Varje företag har ett behov av högkvalitativ dataanalys och dess visualisering. En annan viktig faktor att tänka på är användarvänligheten för företagsanvändaren. Verktyget bör inte kräva extra kostnader för personalutbildning i det inledande skedet. En sådan lösning är Tableau.
Tjänsten Rabota.ru valde Tableau för multivariat dataanalys. Vi pratade med Alena Artemyeva, analyschef på Rabota.ru-tjänsten, och fick reda på hur analysen har förändrats efter lösningen som implementerats av BI GlowByte-teamet.
F: Hur uppstod behovet av en BI-lösning?
Alena Artemyeva: I slutet av förra året började Rabota.ru-serviceteamet växa snabbt. Det var då behovet av högkvalitativa och begripliga analyser från en mängd olika avdelningar och företagsledningar ökade. Vi insåg behovet av att skapa ett enda och bekvämt utrymme för analytiskt material (ad hoc-forskning och regelbundna rapporter) och började aktivt röra oss i denna riktning.
F: Vilka kriterier användes för att söka efter en BI-lösning och vem deltog i utvärderingen?
AA: De viktigaste kriterierna för oss var följande:
- tillgänglighet av en autonom server för datalagring;
- kostnad för licenser;
- tillgängligheten för en Windows/iOS-skrivbordsklient;
- tillgänglighet för Android/iOS mobil klient;
- tillgängligheten för en webbklient;
- möjlighet till integration i en applikation/portal;
- förmågan att använda skript;
- enkelhet/komplexitet av infrastrukturstöd och behovet/inget behov av att hitta specialister för detta;
- förekomsten av BI-lösningar bland användare;
- recensioner från användare av BI-lösningar.
F: Vem deltog i bedömningen:
AA: Detta var ett gemensamt arbete av team av analytiker och ML Raboty.ru.
F: Vilket funktionsområde tillhör lösningen?
AA: Eftersom vi stod inför uppgiften att bygga ett enkelt och begripligt analytiskt rapporteringssystem för hela företaget, är uppsättningen av funktionella områden som lösningen avser ganska bred. Dessa är försäljning, ekonomi, marknadsföring, produkt och service.
F: Vilka problem löste du?
AA: Tableau hjälpte oss att lösa flera nyckelproblem:
- Öka databehandlingshastigheten.
- Gå bort från "manuellt" skapande och uppdatering av rapporter.
- Öka datatransparensen.
- Öka datatillgängligheten för alla nyckelmedarbetare.
- Få förmågan att snabbt reagera på förändringar och fatta beslut baserat på data.
- Få möjlighet att analysera produkten mer i detalj och leta efter tillväxtområden.
F: Vad kom före Tableau? Vilka tekniker användes?
AA: Tidigare använde vi, liksom många företag, aktivt Google Sheets och Excel, såväl som vår egen utveckling, för att visualisera nyckelindikatorer. Men så småningom insåg vi att det här formatet inte passade oss. Främst på grund av den låga databehandlingshastigheten, men också på grund av begränsade visualiseringsmöjligheter, säkerhetsproblem, behovet av att ständigt bearbeta stora mängder data manuellt och slöseri med anställdas tid, hög sannolikhet för fel och problem med att ge allmänhetens tillgång till rapporter (det senare mest relevant för rapporter i Excel). Det är också omöjligt att bearbeta stora mängder data i dem.
F: Hur implementerades lösningen?
AA: Vi började med att rulla ut serverdelen själva och började göra rapporter, koppla data från skyltfönster med förberedd data på PostgreSQL. Några månader senare överfördes servern till infrastrukturen för support.
F: Vilka avdelningar var de första som gick med i projektet, var det svårt?
AA: Den stora majoriteten av rapporterna utarbetas från första början av anställda på analysavdelningen, och därefter har ekonomiavdelningen anslöt sig till att använda Tableau.
Det fanns inga kritiska svårigheter, eftersom uppgiften är uppdelad i tre huvudsteg när man förbereder instrumentpaneler: att undersöka databasen och skapa en metod för att beräkna indikatorer, förbereda en rapportlayout och komma överens med kunden, skapa och automatisera datamarts och skapa en dashboardvisualisering baserad på mars. Vi använder Tableau i det tredje steget.
F: Vem var med i implementeringsteamet?
AA: Det var främst ML-laget.
F: Krävdes personalutbildning?
AA: Nej, vårt team hade nog av allmänt tillgängligt material, inklusive maratondata från Tableau och information i Tableau-användargemenskaper. Det fanns inget behov av att ytterligare utbilda någon av de anställda, tack vare plattformens enkelhet och de anställdas tidigare erfarenhet. Nu har analytikerteamet gjort betydande framsteg när det gäller att bemästra Tableau, vilket underlättas av både intressanta uppgifter från verksamheten och aktiv kommunikation inom teamet om funktionerna och kapaciteterna hos Tableau som finns i processen att lösa problem.
F: Hur svårt är det att bemästra?
AA: Allt gick relativt enkelt för oss, och plattformen visade sig vara intuitiv för alla.
F: Hur snabbt fick du det första resultatet?
AA: Inom några dagar efter implementering, med hänsyn tagen till att det krävdes en viss tid för att ”polera” visualiseringen i enlighet med kundernas önskemål.
F: Vilka indikatorer har du redan baserat på resultatet av projektet?
AA: Vi har redan implementerat mer än 130 rapporter inom olika områden och har ökat hastigheten på databeredningen flera gånger. Detta visade sig vara viktigt för specialisterna på vår PR-avdelning, eftersom vi nu snabbt kan svara på de flesta aktuella förfrågningar från media, publicera omfattande studier om arbetsmarknaden i allmänhet och i enskilda branscher och även förbereda situationsanalys.
F: Hur planerar du att utveckla systemet? Vilka avdelningar kommer att vara involverade i projektet?
AA: Vi planerar att vidareutveckla rapporteringssystemet inom alla nyckelområden. Rapporter kommer även fortsättningsvis att implementeras av specialister från analysavdelningen och ekonomiavdelningen, men vi är redo att involvera kollegor från andra avdelningar om de vill använda Tableau för sina egna syften.
Källa: will.com