pt

Como escolher o design ideal da solução de BI para a sua empresa

março 23, 2016

BI tradicional ou inovação moderna? Saiba como determinar a combinação certa para a sua empresa.
Um dos passos mais importantes para o sucesso da implementação de business intelligence é escolher o tipo de solução de BI que melhor se adapta à sua empresa. Considerando que uma solução tradicional constrói o BI no topo do data warehouse, as estratégias de BI e analytics atuais precisam, não somente da opção do BI no centro do data warehouse, mas também uma que permita a abordagem de autosserviço. Uma solução robusta oferecerá as duas opções.

Assim como o business intelligence não é uma solução única para todos que o utilizam, o design da solução também não é. Por esse motivo é essencial entender a diferença entre cada uma das opções e como determinar qual delas é a melhor para a sua empresa.

Qual é a abordagem tradicional de BI? 

Nas estratégias tradicionais de business intelligence, os dados de diversos sistemas – CRM, ERP e outras fontes de dados são carregados em um data warehouse. Dentro deste pode haver centenas, se não milhares de tabelas de dados. Dados de marketing, informações de clientes, números de vendas, dados financeiros, entre outros também são armazenados nele.

A partir daí, os desenvolvedores de BI escolhem quais medidas e dimensões são as mais úteis para as análises e consolidam-nas em cubos (OLAP - pre-defined online analytical processing). Em seguida, a plataforma de business intelligence extrai os dados destes cubos para criar relatórios e análises com base nas métricas da empresa. 

Também é possível conectar a solução de business intelligence diretamente às fontes de dados. Este tipo de base de dados relacional faz o cálculo de medidas e dimensões em tempo real, ao invés de utilizar valores pré-agregados dos cubos. 

Benefícios da abordagem tradicional

Os data warehouses são repositórios robustos que garantem que exista apenas uma versão da verdade a ser analisada e compartilhada em toda a empresa. Um data warehouse mantém a alta qualidade e consistência dos dados, conforme a reestruturação dos dados para o excelente desempenho das consultas realizadas nos cubos.

O data warehouse garante que as informações sejam disponibilizadas de maneira consistente, independentemente de sua origem, a partir de um modelo de dados único.

Desvantagens do BI tradicional

Enquanto a instalação de um data warehouse é extremamente importante, ela também é muito complicada. A fim de manter a qualidade, todos os dados novos precisam ser testados e verificados antes da migração para um data warehouse. Este é o território dos designers de informação especializados e altamente técnicos. Alterar ou ajustar qualquer coisa dentro do data warehouse não é como abrir o capô de um carro e mexer nas peças. Você não pode fazer isso sem ser um especialista. E se você fizer, pode criar problemas significativos.

Isto dificulta a experimentação. A prototipação de dados normalmente possui baixa prioridade em relação a problemas ou discrepâncias de dados, dessa forma, do ponto de vista prático, projetos experimentais frequentemente acabam enfileirados na fila do data warehouse do TI. Obviamente, isto não é útil na hora da tomada de decisões.

A solução

Uma ferramenta de autosserviço de analytics como o módulo de Descoberta de Dados atualizado do TARGIT é um complemento à plataforma de business intelligence tradicional,  e combina os benefícios do armazenamento seguro dos dados com a moderna flexibilidade e experimentação que os usuários querem e precisam. Esta ferramenta permite que os usuários extraiam e combinem dados externos juntamente com os dados internos do data warehouse em um único relatório ou análise. Com este tipo de ferramenta, o sandbox analytics e a prototipação de dados podem ser realizados exteriormente ao data warehouse e, se for válido, podem ser adicionados ao data warehouse e a modelos de dados pré-definidos posteriormente pelo departamento de TI.

Quando você deve escolher o data warehouse como o design da sua solução de BI?

Este é um passo importante para as organizações – especialmente grandes empresas – que possuem diversos sistemas ERP dos quais precisam puxar dados. Estas empresas necessitam de tempo e recursos para o gerenciamento de um data warehouse, porém, podem tirar proveito da qualidade dos dados em todos os momentos. 

O que é uma abordagem de autosserviço de BI?

A principal diferença entre o BI tradicional e o moderno é que os usuários podem obter dados externos por si mesmos e realizar análises sem tanta ajuda do departamento de TI. Este é o BI de autosserviço.

A fim de organizar os dados externos, uma plataforma de BI moderna é desenvolvida com estrutura diferenciada. Ao contrário do data warehouse que armazena os dados em discos físicos ou virtuais, muitas empresas optam hoje por uma base de dados in-memory que se baseia principalmente na memória (RAM) para o armazenamento de dados. Ler e registrar a partir da memória é significativamente mais rápido do que ler e registrar a partir de discos, de modo que as consultas em execução em uma base de dados in-memory - mesmo de dados grandes ou externos- serão mais rápidas.

De maneira semelhante ao modelo de data warehouse, as bases de dados in-memory armazenam dados de sistemas diferentes, como o ERP e CRM. A diferença, porém, é que no in-memory também é possível extrair informações diretamente das fontes de dados a partir de frameworks de código aberto e data lakes.

Benefícios do BI de autosserviço

Essa abordagem de BI proporciona informações mais rápidas e flexibilidade. O ritmo do processo de trabalho aumenta significativamente conforme os usuários podem realizar o carregamento dos dados sob demanda e juntá-los a fontes de dados existentes. A maioria das ferramentas de autosserviço geralmente são mais simples do que a configuração do data warehouse. Não é preciso treinamento extensivo para adquirir as habilidades necessárias para trabalhar diretamente no sistema

Mais importante, os sistemas de autosserviço permitem uma aproximação da experimentação em tempo real com os dados exteriores ao data warehouse. Isto envolve desde planilhas em Excel existentes em seu computador até repositórios de big data, tais como Hadoop.

Isto é incrivelmente útil não somente para usuários individuais, como também para os departamentos que desejam construir modelos próprios. 

Desvantagens do autosserviço

Em um modelo de autosserviço de BI, erros por parte dos usuários podem acontecer mais facilmente. Sem um método criterioso e documentado de aquisição e manutenção adequada da qualidade dos dados, um sistema de autosserviço/in-memory pode tornar-se caótico rapidamente. Divergências de dados geradas a partir de exclusões e inconsistências podem deturpar as análises. É por este motivo que as ferramentas de autosserviço pecam no quesito validação de dados. Para resolver este problema, é necessário eliminar o aspecto de "autosserviço" deste modelo. 

Dessa maneira, o autosserviço é significantemente mais ágil, porém mais frágil. Empresas de pequeno e médio porte, em particular, são frequentemente intimidadas por uma opção de autosserviço, devido a preocuparem-se em cumprir os protocolos necessários e as melhores práticas.

A solução

Um modelo de circuito fechado soluciona os problemas de um ambiente desorganizado e garante a governança de uma maneira que o modelo in-memory não faz. O circuito fechado de BI alimenta informações de volta para si mesmas, o que permite que os usuários possam verificar se existem inconsistências de dados. 

closed loop BI

O sandbox analytics permite aos usuários realizar a prototipação de novos dados com segurança e sem a ajuda do departamento de TI. Esses dados são disponibilizados aos usuários para teste e verificação de inconsistências, ou enviados à produção. A partir daí, mais sandboxing é realizado e o ciclo de experimentação e descoberta de dados inicia-se novamente. Este sistema de circuito fechado permite a verificação dos dados antes que estes sejam enviados à produção sem acompanhamento técnico. A garantia de qualidade aumenta e os usuários adquirem maior propriedade sobre seus dados.

Além disso, a maioria dos problemas de divergência de dados pode ser resolvida de maneira simples, por assim dizer. Correções rápidas com o Excel podem ser realizadas diretamente e utilizadas para solucionar estas divergências, até que a melhor maneira de realizar o envio dos dados para o sistema fonte seja desenvolvida e/ou corrigida. Devido ao rápido carregamento dos dados, os usuários são incentivados a resolver os problemas rapidamente. Em comparação, qualquer tipo de mudança dentro do data warehouse é tediosa e significativamente demorada.

Quando escolher o modelo de autosserviço de BI?

Empresas que procuram por uma abordagem flexível, simples e moderna de business intelligence e que queiram usufruir dos benefícios do BI imediatamente, sem a necessidade de possuir um data warehouse em utilização.

O melhor de dois mundos: BI bimodal

A importância e poder da abordagem do BI de autosserviço é óbvia. Contudo, não é recomendável que as empresas que já utilizem um data warehouse se desfaçam deste e partam direto para o sistema in-memory. Em vez disso, sugiro a realização de uma correção que realmente apresenta o melhor destes dois mundos: um ambiente de BI bimodal.

Caso a sua empresa já utilize um data warehouse, a adoção de uma estratégia de BI bimodal irá solucionar as divergências entre os dois designs da solução. A integridade dos dados será mantida e a agilidade do sistema in-memory entrará em ação. O bimodal também permite certa autossuficiência do sistema de data warehouse que normalmente envolve a interação do TI.

Uma estratégia de BI bimodal deve facilitar não somente o funcionamento do negócio tradicional—o data warehouse clássico—mas também a descoberta e a inovação. Para isso, uma ferramenta como o módulo de Descoberta de Dados do TARGIT  se faz necessária na plataforma de business intelligence tradicional, conforme mencionado acima.

Esta ferramenta complementar possibilita extrair dados externos e combiná-los com os dados já existentes no data warehouse. Isto permite a prototipação dos dados e experimentação externa ao data warehouse, com a velocidade e flexibilidade de uma solução in-memory. Isto remove o TI do processo da nova incorporação de dados e coloca a exploração de dados externa e complexa nas mãos dos usuários diários do negócio.

Além da ferramenta de descoberta de dados do TARGIT, a Microsoft também oferece uma solução que resolve as divergências entre os sistemas que possuem soluções tradicionais e modernas com seus modelos de Analysis Services tabulares.  Esta é uma base de dados in-memory, que não necessita de processos de ETL complexos, já que os dados podem ser carregados diretamente nesta base.

Diferentemente da Descoberta de Dados do TARGIT, utilizar um modelo de tabular ainda é uma tarefa para especialistas, de modo que este não é realmente uma ferramenta de autosserviço. A vantagem, porém, é que ele permite os benefícios do BI moderno com a velocidade de execução in-memory, contudo, ainda mantém a completa integridade dos dados.

Confira as questões diárias de negócios que podem ser respondidas através da Descoberta de Dados no webinar : Vá além do Data Warehouse.


Share