Self-service analytics of dashboards?

Business analytics gaat om betere keuzes maken. Dashboarding helpt om die keuze duidelijk en transparant te houden, en om een organisatie op één lijn te brengen.

De voorbeelden hieronder pak ik steeds vanuit een marketinghoek, zodat de drie soorten dashboards concreet worden. De indeling zelf geldt net zo goed voor andere domeinen.

Drie soorten dashboards

Ik houd ervan om dashboards op grote lijnen in te delen in drie soorten:

1. Strategisch dashboard: de high-level KPI's die de strategie zíjn, uitgedrukt in cijfers.
   • Wat is onze Customer Lifetime Value : Cost of Acquisition op bedrijfsniveau?
   • Welk % van de omzet is marketing-sourced?
   • Wat is onze jaarlijkse retentie / churn?
2. Tactisch dashboard: de tactische laag bevat je veronderstelde causale drivers, de leading indicators die, als ze bewegen, later de strategische KPI zouden moeten bewegen.
   • Wat is de CAC per kanaal deze maand, en welk kanaal loopt op?
   • Hoe ontwikkelt de conversieratio per funnelstap zich (trend)?
   • Wat is de ROAS per campagne ten opzichte van target?
   • Hoe ontwikkelt het leadvolume / de pipeline zich richting doel?
   • Wat is de engagement-trend per retentiecohort?
3. Operationeel dashboard: dit gaat over de gezondheid van het proces en directe actie. Het dashboard dat je opent om te beslissen waar iemand aan moet werken.
   • Welke campagnes lopen vandaag over of onder budget (pacing)?
   • Werkt onze conversietracking nog (tags, dataLayer, datakwaliteit)?

Vooral het tactische segment kan snel groot worden, doordat je continu probeert de KPI te optimaliseren.

Waar self-service analytics binnenkomt

En precies daar komt self-service analytics binnen. Zo kun je sneller subanalyses doen en checks automatiseren die zelf suggesties aandragen.

Werk dat voorheen een data-analist of soms zelfs een data scientist kostte, kan nu direct gedaan worden door degene die de campagne beheert.

Het is een laag bovenop je bestaande dashboarding. Daarbij moet je kritisch kijken naar welke statistieken je echt wekelijks nodig hebt om bij te sturen, en welke eigenlijk niet in een statisch dashboard thuishoren.

Wat self-service analytics vergt

Self-service analytics stelt wel voorwaarden. Zo moet:

• de datakwaliteit op orde zijn;
• de data governance zeer scherp zijn;
• er een semantische laag over de data liggen: je moet hebben afgesproken wat de definities van specifieke begrippen zijn. Wat is één sale? Wat is een lead? Welke kosten horen daarbij?
• elk concept gekoppeld zijn aan de data (pre-defined SQL queries);
• onderhoud een engineeringtaak zijn. Klopt de documentatie nog met hoe we werken? Zijn er businessprocessen aangepast die niet in de semantic layer zijn verwerkt?
• er evals zijn tegen testdatasets (wat voorheen bijvoorbeeld een dashboard was).

In plaats van een data-analist die voor elke vraag een ad-hocanalyse of dashboard maakt (en impliciet het dataonderhoud doet), verschuift het werk meer naar onderhoud. En dat vergt een stevige data-governancestructuur.

Mijn visie en volgorde van stappen

1. Vastgesteld datamodel. De implementatie: governed tabellen, kolommen, transforms. Één gezaghebbende bron per concept, duplicaten gesnoeid.
2. Semantische laag erbovenop. Koppelt het concept (begrip in businesstaal) aan de definitie (de precieze afspraak) en wijst naar de implementatie uit stap 1. Hier krijgt iedereen hetzelfde getal.
3. Dashboards op strategisch / tactisch / operationeel niveau. Tevens je ijklat.
4. Self-service-laag (tooling + procedurele werkwijze) voor de long tail.
5. Herhaal: onderhoud, evals en herkomstsignalen om stap 1 t/m 4 heen.