Análise ad-hoc

blank

Este tipo de procedimento de business intelligence (BI) é usado para responder a uma consulta de negócios específica conforme a necessidade. Os usuários podem construir um novo relatório do zero ou aprofundar em um relatório estático existente para obter mais informações sobre contas, transações ou dados.

Quando qualquer coisa é construída na hora, é chamada de ad-hoc e geralmente tem um propósito específico. A análise ad-hoc é frequentemente realizada em reação a uma ocorrência específica, como uma queda repentina na produção ou perda de clientes, entre outras coisas.

Qual é o objetivo da análise ad-hoc?

Quando os usuários de negócios realizam análises ad-hoc, eles o fazem conforme a necessidade, a fim de atender às necessidades de análise de dados que não estão sendo atendidas pelos relatórios estáticos e regulares da empresa que estão sendo feitos diariamente, semanalmente, mensalmente ou anualmente. A seguir estão algumas das vantagens da inteligência de negócios de autoatendimento realizada usando ferramentas de análise ad-hoc:

A análise ad-hoc pode permitir que os usuários obtenham uma visão dos dados que ainda não foram avaliados por um relatório programado no momento da análise.

As decisões na linha de negócios podem ser tomadas mais rapidamente: a capacidade de acessar dados usando uma interface de apontar e clicar reduz a necessidade dos usuários – geralmente gerentes ou executivos – de buscar dados e análises de outro grupo dentro da organização. Quando surge uma questão de negócios, esse recurso permite tempos de reação mais rápidos, o que, por sua vez, deve permitir que os usuários respondam às preocupações e façam escolhas de negócios em menos tempo.

A diminuição da carga de trabalho de TI: Como os relatórios ad-hoc permitem que os usuários executem suas próprias consultas, a equipe de TI recebe menos solicitações para produzir relatórios, permitindo que dediquem mais tempo a outras atividades.

Apesar de a maioria dos relatórios e análises ad-hoc se destinarem a ser executados apenas uma vez, na prática, eles são frequentemente reutilizados e repetidos regularmente. Consequentemente, os processos de relatório que não são essenciais podem ser retardados durante períodos de relatórios de alto volume. A eficiência dos relatórios deve ser avaliada regularmente para verificar se ainda estão atendendo a uma função de negócios significativa.

Quando se trata de relatórios organizacionais, relatórios estáticos e análises ad-hoc têm duas funções distintas.

Vários tipos de relatórios ad-hoc e fontes de dados estão disponíveis.

A análise ad-hoc começa com ferramentas de business intelligence (BI) que estão conectadas a fontes de dados corporativos. Além disso, a TI pode criar modelos de relatório que os usuários podem usar ao produzir relatórios ad-hoc com base nos critérios de segurança que foram estabelecidos para o acesso do usuário aos dados. A saída final geralmente é um modelo estatístico, um relatório analítico ou alguma outra forma de resumo de dados, que é apresentado em gráficos, tabelas e tabulações cruzadas para ilustrar as descobertas e conclusões.

Os painéis para processamento analítico online (OLAP) são especialmente projetados para tornar a análise ad-hoc mais fácil, oferecendo acesso rápido e fácil aos dados do relatório original. Menus suspensos e ferramentas de arrastar e soltar também são elementos comuns de sistemas de relatórios ad-hoc, que permitem que até mesmo usuários de negócios inexperientes investiguem os dados.

A análise ad-hoc também pode ser usada para analisar grandes quantidades de dados de fontes externas à organização. Devido ao enorme número de dados estruturados e não estruturados, isso pode ser mais difícil do que usar fontes de dados de negócios. No entanto, os insights úteis contidos no big data podem ajudar as empresas a melhorar o atendimento ao cliente, aumentar a receita ou aumentar a eficiência.

Por exemplo, uma empresa pode fazer pesquisas ad-hoc em fontes de dados internas para determinar se um declínio nas vendas está relacionado a um atraso na produção ou a um ajuste de preço recente.

A empresa pode usar big data para determinar se um problema fora do controle da empresa foi a causa do problema. Por exemplo, uma reclamação de cliente na mídia social ou a redução de preço de um concorrente que teve influência nas vendas podem ser os culpados.