Meer omzet, efficiëntere bedrijfsvoering, betere klantenservice en gelukkige medewerkers. Uit onderzoek van HBR en ThoughtSpot blijken dit de voordelen van het beschikbaar stellen van data aan eerstelijnsmedewerkers. Toch plukken maar weinig organisaties de vruchten hiervan. Technologische processen, tegenstrijdige prioriteiten en een verkeerde mentaliteit zorgen voor barrières. Hoe haalt embedded analytics 2.0 de barrières neer?
Embedded analytics 2.0 combineert ‘search’ met low-code-ontwikkelplatformen om op het moment van besluitvorming met een app eenvoudig van inzicht naar actie te gaan. Hoewel veel analytics- en business intelligent (bi)-toepassingen vooral zorgden voor interne use-cases, erkennen data-savvy organisaties inmiddels dat data-apps zowel een inkomstenbron zijn als een service om de klantloyaliteit te vergroten.
Embedded analytics 1.0
Verschillende bi-leveranciers bieden embedded-mogelijkheden. Anderen zijn initiatieven gestart, maar niemand heeft nog de uitdaging van interne bi en een embedded analytics use-case binnen eenzelfde platform kunnen oplossen.
De eerste embedded platforms erfden enkele zwakke punten van eerste-generatie-bi-platforms. Omdat rapportagetools intern werden vervangen door een meer visuele vorm van informatievoorziening, wilden klanten dit embedden. De markt raakte verdeeld tussen rapportagegerichte leveranciers met software-ontwikkelkits en visuele tools. Maar in beide gevallen was de uiteindelijke ervaring even beperkend voor gebruikers, met rapportages op basis van parameters of dashboards. Als managers naar een geïntegreerd kostendashboard kijken en de kosten zijn hoger dan gepland, willen ze inzoomen, de kosten vergelijken met andere vestigingen of afzetten tegen het vorige kwartaal. Geïntegreerde dashboards werden een doodlopende weg, want of ze nu visueel werden gebouwd door een bi-expert of geprogrammeerd door een team ontwikkelaars, het analyseproces werd vooraf gedefinieerd en als de manager een vervolgvraag had was hulp nodig van het bi-team.
Daarnaast verschilde de extra functionaliteit die leveranciers aanboden via open api’s aanzienlijk. Zelden waren alle componenten van het onderliggende BI-platform toegankelijk via api’s. Dit resulteerde vaak in verminderde functionaliteit en een minder naadloze interface. Het ontbreken van experimentele ruimte voor ontwikkelaars om nieuwe api’s te ontdekken en te testen was een andere beperkende factor.
Embedded analytics 2.0
Api’s via low-code-ontwikkelplatformen maken relatief eenvoudig maatwerk mogelijk. En toch moeten productmanagers onthouden dat alleen wat zich in de kern van het analyseplatform bevindt, mogelijk via een api is te ontsluiten. Met andere woorden, dataproductmanagers en analytics- en bi-specialisten moeten samenwerken om de onderscheidende factoren van een analyseplatform te begrijpen.
Een onderscheidende factor zoals ‘search-as-a-service’ is nu in elke app te integreren. Idem voor inzicht-naar-actie; ontwikkelaars kunnen bruikbare en zeer interactieve mogelijkheden creëren en toepassen in elke data-app. Dit is een enorm verschil met de mogelijkheden in een dashboardgericht bi-platform dat vooraf gedefinieerde parameters vereist en niet anticipeert op vragen van gebruikers.
De nieuwe generatie embedded analytics is ook cloud-gebaseerd, wat betekent dat het grotere cloud-ecosysteem is te verbinden en te gebruiken tijdens de app-ervaring. Hierdoor is de workflow van inzicht tot actie opnieuw uit te denken en te ontwerpen.
De aanpak van embedding en white labeling is aanzienlijk verbeterd, maar embedded search en ai zorgt voor het grootste onderscheid.
Prioriteiten
Geïntegreerde analyses, klantgerichte analyses en interne selfservice-analyses concurreren vaak om dezelfde beperkte middelen. Analytics- en bi-teams zullen zich natuurlijk eerst richten op de meest dringende behoeften – dit betreft ook reageren op wie het hardst schreeuwt. Dit zijn doorgaans de data-analisten. Selfservice-analyse uitrollen voor niet-technische zakelijke gebruikers is zowel een push (de expert zorgt voor hulp en training) als een pull (de zakelijke gebruiker is de trage toegang tot data beu en wil zelf aan de slag).
Is het ook belangrijk om operationele gebruikers en eerstelijnswerkers toegang te geven tot embedded analytics? Ja. Zij worstelen namelijk vaak met trage operationele rapporten. Hen voorzien van embedded analytics kan kleine beslissingen die een grotere ROI opleveren versnellen.
Visie op delen van data moet opnieuw worden uitgevonden
Vrijwel elke organisatie streeft ernaar om data-gedreven te zijn, maar de visie op het delen van data moet opnieuw worden uitgevonden in de hele waardeketen. Het genereren van omzet met data maakt hier zeker deel van uit, maar de grotere waarde-propositie ligt vermoedelijk in het winnen van klantloyaliteit door inzichten in de volledige waardeketen te optimaliseren. Kijk naar organisaties als Just Eat en OpenTable die hun gegevens met hun klanten delen om hen te adviseren over de drukste tijden om de personeelsbezetting beter af te stemmen, wat de populairste voedingsproducten zijn en andere zaken. Retailers die verkoopgegevens delen met hun leveranciers zorgen voor een efficiëntere supply chain en hogere verkoop door de juiste voorraad beschikbaar te hebben.
In dit opzicht moeten bedrijven heroverwegen hoe ze analytics-projecten financieren en prioriteren. Maar weinig organisaties doen een formele rendement op de investering voor financiering of om te beoordelen of waarde is geleverd. Verder moet analytics niet primair worden gezien als een kostenpost, maar meer als een waarde-aanjager. Dit is ook waar de financiering van bedrijven naar zal verschuiven: initiatieven die op toegevoegde waarde geprioriteerd zijn.
Bouwen versus kopen
Buy-versus-build is een constante afweging als het gaat om analytics-oplossingen, vooral als klantgerichte data-apps betreft. De argumenten voor het bouwen van een klantgerichte data-app zijn volledige controle over de gebruikerservaring, consistente branding binnen een grotere app en geen vendor lock-in. Worden de eerste twee aangepakt met embedded analytics 2.0, de derde vraagt om een slimme keuze qua partner.
De argumenten voor het ‘kopen’ van een analytics-platform om een klantgerichte data-app te leveren zijn snellere time-to-market, robuuste, kant-en-klare functionaliteit en de mogelijkheid om te focussen op kerncompetenties die onderscheidend zijn.
Hoe te profiteren?
Samenvattend is er een aantal aandachtspunten om optimaal te profiteren van embedded analytics:
-
Begrijp de gebruiksscenario’s waarin embedded impact kan hebben om data te democratiseren, inzicht te koppelen aan acties en klantloyaliteit te vergroten;
-
Denk verder dan alleen het genereren van inkomsten met data en creëer toegevoegde waarde en gedifferentieerde analytics-as-a-service;
-
Evalueer de geïntegreerde functionaliteit van analytics-leveranciers, waaronder open api’s en een ontwikkelomgeving;
-
Onderzoek welke functionaliteit van het analytics-platform is in te zetten in een embedded data-app;
-
Pak bezwaren aan van ontwikkelaars die er de voorkeur aan geven apps helemaal opnieuw te bouwen, waarbij de trots over de eigen ontwikkeling en de risico’s en voordelen van kopen moet worden afgezet tegen de snellere time-to-market en robuustheid van een build-aanpak.
De eerste regel beloofd het paradijs op aarde, de rest is business as usual want of je het Excel management nu old school doet of met low code lijkt me één en hetzelfde als de data zelf niet verbeterd. Verander de klantgerichte analyses in modelleren van de werkelijkheid met nietszeggende cijfers en je stuurt jezelf naar de afgrond op basis van een onwerkelijke realiteit. Natuurlijk ben ik een groot voorstander van meten is weten maar om daar kennis uit te halen zul je eerst moeten weten wat je meet want punt één van de samenvatting gaat om het inzicht in de scenario’s en punt vijf om de kennis die weggegooid wordt terwijl de rest de gebruikelijke prietpraat over techniek is.
Kortom, ik borduur verder op eerdere reactie want de MBA definitie voor efficiëntie is meer geld, minder service en daarom hogere winsten waardoor de embedded analytics 2.0 als het nieuwe leiderschap van D66 is. Tenslotte krijgen we na mooie beloften en veel gelul gewoon weer een rondje van hetzelfde omdat alle maatschappelijke problemen het gevolg zijn van eerdere keuzen. Want het vervelende van data die je wat langer bewaard is dat je stuurt op de geleerde lessen uit het verleden, het inactieve geheugen van een archief kan zeker in het democratiseren van de data vervelend uitpakken als we embedded analytics 2.0 even praktisch toe gaan passen. Wat betreft data en databronnen hebben we tenslotte al jaren de belofte van SOA welke met de datasynthese van scraping & mining ook allerlei interessante inzichten oplevert.
Ik ben het eens dat organisaties (niet alleen bedrijven) daarom nu moeten heroverwegen hoe ze hun (eerdere) analytics-projecten prioriteren en dan pas financiëren want de trots over eigen ontwikkeling en de risico’s en voordelen van kopen moeten niet alleen worden afgezet tegen een snellere time-to-market maar ook tegen robuustheid van een build-aanpak door allerlei wetgeving. Zo kent de wet beperkingen over de opslag van klantgegevens omdat dit vaak persoonsgegevens zijn en zomaar even de gegevens van een klant vanuit de sociale netwerken gebruiken mag niet. Want wat niet weet, deert toch wel nu blijkt dat we een heleboel bijzondere opsporingsambtenaren hebben die onrechtmatig gehandeld hebben in hun ijver aangaande het rechercheren in zowel de open als gesloten bronnen.