Welke ontwikkelingen beïnvloeden de adoptie van self service BI?

In in eerdere blog heb ik de termen IT Managed BI en Self Service BI verkend om dichter bij een antwoord te komen op de volgende vraag: 'Wordt BI meer existentialistisch, met meer individuele vrijheid, verantwoordelijkheid en subjectiviteit voor de eindgebruiker?'.  In deze blog kijk ik naar hoe een aantal enablers, ontwikkelingen en vormen van implementatie een antwoord op deze vraag kunnen aanvullen danwel beïnvloeden. 

Cloud services

De significante groei in de adoptie van cloud services heeft direct invloed op de adoptie van Self Service BI & Analytics. Cloud faciliteert namelijk User Interface (UI) gedreven BI ontwikkeling: een simpele client voorkant richting de gebruiker met een complexe achterkant, die draait op servers in de cloud. Een belangrijke vraag is of je hierdoor controle dan wel nauwkeurigheid verliest. Een UI is immers een geabstraheerde versie van veel fijnmazigere code die eronder draait en die vaak specifieker in te zetten is op het moment dat je dit zelf (na) kunt bouwen.

Aan de ene kant geeft Self Service BI je als business gebruiker dus meer vrijheid omdat je in eerste instantie minder afhankelijk bent van de IT afdeling. Aan de andere kant beperkt het je vrijheid in de zin van de versimpelde mogelijkheden die de BI software leverancier voor je klaar zet in de UI. Terwijl de verantwoordelijkheid die je hebt om de juiste inzichten te creëren gelijk blijft.

Cultuurverandering

Dit valt samen met de cultuurverandering die ik eerder al noemde, namelijk dat de cloud voor nieuwe generaties al heel normaal is, evenals Self Service BI en alles wat daarmee samenhangt (de snelle inzichten, de laagdrempelige toegang enz.). Deze cultuurverandering is dus net zo’n enabler van Self Service BI als cloud zou je kunnen zeggen.

Ontwikkelingen en nieuwe technologieën

Het voert te ver om in deze blog alle recente ontwikkelingen rond (Self Service) BI te benoemen, simpelweg omdat het er te veel zijn en ieder onderwerp op zich al een serie blogs verdient. Maar een aantal termen die ik niet ongenoemd wil laten, zijn: big data, natural language querying, en data science.

  • Big Data
    Hoe ga je in het kader van Self Service BI om met big data? Standaard connectors die dergelijke grote databronnen direct aanspreken kunnen wellicht de hoeveelheid data niet aan. Hiervoor kan een gefaseerde oplossing benodigd zijn, bijvoorbeeld in de vorm van een tussenliggende database, waardoor een dergelijke oplossing al snel minder self service wordt.
     
  • Natural Language Querying
    Dit stelt ons in staat om op een natuurlijke manier vragen te stellen over de data, omdat machines de woorden herkennen en relevante resultaten kunnen terugkoppelen. Dit werkt dus weer meer self service in de hand.
     
  • Data science
    Zoals gezegd moeten IT’ers steeds nieuwe complexiteit adopteren en zich eigen maken naarmate traditionele BI steeds meer versimpelt en geschikt wordt gemaakt voor Self Service BI. Eerder genoemde ontwikkelingen bevinden zich nog in die ‘complexiteit fase’. Maar ook hierin vinden ontwikkelingen plaats naar meer toegankelijkheid, zoals bijvoorbeeld het simpelweg Data Science-vragen kunnen stellen over complexe onderwerpen aan chatbots, vragen waar normaal het antwoord op wordt gevonden met ‘handmatige’ data science. Deze ‘data science chatbots’ moeten dan wel weer gebouwd worden. Een complex spanningsveld dus tussen meer self service en meer IT managed BI!

Business en IT

Goed, de business gebruiker van BI kan dus steeds meer zelf, en IT’ers moeten zich doorlopend nieuwe complexiteit eigen maken. Maar wat is nou een logische ‘scheiding der machten’? In de BI&A keten van data collectie, data transformatie, data modellering, reporting en dashboards, en de uiteindelijke data analyse kun je op meerdere plekken Self Service BI  toepassen. 

Data analyses

Het meest simpele: de gebruiker doet zijn data analyses op zelf samengestelde rapporten en dashboards. Vanaf daar kun je verder terug de keten in gaan. Laat de gebruiker zelf data modellen samenstellen die nodig zijn voor zijn/haar eisen aan visualisaties. Laat hem zelf transformaties uitvoeren. En laat hem zelfs zijn eigen keuze maken uit alle data die de organisatie hiervoor beschikbaar heeft gesteld. Als je gebruikers wilt toestaan zelf gevonden databronnen te gebruiken, dient de rol van data stewards niet onderschat te worden. Die kunnen een databron goed- of afkeuren, deze al dan niet eerst in een algemeen beschikbaar data lake plaatsen, en dan pas ontsluiten/toestaan.

Hybride BI-oplossing

Waar in de keten kun je dan Self Service BI inzetten? Een hybride oplossing kan zijn om: 

  • Alles boven de stippellijn
    (zie figuur hierboven) te laten managen door IT, zodat ‘bronfouten’ voorkomen worden en performance/snelheid van de oplossing behouden kan blijven;
     
  • alles onder de stippellijn
    voor de eindgebruiker zelf mogelijk te maken. Dit biedt een goede balans van zoveel mogelijk flexibiliteit voor de eindgebruiker onder een bepaalde gegarandeerde data kwaliteit. 

Het ‘bij elkaar shoppen’ van meerdere (voor de organisatie onbekende) databronnen door de eindgebruiker is dan dus niet mogelijk. Mocht je hier toch iets in willen bieden in je ‘datawinkel’, dan kun je gestandaardiseerde IT Managed rapporten en modellen laten gebruiken als databron.

Aanpak

Over de tijd zou je dan van onder naar beneden kunnen werken: start met eenvoudige Self Service BI voor laaghangend fruit, en breidt uit naar een meer professionele aanpak naarmate de omgeving dit vereist, bijvoorbeeld omdat de overheid data governance eisen gaat stellen of omdat hevige concurrentie kostenverlaging door opschaling afdwingt.

In het derde en laatste deel van deze serie blogs behandel ik een paar belangrijke zaken voor de implementatie van Self Service BI. 

Meer weten? 

Ben je benieuwd naar de mogelijkheden van IT Managed BI en Self Service BI voor jouw organisatie? Neem dan via onderstaande gegevens contact met ons op of luister naar mijn verhaal tijdens Digital Day op 18 januari.