Существует огромное количество терминов: аналитика, data mining, анализ данных, business intelligence и разница между ними не всегда столь очевидна даже для людей, которые с этим связаны. Сегодня мы расскажем о том, что же такое Business Intelligence (BI) доступным и понятным языком. Тема безусловна огромна и её не покрыть лишь одной короткой статьей, но наша задача - помочь сделать первый шаг и заинтересовать читателя темой. Заинтересованный же читатель также найдет исчерпывающий список для дальнейших шагов.
Структура статьи
Зачем всё это нужно: из жизни аналитика
(кликабельно)Представим, нами (неким аналитиком Петровичем у поставщика Цветочек) стоит задача оценить продажи ряда магазинов (куда мы поставляем товар) и каждый магазин ведет свой учет проданных товаров. Реальность такова, что формы учета будут заполнены не пойми как и не пойми кем, то есть у них будет разная структура и разный формат хранения (некоторая форма таблиц). Схематично эта задача изображена на схеме выше.
Казалось бы задача несложная и поэтому рассмотрим лобовое решение: пусть у нас есть N таблиц и нам нужно их собрать вместе в одну таблицу, тогда напишем N скриптов, которые преобразуют эти таблицы и один сборщик, который собирает их вместе.
Минусы такого подхода:
- необходимо поддерживать N скриптов одновременно (где N в порядках тысяч);
- при изменении структуры отчетов магазинов во времени (например, в магазине появился новый сотрудник) необходимо искать и переписывать отдельные скрипты;
- при появлении нового магазина, необходимо писать новый скрипт;
- при изменении нашей отчетности (поставщика Цветочек), необходимо вносить изменения во все скрипты;
- сложная отладка и поддержка, так как магазины не уведомляют об изменении структуры и не следуют никаким спецификациям.
Если мы поднимемся на уровень целой организации, то увидим, что проблем даже больше.
В чем задача: проблема на уровне компании
(кликабельно)
Производитель Цветочек на самом деле работает не напрямую с магазинами, а через некоторых посредников. Посредники посещают магазины и непосредственно своими действиями пытаются стимулировать продажи. Соответственно, они являются материально заинтересованными лицами и информацию, которую они выдают, приходится перепроверять.
Принципиально, задача выглядит схожим образом: пусть у нас есть N магазинов и K дистрибьюторов, можем ли агрегировать данные магазинов и сравнить их с результатами дистрибьюторов? (У всех данные имеют разную структуру и формат.)
Здесь помимо таблиц, мы уже можем столкнуться с целым зоопарком форматов, к которым добавляются отчеты дистрибьюторов. Как правило задача характеризуется очень низким качеством данных, в том числе дублированием, несогласованностью и ошибками. На основе полученных результатов и сравнения данных, отдел по закупкам принимает решения о том сколько, кому и почем чего отгружать. То есть решение этой задачи непосредственно влияет на финансовые показатели компании, что безусловно важно.
Рассмотрим несколько вариантов решения на уровне компании:
- самописное решение: компании производителю будет необходимо нанять специалиста не по профилю компании и критичное ПО будет зависеть от данного специалиста. Если он уйдет, то компания будет вынуждена срочно искать замену, которая сможет поддерживать ПО и качество будет напрямую зависеть от нанятого специалиста;
- закупить ПО у третьей стороны, тут три ключевых фактора: цена, качество и время интеграции. Как правило цена и время интеграции слишком высоки для среднего производителя, и в том числе требует существенных временных затрат сотрудников. Выбор поставщика также не тривиален;
- SaaS решения: методология еще нова для рынка и многие компании скептически относятся к подобным сервисам.
В целом если мы говорим о небольшом или среднем производителе, то с точки зрения времени интеграции, цены и качества решения сервис выглядит оптимальным вариантом, так как ценообразование динамическое и интеграция минимальна через веб. Как правило плюсом корпоративного ПО является настраиваемость и касмтомизированность (каждый бизнес считает себя уникальным), но описанная задача достаточно типична и стандартна для достаточно широкого круга компаний. Безусловно, нет единого решения для всех, но для каждого в отдельности его можно найти.
Сам процесс на уровне компании выглядит схожим образом: консолидируется данные, определенным образом трансформируются (агрегируются) и загружаются в систему для анализа.
(кликабельно)
Обобщаем задачу: всё это звенья одной цепи
(кликабельно)
В чём же разница между аналитикой, data mining и business intelligence (BI)? Первые включают в себя комплекс методов для анализа уже чистых данных, а на практике очистка и преобразование данных в удобный для анализа формат - важный и неотъемлемый процесс. Так же помимо работы с преобразованием и консолидацией данных, основная задача BI - это принятие решений для бизнеса.
Бизнес-аналитика, или BI, - это общий термин, подразумевающий под собой разнообразные программные продукты и приложения, созданные для анализа первичных данных организации.
Бизнес-анализ как деятельность состоит из нескольких связанных между собой процессов:
- интеллектуальный анализ данных (data mining) ,
- аналитическую обработку в реальном времени (online analytical processing) ,
- получение информации из баз данных (querying) ,
- составление отчетов (reporting) .
Компании используют BI для принятия обоснованных решений, сокращения издержек и поиска новых перспектив для бизнеса. BI - это нечто большее, чем обычная корпоративная отчетность или некий набор инструментов для получения информации из учетных систем предприятия. IT-директора используют бизнес аналитику, чтобы выявить неэффективные бизнес-процессы, которые «созрели» для перестройки.
Используя современные инструменты бизнес-анализа, бизнесмены могут начать анализировать данные самостоятельно и не ждать, пока IT-департамент сформирует сложные и запутанные отчеты. Такая демократизация доступа к информации дает пользователям возможность подкреплять реальными цифрами свои бизнес-решения, которые в обратном случае были бы основаны на интуиции и случайностях.
Несмотря на то что системы BI достаточно перспективны, их внедрение может быть затруднено техническими и «культурными» проблемами. Менеджерам необходимо обеспечивать четкие и согласованные данные для BI приложений, чтобы пользователи могли им доверять.
Какие компании используют BI-системы?
Ресторанные сети (например, Hardee’s, Wendy’s, Ruby Tuesday и T.G.I. Friday’s) активно используют системы бизнес-аналитики. BI крайне полезен им для принятия стратегически важных решений. Какие новые продукты добавить в меню, какие блюда исключить, какие неэффективно работающие точки закрыть и т.д. Они также используют BI для таких тактических вопросов, как пересмотр договоров с поставщиками продуктов и выявление путей совершенствования неэффективных процессов. Поскольку ресторанные сети сильно ориентированы на свои внутренние бизнес-процессы и поскольку BI занимает в контроле этих процессов центральное место, помогая управлять предприятиями, рестораны, среди всех отраслей, входят в элитную группу компаний, которые получают реальную выгоду от этих систем.
Бизнес-аналитика является одним из ключевых компонентов BI. Этот компонент важен для достижения успеха компании из любой отрасли.
В секторе розничной торговли Wal-Mart широко применяет анализ данных и кластерный анализ для того, чтобы сохранять свое доминирующее положение в секторе. Harrah’s изменил основы своей политики конкурентной борьбы в игральном бизнесе, сделав упор на анализ лояльности клиентов и уровня обслуживания, вместо поддержания мега-казино. Amazon и Yahoo - это не просто крупные веб-проекты, они активно используют бизнес-аналитику и общий подход «протестируй и пойми» для налаживания своих бизнес-процессов. Capital One проводит более 30 000 экспериментов ежегодно для выявления целевой аудитории и оценки предложений по кредитным картам.
С чего или с кого должно начаться внедрение BI?
Общая вовлеченность сотрудников жизненно необходима для успеха BI-проектов, поскольку каждый, кто задействован в процессе, должен обладать полным доступом к информации, чтобы иметь возможность изменить способы и методы своей работы. BI-проекты должны начинаться с высшего руководства, а следующей группой пользователей должны быть менеджеры по продажам. Их основная обязанность - наращивать продажи, и заработная плата часто зависит от того, насколько хорошо они это делают. Поэтому они гораздо быстрее воспримут любой инструмент, способный помочь им в работе, при условии, что этот инструмент легко использовать и что они доверяют получаемой с его помощью информации.
Вы можете заказать свой пилотный проект на платформе для бизнес-анализа.
Используя BI-системы, сотрудники корректируют работу над индивидуальными и групповыми задачами, что ведет к более эффективной работе команд продавцов. Когда руководители отделов продаж видят существенную разницу показателей нескольких отделов, они стараются довести «отстающие» отделы до того уровня, на котором работают «лидирующие».
Внедрив бизнес-аналитику в отделах продаж, можно продолжать внедрение уже в других департаментах организации. Положительный опыт продавцов будет способствовать переходу на новые технологии других сотрудников.
Как внедрить BI-систему?
Перед внедрением BI-системы, компаниям следует проанализировать механизмы принятия управленческих решений и понять, какая информация необходима руководителям для более обоснованного и оперативного принятия этих решений. Также желательно проанализировать, в каком виде руководители предпочитают получать информацию (в качестве отчетов, графиков, онлайн, в бумажной форме). Уточнение данных процессов покажет, какую информацию компании необходимо получить, анализировать и консолидировать в своих BI-системах.
Качественные BI-системы должны предоставлять пользователям контекст. Недостаточно просто составлять отчеты о том, какими были продажи вчера и какими - год назад в этот же день. Система должна давать возможность понять, какие факторы привели именно к такому значению объема продаж в один день и другому - в тот же день год назад.
Подобно многим IT проектам, внедрение BI не окупится, если пользователи будут чувствовать «угрозу» или скептически относиться к этой технологии и в результате откажутся от ее использования. BI, будучи внедренной в «стратегических» целях, должна, по идее, фундаментальным образом изменить функционирование компании и процесс принятия решений, поэтому руководителям IT-департаментов необходимо с особым вниманием подходить к мнениям и реакциям пользователей.
7 этапов запуска BI-систем
- Убедитесь, что ваши данные корректны (достоверны и пригодны для анализа).
- Проведите полноценное обучение пользователей.
- Внедряйте продукт как можно более оперативно, привыкая пользоваться им уже по ходу внедрения. Не стоит тратить огромное количество времени на разработку «идеальных» отчетов, поскольку отчеты можно будет добавить по мере по мере развития системы и потребности пользователей. Составляйте отчеты, которые быстро обеспечат максимальную пользу (потребность пользователей в данных отчетах максимальна), а затем корректируйте их.
- Придерживайтесь интегративного подхода к построению хранилища данных. Убедитесь, что вы не «запираете» себя в неработающей в длительной перспективе стратегии обработки данных.
- Перед тем как начать, четко оцените ROI. Определите конкретные преимущества, которые намереваетесь получить, и затем проверяйте их соответствие действительным результатам каждый квартал или каждые полгода.
- Сфокусируйтесь на целях вашего бизнеса.
- Не покупайте программное обеспечение для аналитики, потому что вы думаете , что вам это нужно. Внедряйте BI с мыслями, что среди ваших данных существуют показатели, которые необходимо получить. При этом, важно иметь хотя бы примерное представление о том, где конкретно они могут быть.
Какие могут возникнуть проблемы?
Крупное препятствие на пути к успеху BI-систем - сопротивление пользователей. Среди прочих возможных проблем - необходимость «просеивать» большие объемы нерелевантной информации, а также данные неудовлетворительного качества.
Ключ к получению значимых результатов от работы BI-систем - это стандартизированные данные. Данные являются фундаментальным компонентом любой BI системы. Компаниям необходимо привести свои хранилища данных в строгий порядок прежде, чем они смогут начать извлекать необходимую информацию и доверять полученным результатам. Без стандартизации данных есть риск получать некорректные результаты.
Еще одной проблемой может стать некорректное понимание роли аналитической системы. BI- инструменты стали более гибкими и удобными для пользователей, однако основная их роль по-прежнему - составление отчетов. Не стоит ждать от них автоматизированного управления бизнес-процессами. Впрочем, определенные изменения в этом направлении все же намечаются.
Третьим препятствием при трансформации бизнес-процессов с использованием BI системы является недостаточное понимание компаниями собственных бизнес-процессов. Как следствие, компании просто не понимают, как можно эти процессы улучшить. Если процесс не оказывает прямого влияния на прибыль или компания не собирается стандартизировать процессы во всех своих подразделениях, внедрение BI системы может оказаться неэффективным. Компаниям необходимо понимать все виды деятельности и все функции, которые составляют отдельный бизнес-процесс. Также важно знать, как передается информация и данные через несколько разных процессов, и как данные передаются между бизнес-пользователями, и то, как люди используют эти данные для осуществления своих задач в рамках конкретного процесса. Если стоит цель оптимизировать работу сотрудников, все это необходимо понять еще перед тем, как запустить BI-проект.
Некоторые преимущества от использования BI-решений
Большое количество BI-приложений помогло компаниям с лихвой отбить вложенные средства. Системы бизнес-аналитики используются для изучения способов сокращения издержек, выявления новых возможностей для развития бизнеса, представления ERP-данных в наглядной форме, а также для быстрого реагирования на изменение спроса и оптимизации цен.
Кроме повышения доступности данных, BI может предоставить компаниям больше преимуществ во время переговоров, упрощая оценку отношений с поставщиками и клиентами.
В рамках предприятия существует множество возможностей экономить деньги путем оптимизации бизнес-процессов и процесса принятия решений в целом. BI способен эффективно помогать в совершенствовании этих процессов, проливая свет на допущенные в них промахи. Например, сотрудники одной компании в Альбукерке использовали BI для определения путей сокращения использования мобильных телефонов, работы в сверхурочные часы и других текущих расходов, сэкономив для организации $2 миллиона за три года. Также, с помощью BI-решений, Toyota осознала, что вдвое переплатила своим перевозчикам общей суммой $812 000 в 2000 г. Использование BI-систем для обнаружения дефектов в бизнес-процессах ставит компанию в более выгодное положение, давая конкурентное преимущество перед компаниями, которые используют BI просто для того, чтобы отслеживать происходящее.
- Проанализируйте, как принимают решения руководители.
- Подумайте, какая информация нужна руководителям для оптимизации принятия оперативных управленческих решений.
- Обращайте внимание на качество данных.
- Продумывайте показатель эффективности, который имеет наибольшее значение для бизнеса.
- Обеспечивайте контекст, который влияет на показатель эффективности.
И помните, BI - это нечто большее, чем поддержка принимаемых решений. Благодаря развитию технологий и тому, как их внедряют руководители IT-департаментов, системы бизнес-анализа обладают потенциалом трансформировать организации. IT-директора, которые успешно используют BI для улучшения бизнес-процессов, вносят гораздо более значимый вклад в деятельность свой организации, руководители, внедряющие базовые инструменты составления отчетов.
По материалам www.cio.com
Аналитический обзор: BI в России 2009
Аналитики центра TAdviser завершили подготовку открытого обзора рынка платформ для бизнес-анализа (BI), представленных на российском рынке. На этой странице Вы можете прочитать наиболее интересные разделы обзора.
Преимущества использования BI-системы
Системы для бизнес-анализа решают очень широкий спектр задач. Так, «ближним горизонтом» является мониторинг, анализ и корректировка оперативных целей:
поддержка развития бизнес-процессов и структурных изменений предприятия;
возможность моделирования различных бизнес-ситуаций в единой информационной среде;
проведение оперативного анализа по нестандартным запросам;
снижение рутинной нагрузки на персонал и высвобождение времени для более глубокой аналитической работы;
устойчивая работа при увеличении объема обрабатываемой информации, возможность масштабирования.
В части поддержки стратегического развития предприятия BI-системы обеспечивают:
оценку эффективности различных направлений бизнеса;
оценку достижимости поставленных целей;
оценку эффективности использования ресурсов, в том числе дочерними предприятиями;
оценку эффективности операционной, инвестиционной и финансовой деятельности;
бизнес-моделирование и оценку инвестиционных проектов;
управление затратами, налоговое планирование, планирование капитальных вложений.
На сегодняшний день, по оценкам экспертов из Gartner, с BI-приложениями активно работают только 15-20% бизнес-пользователей, остальные же считают системы для бизнес-анализа чересчур сложными для использования. Однако активное развитие средств для интерактивной визуализации данных и дальнейшее распространение интернет-технологий должны будут в скором времени улучшить ситуацию.
По мнению аналитиков компании MiPro Consulting, внедрение в организации самостоятельной BI-системы обеспечивает целый ряд преимуществ перед использованием аналитических инструментов, встроенных в другие корпоративные информационные системы. Среди таких преимуществ BI-системы:
большая наглядность и удобство работы с информацией для бизнес-пользователей, в том числе из числа топ-менеджмента;
возможность использования несколько аналитических решений для различных направлений деятельности в масштабах всего предприятия, а не в рамках отдельных подразделений;
позволяет извлекать, анализировать и консолидировать данные практически из любых источников;
базируется на промышленной, поддерживаемой и развиваемой BI-платформе;
имеет статус самостоятельного, стратегического, критически важного для бизнеса приложения;
обеспечивает необходимую масштабируемость, эффективность, производительность;
позволяет выстраивать и поддерживать в масштабах всей организации сквозные процедуры и процессы обработки, единые централизованные аналитические модели и проекты;
содержит встроенные инструменты для решения различных и разнообразных аналитических задач, как с точки зрения бизнеса, так и с точки зрения ИТ;
обеспечивает доступ к данным и аналитическим инструментам большего числа пользователей.
Использование же аналитических инструментов, встроенных в другие корпоративные информационные системы, например класса ERP или CRM, имеет, как правило, следующие ограничения:
ограниченный набор реализованных аналитических инструментов, одинаковых для всех пользователей, независимо от их ролей и задач;
возможность использования для анализа только собственных, внутренних данных, при этом информация из других систем остается недоступной, а данные из различных источников не могу быть консолидированы;
отсутствие развитых встроенных инструментов для анализа приводит к тому, что система используется лишь для извлечения хранимых в ней данных, которые затем экспортируются и анализируются в Excel;
ERP и CRM системы, как правило, имеют ограниченное число пользователей, что «отсекает» от аналитики большое число сотрудников компании, которым эта информация была бы полезна и интересна (существенное увеличение же числа пользователей снижает производительность транзакционных систем);
транзакционные системы обычно не содержат всех необходимых для проведения анализа показателей, не включают в себя такие инструменты, как информационные панели (dashboards), ставшие уже стандартом для представления аналитической информации;
результаты анализа в таких системах представляются обычно в виде табличных отчетов или диаграмм, что не позволяет получить детального и всестороннего представления о реальном положении дел и не дает ответа на многие возникающие вопросы;
возможности создания гибких пользовательских (ad-hoc) запросов ограничена;
ограничено использование больших объемов накопленной исторической информации.
Выбирая или обновляя систему для бизнес-анализа следует продумать способы хранения и интеграции данных, средства визуализации и аналитики.
Хранение данных
Если перед компанией стоит задача выявления долгосрочных или периодических трендов, то есть пользователям необходимо анализировать исторические данные, поступающие из различных подразделений в течение последних 3-5 лет, то, скорее всего, следует тщательнее продумывать организацию ETL-операций для загрузки данных в хранилища данных.
Если же компании или какому-либо из ее подразделений необходимо анализировать информацию ежемесячно или еженедельно, то оптимальным решением будет выделение и организация для этих целей (для каждого из подразделений или для решения конкретных задач) отдельных витрин данных, также с применением ETL-инструментов.
Если же компания планирует анализировать оперативные данные в режиме, приближенном к реальному времени (то есть обновляемые несколько раз в течение дня), то, возможно, следует отказаться от организации хранилища данных и обратить внимание на проработку средств интеграции на основе промежуточного виртуального слоя метаданных с проработкой соответствующих интерфейсов и алгоритмов (по принципу EII).
Интеграция данных
Как уже отмечалось выше, если целью внедрения BI-системы является решение отдельных, конкретных задач, то целесообразно ограничиться организацией витрин данных. При этом использование никаких отдельных интеграционных алгоритмов не потребуется.
Если же, напротив, BI внедряется с целью получения единого, целостного взгляда на общее состояние бизнеса, то без создания централизованного хранилища данных и, соответственно, внедрения необходимых ETL-инструментов, пожалуй, не обойтись. Кроме того, для получения действительно адекватной картины бизнеса необходимо обратить особое внимание на обеспечение высокого качества анализируемых данных, а для этого потребуется внедрение расширенного набора средств для их «очистки» - выявления неполных или ошибочных данных, дублирующейся информации, приведения данных из различных источников к единому формату.
Если же в компании делают акцент на изучении оперативных данных, то следует продумать средства репликации и обеспечения доступа.
Визуализация и аналитика
В зависимости от поставленных задач, а также от квалификации пользователей, выбираются и средства для визуализации данных – контрольные панели, карты показателей, отчеты, OLAP-кубы.
Для опытных, квалифицированных пользователей оптимальным инструментом станут OLAP-кубы, которые позволят им проводить глубокий и развернутый бизнес-анализ, с необходимой степенью детализации.
Пользователи, которые в своей повседневной деятельности сталкиваются с необходимостью принятия управленческих решений, а также анализа эффективности бизнеса, заинтересованы в организации рабочего места в виде контрольной панели, на которой в виде наглядных шкал и индикаторов отображается состояние бизнеса в целом, с возможностью переключения между отдельными направлениями деятельности.
Рядовым менеджерам необходимы средства для решения своих текущих задач, контроля хода выполнения отдельных видов операций, а также для контроля деятельности своих сотрудников (каждого отдельного работника и команды в целом). Кроме того, для организации четкого взаимодействия со смежными подразделениями (или регионами) необходимо иметь возможность получать представление о ходе выполнения взаимосвязанных задач.
Вертикальное или горизонтальное решение
На рынке существуют как горизонтальные BI-решения, в которых реализован набор общеприменимых инструментов, так и специализированные вертикальные решения, «заточенные» под конкретные отрасли или задачи. И те, и другие имеют свои достоинства и недостатки.
Преимуществом горизонтальных решений может считаться их способность расти вместе с организацией. Такие решения обычно масштабируемы и могут охватывать все направления деятельности и все подразделения крупной компании, а также легче поддаются изменениям. Обратной стороной такой широты возможностей является необходимость более длительной и тщательной настройки решений, адаптации под конкретные требования. Проекты внедрения становятся более дорогостоящими, а требования к ИТ-специалистам – более высокими.
Вертикальные решения, со своей стороны, не требуют отдельной длительной и трудоемкой настройки для решения специфических задач и для соответствия требованиям отраслевых регламентирующих организаций (финансовых, медицинских и т.п.). Однако может оказаться, что различные подразделения в рамках одной структуры не смогут использовать единое решение, и потребуется освоение и интеграция нескольких различных систем для бизнес-анализа.
Те организации, которые и в настоящее время, и в будущем планируют заниматься своей специфической деятельностью, требующей соблюдения определенных строгих регламентов, скорее всего, выиграют именно от внедрения вертикальных решений. Если же уверенности в такой приверженности определенному виду деятельности в будущем нет, и велика вероятность того, что специализация компании значительно расширится, то выбор вертикального BI-решения является определенным риском.
Использование бизнес-аналитики повышает качество и оперативность управленческих решений, а также помогает управлять бизнес-процессами, что приводит к повышению конкурентоспособности компании. Это стало одной из главных причин значительного всплеска интереса к решениям класса BI (business intelligence), который IDC отмечает в России с 2010 года.
Эксперты спорят о функциональности информационных систем, позволяющих проводить бизнес-анализ. Но сам процесс работы с аналитическими данными и предназначенное для этих целей ИТ-решение – совсем не одно и то же. Прежде чем приступать к внедрению BI-системы, компания должна подготовиться к ее использованию: формализовать бизнес-процессы, определить точки сбора информации, типы собираемых данных и цели, с которой эта информация будет использоваться. После этого можно говорить о конкретных инструментах BI, необходимых бизнесу.
Бизнес-аналитика отличается от ручного анализа показателей в таблицах Excel примерно как самолет от дельтаплана. Вопрос далеко не только в скорости. Ведь BI – это автоматизация процесса сбора информации и построения отчетности. В то время как работа с Excel предполагает, что анализируемые данные кто-то должен собрать из всех информационных источников компании, привести к единому шаблону и уже потом формировать отчеты.
Велика и разница в результатах работы с этой информацией. BI – это многомерность используемых данных и возможность оперативно формировать отчеты в любом разрезе, используя для этого любую имеющуюся в компании информацию. Иначе говоря, задачу, с которой люди будут справляться сутки (например, высчитывать зависимость продаж магазином определенных моделей одежды от демографического состава населения и транспортной инфраструктуры района), система решит за минуты.
Долгое время в основе решений BI лежали так называемые OLAP-кубы. Применение таких систем продолжается и по сей день. Они представляют находящуюся в хранилище информацию таким образом, что в любой момент можно взять любые имеющиеся показатели в качестве осей «куба» и сделать по нужным срезам анализ, построив плоскую таблицу или график зависимости одного показателя от другого. Что немаловажно, анализ происходит в режиме реального времени, о чем и говорит аббревиатура OLAP – online analytical processing.
Среди других признаков выделим наличие функций управления метаданными, средств разработки, инструментов для совместной работы и управления процессами, средств создания отчетов, продвинутой визуализации, функций предиктивного моделирования и интеллектуального анализа (data mining), карт показателей.
Сейчас на рынке продолжают расти продажи BI-систем, в которых реализованы технологии іn-memory. Основная идея in-memory заключается в принципе постоянного хранения данных в оперативной памяти. Это дает пользователям возможность получать ответы моментально – за доли секунды – даже в случаях, когда они работают с огромными объемами данных. Однако такие решения с технической точки зрения подходят не всем, и многие заказчики продолжают использовать технологию OLAP.
Наличие online analytical processing является одним из признаков аналитической системы, позволяющей ей называться полноценной BI-платформой по версии Gartner.
Помимо различной технологической архитектуры, системы BI отличаются набором инструментов для разных категорий бизнес-пользователей.
Например, полноценные BI-платформы сильно отличаются с точки зрения функциональных возможностей от BI-модулей, встроенных в некоторые корпоративные информационные системы и имеющих ограниченные возможности представления.
Для каждой роли пользователя существуют свои информационные панели, представляющие нужные именно этим сотрудникам ключевые показатели бизнеса в виде таблиц или инфографики. Инструментарий BI предусматривает также средства построения отчетов и интерфейс для их просмотра: в окне системы, через web или на мобильном устройстве пользователя. В построении отчетов помогают инструменты для определения корреляции данных.
Одна из доминирующих тенденций последних пяти лет на рынке BI – это рост спроса на мобильную аналитику. Пользователи BI-систем, оценившие их значение для бизнеса, поняли также и ценность постоянного доступа к такому инструментарию. Практически каждый крупный BI-вендор сегодня готов предоставить пользователям средства онлайн-аналитики. При этом мобильные рабочие места ориентированы не только на топ-менеджеров, но и на ряд других категорий пользователей, которым необходимо постоянно иметь актуальную информацию о состоянии тех или иных бизнес-процессов. Так что из «привилегии начальника» BI-мобильность стала средством быстрого реагирования на события для руководителей среднего звена и аналитиков. Поскольку BI-система предусматривает работу с большими массивами данных, поступающими в хранилище из различных информационных систем и в неструктурированном виде, она может использоваться для работы с «большими данными» (big data), которыми в последние годы так интересуется бизнес. Это и неудивительно, поскольку объемы хранимой и обрабатываемой информации растут опережающими темпами, следовательно, компании вынуждены думать о приобретении дополнительных вычислительных мощностей. При этом в реальном бизнесе обычно используются до 30% всей хранимой информации, остальная же часть становится только источником затрат на ее хранение.
Наличие больших объемов неструктурированной и потенциально полезной информации в компаниях, а также большие возможности, предоставляемые аналитикам системами BI, стали одним из драйверов прогресса в этой области. Сегодня все больше аналитиков ищут более гибкие инструменты, которые бы позволили изучать любые данные и строить бизнес-гипотезы. Это привело к появлению нового класса инструментов - data discovery. Они базируются на гибкой модели данных и интерактивных пользовательских интерфейсах, более удобных бизнес-пользователям, чем аналитикам. На примере data discovery мы видим, как инструментарий постепенно вырастает в самостоятельное направление ИТ-систем для аналитики.
Поскольку BI – это не только анализ текущей ситуации, но и прогнозирование, для аналитиков и руководителей разработаны продвинутые средства для проверки выдвинутых ими гипотез. А контролировать ключевые показатели при анализе поможет нотификация о достижении ими пороговых значений.
Как будет развиваться инструментарий BI-систем и его использование российскими компаниями в будущем? Появятся ли новые роли пользователей, новые интерфейсы, станут ли топ-менеджеры больше работать с бизнес-аналитикой? Консультант аналитического отдела компании Softline Мария Голикова убеждена, что один из векторов развития связан с растущим спросом на “облака” и средства визуализации: «С развитием облачных технологий многие крупные разработчики BI стали предлагать дополнительные возможности, доступные именно в облаке.
Если в компании существует “традиция” готовить отчеты в виде статичных Excel-таблиц, то многим сотрудникам будет сложно от этого отказаться. Однако надо надеяться, что со временем будет расти число компаний, которые будут получать исчерпывающую информацию, пользуясь информативными дашбордами».
Также, по мнению эксперта, росту популярности BI будет способствовать внимательное отношение разработчиков к дружественности интерфейсов и созданию мобильных рабочих мест: «BI-инструментарий сейчас движется в сторону самостоятельного анализа – решения становятся максимально простыми в использовании. Это дает возможность бизнес-пользователям за счет интуитивно-понятного интерфейса самостоятельно изменить текущие отчеты либо создать новые. Топ-менеджмент сегодня также привлекает возможность использования мобильных BI-решений. Руководитель может уехать в командировку, но при этом на экране портативного устройства видеть основные показатели деятельности своего бизнеса».
Говоря о том, какие инструменты, предоставляемые BI-платформами, в наибольшей степени востребованы российскими заказчиками, директор департамента ИТ и облачных сервисов J’son & Partners Consulting Александр Герасимов отмечает: «То, что используется сейчас, - это инструменты формирования разнообразной управленческой и маркетинговой отчетности постфактум на основе анализа данных транзакционных систем, таких как ERP, OSS/BSS (биллинг в частности), автоматизированные банковские системы и т. п.
То, что имеет хорошие перспективы, - это технологии анализа больших данных: не только структурированной информации транзакционных систем, но и слабо (или сложно) структурированных данных, таких как, например, логи и геоданные пользователей смартфонов и многое другое. Сейчас подобная информация используется в основном для обогащения и улучшения качества отчетности постфактум. В перспективе они могут применяться уже непосредственно в системах управления - с целью их интеллектуализации».
Некоторые BI-системы предлагают использовать больше инфографики вместо классических табличных отчетов. Но далеко не все готовы воспринимать графическую информацию.
Модные словечки, востребованная терминология, не совсем понятные определения и совершенно незнакомые лексические единицы. Все вышеуказанное можно применить как к понятию «business intelligence», так и к словосочетанию «data science». Попробуем не только преодолеть трудности перевода, но и разобраться в том, чем разнятся «наука о данных» и «бизнес интеллект».
Business Intelligence: интеллект, разведка, осмысление, аналитика
Многие уверены, что термин «business intelligence» впервые появился на свет в 80-х гг. прошлого столетия, но это не совсем так. Дело в том, что первым этот термин использовал Ханс Питер Лун, исследователь из компании IBM, в далеком 1958 году. А в 1989-ом Говард Дреснер, который позже стал аналитиком в Gartner, дал определение «business intelligence» как тому, что описывает «концепции и методы для улучшения принятия бизнес-решений с использованием систем на основе бизнес-данных».
Давайте прислушаемся к другим экспертам. Так, Джонатан Ву, менеджер компании Netgear, определяет BI как процесс сбора многоаспектной информации о предмете, который исследуется. А вот какую трактовку предложил Институт хранилищ данных (The Data Warehousing Institute): Business intelligence – это процесс превращения данных в знания, а знаний в бизнес-действия для получения выгоды.
BI можно рассматривать не только как процесс, но и как результат процесса получения знаний. Однако если компилировать все определения, которые «дрейфуют» на рынке, можно утверждать, что business intelligence в самом широком смысле этого понятия – это процесс превращения полученных данных в знания о бизнесе, которые используются для принятия улучшенных решений. Кроме того, это еще и информационные технологии сбора данных и их консолидации. И, наконец, BI представляет собой знания о бизнесе, которые добываются путем проведения углубленного анализа данных. Если говорить коротко, то business intelligence – это технологии, анализ и знания.
Data Science: наука о хаосе, приведенном в порядок
С недавних пор наука о данных рассматривается не только как академическая дисциплина, но и как практическая межотраслевая сфера деятельности. Сам термин был предложен Уильямом Кливлендом, профессором университета Пердью, который считается одним из самых больших авторитетов в области статистики, машинного обучения и визуализации данных.
Согласно определению международного совета CODATA (International Council for Science: Committee on Data for Science and Technology), наука о данных представляет собой дисциплину, которая объединяет различные направления статистики, data mining и машинное обучение. Однако наиболее популярное определение дано в статье «Что такое Data Science?» Майка Лукидиса, редактора O"Reilly Media и автора книг об операционных системах, компьютерной архитектуре и программировании. Стоит отметить, что данная трактовка на сегодняшний день является основополагающей. – это обобщенное название технологий, которые предназначены для производства данных как продукта. Если сравнивать науку о данных с традиционной статистикой, то на первый взгляд может показаться, что между ними нет никаких отличий. Однако Data Science характеризуется комплексным подходом, а data-ученые не изучают данные, а используют их.
Таким образом, мы приходим к выводу, что Data Science изучает проблемы анализа, обработки и использования данных. Это такое фантастическое «ассорти», от которого голова идет кругом: здесь вам и статистика, и интеллектуальный анализ данных, и искусственный интеллект, обрабатывающий большие объемы data, и методы проектирования баз данных, и многое другое.
Ничто не ново под… data-небосводом
Облачные вычисления и другие технические достижения заставили компании сосредоточиться больше на будущем, а не анализировать отчеты на основании данных прошлого. Чтобы получить конкурентные преимущества, компании начали объединять и преобразовывать данные, которые являются частью реальной науки о данных.
В то же время они практикуют Business Intelligence, создавая графики, отчеты и таблицы на базе полученных данных. И хотя между Data Science и Business Intelligence есть большие различия, они в равной степени важны и дополняют друг друга.
Для того чтобы практиковать BI и Data Science, многие компании нанимают специалистов, которые совмещают сразу две должности – BI-аналитиков и дата-сайентистов. Тем не менее, именно здесь и возникает путаница из-за непонимания того, что эти роли требуют различных экспертных знаний.
Несправедливо ожидать, что BI-аналитик может сделать точные бизнес-прогнозы. А это может стать причиной катастрофических последствий для любой компании. Однако, изучив главные различия между BI и наукой о данных, можно научиться подбирать подходящих кандидатов для выполнения определенных задач, которые намерен решить ваш бизнес.
Сфера интересов
С одной стороны, традиционный подход Business Intelligence подразумевает создание инструментальных панелей для отображения исторических данных в соответствии с фиксированным набором ключевых показателей эффективности. Отсюда делаем вывод, что BI больше полагается на отчеты, современные тренды и ключевые показатели эффективности (KPI).
С другой стороны, наука о данных больше фокусируется на предсказании того, что в конечном итоге может случиться в будущем. Таким образом, дата-сайентисты больше сосредоточены на изучении закономерностей и различных моделей, а также на нахождении корреляций для бизнес-прогнозов.
Например, компаниям, занимающимся , нужно предсказывать растущую потребность в новых видах обучения, основываясь на существующих шаблонах и требованиях корпоративных компаний.
Анализ и качество данных
BI требует от аналитиков умения сосредотачиваться не только на настоящем и будущем, но и заглядывать в прошлое – то есть активно использовать исторические данные. Поэтому анализ BI-аналитиков является в большей степени ретроспективным. Фокус Business Intelligence – это абсолютно точные данные, основанные на том, что на самом деле произошло в прошлом.
Например, ежеквартальные результаты компании формируются из реальных данных о ведении бизнеса на протяжении последних трех месяцев. Ошибки в этом случае попросту невозможны, потому что отчетность носит описательный характер и не может быть субъективной.
Что касается науки о данных, то дата-сайентисты должны использовать предиктивную и директивную аналитику. Они обязаны довольно точно предсказывать то, что должно произойти в будущем, используя вероятности и уровни уверенности.
То, как компания будет выполнять необходимые действия на основе предиктивного анализа и прогнозов на будущее, не может базироваться на простых догадках. Конечно, наука о данных не может быть точной на 100%, но она должна быть «достаточно хороша» для бизнеса, чтобы принимать своевременные решения и действия, а также обеспечивать необходимые результаты.
Идеальный пример науки о данных в действии – оценка прибыли компании в следующем квартале.
Источники и преобразование данных
Business Intelligence – это заблаговременное планирование и подготовка к использованию правильной комбинации источников данных для их преобразования. Чтобы получить соответствующие инсайты о клиентах, деловых операциях и продуктах, Data Science в состоянии на лету преобразовывать данные, используя те источники информации, которые доступны по требованию.
Потребность в смягчении
BI-аналитики не должны смягчать любые неопределенности, окружающие исторические данные, так как они основаны на реальных ситуациях. Такие данные точны и не предполагают каких-либо вероятностей.
