Avanzare negli analytics integrando le competenze di Excel

Quando ho occasione di lavorare con i clienti sull’analisi dei dati, l’applicazione più utilizzata in azienda è Microsoft Excel e spesso le persone che lo utilizzano manifestano l’interesse ad andare oltre le funzionalità di questo strumento.

In particolare, tre esigenze emergono di frequente:

1. i team che lavorano sull’analisi dei dati desiderano utilizzare tecniche più avanzate
2. le aziende hanno un budget limitato per adottare strumenti a volte costosi
3. le persone hanno bisogno di acquisire competenze rapidamente

È abbastanza ovvio che il modo più semplice per soddisfare questi tre requisiti e quello di sfruttare al massimo le competenze di Excel, migliorandole e affinandole.

Per il livello di analisi di cui mediamente in azienda c’è un effettivo bisogno, spesso evidenzio che tutto quello che serve è già disponibile in questo strumento, anche quando è richiesto di lavorare su tematiche un po’ più complesse come l’analisi di regressione lineare o un’analisi what-if. Per quest’ultima, ad esempio, le persone sono piacevolmente sorprese quando scoprono le possibilità che offre l’add-in Solver in Excel.

In altri casi è però chiaro che da solo non basta e sono necessari altri strumenti che possano fornire agli analisti una potenza e delle possibilità maggiori di quelle fornite da Excel. Uno di questi strumenti è PowerBI, di cui già parlato in questo post, e che ha molto da offrire soprattutto per l’analisi visuale, le dashboard e la business intelligence.

Ma quando si tratta di avanzare nelle analisi, automatizzando e velocizzandone alcune attività così da dedicare più tempo alla lettura degli insights, allora il mio suggerimento e di iniziare a introdurre e usare R.

Ci sono alcuni motivi principali per cui considero R una scelta ottimale:

• R è stato costruito per lavorare con tabelle di dati e funzioni che operano su tabelle e colonne, proprio come Excel;
• R ha uno strumento potente che è tidyverse, una libreria di funzioni con tutto il necessario per pulire, elaborare e trasformare i dati;
• La combinazione dei punti precedenti rende relativamente semplice il processo di apprendimento e di trasposizione delle conoscenze di Excel verso R;
• Non serve essere dei data scientist per approcciarlo, infatti è sufficiente imparare solo un sotto insieme del linguaggio di programmazione per essere produttivi nell’elaborazione dei dati;
• Non è necessario diventare esperti di coding, ma per chi, come me, se ne appassiona una volta che si conosce ed utilizza molti aspetti di R possono essere appresi in seguito;
• R rende scalabile quello che già si fa in Excel rafforzandone i processi e i flussi di lavoro e abilita inoltre le analisi avanzate (spingendosi anche fino al machine learning);
• Al management non interessano gli strumenti utilizzati ma solo i risultati ottenuti.

Iniziare a integrare le competenze di R a quelle di Excel può dunque aumentare la produttività nel lavoro di analisi fino ad automatizzare alcune attività per lasciare tempo alla parte più importante: trovare insight per supportare il processo decisionale e migliorare le performance del business.

Aiuto le organizzazioni a potenziare competenze e processi decisionali basati sui dati. Se siete interessati a esplorare questa opportunità e saperne di più contattatemi.

Photo credits: la foto in testata è di un libro che consiglio vivamente a chi è interessato a questi temi: Advancing into Analytics: From Excel to Python and R (O’Reilly)