Il team di BI come collo di bottiglia
In molte organizzazioni, per ottenere informazioni dai dati si passa sempre dallo stesso punto: il team dati o di BI. Un direttore commerciale ha bisogno delle vendite per area del mese precedente, con il margine per prodotto. Scrive un’email al team dati. Dopo tre giorni, se va bene, riceve un report che risponde alla domanda iniziale, ma che nel frattempo ha sollevato cinque domande nuove. Scrive un’altra email. Il ciclo si ripete.
Non è un problema di velocità, ma un problema strutturale. Il tempo del team dati è limitato, la curiosità analitica del business no. La soluzione non è assumere altri analisti, ma mettere gli utenti di business in condizione di rispondere da soli alle proprie domande.
È esattamente l’obiettivo della self-service analytics.
Che cos’è la self-service analytics e che cosa non è
La self-service analytics è la capacità degli utenti di business (senza formazione tecnica sui dati, senza conoscere SQL, senza l’aiuto dell’IT) di esplorare i dati, creare visualizzazioni e trovare in autonomia le risposte alle proprie domande.
La self-service analytics non consiste nel lasciare che ogni utente faccia ciò che vuole con i dati, senza struttura né governance. Quella strada porta dritta al caos: più versioni della verità, metriche definite in modo diverso da team diversi e una perdita di fiducia nei dati che finisce per distruggere la cultura analitica.
Una self-service analytics ben implementata è governata: esiste uno strato di dati curato e affidabile su cui gli utenti possono esplorare liberamente, entro i limiti fissati dalla data governance.
Lo strato semantico: l’elemento decisivo
Ciò che rende possibile la self-service analytics è lo strato semantico: una rappresentazione dei dati in termini di business, non tecnici. Invece di tabelle di database con nomi criptici, gli utenti vedono concetti che comprendono: «Vendite nette», «Margine lordo», «Clienti attivi negli ultimi 90 giorni», «Tasso di reso».
Lo strato semantico definisce in modo centralizzato come si calcolano le metriche chiave e garantisce che «vendite» abbia lo stesso significato nella dashboard commerciale e nel report per la direzione. Senza questo strato, ogni utente può arrivare a numeri diversi per la stessa domanda, e la fiducia nel sistema viene meno.
Tra gli strumenti che implementano strati semantici robusti: il modello semantico di Power BI con le misure DAX, LookML in Looker (oggi Google Looker), dbt Metrics Layer e, per gli ambienti più complessi, AtScale o Cube.js.
Strumenti di self-service per profili diversi
Power BI: lo strumento dominante nell’ecosistema Microsoft. Ottimo per chi lavora già con prodotti Microsoft. Copre dall’utente che consulta soltanto dashboard all’analista che crea i propri report.
Tableau: il suo punto di forza è l’esplorazione visiva avanzata. Adatto agli analisti che devono porre domande complesse in modo intuitivo, senza codice.
Looker: solido sullo strato semantico (LookML) e sulla governance della self-service analytics. Preferito dalle organizzazioni con team tecnici strutturati che vogliono concedere ai team di business un’autonomia controllata.
Metabase: strumento open source con un’interfaccia molto accessibile, adatto a team più piccoli o a casi d’uso in cui la semplicità è prioritaria. Consente di porre domande in linguaggio naturale senza SQL.
Quando la self-service analytics funziona e quando genera caos
Funziona quando esiste uno strato semantico ben definito e mantenuto, i dati sottostanti sono di qualità e documentati, gli utenti hanno una formazione di base sull’interpretazione dei dati e c’è una governance su chi può creare quali contenuti e dove.
Genera caos quando si adotta lo strumento ma non lo strato semantico, ogni utente può accedere a qualsiasi tabella senza contesto, non si convalidano le metriche pubblicate dagli utenti, oppure i report creati dagli utenti si confondono con quelli ufficiali senza una distinzione chiara.
La differenza tra i due scenari non dipende dallo strumento scelto, ma dal lavoro preliminare di architettura dei dati, governance e formazione.
Come la implementiamo
Progettiamo implementazioni di self-service analytics che uniscono l’autonomia di cui hanno bisogno i team di business alla governance che garantisce l’affidabilità dei dati. Il processo comprende la progettazione dello strato semantico, la configurazione di permessi e ruoli, la formazione degli utenti e la definizione del processo di convalida dei contenuti pubblicati.
Domande frequenti
La self-service analytics rende superfluo il team dati? No, ne cambia il ruolo. Invece di produrre report su richiesta, il team dati si concentra sulla manutenzione della piattaforma, sulla qualità dei dati, sulla costruzione e manutenzione dello strato semantico e sul supporto agli utenti avanzati. È un cambio di modello che in realtà accresce l’impatto del team dati, perché ne moltiplica la portata.
Come si evita che gli utenti pubblichino report con numeri errati? Con un modello chiaro di governance dei contenuti: i report certificati (creati o convalidati dal team dati) si distinguono visivamente da quelli personali o di team. Gli utenti possono esplorare e creare contenuti per uso proprio, ma solo quelli convalidati sono considerati ufficiali. Le metriche di business critiche sono definite nello strato semantico e gli utenti non possono ridefinirle liberamente.
Quale formazione serve agli utenti di business per la self-service analytics? Con un buon strato semantico e uno strumento adeguato, anche utenti senza formazione tecnica apprendono le basi dell’esplorazione in una sessione di 2-4 ore. La formazione più importante non è tecnica ma analitica: come formulare buone domande ai dati, come interpretare correttamente una visualizzazione e come riconoscere quando un numero può essere fuorviante senza ulteriore contesto.