Junto con la movilidad, el autoservicio es uno de los componentes principales de la nueva inteligencia empresarial. Cada vez más extendido, y cada vez también mejor valorado por los usuarios de negocio, esta forma de acceso a la información self service determina el modo de aprovechar el conocimiento empresarial hoy en día. Su potencial, no obstante, ha de aplicarse de forma controlada ya que la inteligencia de negocio, pese a todos los avances (y precisamente debido a estas innovaciones) también va aumentando en complejidad.
Créditos fotográficos: istock solarseven
Según el informe anual de Logianalytics sobre inteligencia empresarial:
La complejidad de la nueva inteligencia empresarial dificulta el autoservicio. En primer lugar, hay que reconocer que la creación de una cultura basada en datos necesita mucho más que ofrecer a los usuarios una herramienta de autoservicio de BI. En concreto, se requieren, al menos:
Además, la necesidad de más datos procedentes de fuentes diferentes, y la complejidad de obtener una visión global ha hecho que los usuarios de negocios comiencen, en algunos casos, un retroceso, volviendo a aumentar su dependencia al departamento de IT, incluso en lo relativo a sus necesidades de autoservicio (como prueba el mismo informe, cuando deja constancia de que el 43% de los usuarios reportaron haber tenido acceso a todo lo que necesitaban, una cifra que disminuye en un 8% de la alcanzada en 2014).
Por último, no hay que olvidar que el autoservicio conlleva algunos riesgos. Los relacionados con la seguridad son controlables, si se diseña correctamente la estrategia de autoservicio desde el primer momento, pero existen otros, los relacionados con la interacción usuaria, que pueden tener graves consecuencias. Para evitarlos, las empresas deben asegurarse de que cada vez que se utiliza el análisis de datos en autoservicio para impulsar la toma de decisiones de inteligencia empresarial:
1. Los usuarios no se basan en suposiciones incorrectas causadas por errores en la creación del conjunto de datos de entrada.
2. No se malinterprete la semántica de los datos.
3. No se produzcan errores en la construcción del análisis, que ofrecería resultados erróneos.
4. No haya problemas en la visualización de los resultados de la analítica, ya que éstos podrían conducir a una versión diferente o sesgada de la verdad.
Post relacionados: