analyser som fortalte noe om de trendene som drev markedet. Min jobb var å levere på de forespørslene han hadde. Typisk fikk jeg presentert et rammeverk for de rapportene han ville ha levert og hvordan disse skulle belyse de ulike trendene han ville ha undersøkt. Hver gang jeg leverte analysene var reaksjonen alltid den samme. “Dette var interessant, hvordan kan disse trendene forklares i forhold til faktor A, B og C?” For hver analyse jeg leverte, så kom det forespørsel på minst et par tre nye i retur.
Manuelt arbeid som begrensende faktor
Den totale mengden innspill og ideer til hvordan nye analyser kunne utføres var større enn min evne til å ta unna, og slik sett var det min produktivitet som ble den begrensende faktor. Det var ikke det at disse analysene nødvendigvis var så vanskelige å gjennomføre, men de tok ofte litt tid da Excel var verktøyet for både tilrettelegging og analyse. Det var heller ikke alle analysene jeg ble bedt om å gjøre som i ettertid viste seg å ha noen særlig nytteverdi. Men av og til fant vi på denne måten frem til sammenhenger som ga en ny innsikt som rettferdiggjorde innsatsen.
Kunnskap avler behov for mer kunnskap
Hvor vil jeg med dette? Jo, jeg ser store likheter med denne måten å jobbe på med hvordan tradisjonelle BI-løsninger har blitt implementert. Disse har til en stor grad vært IT-drevne i den forstand at IT har sittet med løsningsansvar, og forretning har sendt forespørsler til IT på hvilke rapporter og indikatorer de vil ha. IT har deretter implementert etter beste evne i forhold til de spesifikasjoner man har fått. Dette kan sammenlignes med den opprinnelige analysen jeg ofte leverte. Disse rapportene gir ofte et godt bilde og belyser de aspektene som forretning har bedt om. Det er bare det at kunnskap ofte avler et behov for mer kunnskap. For personer som min gamle sjef gjør denne innsikten dem i stand til å identifisere hvilke nye analyser de trenger for å skaffe seg ytterligere innsikt.
Da IT som regel har hatt begrensede ressurser til å følge opp forretningens stadig nye forespørsler, har eksplorative analyser, som min gamle sjef var så opptatt av, blitt lagt til rette for i BI-løsningene gjennom OLAP, drill-down, filtrering og sorteringsmuligheter. Da dette ofte gir gode eksplorasjonsmuligheter setter det også visse begrensninger i form av at man kun kan utforske langs forhåndsdefinerte dimensjoner som allerede er identifisert som relevante. Dette blir litt som å drive eksplorasjon i en boks, man kan ofte finne nyttige ting, men man er i alle fall rimelig sikker på å finne veggene. Ideelt sett er eksplorativ analyse en iterativ prosess, fordi det ikke nødvendigvis er slik at interessante og relevante dimensjoner å analysere videre på, kan spesifiseres opp før man har innsikten som de opprinnelig forespurte rapportene gir.
Raskere analyser
SAS sin kommende BI-portefølje gjør det mulig å angripe denne problemstillingen fra en litt annen vinkel. Gjennom å inkludere ekstremt skalerbare in-memory kapabiliteter som del av porteføljen vil slike eksplorative analyser gjøres langt raskere og uten å måtte gå via IT hver gang man trenger en litt annen vinkling på en rapport eller, for den saks skyld, til en analytiker hver gang man trenger en analyse. I utviklingen av grensesnittet for å ta i bruk de interaktive analysemulighetene har SAS fokusert spesielt mot de brukergruppene som min gamle sjef representerer. Det vil si vitebegjærlige sjeler som ikke har tid til kursing og opplæring før man begynner å bruke ny funksjonalitet. IT kan med denne typen funksjonalitet skyve mer av rapportutviklingen over til forretning og deres brukere. Tiden som da blir frigjort, kan analytikerne bruke til å drive verdiskapende avansert analyse, mens IT kan bruke den til å sikre robust og riktig sammenstilling av datagrunnlaget – for analyser og rapporter blir som kjent ikke bedre enn de data de bygger på.
