Embedded Analytics vs Data Apps: Was ist eigentlich der Unterschied?
Der Begriff "Data Apps" ist jedoch immer noch sehr unscharf definiert, und es gibt viele Diskussionen und Unklarheiten darüber, was er wirklich bedeutet und wie er sich von herkömmlichem Dashboarding und Embedded Analytics unterscheidet.
Embedded Analytics oder „eingebettete Datenanalyse“ war lange Zeit eher ein Anwendungsfall. Immer mehr Unternehmen wollten Analytics in ihre Produkte einbetten, um ihren Kunden einen Mehrwert zu bieten. Embedded Analytics hat das ermöglicht.
Embedded Analytics
Die Prämisse für Embedded Analytics ist einfach. Wenn man mit den leistungsstarken BI-Tools von heute aussagekräftige Dashboards erstellen kann, warum kann man sie dann nicht einfach in Webanwendungen integrieren, damit auch die Endbenutzer:innen davon profitieren können? Die Selbstbedienungsrevolution in der BI ermöglichte es auch Nicht-Entwickler:innen, in Sachen Analytik selbständig zu werden. Dementsprechend konnte die Analytik in immer mehr Produkten Einzug halten, ohne dass komplexe technische Projekte erforderlich waren. Embedded Analytics sind seit Jahren ein schnell wachsendes Segment innerhalb des BI-Bereichs.
Doch im Laufe der Jahre entwickelten sich die Technologien weiter, die Datenmengen explodierten und die Nachfrage nach datenintensiven Anwendungen überstieg das, was mit in Webanwendungen eingebetteten Dashboards erreicht werden kann. Der Aufstieg der Data Apps.
Data Apps
Im Gegensatz zu Embedded Analytics, die in der Regel von Produkt- und BI-Teams entwickelt und bereitgestellt werden (mit ein wenig Unterstützung durch die Entwicklungsabteilung), werden Daten-Apps von Software- und Datenentwicklungsteams bereitgestellt. Dies geht Hand in Hand mit dem allgemeinen Trend, dass Datenprojekte immer mehr der Softwareentwicklung ähneln und sich immer mehr vom traditionellen BI und Data Warehousing unterscheiden.
Die Daten haben im Laufe der Jahre so stark an Umfang, Vielfalt und Komplexität zugenommen, dass wir sie nur dann erfolgreich bändigen können, wenn wir Software-Engineering-Praktiken anwenden. Dieser Trend zeigt sich auch in der explosionsartigen Entwicklung des Berufs des Data Engineering. Hier geht es um die Notwendigkeit, technische Verfahren auf datenintensive Herausforderungen anzuwenden. Dies zeigt sich auch an der Zahl der Softwareingenieure, die heute mit der Entwicklung datenzentrierter Produkte betraut sind.
Es sollte daher nicht überraschen, dass die besten Datenanwendungen, die es gibt, von Data- und Software-Engineers entwickelt werden. Diese Datenanwendungen entsprechen den gleichen Standards, an die wir uns bei Verbrauchererlebnissen gewöhnt haben: Sie sind superschnell, zuverlässig und immer verfügbar. Im Gegensatz zu der Akzeptanz von Dashboards, die 40 Sekunden zum Laden benötigen, setzt eine Data App-Erfahrung eine höhere Messlatte. Es geht nicht darum, ein Dashboard zu liefern, sondern die beste Benutzererfahrung für eine bestimmte Aufgabe zu bieten, bei der Daten eine wichtige Rolle spielen. Wie bei jeder Funktion wird auch hier das Produktdenken von Anfang bis Ende angewendet, und Daten spielen eine Rolle, die entweder sichtbar oder verborgen sein kann.
Embedded Analytics oder Data Apps: Was ist das Richtige für Sie?
Es ist wichtig zu wissen, dass Embedded Analytics immer noch ihren Platz haben und auch weiterhin haben werden. Eines ist sicher - die Nachfrage nach datenzentrierten Erfahrungen wird weiter steigen. Sowohl die Embedded Analytics, wie wir sie seit zehn Jahren kennen, als auch Data Apps werden dabei weiterhin eine Rolle spielen.
Hier sind einige Fragen, die Ihnen helfen können, herauszufinden, welchen Ansatz Sie wählen sollten:
Brauchen meine Benutzer:innen ein Dashboard-ähnliches Erlebnis oder ein individuelles Erlebnis?
Embedded Analytics stammen ursprünglich aus der Welt der Dashboards. Obwohl die meisten BI-Anbieter heute umfangreiche Funktionen und tiefgreifende Anpassungsoptionen für Entwickler:innen anbieten, sind die Funktionen von Embedded Analytics in der Regel eher auf Dashboards ausgerichtet. Wenn die Anforderungen Ihrer Benutzer:innen nicht mit herkömmlichen Diagrammen erfüllt werden können und eine individuellere Benutzererfahrung erforderlich ist, sollten Sie den Data App-Ansatz in Betracht ziehen, bei dem Software Engineers genau das erstellen können, was benötigt wird.
Wie schnell muss das Erlebnis sein?
Dashboards in BI-Tools, ob eingebettet oder nicht, neigen dazu, sich erheblich zu verlangsamen, wenn das Datenvolumen und die Anzahl der Benutzer:innen zunehmen. Mit Data Apps können Engineers Datenlösungen implementieren, die skalierbarer und leistungsfähiger sind, um eine schnelle Benutzererfahrung zu bieten.
Wie komplex ist meine Datenherausforderung?
Wenn Datenvolumen und -komplexität kein Problem darstellen, können BI- und Analyseteams recht selbstständig großartige Dashboards für eingebettete Anwendungen erstellen. Aber wenn die Datenmenge, -vielfalt und -komplexität zunimmt, sind mehr technische Fähigkeiten erforderlich, um zuverlässige Analysen zu liefern. Wenn die Datenanwendung die Bewältigung einer Reihe neuer, bisher ungelöster Daten- und Analyseprobleme erfordert, die eine einfache Implementierung übersteigen könnten, sollten Sie sich auf die Technik verlassen und den Data App-Ansatz wählen.
Wie unternehmenskritisch ist das Analyseerlebnis?
Wer von uns hat nicht schon einmal erlebt, dass Dashboards für interne BI nicht funktionieren? Selbst Unternehmen mit strengen SLAs für BI werden nur ungern zugeben, dass die Dringlichkeit von Ausfallzeiten und SLAs bei kundenorientierten Anwendungen in der Regel viel höher ist. Embedded Analytics basieren in der Regel auf BI-Tools, die in der Vergangenheit für interne BI-Anwendungen konzipiert wurden, die von Analyseteams betrieben werden, und nicht für Anwendungen, die von Software Engineers mit einer Always-Up-Mentalität betrieben werden. Wenn Ihre Datenanwendung durchgängig zuverlässig sein muss, sind technische Verfahren erforderlich, und Data Apps besser geeignet.
Wie viel Budget habe ich?
Data Apps sind sehr entwicklungsintensiv und benötigen daher in der Regel mehr Zeit, sind komplexer und aus Sicht der Gesamtbetriebskosten teurer. Mit Embedded Analytics können auch Nicht-Entwickler Dashboards erstellen, und die Einbettung in die Anwendung ist schneller und kostengünstiger zu pflegen. Während Sie also mit Data Apps definitiv schnellere, reichhaltigere und individuellere Erlebnisse erzielen können, kosten sie mehr in der Implementierung und Wartung.
Wie wichtig ist die Datenanwendung für das Wertversprechen?
Wenn die Datenanwendung nur ein "Nice-to-have" oder ein zusätzlicher Mehrwert ist, kann es sinnvoll sein, die Projektrisiken zu reduzieren und sich für einen leichteren Embedded Analytics-Ansatz zu entscheiden. Wenn die Datenanwendung jedoch eine wichtige Rolle für das Wertversprechen Ihres Produkts spielt, sollten Sie Data Apps gegenüber eingebetteten Analysen bevorzugen. Wenn Ihr Wettbewerbsvorteil und die Benutzerzufriedenheit von der Datenanwendung abhängen, lohnt es sich, Ressourcen zu investieren, um die Erfahrung so gut wie möglich zu kontrollieren und auf Verbraucherniveau zu liefern.
Fazit
Das Wichtigste ist nicht die Frage, ob Sie sich für Embedded Analytics vs Data Apps entscheiden, sondern dass Sie sich Zeit nehmen, um darüber nachzudenken, welche Rolle kundenorientierte Analysen für Ihr Unternehmen spielen können. Sie können sicher sein, dass Ihre Mitbewerber dies bereits tun, also bleiben Sie nicht zurück. Verbraucher:innen verlangen immer mehr Einblicke in die Dienstleistungen und Produkte, die sie konsumieren, und gleichzeitig ist das Sammeln, Analysieren und Bereitstellen von datenintensiven Erfahrungen zugänglicher geworden als je zuvor.
Wir sind Ihr Partner für datenbezogene Entscheidungen. Kontaktieren Sie uns gerne für ein unverbindliches Gespräch.