BI self-service con Tableau

Il tasso di crescita mensile dei nostri dati è del 30%. Ciò ha aumentato la necessità di analisi rapide per ottenere risultati all’interno di ogni team. Il processo di ottenimento di report specifici include:

1. Comprendere i requisiti aziendali
2. Discutere le metriche con le parti interessate
3. Aggiornare i report quando viene implementata una nuova funzionalità
4. Consegna di report a intervalli pianificati

Ci siamo resi conto dei fattori chiave necessari per guidare la business intelligence self-service –

• Esplorazione e scoperta dei dati
• Automazione dei dati
• Visualizzazione dei dati

Esplorazione e scoperta dei dati

Esplorare e ricavare informazioni dai nostri dati ci aiuta a prendere decisioni rapide e informate. Ci stiamo sforzando di rendere questo processo di esplorazione dei dati facile per i nostri decisori.

Tableau ha consentito ai nostri utenti di utilizzare “Analisi investigativa”. Aiuta perché:

1. È intuitivo da usare, quindi manager e analisti possono trascinare, rilasciare campi dati in dimensioni e misure.
2. Convertite le quote in misure con il clic di un pulsante.
3. Le funzioni integrate consentono agli utenti di estrarre dati da dati semi-strutturati come i campi JSON.
4. Supporta un gran numero di funzioni / calcoli utente personalizzati.
5. È più veloce per la rotazione dei dati e la visualizzazione.
6. L’elaborazione dei dati viene gestita in Big Query, quindi gli elementi visivi vengono visualizzati più velocemente in Tableau.
7. Automazione dei dati

La nostra organizzazione dipende dagli ultimi dati generati. Le informazioni che ne derivano ci aiutano a ottimizzare e migliorare i nostri prodotti. I dati vengono recuperati utilizzando una connessione attiva o un archivio aggiornato in batch.

Sono stati esplorati i seguenti metodi per recuperare e manipolare i dati:

• Connessioni in tempo reale: le connessioni in tempo reale sono configurate per le tabelle con il maggior volume di dati. L’esecuzione delle query viene gestita in BigQuery.
• Connessioni di estrazione: le estrazioni sono fonti di dati che non richiedono connessioni in tempo reale, ad esempio Google Analytics nel nostro caso d’uso. Aggiorniamo i dati in modo incrementale o completo.
• Abbonamenti: i responsabili delle decisioni si iscrivono a visualizzazioni di dati selezionate. Questi vengono inviati su base giornaliera, settimanale o mensile. Collegamento
• Data Blending: abbiamo provato il data blending e l’abbiamo trovato piuttosto lento e non rispondente su Tableau Explorer. Forse a causa del volume di dati nel set di dati BigQuery sottostante che ha reso un compito molto pesante aggregare ed eseguire un join sinistro. Comparativamente, SQL personalizzato con join ha funzionato meglio poiché il calcolo viene eseguito su BigQuery.

Abbiamo utilizzato Tableau Desktop per creare origini dati. Tableau ha un’interfaccia utente semplice e questo ci aiuta a creare connessioni e pianificazioni con il minimo sforzo. (Leggi di più qui)

Visualizzazione dei dati

Utilizziamo la visualizzazione dei dati ogni giorno, per rivedere cose come: le polizze vendute in mesi, la quantità di Gross Written Premium nel tempo e le statistiche dettagliate sui prodotti dei partner.

Utilizziamo Tableau per creare:

Dashboard di Tableau

Configuriamo dashboard specifici per i partner. Abbiamo sfruttato Tableau presentando le informazioni sotto forma di storie, con più viste, filtri e in un’ampia gamma di layout e formati.

Visualizzazioni avanzate

Ad esempio:

1. Istogramma
2. Diagramma di Gantt
3. Grafico puntato
4. Grafico del movimento
5. Mappa ad albero
6. Boxplot
7. Mappe

Mappe

Sfruttiamo la visualizzazione delle mappe per le politiche di viaggio per aiutarci a identificare i percorsi caldi e freddi. Questo ci aiuta ulteriormente a visualizzare il rischio che si traduce in prezzi di polizza.

Linee di tendenza e analisi predittiva

Uno dei modi in cui lo usiamo è prevedere quanti dati verranno generati e calcolati per prevedere il nostro costo GCP.

Metabase fornisce i seguenti mezzi di visualizzazione dei dati. Le scelte disponibili sono poche e limitate.

Il modo migliore per mostrare la flessibilità di come le visualizzazioni possono essere presentate è visitare la Galleria pubblica di Tableau.

Tools Comparison

Abbiamo confrontato Excel, Metabase, Google Data Studio e Tableau basati su tre fattori principali precedentemente menzioaati e siamo arrivati alla conclusione che Tableau avesse senso per una varietà di nostre casistiche di utilizzo.

Conclusione

La figura sopra è una rappresentazione approssimativa di un rapporto dettagliato che ha dati sulle politiche vendute ogni giorno. Non è possibile prendere decisioni aziendali rapide basate su questo. Uno ha bisogno di un sistema potente per elaborare i dati se scaricati localmente (altamente scoraggiato). Excel ritardi o non riesce a caricare i dati quando ci sono più di 2 milioni di punti di dati. È difficile creare visualizzazioni e ricavare significato quando i dati sono presentati nel formato mostrato sopra.

Nelle occasioni che richiedono il download dei dati teniamo presente quanto segue

1. Il numero di punti dati è 10.000 per l’uso in Excel.
2. Le caratteristiche di analisi dei dati fornite da Metabase sono limitanti.
3. I dati più recenti non sono necessari per l’analisi.

Queste condizioni inserite nella figura di confronto degli strumenti sono le ragioni per cui utilizziamo Metabase ed Excel come strumenti di reporting dettagliati.

Per gli stessi dati mostrati in precedenza nel formato tabellare, abbiamo creato un dashboard dinamico ospitato in Tableau Server. Questo dashboard fornisce informazioni più significative e può essere condiviso più velocemente. [Nota – abbiamo usato dati fittizi per lo scopo rappresentativo]
Utilizziamo Tableau come strumento decisionale, non come strumento di reporting dettagliato.

Obblighi di segnalazione

Questo è il flusso di dati corrente in PasarPolis per l’analisi.

I nostri requisiti di reporting si rivolgono principalmente ai seguenti utenti –

• Product Management
• Partner Management
• Gestione delle operazioni / Gestione finanziaria (MIS Reporting)

Product Management

Il team di data science lavora con i product manager per analizzare quanto segue –

1. Studia l’interazione utente-applicazione
2. Ottimizzare le notifiche inviate
3. Analizzare il traffico del sito web e gli imbuti utente
4. Esegui la segmentazione e il targeting dei clienti
5. Test A/B – Controlla le prestazioni dei modelli di apprendimento automatico
6. Analizza i riepiloghi delle prestazioni delle applicazioni

Partner Management

Il team di partnership collabora con i nostri Partner. I requisiti di reporting per il Partner Management sono:

1. Metriche globali delle prestazioni dei partner su tutti i prodotti per analisi ad hoc
2. Metrica di crescita del prodotto su base settimanale, mensile e trimestrale
3. Email pianificate delle stesse metriche di report e dashboard

Gestione delle operazioni / Gestione finanziaria

Esaminano i processi per le assicurazioni, reclami e regolamento. Alcuni esempi dei loro obblighi di segnalazione sono –

1. Calcolare il rapporto di reclamo, premio totale
2. I calcoli sono entro un periodo di tempo – giornaliero, settimanale, mensile, annuale
3. Imbuti del processo di liquidazione dei sinistri
4. Commissioni ai nostri partner commerciali

Il nostro metodo attuale prevede questi passaggi:

1. Analisi dei requisiti con il manager
2. Analizzare la struttura di report e visualizzazione
3. Discutere le fonti di dati per il report
4. Recupero dati tramite query SQL
5. Consegnare il rapporto e confermare con il gestore

Quando c’è un aggiornamento in un prodotto, vengono ripetuti i passaggi 1, 3, 4 e 5. Ciò comporta una comunicazione avanti e indietro aggiuntiva.

Per risolvere questo problema, abbiamo creato online tabelle riassuntive in Tableau che possono essere esplorate a livelli giornalieri, settimanali e mensili. Questo ha permesso ai manager di usarli come fonti di dati. Trascinano e rilasciano i campi apt per ottenere le informazioni e le immagini di cui hanno bisogno con poca o nessuna interazione con il team di analisi, riducendo così la latenza nel processo decisionale.