BI-Lösung für die Analyse der Fallstudienabdeckung
Itransition erstellte Fallstudien- und Kompetenzbewertungssysteme zusammen mit intuitiven Dashboards für die faktenbasierte Analyse der Kompetenzabdeckung und die Entdeckung von Verbesserungspunkten. Dies führte zu einem Anstieg der Leads um 19 % und 31 % mehr Leads wurden zu Opportunities.
Kontext
Itransition ist ein globales Unternehmen mit mehr als 3.000 Mitarbeitern und mehr als 1.500 abgeschlossenen Projekten in Dutzenden von Branchen für mehr als 800 Kunden in mehr als 40 Ländern. Das Unternehmen verfügt über Fachwissen in vielen Themenbereichen und entwickelt eine Vielzahl komplexer Lösungen unter Verwendung verschiedener Technologien.
Als multisektorales Dienstleistungsunternehmen stützt sich Itransition auf Fallstudien, um seine Erfahrung für bestehende und neue Kunden zu belegen. Bei Tausenden von Projekten ist es eine Herausforderung zu verstehen, welcher Bereich durch Fallstudien unterstützt wird und welcher mehr Arbeit benötigt.
Wir haben ein Projektkartensystem entwickelt, um mehrere Projekte zu verfolgen, wobei jedes neue Projekt eine eigene Projektkarte in Jira des Unternehmens erhält. Die Marketingabteilung von Itransition wertet diese Projektkarten aus, um die Erstellung von Fallstudien zu planen und die gefragtesten Branchen, Technologien und Lösungen abzudecken. Um die Abdeckung der Fallstudien zu bewerten, stützt sich das Marketing auch auf Google Analytics, Umfragen in sozialen Netzwerken und Meetings mit der Produktionsabteilung und den Fachexperten der Kompetenzzentren (SMEs). Außerdem analysiert das Marketing ständig, wie und von wem die Fallstudien genutzt werden, welche vielversprechenden Projekte sich abzeichnen, welche beliebten Technologien aufgedeckt werden und welche Fallstudien aktualisiert oder archiviert werden müssen.
Im Laufe der Zeit wuchs die Zahl der bestehenden und neuen Projekte sowie der aufkommenden Technologien, die durch Fallstudien aufgedeckt wurden. Der menschliche Faktor hinderte auch die Marketingabteilung daran, sich ein klares Bild von der Reichweite der Fallstudien zu machen. Wir beschlossen, die Analyse von Fallstudien zu automatisieren und zu optimieren, indem wir datengesteuerte, dynamische Dashboards mit Berichtsfunktionen verwenden, die über die Grundfunktionen hinausgehen.
In diesem Fall arbeitete Itransition mit unserem BI-Kompetenzzentrum zusammen, das eine Reihe von Projekten durchgeführt hat, darunter die Migration eines BI-Systems für die Automobilindustrie in die Cloud, die Entwicklung intelligenter datengesteuerter Werbekampagnen, den Aufbau skalierbarer BI-Portale und die Erstellung analytischer Berichte zur Visualisierung heterogener Daten.
Lösung
Das BI-Team von Transition hat eine Lösung entwickelt, die aus einem Scoring-System für Fallstudien, einem Scoring-System für Fachwissen und dynamischen Dashboards für Benutzer und Administratoren besteht. Benutzer sind unser CTO, Abteilungsleiter und Kompetenzzentren, und der Administrator ist der Marketingleiter.
Bewertungssystem für Fallstudien
Fälle werden anhand der folgenden Kriterien bewertet:
- Vorhandensein des Kundennamens
- Datum der Veröffentlichung
- Vorhandensein eines Referenzschreibens
Die Formel für die Fallstudie lautet: Fallstudienpunktzahl = 60% x NDA-Punktzahl + 30% x Versionsdatum-Punktzahl + 10% x Referenzpunktzahl.
Das BI-Team hat diese Formel abgeleitet, indem es die Erfolgskriterien der Fallstudien unterschiedlich gewichtet hat. Da das Vorhandensein von Kundennamen wichtig ist, damit wir unser Fachwissen weitergeben können, ohne an NDAs gebunden zu sein, hat die NDA-Punktzahl ein Gewicht von 60% in der Fallstudienbewertung.
Das Veröffentlichungsdatum wurde mit 30% gewichtet, da Fallstudien, die auf dem aktuellen Stand des Marktes, der Technologien und der IT-Trends sind, mehr Wert haben als veraltete. Deshalb achten wir bei der Berechnung der Fallstudienbewertung darauf, wie aktuell die Fallstudie ist.
Schließlich werden Fälle, die durch Referenzen belegt sind, höher bewertet und mit 10% zusätzlich gewichtet, da Referenzen ein Beweis für unsere Expertise und die guten zwischenmenschlichen Beziehungen sind, die wir während der Projekte aufgebaut haben. Daher erhalten die neuesten Fälle, in denen der Kunde vorkommt und die von Referenzschreiben begleitet werden, die höchste Punktzahl.
Bewertungssystem für Fachwissen
Da es sich bei der Branche um einen eher allgemeinen Faktor handelt, wird für sie eine höhere Anforderung an die Anzahl der Fallstudien gestellt. Die Branchenbewertung wird als Durchschnitt der zehn besten Fallstudien berechnet:
Branchenbewertung = Durchschnitt(Top 10 Fallstudienbewertung)
Technologien und Lösungen sind spezifischere Aspekte und haben weniger strenge Anforderungen an die Anzahl der Fallstudien. Die Punktzahlen für Technologien und Lösungen werden als Durchschnitt der Punktzahlen der fünf besten Fallstudien berechnet:
Technologie-Punktzahl = Durchschnitt (Punktzahl der 5 besten Fallstudien) Lösungs-Punktzahl = Durchschnitt (Punktzahl der 5 besten Fallstudien)
Dynamische Dashboards
Die Dashboards zeigen den aktuellen Stand des Fachwissens des Unternehmens anhand von Fallstudien und erleichtern so eine datengestützte Entscheidungsfindung.
Benutzer-Dashboards
Das Dashboard besteht aus drei Registerkarten: Kompetenzabdeckung, Fallanalyse und einem FAQ-Bereich, in dem erklärt wird, wie das Dashboard zu verwenden ist.
Die Expertenabdeckung nach Branche, Technologie und Lösung vermittelt den Benutzern ein vollständiges Bild der Projekt- und Fallabdeckung, wobei Kategorien mit guter und schlechter Abdeckung sowie die Anzahl der Fälle in jeder Kategorie angegeben werden. Die Registerkarte enthält:
- Suche nach einer bestimmten Kategorie, Sortierung der Fachgebiete in einer bestimmten Reihenfolge, Querfilterung und eine Liste der besten Fälle
- Details zu vorhandenem Fachwissen, Empfehlungen für Abteilungsleiter, die für das Fachwissen verantwortlich sind, eine Projektliste in Jira und eine Fallliste in der Bibliothek für Marketingmaterialien sowie ein historisches Diagramm der Branchenbewertung
- Navigations-Tooltips
Das Dashboard hebt grüne Bereiche hervor, in denen die Expertise von Itransition durch Projekte und Fälle umfassend abgedeckt ist. Für gelbe und rote Bereiche müssen die Verantwortlichen neue Fälle erstellen und bestehende aktualisieren, um relevante Erfahrungen nachzuweisen.
Benutzer können die Reihenfolge der Fälle in den Tabellen Branche, Technologien und Lösungen nach Projektanzahl, Fallanzahl und Fallbewertung sortieren. Eine weitere Option ist die Anzeige in alphabetischer Reihenfolge.
Um die Suche zu vereinfachen, haben die BI-Entwickler eine Funktion zur Querfilterung geschaffen. Wenn Sie eine bestimmte Technologie auswählen, werden nur Fälle angezeigt, die sich auf Branchen und Lösungen beziehen, die diese Technologie nutzen. Wenn Sie zum Beispiel in der Spalte Technologie auf Azure tippen, enthalten die Branchen auf der rechten Seite und die Lösungen auf der linken Seite nur Azure-Fälle.
Zusätzlich entwickelte Funktionen sind:
- Pop-ups, die die 10 besten Fälle mit Titel und Bewertung anzeigen
- Ähnliche Pop-ups für Technologien und Lösungen mit den Top 5 Fällen
- Informationssymbole mit Tooltips, die die Verwendung verschiedener Funktionen erklären
- Branchen-, Technologie- oder Lösungsdetails mit relevanten Empfehlungen zur Aktualisierung bestehender Fälle, zur Erstellung von Fällen mit Markennamen und zum Erhalt weiterer Referenzen von Kunden
- Schneller Zugriff auf Fälle in der Bibliothek für Marketingmaterialien und Projektkartenlisten in Jira
- Tooltips in den Tabellen mit detaillierten Informationen über die Fallbewertung
Zur Bequemlichkeit der Benutzer haben die Entwickler eine Schnellzugriffsfunktion hinzugefügt, die sofort eine ausgewählte Branchenliste von Fällen und Projektkarten in der Bibliothek für Marketingmaterialien und in Jira öffnet.
Fälle
Die Registerkarte "Fallanalyse" enthält Metriken wie Fallbewertungen, Fall-URLs und Details. Außerdem können die Benutzer auf den Fallordner in der Bibliothek für Marketingmaterialien zugreifen und die Falldetails vergrößern. Die Fallanalyse enthält Details nach Veröffentlichungsdatum, Referenz und NDA sowie Filter und URLs von Fällen in der Bibliothek der Marketingmaterialien.
Details
Das Detailfenster der Fallanalyse zeigt die Fallbewertungswerte für ausgewählte Fälle aus der Tabelle an.
Filter
Benutzer können die Liste der Fälle filtern, indem sie einen Wert in der Leiste auf der Grundlage des Vorhandenseins von Referenzen und NDAs auswählen oder nach einer bestimmten Branche, Lösung oder Technologie suchen.
URL
Auf der Fallanalyseseite enthält die Tabelle eine URL-Spalte mit einem Link zu einem Ordner in der Bibliothek der Marketingmaterialien für den schnellen Zugriff auf die Fallstudie.
Tooltips
Tooltips, die an Tabellen mit detaillierten Informationen über die Fallbewertung angehängt sind, zeigen die Top-Fälle in einer bestimmten Branche, Technologie oder Lösung an.
Projektkartenlisten, die über das Board verfügbar sind, ermöglichen es uns zu sehen, welche laufenden Projekte wir nutzen können, um ein bestimmtes Fachgebiet vollständig abzudecken. Dies hilft auch bei der Analyse unserer Kapazitäten für die Fallerstellung.
Verfahren
Auf der Grundlage des Inputs der Prozess-KMUs haben wir ein Spezifikationsdokument erstellt, das den Geschäftsprozess beschreibt. Der Prozessverantwortliche überprüft es und bestätigt die Richtigkeit und Vollständigkeit der Schritte, den Kontext, die Auswirkungen und einen vollständigen Satz von Prozessausnahmen. Wir haben auch einen Kanal für die Meldung, Sortierung und Behebung von Fehlern eingerichtet. Bei der Datenbereinigung haben wir uns auf die Unterstützung der Marketingabteilung verlassen.
Wir folgten einem klassischen Scrum-Workflow mit Sprint-Planungssitzungen, in denen wir Sprint-Ziele und -Termine besprachen, täglichen Scrums, um die Aufgaben für den Tag zu planen, und Sprint-Reviews, um die Ergebnisse und Erfolge zu besprechen. Nach jedem Sprint führten wir dem Kunden Präsentationen der fertigen Iterationen vor und hielten retrospektive Sitzungen ab.
Nach dem Kick-off und der Teamvorstellung skizzierte der BI-Entwickler Mockups der zukünftigen Lösung mit verschiedenen Designoptionen und erstellte einen PoC mit den genehmigten Funktionen.
Da die heterogenen Daten aus verschiedenen Quellen stammten und manuell in die Bibliothek der Marketingmaterialien eingegeben wurden, mussten wir sicherstellen, dass menschliche Fehler unsere Ergebnisse nicht verfälschen. Die Bibliothek wurde auf Unstimmigkeiten bei den Metadaten untersucht, die sofort behoben wurden.
Das Team befragte auch Fokusgruppen mit unterschiedlichen Funktionsgeschichten. Wir wählten die Fokusgruppen auf der Grundlage ihrer Rollen im Unternehmen aus: Abteilungsleiter und Kompetenzzentren, der Leiter des Vertriebs und unseres Account-Management-Programms sowie unser CTO. Die Leiter der Abteilungen und Zentren wurden ausgewählt, weil sie uns Einblick in die Daten geben konnten, die sie benötigten, um die Situation in ihren Abteilungen und Zentren zu beurteilen und sicherzustellen, dass alle richtigen Bereiche durch Cases abgedeckt wurden. Sie berichteten auch, wie sie die Erstellung relevanter Fallstudien fördern können. Der CTO, der für das Projektkartensystem verantwortlich ist, half uns bei der effektiven Umsetzung dieser Funktion und beriet uns bei der Realisierung der Abdeckung von Fachwissen.
Nach den Interviews mit den Fokusgruppen sammelten wir die gewonnenen Informationen und analysierten die vorgeschlagenen Ideen, fassten sie zusammen und kategorisierten sie. Wir planten Funktionen für die dringende Implementierung in die Produktion und dokumentierten die für eine spätere Implementierung geplanten Funktionen. Infolgedessen änderten sich unsere Projektanforderungen und die Priorisierung. Dank der geführten Interviews fügten wir viele wesentliche Funktionen hinzu, darunter die Integration von Projektkarten und die niedrigere Bewertung älterer Fallstudien.
Wir führten auch ein UAT durch, analysierten und kategorisierten das Feedback aus allen Abteilungen, werteten die Ergebnisse aus, bewerteten die Benutzerwünsche und planten die Entwicklung der beliebtesten Funktionen, um ein Produkt zu liefern, das alle Parteien zufriedenstellt.
Das BI-Team hat zusammen mit dem Marketing und den KMUs die Lösungen für die Benutzer- und Admin-Dashboards fertiggestellt. Um die optimalen Gewichte zu berechnen, haben wir PoC erstellt, bei denen Slicer verwendet werden, um das Gewicht der Variablenformel zu ändern. Dann fügten wir einen Parameter hinzu, der die Aufrufe von Fällen durch alle außer der Marketingabteilung in den letzten drei Monaten berücksichtigt, und wiesen ihm ein Gewicht von 5 % zu. Um die Formel auszugleichen, haben wir einen Slicer erstellt, der festlegt, wie viele der am besten bewerteten Fälle in die Branche aufgenommen werden. Nach der Genehmigung haben wir die Formel für die Fallberechnung zusammen mit der BA fertiggestellt.
Wenn wir Schwierigkeiten mit der Entwicklung einer bestimmten Funktion hatten, hielten wir Ad-hoc-Sitzungen ab, um einen Kompromiss zu finden. So mussten wir beispielsweise über die Bewertung von Fällen in branchen nachdenken, in denen die Zahl der Fälle unter 10 lag. Wir diskutierten die folgenden Szenarien für die Bewertung solcher Fälle: Senkung der Gesamtpunktzahl, und wenn ja, um wie viel, wobei die fehlenden Fälle für 0 genommen werden; oder Senkung der Punktzahl um einen festen Betrag. Wir entschieden uns für folgende Regeln: für Branchen - die 10 besten Fälle; für Technologien und Lösungen - jeweils die 5 besten Fälle; Nullwerte für die Benutzeransicht werden entfernt und bei den Berechnungen ignoriert.
Da sich die Ziele und die gewünschten Funktionen im Laufe des Projekts änderten, mussten wir einen Prozess für die Bearbeitung von Änderungswünschen und die Implementierung neuer Funktionen einrichten, z. B. das Hinzufügen des Informationsfelds, neuer Schaltflächen und Berechnungen, Projektkartenlinks usw. Das BI-Team analysierte jede neue Funktion auf ihre technische Machbarkeit. Wenn sie die technische Überprüfung, die Zustimmung des KMU und des Prozessverantwortlichen sowie die Genehmigung der Anforderungen bestanden hatte, planten die Entwickler die Implementierung und lieferten sie an die Produktion.
Technologien
Microsoft Azure
Die Entwickler von BI haben sich für Microsoft Azure entschieden, um das Data Warehouse für die Lösung und Azure SQL für die Datenbank zu entwickeln, wobei das Schneeflockenschema verwendet wird, um Tabellen in einer multidimensionalen Datenbank anzuordnen.
Für das Datenmodell entschieden wir uns für die Kimball-Methodik oder den Business Dimensional Lifestyle-Ansatz. Das Team entschied sich dafür, um die folgenden Vorteile zu erhalten:
- Geschwindigkeit der Entwicklung
- Vereinfachte Abfrage und Analyse
- Platzsparende Datenbank, die die Systemverwaltung vereinfacht
- Schneller Datenabruf aus dem Data Warehouse
- Ein kleines Team, das für die Verwaltung des Data Warehouse ausreicht
- Unkomplizierte und leicht zu kontrollierende Abfrageoptimierung
- Bessere Datenqualität und zuverlässigere Erkenntnisse
- Möglichkeit, mehrere Sternschemata zu erstellen, um unterschiedliche Berichtsanforderungen zu erfüllen
Der Datenfluss sieht folgendermaßen aus: CSV-Dateien werden mit einem ETL-Tool aus den primären Datenquellen (Marketingmaterialbibliothek, Google Analytics usw.) extrahiert. Die Daten werden dann ausgewertet, in Azure Blob geladen, mit Azure Data Factory (ADF) transformiert und im DWH gespeichert.
Wir luden die Daten in ein denormalisiertes dimensionales Data-Warehouse-Modell und unterteilten die Daten in die Faktentabelle, die aus numerischen Transaktionsdaten besteht, und die Dimensionstabelle, die aus den Referenzinformationen besteht, die Fakten unterstützen.
Wir haben uns für das Star-Schema entschieden, das eine Faktentabelle mit mehreren Dimensionstabellen kombiniert und einen Bottom-up-Ansatz für das Design der Data-Warehouse-Architektur verwendet, wobei Data Marts je nach Geschäftsanforderungen gebildet werden. Wir haben uns für dieses Schema entschieden, weil es einfach zu verstehen und zu implementieren ist und es den Benutzern ermöglicht, die benötigten Daten leicht zu finden.
Um Daten in unseren Data-Warehouse-Lebenszyklus zu integrieren, haben wir konforme Datendimensionen auf zwei Arten verwendet:
- als grundlegende Dimensionstabelle, die von verschiedenen Faktentabellen (z. B. Kunde und Produkt) innerhalb eines Data Warehouse gemeinsam genutzt wird
- als gleiche Dimensionstabellen in verschiedenen Kimball Data Marts
Auf diese Weise haben wir sichergestellt, dass ein einzelnes Datenelement in allen Fakten auf ähnliche Weise verwendet wird.
Die nachstehende Tabelle enthält Einzelheiten zu den Funktionen, der Projektnutzung und den Ergebnissen der Microsoft Azure-Technologien, die das BI-Team verwendet hat:
|
Dienstleistung |
Merkmale |
Projektnutzung |
Ergebnisse |
|---|---|---|---|
|
Azure Data Factory |
Vollständig verwalteter serverloser ETL-Dienst Flexibel und skalierbar Leicht zu erfüllende Leistungsanforderungen |
Ermöglichte es uns, auf die Nutzung von Servern zu verzichten und einen Pay-as-you-use-Plan zu abonnieren |
Serverlose ETL-Lösung mit automatischer Skalierung und zahlreichen Funktionen |
|
Azure SQL Server |
Vollständig verwaltete Datenbank Automatische Updates, Bereitstellung und Backups Flexibel und reaktionsschnell Speicher, der sich schnell an neue Anforderungen anpasst Intelligente Bedrohungserkennung |
Gemeinsames Data Warehouse für alle BI-Systeme, das auch von anderen Itransition-Teams genutzt wird Keine Belastung für das Haupt-OLTP-System Vollständige Entkopplung der OLTP- und OLAP-Verarbeitung |
Hohe Verfügbarkeit Spitzenleistung und Haltbarkeit |
Power BI
Das Team entschied sich für Power BI als Business-Intelligence- und Datenvisualisierungstool zur Erstellung dynamischer, benutzerdefinierter Dashboards unter Verwendung einer Vielzahl unterschiedlicher Datenquellen. Wir haben uns für diese Suite entschieden, weil sie unzusammenhängende Datenquellen in konsistente, zuverlässige, leicht verdauliche und interaktive Einblicke für intelligente Entscheidungen verwandelt.
Power BI hat gegenüber anderen Lösungen auf dem Markt folgende Vorteile:
- Großer Datenspeicher
- E-Mail-Warnungen für die Verfolgung von Kennzahlen
- Zentrale Ansicht der KPIs
- Intuitive Visualisierungen auf einen Blick
- Cloud-basierte Funktionen für Zusammenarbeit und gemeinsame Nutzung
- Mobile Apps für Einblicke von unterwegs
- Einfache Datenfilterung
- Grafiken auf höchstem Niveau
Unsere BI-Entwickler schrieben ein Skript, um unseren Monatsbericht aus Power BI herunterzuladen, ihn in ein PDF-Dokument zu konvertieren und in die Bibliothek für Marketingmaterialien hochzuladen. Dadurch konnten wir die Lizenzkosten für Power BI Premium für Dutzende von Berichtsnutzern senken.
Zusätzlich zu Power BI richteten wir Sicherheit auf Zeilenebene ein und schränkten den Zugriff auf Datenzeilen je nach Benutzerrolle oder Ausführungskontext ein. Dadurch konnten wir das Design und die Sicherheitskodierung vereinfachen.
Wir verwendeten auch benutzerdefinierte Power Automate aus dem Konstruktor der Power BI-Tools, um automatisierte Prozesse mithilfe von Low-Code und Drag-and-Drop-Funktionen zu erstellen. Berechnungen wurden durch die Übersetzung von mathematischen Formeln in die Power BI DAX-Sprache geschrieben.
Die BI-Entwickler richteten auch die Zustellung von Nachrichten und Benachrichtigungen über E-Mail-Abonnements für Berichte und Dashboards in Power BI ein.
Herausforderungen
Bei der Entwicklung des Tooltips für die Top-10- und Top-5-Fälle sind wir auf technische Probleme gestoßen. DAX verfügt über eine Funktion, die es dem Benutzer ermöglicht, die Top 10 zu sehen, aber bei Fällen mit gleicher Punktzahl kann das Ergebnis eine höhere Zahl als 10 sein. Wenn es also vier gleich bewertete Fälle gibt, zeigt DAX 14 Fälle an, nicht 10. Daher mussten wir die Fallstudien mit gleicher Punktzahl priorisieren, um die Zahl auf 10 zu reduzieren. Wir entschieden uns, die neuesten Fälle zu priorisieren, indem wir Fall-IDs verwendeten, die nach dem Erstellungsdatum vergeben wurden, um festzustellen, wie neu sie sind.
Eine weitere technische Herausforderung war die Cross-Filtering-Funktion, die es den Benutzern ermöglicht, einen Filter in einer Tabelle zu verwenden und andere Tabellen automatisch filtern zu lassen. Die Funktion funktionierte nicht korrekt, so dass notwendige Fälle gelöscht oder irrelevante Fälle hinzugefügt wurden. Die Entwickler lösten das Problem auf DAX-Ebene, indem sie eine mehrzeilige Maßnahme verwendeten, die mehrere Stufen von Prüfungen und Vergleichen umfasste, d. h. mehrere Verwendungen der IF-Funktion.
Ergebnisse
Die Implementierung der BI-Lösung führte zu folgenden Ergebnissen:
- Faktenbasiertes Verständnis der Kompetenzabdeckung und Ermittlung von Verbesserungspunkten
- 19% mehr Leads dank datengesteuerter Erstellung von Verkaufsfallstudien
- 31% Steigerung der Umwandlung von Leads in Opportunities
