Благодаря сложным системам, которые подключаются к разрозненным наборам данных и анализируют их, люди получают не только более чёткое представление об окружающем мире, но и и шанс заглянуть в будущее. К сожалению, многие компании по инерции используют устаревшую аналитику. Её статичные, исторические отчеты описывают только то, что уже произошло, и бесполезны при планировании будущего. Невозможно строить сценарии со 100% точностью, но, имея даже приблизительный прогноз на следующий квартал или год, можно развивать бизнес и преобразовывать отрасль более эффективно. Подобные прогнозы, или предиктивная аналитика, опираются на глубокое понимание прошлого и настоящего, выраженное в данных. Не знаете, что такое предиктивная аналитика? Давайте рассмотрим, что представляет из себя эта развивающаяся сфера, в теории и на практике.

Предиктивная аналитика намечает контур будущих событий с помощью данных. Передовые, сложные системы используют исторические данные для определения закономерностей, а затем, с помощью этих закономерностей, дают людям представление о том, что может произойти. Специалисты в области управления данными разработали множество моделей предиктивной аналитики для разных целей:

• Модели прогнозирования используют множество вводных для оценки будущих результатов: как долго прослужит компонент двигателя, сколько покупателей ожидается в день, сколько единиц товара должно быть в запасе и т. д.
• Классификационные модели используют данные для сортировки информации и особенно полезны при ответе на вопросы «да/нет», например, при прогнозировании рисков потерять тех или иных клиентов или сотрудников с большей долей вероятности и т. д.
• Модели статистических выбросов предупреждают пользователей о появлении данных, которые не соотносятся с прогнозами и могут стать поводом для беспокойства. Это могут быть такие аномалии, как необъяснимое падение продаж в магазине или внезапный всплеск почтового трафика. Они могут указывать на что-то, требующее внимания — например, на использование служебного положения, низкую производительность или мошеннические действия.
• Модели временных рядов учитывают регулярно меняющиеся условия. Например, такие праздники, как, Новый год, Рождество, производители украшений учитывают в своих расчётах. Для предприятий другого типа будут иметь значение другие предсказуемые циклы, например, предвыборные кампании, Олимпийские игры, астрономические и погодные явления.
• Кластерные модели сортируют данные на подгруппы, чтобы пользователи могли обращаться к ним целенаправленно. Отправка различных сообщений клиентам на различных этапах воронки продаж — хорошее применение кластеризации.

Предиктивная аналитика — это не хрустальный шар для предсказаний, но ее преимущества несут революционное значение для любой отрасли. Чем отчётливее картина будущего, тем выгоднее положение бизнеса по сравнению с предприятиями, которые строят планы с учётом данных только за последний квартал или год. Теперь компании могут принимать решения, основываясь на множестве подробных данных, а не на расплывчатых догадках, вытекающих из устаревшей информации. Передовая предиктивная аналитика встраивается непосредственно в потоки бизнес-задач, направляя пользователей к нужным действиям в нужное время с помощью автоматизации и помогая им построить желаемое будущее. Используя предиктивную аналитику, руководители могут регулировать более широкий спектр решений и направлений для развития бизнеса.

Для успешного внедрения предиктивной аналитики требуется несколько ключевых элементов:

• Правильные источники данных: есть ли у вас необходимые данные? Если нет, как их найти?
• Соответствующие запросу, очищенные данные: постройте модель, включающую данные по рассматриваемой проблеме, очищенные от неточностей, дублирующих записей, некорректного форматирования или других недочётов.
• Автоматизация и машинное обучение: большие, сложные наборы данных быстро превосходят человеческие возможности по обработке и требуют огромных вычислительных мощностей для изучения.
• Связь с бизнес-целями: предиктивная аналитика не существует сама по себе. Она должна служить более широким бизнес-целям.

Одним из наиболее важных свойств предиктивной аналитики является то, что при правильном применении она может приносить выгоду самым разным типам пользователей. Те, кто не являются техническими специалистами, получат глубокое понимание возможных будущих обстоятельств, не прибегая к помощи специалистов по данным или специалистов ИТ-отдела. По всей вертикали, от руководства до сотрудников первой линии, решения и потоки задач, подкрепленные предиктивной аналитикой, становятся более эффективными и результативными для бизнеса.

Предиктивная аналитика показала свои возможности во множестве отраслей и направлений бизнеса. Приведем несколько примеров:

• Розничная торговля и маркетинг: правильные инструменты анализа данных, внедряемые в потоки задач бизнес-пользователей от делопроизводства до работы с клиентами, способствуют принятию решений об изменении целей в продажах, регулированию маркетинговых кампаний, оптимизации складов.
• Производство, цепи поставок и логистика: предиктивная аналитика может помочь производителям. С ее помощью есть возможность определить, какое количество каких единиц товара производить, когда менять поставщиков или материалы, какие транспортные линии или провайдеры лучше подходят для дальнейшей работы. Можно также использовать исторические тренды и актуальные отзывы клиентов для улучшения разработки и планирования.
• Работа с кадрами: компании много работают над привлечением лучших специалистов, создавая для них пакеты льгот. Чтобы не действовать наугад, предиктивная аналитика может помочь HR-командам поддерживать удовлетворенность сотрудников по мере роста требований к бизнес-показателям компаний всех видов. Предиктивная аналитика также может предупредить HR-специалистов, если кто-то из сотрудников собирается уходить, и дать возможность провести с ним работу по информированию о политиках и преимуществах, которые могли бы задержать его в компании.
• Здравоохранение: пандемия COVID-19 подтвердила ценность предиктивной аналитики, включая анализ распространения заболевания. Примеры использования предиктивной аналитики в менее экстремальных условиях могут включать в себя прогнозирование в вопросах использования медицинских учреждений, модифицирования фармацевтических формул или составления плана страхования.

Предиктивная аналитика не является чем-то недостижимым в сфере бизнес-аналитики. Уже сейчас организации могут пользоваться её преимуществами. Некоторые компании будут собирать и обобщать данные, но сохранят ориентацию на прошлое. Другие же сделают шаг вперед, используя данные для расчётов на дни, месяцы и даже годы вперёд. Если вы готовы заглянуть в будущее, задайте себе несколько вопросов: какие данные для работы системы предиктивной аналитики у вас есть сейчас? А какие требуются дополнительно? И самое главное: что вам мешает начать уже сейчас?

Искусственный интеллект и машинное обучение — это будущее каждой отрасли, особенно в сфере данных и аналитики. Проект Growing Up with AI («Растите вместе с ИИ») поможет быть в курсе всех инноваций, которыми эта технология меняет мир. Большинство организаций отдают себе отчёт, что данные имеют решающее значение для получения конкурентных преимуществ, при этом недавнее исследование компании NewVantage Partners показало, что лишь 27% компаний успешно сформировали культуру данных или широко внедрили технологии Big Data или ИИ. В своем отчёте за 2020 год “10 наиболее заметных тенденций в данных и аналитике” (Top 10 Trends in Data and Analytics) компания Gartner прогнозирует, что только 10% компаний будут использовать дополненную аналитику в полной мере. Очевидно, что данные и искусственный интеллект обладают огромным потенциалом для революционных изменений в бизнесе, так откуда же берется внушительный разрыв при успешном внедрении подобных инициатив? Он вытекает из преодоления трёх основных препятствий на пути успешного внедрения аналитики:

1. Объемы и разнообразие данных растут в геометрической прогрессии. Человеку невозможно разобраться в огромных массивах данных, которые создаются ежедневно. Вместо электронных таблиц и ручного анализа, необходим высокотехнологичный анализ данных на основе кода. Тогда станет возможным выявить инсайты, скрытые в этих огромных массивах информации.
2. Растет разрыв в профессиональных навыках. По мере роста объема данных всё сложнее найти специалистов по организации, сбору, представлению, интерпретации данных и извлечению инсайтов из них. Фактически, LinkedIn сообщает, что три из 10 лучших передовых рабочих мест 2020 года были связаны с данными: специалист по искусственному интеллекту (#1), специалист по теории данных (#3) и специалист по инженерии данных (#8). Таких востребованных профессионалов сложно найти, а нанимать дорого; как следствие, во многих организациях не хватает специалистов по данным.
3. Сложно отделить сигнал от шума. Иногда данные содержат много шума, непостоянные и сложные для понимания. Пользователям крайне сложно их интерпретировать, что приводит к низкому уровню внедрения аналитики в бизнес-среде.

При всех сложностях анализа данных, искусственный интеллект именно то, что помогает организациям извлечь из них пользу. Дополненная аналитика на основе ИИ помогает пользователям быстрее получить ответы и практические инсайты, вытекающие из бизнес-показателей. Большое преимущество в том, что не требуется быть специалистом по теории или аналитике данных. Одним из примеров того, как ИИ может сократить разрыв в профессиональных навыках и ускорить получение ответов пользователями, является обработка естественного языка (NLP). Она дает возможность каждому пользователю запрашивать данные, используя повседневную речь. Простые вопросы, «Какая социальная сеть дала нам наибольшие продажи во 2-м квартале?», дают мгновенные результаты, в отличие от копания в электронных таблицах или использования SQL (как бы весело это ни было). Таким образом, сложные данные становятся доступными каждому, от самых опытных бизнес-аналитиков до руководителей. Согласно прогнозам компании Gartner, речевая аналитика и NLP ускорят повсеместное внедрение аналитической платформы с 32% до 50%, предоставляя постоянным пользователям доступ к ответам, необходимым для принятия решений. Более того, согласно тем же прогнозам, 50% аналитических запросов будут генерироваться через поиск, NLP или голосовую связь.

Для современных BI-компаний стало в порядке вещей внедрять ИИ в свои аналитические платформы, таким образом помогая пользователям выявлять тренды, предоставлять аналитику и прогнозировать данные, которые могут быть недоступны невооружённому глазу. Точный прогноз — это ключ для принятия решений в бизнесе. Такие платформы, как Sisense, могут предоставлять прогнозы на основе исторических данных. Пользователи, не являющиеся техническими специалистами, получают возможность прогнозировать бизнес-результаты и изменения критических показателей, а также принимать решения, исходя из полученных инсайтов. К примеру, театр может использовать данные за прошлые периоды для прогнозирования доходов и посещаемости для каждого шоу и, таким образом, принимать решение о запуске новой постановке. Сервис прогнозирования Sisense Forecast также помогает бизнес-пользователям анализировать, влияет ли определенная переменная на результат прогноза и если влияет, то каким образом. Например, вы предполагаете, что объём ваших электронных продаж зависит от типа цифровых устройств ваших пользователей (ПК, планшет или смартфон). Эту гипотезу можно проверить, если выбрать device type («тип устройства») в качестве explaining variable («объясняющей переменной») и посмотреть, как это повлияет на прогнозируемое значение объёма продаж. Такой анализ называется «многомерным прогнозом» и является очень мощным инструментом. Он создаёт картину ключевых факторов, влияющих на искомый показатель, тем самым давая возможность разумно его оптимизировать. Как же быть в случаях, когда поведение показателя отличается от нормы? Сюда могут относиться необычно низкие продажи, например, по причине отпусков или COVID-19. Настройки сервиса Forecast от Sisense позволяют исключить исторические периоды из расчёта, чтобы они не влияли на прогноз. Модуль для анализа трендов Trends — еще один эффективный способ помочь бизнес-пользователям выделить главное. В случае шумных или изменчивых данных даёт наглядное представление динамики выделенного показателя. Линии тренда в Sisense могут быть нескольких типов и можно выбрать наиболее подходящий для сферы деятельности компании. Тренды можно применять как к историческим, так и к прогнозным данным, чтобы лучше понимать не только прошлые результаты, но и возможные будущие. Предположим, наконец, что вы заметили что-то интересное в данных — какой-то всплеск, или необычное поведение — что дальше? Следующим шагом будет анализ случившегося. К счастью, нет необходимости срочно вызывать ближайшего специалиста по анализу данных, чтобы он произвел подсчёты. Модуль Sisense Explanations поможет выявить возможные причины. Буквально по щелчку мышки можно проанализировать десятки факторов и их комбинаций, чтобы определить наиболее вероятную причину изменений.

Аналитические платформы на основе AI — это будущее, в котором анализ данных доступен любым сотрудникам в каждой организации. В своем исследовании рынка Wisdom of the Crowds («Коллективная мудрость»), проведенном в 2020 году, компания Dresner назвала Sisense общепризнанным лидером в области платформ для аналитики.

Современные организации возлагают большие надежды на использование данных для принятия взвешенных решений, которые помогут получить конкурентное преимущество. При этом все сложнее становится извлекать ценность из данных, многообразие и сложность которых постоянно растут. Кроме того, все чаще достоверные данные нужны каждому пользователю в компании, чтобы принимать стратегические решения, повышать операционную эффективность, разрабатывать модели машинного обучения и сотрудничать с коллегами в рамках бизнес-процессов. Для достижения этих целей компании обычно вкладывают много времени и денег в объединение всех данных в облачном хранилище или озере данных, считая, что это самое подходящее решение. Вскоре они понимают, что, несмотря на все усилия, данные в облаке хранятся хаотично, и очень сложно находить, извлекать и использовать их для современного анализа. Учитывая эти тренды, очень важно организовать правильную подготовку данных для self-service аналитики и data science.

Для подготовки данных к анализу и машинному обучению нужно выполнить несколько трудоемких задач, включая извлечение, очистку, нормализацию и загрузку данных, а также оркестрацию рабочих процессов ETL в большом масштабе. После надежного перемещения данных в облачное хранилище или озеро, аналитики и data scientist должны еще очистить и нормализовать их, чтобы понять контекст. Сейчас они работают с небольшими пакетами данных в Excel или Jupyter Notebooks, которые не могут оперировать большими наборами данных, применяться в практических целях или предоставлять достоверные метаданные для корпоративных процессов. Подготовка наборов данных занимает от нескольких недель до нескольких месяцев. В результате заказчики 80% времени тратят на подготовку данных вместо того, чтобы анализировать их и извлекать из них пользу.

Многие компании по-прежнему неэффективно подходят к обработке данных. 80% времени и сил аналитиков данных и data scientist уходит на поиск и подготовку данных, и только 20% — на их анализ. Более того, из-за быстрого роста объемов неструктурированных данных специалисты DataOps тратят больше времени на удаление, очистку и упорядочивание данных, чтобы выявить в них ошибки, нарушения согласованности и аномалии. При этом компании все чаще стараются принимать решения на основе данных. Данные должны быть качественными и достоверными, а значит процесс их подготовки необходимо стандартизировать и оптимизировать. Бизнес-пользователям некогда ждать данных от ИТ-отдела — им нужны функции self-service для подготовки данных, чтобы быстрее принимать решения. Подготовку можно ускорить с помощью гибкого итеративного и коллективного подхода по принципу self-service. Современный подход self-service при подготовке данных поможет компаниям обратить правило 80/20 в свою пользу. ИТ-отделы могут предлагать возможности self-service для работы с данными, при этом помогая аналитикам находить нужные данных, подготавливать их, применять правила контроля качества и сотрудничать с коллегами, чтобы в итоге предоставить ценность для бизнеса за гораздо более короткий срок.

Существует два основных варианта применения корпоративной подготовки данных:

• Подготовка данных для повышения эффективности аналитики и data science. Корпоративное решение для подготовки данных на базе ИИ, интегрированное с корпоративным каталогом данных, позволяет повысить продуктивность и эффективность работы data scientist, которые пытаются найти и подготовить данные вручную с помощью инструментов с открытым кодом. Большую часть времени data scientist ищут и готовят данные вместо того, чтобы выполнять собственно задачи data science. Благодаря интегрированной подготовке и каталогизации данных специалисты могут работать с большим наборами структурированных и неструктурированных данных, хранящихся в облачном озере. Это позволяет ускорить разработку моделей и обнаружить скрытые поначалу полезные фрагменты данных для прогнозной и прескриптивной аналитики.
• Подготовка данных для self-service аналитики в облачных озерах данных. Облачные озера данных фактически стали основной платформой предоставления данных для расширенных аналитических рабочих нагрузок. При этом озеро очень быстро превращается в болото, если организация не использует подходящие технологии для обработки данных и извлечения из них ценности. Корпоративная подготовка данных позволяет повысить качество содержимого облачного озера после приема данных, а также курировать данные, чтобы у пользователей был достоверный источник информации для self-service аналитики.

Informatica Enterprise Data Preparation позволяет data scientist, аналитикам данных и опытным пользователям подготавливать данные в облачном озере без написания кода для поддержки self-service аналитики, искусственного интеллекта и машинного обучения. Восемь преимуществ Informatica Enterprise Data Prep для эффективного использования данных:

• Больше достоверности благодаря повышению качества данных. Informatica Enterprise Data Preparation применяет интеллектуальные функции и автоматизацию, чтобы повысить качество данных и сократить объем работы, выполняемой вручную. Это решение позволяет стандартизировать контроль качества данных в организации, а также проверять и обогащать данные заказчиков, например адреса электронной почты, почтовые адреса и номера телефонов.
• Создание корпоративного каталога данных. Informatica Enterprise Data Catalog помогает аналитикам и data scientist понять, какие данные у них есть, как они определены, где находятся, откуда поступили (линедж), как используются и как связаны с другими данными. С помощью ИИ, машинного обучения и автоматизации в движке ИИ CLAIRE, Informatica Enterprise Data Catalog помогает организациям курировать данные для конвейеров, показывая, какие наборы данных доступны в том или ином контексте. Это позволяет пользователям быстрее находить и понимать достоверные, актуальные и доступные данные.
• Повышение гибкости и эффективности работы пользователей. С решением Informatica Enterprise Data Preparation ИТ-отдел может предложить функции self-service для работы с данными и помочь аналитикам находить подходящие данные, подготавливать их, применять правила контроля качества, сотрудничать друг с другом и предоставлять ценность для бизнеса в гораздо более короткие сроки.
• Улучшение аналитики и data science. Informatica Enterprise Data Preparation обеспечивает интеллектуальную и автоматизированную подготовку данных. Это помогает data scientist и аналитикам работать продуктивнее и сосредоточиться на задачах, связанных с анализом, ИИ и машинным обучением, чтобы достичь желаемых бизнес-результатов. Благодаря этому решению data scientist могут не обладать обширными навыками программирования, поэтому организациям будет проще нанимать специалистов.
• Повышение ценности облачных озер данных. Informatica Enterprise Data Preparation позволяет быстрее и эффективнее извлекать практическую ценность из данных в облачных озерах. Решение помогает преобразовывать, очищать, подготавливать и обогащать необработанные данные при поступлении в озеро данных, чтобы эти данные можно было использовать для расширенной аналитики, ИИ и машинного обучения. Informatica Enterprise Data Catalog помечает тегами информацию, описывающую линедж данных. Каталогизация больших объемов данных повышает их согласованность — этого невозможно добиться с помощью разрозненных инструментов self-service.
• Расширение практического применения данных в DataOps. Масштабируемые решения для подготовки данных на базе ИИ от Informatica помогают достичь следующих целей при использовании подхода DataOps: — Непрерывная интеграция и совместная работа для быстрого поиска нужных данных. — Непрерывная доставка и простое сопоставление управляемых и достоверных наборов данных для определения бизнес-терминов, чтобы повысить скорость и качество конвейеров данных. — Непрерывная доставка наборов данных для конвейеров.
• Целостное представление для оптимизации подготовки данных. Informatica Enterprise Data Preparation позволяет организациям получить комплексное и целостное представление о рабочих нагрузках, чтобы выявить распространенные проблемы и использовать инструменты ИИ и автоматизации для замены лишних операций, выполняемых вручную.
• Улучшение процессов управления качеством данных. С помощью решений Informatica Enterprise Data Preparation, Data Catalog, Data Quality и Axon Data Governance заказчики могут наладить процессы управления качеством при поступлении данных в облачное озеро данных. Интеграция каталога данных с CLAIRE, первым в отрасли движком ИИ на основе метаданных, позволяет повысить масштабируемость и точность для управления данными в облачных озерах и хранилищах данных.

Решение Informatica Enterprise Data Preparation второй раз попадает в Constellation ShortList в категории Self-Service Data Prep. В последнем отчете Constellation ShortList решение Informatica Enterprise Data Preparation названо одним из лучших продуктов в категории Self-Service Data Preparation (self-service подготовка данных). Отчет Constellation ShortList составляется на основе опросов пользователей, обсуждений с партнерами, отзывов заказчиков, проектов по выбору вендоров, доли на рынке и внутренних исследований. Загрузите аналитический отчет, чтобы узнать больше.

Вишнават отвечает за решения Enterprise Streaming Data Management в Informatica. О том, что такое потоковая обработка данных IoT и зачем она нужна, читайте в другой статье блога.

Интернет вещей развивается такими быстрыми темпами, что к концу 2020 года на планете будет больше подключённых к нему устройств, чем людей (так подсчитала компания Cisco). При этом интернет вещей по сути своей представляет неоднородную и распределённую среду. Это накладывает значительные ограничения на то, какие методологии подойдут для сбора данных IoT и их потоковой передаче в слои обработки и аналитики. Проблем становится ещё больше, когда речь идёт о промышленном интернете вещей, где информация собирается с тысяч датчиков. В этой статье я постарался подробно рассказать о том, что это за проблемы и как их можно эффективно решить.

Сейчас есть тысячи различных платформ для поддержки устройств интернета вещей, могут быть прошиты простые устройства (например, осветительные приборы) и более сложные (медицинские аппараты, например, аппараты искусственной вентиляции лёгких). Есть возможность самому программировать работу различных устройств на основе решений open-source (например, Arduino). Можно использовать для интернета вещей промышленные облачные решения или компьютеры. Несмотря на это разнообразие большинство компаний не уделяет должного внимания сбору данных IoT. А из-за этого инновационные проекты (в том числе проекты с применением продвинутой аналитики и искусственного интеллекта) часто оказываются провальными. Часто в проекте просто подразумевается, что данные IoT будут ждать аналитиков и data scientists в нужном месте. На практике же оказывается, что нужно приложить много усилий, чтобы собрать информацию для обработки. Существует множество различных способов взаимодействия с миллиардами датчиков, генерирующих информацию. Но из-за различных ограничений (информационная безопасность, требования вендоров и прочее) собирать данные IoT чаще всего приходится как можно ближе к датчику, который их генерирует. «Как можно ближе» значит в той же локальной сети или через физически связанный кабель. Поэтому так важно иметь возможность без проблем устанавливать программных агентов на оптимальные для сбора данных IoT участки. Кроме того, важно следить, чтобы программное обеспечение соответствовало требованиям к информационной безопасности не только на момент установки датчика, но и на протяжении всего периода его использования. Также важно учитывать, что придётся иметь дело со средами, в которые включены сотни и тысячи отдельных устройств.

Дрейф данных IoT – это постепенное изменение их формата и семантики с течение времени. Худший вариант – когда такие изменения происходят незаметно. Но гораздо чаще часть изменений всё-таки фиксируется. Например, команда замечает новый формат данных IoT, но упускает из виду изменения в семантике, неправильно заполненные или никак не запененные поля. В любом случае при сборе данных IoT нужно помнить о дрейфе, чтобы не собирать мусор. Ниже несколько распространённых подходов, которые компании обычно применяют по отношению к дрейфу.

• Самая простая стратегия – полностью игнорировать дрейф. Компании придерживаются такого подхода, когда ничего не могут сделать с этой проблемой или когда даже не подозревают о её существовании. Очень не рекомендую так делать, так как данные IoT в этом случае будут очень низкого качества.
• Также можно при изменении формата или семантики данных IoT сразу останавливать сбор информации и оповещать всех заинтересованных сотрудников об инциденте. Этот подход самый безопасный. Благодаря ему вы избежите сбора некачественных сведений, потому что какое-то время не будете собирать ничего.
• Ещё один подход – постараться передавать только качественные данные IoT в потоковую аналитику, не прекращая сбор информации как таковой. Можно не передавать отдельные поля, в которых находится некачественная информация. При этом важно сделать советующую пометку для коллег и сообщить об инциденте тем, кто сможет устранить его.
• Ещё более сложный подход – обучить систему автоматически устранять дрейф. Например, представьте себе поле «сумма», в которое всегда попадало какое-то значение, выраженной в числах, по умолчанию в какой-либо валюте. Но по каким-то причинам в это поле начали попадать не только цифры, но и название валюты. В этой ситуации система должна автоматически определить дрейф, сообщить об этом ответственным сотрудникам и самостоятельно устранить проблему.

Дрейф – одна из ключевых причин плохого качества данных IoT. Ситуацию осложняет то, что происходит дрейф в системе, которая потом будет служить источником информации для других систем. Если у вас не будет возможности тщательно мониторить ситуацию, будет очень сложно добиться того, чтобы собираемая информация была верной. Рано или поздно сбор потоковых данных IoT будет нарушен, или, что ещё хуже, некачественная информация попадёт в различные системы компании.

Мы привыкли к тому, что интернет сейчас доступен всегда. Однако всякое может произойти. К тому же в некоторых ситуациях использование интернета затруднено в принципе. Прекрасный пример этому – судоходное дело. Корабли, субмарины, трейлеры и яхты большую часть времени не подключены к всемирной паутине, остаются изолированными. А если подключение и есть, оно осуществляет через спутники и обычно очень дорогое. Операции на борту не могут зависеть от подключения к дата-центру на земле. В такой ситуации обычные подходы к мониторингу (сбор больших объёмов информации о параметрах работы и оповещения о сбоях через сервер) не работают. При этом те сведения, которые собираются на суднах, также хотелось бы использовать. Выход может быть следующий: подготовить заранее процесс сбора данных IoT (в том числе и потоковых) к перебоям с интернетом – настроить процессы эффективного сохранения информации и её последующей загрузки в системы-приёмники. Частично собранные сведения можно обработать и использовать на месте, остальные – сохранить и использовать, когда связь появится. При настройке такого сохранения и отложенного использования данных IoT необходимо учитывать целый ряд важных факторов. В частности, что должно произойти при внезапном появлении сети на несколько секунд? Будут ли более приоритетными свежие данные IoT по сравнению с более старыми? Или стоит поочерёдно загружать в системы потоковые и сохранённые сведения. О том, как справиться с другими проблемами потоковой аналитики данных IoT, читайте во второй части статьи.

Если планируете внедрение BI в своей компании, также читайте о том, как эффективно разработать стратегию для этого.

Эффективную команду нужно очень продуманно сформировать и эффективно мотивировать. Под командой я понимаю не только специалистов, которые непосредственно будут заниматься внедрением Business Intelligence, но и сотрудников других отделов, на чью работу повлияет ваш проект или от которых будет зависеть его успех. Обязательно принимайте во внимание команду в этом широком значении и увидите, насколько позитивно это отразится на ROI (возврат на инвестиции) и насколько быстрее все сотрудники компании примут нововведения. Давайте подробнее рассмотрим, кого же именно необходимо включить в эту расширенную команду. Внедрение BI потребует участия специалистов с различной экспертизой и вовлечения сотрудников из разных департаментов компании, на которые проект повлияет в будущем. Важно определить, чем каждый из них может быть полезен вашей инициативе и чем будет полезна для них она.

Как же определить тех, на чью работу повлияет ваш проект? Здесь нужно думать очень широко. Определите тех, кто будет конечными пользователями решения, которое вы внедряете. Кто будет ежедневно применять его в своей работе? На самых начальных этапах проекта пообщайтесь с представителями потенциальных пользователей. Скорее всего они поделятся с вами ценными инсайтами и помогут определить всех, кого так или иначе коснётся внедрение Business Intelligence. Положитесь на их уникальную экспертизу и учитывайте ей при подготовке списка требований к своему проекту. Перед тем, как начать собирать команду звёзд для внедрения BI, важно понять потребности тех команд, на кого ваш проект так или иначе повлияет. Как я уже говорил, постарайтесь заранее пообщаться с представителями этих команд, это поможет и эффективнее планировать внедрение BI и точнее определить план активностей и задач внутри этого проекта. Кроме того, такое общение поможет вам определить тех, чьё участие потребуется в проекте. Вы сможете составить список необходимых компетенций, отдельных направлений, которые нужно закрыть для успеха проекта. В частности, необходимо будет участие следующий трёх категорий.

Большую роль для успеха внедрения BI будет играть поддержка высшего руководства компании. Руководители компании должны выполнять роль евангелистов проекта и в то же время нести за него ответственность. Поэтому вовлечение топ-менеджмента – важнейшая задача для инициатив по внедрению BI. Именно поддержка руководства поможет добиться хорошей осведомлённости о проекте во всех отделах компании, широкой поддержки среди сотрудников и выделения достаточного бюджета. Запомните, любая инициатива по внедрению Business Intelligence должна идти сверху вниз.

Главная задача менеджеров вашего проекта – помочь команде сфокусироваться на достижении ключевых целей и правильно измерить успешность активностей. Кроме того, менеджеры должны вносить вклад в повышении осведомлённости среди сотрудников компании о внедрении Business Intelligence. Ещё одна задача для тех, кто будет управлять вашим проектом, – помочь пользователям принять новое решение, научиться эффективно его применять.

Для успешного внедрения BI необходимы будут бэкенд-разработчики и data scientists, которые возьмут на себя аналитическую часть проекта. При найме новых сотрудников в команду постарайтесь всё тщательно продумать. В команде не должно быть путаницы в том, кто и за что отвечает и кто и что делает. Составьте список всех задач проекта и подбирайте специалистов под эти конкретные задачи. Обязательно обратите внимание на то, насколько руководители разных уровней подходят для своих подчинённых, как будет налажена коммуникация между ними. Чем лучше вы всё запланируете до начала проекта, тем более гладко всё будет выполняться в итоге.

В целом визуализировать стоит все ITSM-процессы в компании. Это поможет понять, где, как и когда сотрудники, отделы и системы вовлечены в эти ITSM-процессы. Визуализация имеет большое значение для разных сфер, но, когда речь идёт о работе с инцидентами, она выходит на первый план. Ключевая задача управления инцидентами – как можно быстрее восстановить предоставление ИТ-услуг в обычном формате после того, как инцидент произошёл. Именно быстрое восстановление позволяет минимизировать негативное влияние от сбоев в работе или снижения эффективности. А для того, чтобы быстро и эффективно среагировать на инцидент, нужно чётко определить и отладить соответствующие ITSM-процессы. Сделать это эффективно можно только, если у вас есть актуальная и точная карта, схема этих ITSM-процессов. В частности, такая карта позволит:

• упростить определение ответственных на отдельных участках, а также поиск всех вовлечённых в ITSM-процессы сторон;
• упростить перевод сотрудников и их обучение;
• снизить непонимание того, как устроены ITSM-процессы в компании;
• разным командам и департаментам прийти к единой позиции по поводу управления инцидентами.

Самым большим положительным эффектом при этом станет ускорение устранения инцидентов и снижение финансовых вложений в это. Однако важно помнить, что не каждый инцидент будет соответствовать стандартной, заранее определённой модели. Например, это происходит, когда появляется новый ИТ-сервис или новая среда, случаются нетипичные нарушения информационной безопасности. Для таких ситуация в карте, где описаны ITSM-процессы, должны быть предусмотрены способы справиться с отклонениями от нормы с возможностью контролировать ситуацию. Например, могут быть указаны дополнительные активности, которые можно предпринять при необходимости. Также могут быть указаны специализированные команды сотрудников, которые можно организовать для работы с тем или иным инцидентом.

Если визуализировать ITSM-процессы в формате карты для управления инцидентами, это поможет добиться значительных успехов. Но для этого важно всё организовать так, чтобы участие в составлении карты приняли все заинтересованные стороны, результаты можно было легко повторить, а подход в целом оставался целостным и непротиворечивым. Ниже – четыре ключевых этапа, которые обязательно нужно соблюсти при построении карты ITSM-процессов для управления инцидентами.

Прежде чем вы начнёте визуализировать ITSM-процессы, определите контекст, в котором каждый из них реализуется. В каждой организации своя корпоративная культура, свои системы, структуры. Поэтому начать строит со сбора информации о ключевых аспектах управления инцидентами именно у вас. В частности, нужно обратить внимание на следующие аспекты:

• какие шаги на данный момент требуется предпринять при идентификации, логировании, категоризации, устранении инцидентов различных типов, а также при выделении приоритетных среди них и при оповещении о них.
• в какой последовательности нужно эти шаги реализовать; также важно понять, как эти шаги зависят друг от друга и есть ли возможности отступить от каких-то из них;
• какие сотрудники и подразделения вовлечены в те или иные ITSM-процессы, какие функции они выполняют.
• какой план действий заранее определён для устранения того или иного инцидента с учётом бизнес-целей или SLA, описанных в контракте, а также с учётом актуальных сведений.
• как при необходимости будет проходить эскалация, если возникнет отклонение от планов, пороговых значений или допустимого значения эффекта от инцидента, и такое отклонение потребует вмешательства ведущих технических специалистов или менеджеров.

Для того, чтобы составить качественную карту ITSM-процессов важно вовлечь всех заинтересованных сотрудников. Естественно, намного проще просто собрать самому необходимую информацию и на её основе составить карту. Но в этом случае вы рискуете упустить важные моменты в корпоративной культуре и работе систем, которые преобладают в организации при работе с инцидентами. Без этих моментов карта может оказаться неполной и не принесёт желаемых результатов. Например, рассмотрим оповещения по электронной почте о важнейших инцидентах. Сотрудники, которым эти оповещения приходят, могут быть этим недовольны. Может приходить слишком много оповещений, которые просто переполняют почту. Но работники технической поддержки могут считать, что такие рассылки – оптимальный способ рассказать об инцидентах. При составлении карты важно учитывать мнения и потребности обеих сторон. Кроме того, внутренние и внешние потребители ИТ-услуг помогут вам посмотреть на свои ITSM-процессы с нового ракурса. Потребности и успехи потребителей ИТ-услуг во многом зависят от хорошего понимания того, как в копании устроено устранение инцидентов. Важно получить от них обратную связь, чтобы гарантировать, что карта ITMS-процессов соответствует их потребностям и обобщает их требования и понимание того, как это должно быть. Также может быть полезно и привлечение подрядчиков к составлению карты ITSM-процессов. Особенно важно привлекать тех, кто уже работает с ITSM-процессами компании. Такие подрядчики могут быть полезным для понимания самых эффективных способов устранения инцидентов, которые уже были эскалированы внутренней ИТ-службой.

Итак, вы собрали всю необходимую информацию и договорились со всеми участниками, вовлечёнными в ITSM-процессы по управлению инцидентами. Теперь нужно всё это зафиксировать – составить карту, схему. Для этого оптимально использовать стандарты ISO/IEC 19510 или BPMN v2.0. Особенно полезны эти стандарты будут, если другие участники составления схемы ITSM-процессов не очень хорошо знакомы с использованием стандартов. Начните с обучающего мастер-класса, на котором участники вместе ещё раз пройдутся по финальной версии схемы ITSM-процессов. Не забудьте подготовить для этого мастер-класса маркеры, доски, стикеры и прочее. В конце важно задокументировать финальную версию, оптимально использовать для этого специализированные приложения для создания карт (например, Microsoft Visio, Draw.io или Lucidchart). Также будет нужно отметить, где ITSM-процессы начинаются, где заканчиваются, их активности и задачи, решения и точки отклонения, роли сотрудников. Всё это должно быть наглядно показано на вашей схеме, пример можно увидеть ниже. Оптимально использовать схему кросс-функциональных потоков операций. При этом важно фокусироваться на основных аспектах, избегать чрезмерной сложности (пересекающихся линий, широкого перечня типов объектов и так далее), пока все участники не разберутся в схеме. Пример того, как можно визуализировать ITSM-процессы, ориентируясь только на основных этапах по управлению инцидентами:

• Уровень детализации будет варьироваться в зависимости от целевой аудитории. Если вы сделаете одну очень детализированную, сложную схему, многие не захотят принимать участие в её согласовании и улучшении. Фокусируйтесь на простоте. Эта простота позволит вам достигнуть главной цели – обеспечить, чтобы все заинтересованные стороны хорошо представляли себе, как устроена работа с инцидентами и приняли участие в согласовании соответствующих ITSM-процессов.

Теперь, когда ITSM-процессы по управлению инцидентами визуализированы, можно активно её применять для постоянной оптимизации работы. В частности, с её помощью вы можете:

• внедрять лучшие стандарты и практики управления инцидентами;
• эффективно применять системы для поддержки управления инцидентами (например, системы управления знаниями, системы автоматического обнаружения, эскалации и устранения инцидентов).
• оптимизировать планы действий по реакции на инциденты и их устранение;
• на регулярной основе пересматривать с вовлечёнными сотрудниками ITSM-процессы, для которых составлена карта. Пересмотр нужен для того, чтобы постоянно искать узкие места и слабые точки, правильно расставлять приоритеты в соответсвии с пожеланиями внутренних клиентов и нужд бизнеса. Это поможет поддерживать соответствие карты ITSM-процессов ожиданиям бизнеса к ней.

Не забывайте о том, что максимальную пользу от составления карты ITSM-процессов можно достичь только если все вовлечённые сотрудники смогут договориться о ролях, активностях и показателях успешности.

BI-дашборд – это информационное табло, на котором отражаются важнейшие показатели, полученные в ходе обобщения данных. Ели сомневаетесь, нужны ли вам BI-дашборды, читайте другую статью блога.

Все хотят извлекать больше пользы из своих данных. Но, как это сделать, дня многих остаётся загадкой. Ниже вы найдёте практические рекомендации по созданию качественных BI-дашбордов, которые помогут извлекать из данных максимальную пользу. Хорошо структурированный и понятно организованный BI-дашборд позволяет пользователям принимать более эффективные управленческие решения на основе данных. Но, как понять, что ваш BI-дашборд именно такой и вам не придётся их постоянно переделывать и тратить впустую время? Скорее всего, вы уже знаете, насколько большое значение имеет планирование и коммуникация между сотрудниками при построении BI-дашбордов. В этой статье мы подробнее остановимся на визуальной организации информации и ей структурировании. Для этого мы на примере двух BI-дашбордов рассмотрим типичные ошибки, которые могут возникать при этом, и как их можно избежать. Давайте построим для одного и того же набора данных два разных BI-дашборда. Один проиллюстрирует ошибки, второй станет примером хорошей читаемости и наглядности найденных в данных инсайтов. Позитивные и негативные аспекты каждого BI-дашборда хорошо видны, поэтому вы сможете многому научиться благодаря им.

На BI-дашборде, который я даю ниже, представлено много информации, но в целом она не отвечает ни на один важный для бизнеса вопрос. Получается довольно иронично: целое – меньше, чем сумма его частей. Для кого этот BI-дашборд? Что он должен рассказать? По сути, он составлен наугад. Нет никакой логической общей линии, которая предписывала бы, как отчёт должен быть прочитан. BI-дашборд никак не показывает, в какой последовательности нужно перемещаться из одной секции отчёта в другую. Он не помогает понять, что нужно в нём искать и где это можно найти. Мы видим только разрозненные фрагменты. Они могут быть нам полезны, но в общее понимание они не складываются. Сложно выявить бизнес-инсайты, на основе которых можно действовать. У некоторых из столбцов внутри BI-дашборда даже нет заголовков, нельзя понять, какая информация в них отображена. Кроме того, хотя некоторые KPI и представлены на этом BI-дашборде, они оказываются бесполезными из-за отсутствия контекста, который помог бы их понять. Если втиснуть все доступные данные в один BI-дашборд, он не станет от этого эффективнее. Оптимально выделить что-то ключевое и дать для этого контекст, чтобы было понятно, как в целом соотносится вся информация.

Теперь вы знаете, что делать не нужно. Давайте теперь обсудим, что нужно. Прежде всего, ставим ясное название в начале: «BI-дашборд по тестированию ПО». Теперь сразу ясно, что BI-дашборд помогает понять показатели того, как пользователи взаимодействуют с тестовой версией программного обеспечения. Кроме того, хорошо виден ключевой показатель (общее количество часов, проведённых на сайте) в верхнем левом углу. Остальная часть BI-дашборда заполнена графиками, которые создают контекст для этого ключевого показателя. Другими словами, BI-дашборд даёт хорошо структурированное понимание этого ключевого показателя и объясняет, почему у него именно такая динамика изменений. Ещё один вопрос, на который отвечает визуализация, – кто проводит время на сайте и что они в это время делают. Представленные в BI-отчёте цифры представлены в последовательности, которую легко понять, понять их помогают контекстуальные данные. Кроме того, пользователи BI-дашборда могут копнуть глубже, чтобы ответить на дополнительные вопросы по мере их возникновения. Ниже вы можете увидеть ключевые элементы такого дизайна BI-дашборда и как они вместе создают общее впечатление от него. Надеюсь, теперь стало понятно, как визуальные элементы создают общее впечатление от BI-дашборда, и помогают его пользователям более эффективно принимать решения. Если у вас остались вопросы, присылайте их на почту info@dis-group.ru

О том, что такое BI читайте в статью Что такое Business Intelligence и что мешает его работе.

Большинство экспертов уже давно говорят о том, что для успешного ведения бизнеса необходимо научиться извлекать пользу из данных. Рынок зашёл настолько далеко, что никто уже не будет спорить с тем, что в основе бизнеса любой компании – данные. Это значит, что в любой организации из любой индустрии должен быть инструмент для BI и отдельная стратегия для эффективного применения этого инструмента. В Sisense я руковожу командой консультантов по BI. На основе своего опыта я могу сказать, что проекты по использованию Business Intelligence со стратегией оказывались намного более успешными, чем те, у которых стратегии не было. Стратегия играла важноe значение на всех этапах использования платформы BI: и при установке, и при внедрении, и при использовании.

Стратегия BI – то, что позволяет бизнесу измерять свою эффективность, находить свои конкурентные преимущества, извлекать пользу из майнинга данных и статистических методов. Любая организация уже давно генерирует данные. Вопрос только в том, как она их использует, насколько эффективно выстраивает свою стратегию BI. Ниже – пять шагов для построения стратегии, которая обеспечит максимальную пользу для вашего бизнеса.

Успешная стратегия развития компании предполагает движение от описательной аналитики (что произошло) к диагностической аналитике (почему это произошло), потом – к предиктивной (что произойдёт) и предписательной (что нужно сделать, чтобы это произошло). Все эти этапы эволюции выделяет Gartner. Если говорить о далёком будущем, в нём будет преобладать когнитивная аналитика (аналитика, которая повторяет схемы работы человеческого мозга). Чтобы знать, куда вы движетесь, нужно понять, на каком этапе аналитики вы сейчас находитесь. Большинство компаний занимаются в основном описательной аналитикой и диагностической. Скорее всего, у вас уже автоматически формируется отчётность в том или ином виде. Отчёты помогают понять, что нового в данных, визуализировать их до определённой степени. Они скорее всего уже приносят значительную пользу бизнесу, но следующие этапы аналитики могут приносить ещё больше пользы. На эти этапы можно сравнительно легко перейти, если выстроить правильную стратегию BI.

На этом этапе нужно решить, какую бизнес-цель данные должны помочь вам достичь в ходе реализации вашей стратегии. Чем тщательнее вы планируете свои бизнес-цели, тем успешнее вы будете. Важно, чтобы ваши данные отвечали на конкретный бизнес-вопрос или могли решить конкретную проблему. Хотите стать эффективнее? Найти узкое место в R&D-процессе? Хотите делиться своими знаниями с клиентами? Стремитесь добавить ценность своему решению? Со всеми этими задачами могут помочь данные. Предиктивная и предписательная аналитика, позволит ответить вам на очень широкий круг вопросов. Сможете ли вы выполнить поставленные цели к концу года? На какой сегмент рынка лучше всего ориентироваться вашей организации? Какой набор продуктов вам стоит предлагать на рынке? Кто в компании вносит самый большой вклад в продажу продукта или услуги? Есть ли какой-то набор параметров, который в большей степени определяет успех вашего бизнеса, что важно принимать во внимание. Мой опыт работы с целым рядом клиентов показывает, что лучше всего начать с финансовых данных и данных по продажам. Если вы сможете найти полезные для бизнеса инсайты в этой сфере, это может значительно повлиять на развитие вашей организации. Возьмём, например, рост прибыли. Для того, чтобы его проанализировать, сначала нужно собрать всю релевантную информацию. Это могут быть данные из Salesforce, ERP-системы (например, Oracle), из каких-либо маркетинговых инструментов, в которых хранятся клиентские данные. У больших компаний запутанные наборы приложений с множеством точек соприкосновения с клиентами. Эти приложения собирают очень большие объёмы информации. Всю эту информацию нужно будет оценить, чтобы понять, какие технологии будут релевантны для решения отдельных задач. Этот же детальный подход позволит определить, какие наборы данных нужны для ваших задач. Также важно держать в голове то, каких типов данных не хватает. Нехватка каких-то сведений может помешать вам получить более полную картину ситуации. Более этого, в будущем это может помешать вашей компании перейти от описательной и диагностической аналитики к предиктивной. В конце этого этапа вы должны определить KPI, к которым вы планируете стремиться в ходе реализации своей стратегии BI. Кроме того, нужно получить чёткую карту источников данных, которые вы планируете при этом использовать. О следующих шагах читайте во второй части статьи. Также читайте статью BI или автоматизация формирования отчётности. Что выбрать?

О том, что такое BI читайте в статью Что такое Business Intelligence и что мешает его работе. Первые два шага к успешной стратегии BI – в первой части статьи.

Итак, мы определились с целями и разработали план по их достижению. Но, прежде чем начать его реализацию, необходимо определиться с тем, как пользователи будут пользоваться BI-решением, которое вы запустите. Вам может показаться это очевидным. Однако именно этот момент будет одним из ключевых для вашей стратегии. Здесь есть два подхода.

Некоторые организации предоставляют широкому кругу конечных пользователей возможность использовать интерактивные дашборды для анализа данных. Этими конечными пользователями могут быть представители бизнеса – так называемые гражданские data scientists. По сути, таким гражданским data scientist не нужны какие-то дополнительные знания кроме понимания того, как получить данные, которые им нужны для решения задач. При необходимости, этим сотрудникам предоставляется доступ к более широкому перечню систем, а не только к дашбордам. При составлении стратегии BI в компании с децентрализованным подходом вам нужно в первую очередь фокусироваться на гражданских data scientists. Именно им нужны данные для качественных инсайтов, на основе которых они будут принимать решения. Именно они определяют, какие потребности в области работы с данными есть в том или ином отделе компании. В больших компаниях децентрализованный подход позволяет избежать узких мест, которые возникают, когда ИТ-отдел или офис CDO полностью контролирует работу с данными и их аналитику.

При централизованном подходе распространение данных строго контролируется, в том числе контролируется то, кто видит информацию, и кто может её использовать или менять. Рассмотрим пример американской биржи Nasdaq. В стратегии компании для BI учитывается, что в компании есть много чувствительной информации и много каналов распространения. Кроме того, учитывается, что для лучшего управления данными важно достичь единой версии правды для многих записей. Опираясь на эту стратегию, Nasdaq позволяет своим клиентам работать с дашбордыми, но не даёт возможности работать напрямую на моделях данных. Клиенты могут копнуть немного глубже, чтобы получить больше деталей. Но в целом данные Nasdaq строго контролируются на уровне системы, объектов, на уровне данных и низкоуровневой безопасности. Выбор между централизованным и децентрализованным подходом за вами. Кроме того, на этом этапе важно продумать, как будет проходить внедрение инструмента BI, как вы будете встраивать его в сайт или приложение, как вы будете масштабировать его в будущем, как вы будете выходить из тестовой среды в продуктивную, как будете замораживать в это время код. Также важно продумать, как вы будете рассказывать о внедрении BI внутри компании и клиентам. Здесь можно сделать e-mail-рассылки, организовать мероприятия, тренинги, PR-активности и прочее. Обсудите все эти моменты с членами своей команды, руководством и всеми, кто будет вовлечён в процесс внедрения BI. Позже вы будете благодарны сами себе за это.

Что-то определиться само собой, когда вы решите, как будет проходить распределение данных и обмен ими в компании. Например, если вы выберете для себя централизованный подход (где конечный пользователь не может сам выбирать, с какими источниками данных работать) вам нужно будет сфокусироваться на подготовке качественной технической документации и обучении сотрудников. Если вы выберете децентрализованный подход, вам стоит провести короткие циклы релизов инструмента BI, собрать по каждому обратную связь и учесть её в финальном релизе. На этом этапе нужно определиться со всеми ключевыми моментами, на которых нужно сконцентрироваться.

К этому этапу вы уже определили свои задачи и поняли, какие данные вам нужны для их выполнения. Теперь нужно понять, что или кто стоит между вами и этими данными. Данные могут храниться в базах, могут быть размещены где-то у компаний-партнёров, подрядчиков или поставщиков. Например, ваша компания может отдавать какие-то задачи в области HR на аутсорс (например, наём сотрудников). Компания может пользоваться услугами подрядчиков для управления маркетинговыми компаниями (например, Marketo) или услугами в области финансов (Quickbooks). Всё это приведёт к тому, что данные будет непросто соединить и определить их структуру перед использованием. Иногда для данных, которые хранятся у партнёров, подрядчиков и поставщиков, может быть достаточно простого API для импорта данных. А, чтобы получить доступ к данным из ИТ-отдела внутри компании – разрешения руководства. Но в любом случае все эти моменты потребуют выделения отдельного времени и ресурсов, которые нужно заложить в стратегию BI. Также проблему могут создавать сотрудники, которые принимают участие в реализации стратегии. Не забудьте заранее распланировать, сколько человеческих ресурсов вам потребуется не только для первого запуска BI-инструмента, но и для будущих изменений и дополнений.

Я твёрдо верю в то, что можно извлечь значительную пользу из данных и стратегии BI. Я много раз был свидетелем того, как на дашбордах находили важнейшие для компании инсайты, которые полностью меняли бизнес. Важно понимать, что в любом случае вашему бизнесу нужна цифровая трансформация, и вам в любом случае не обойтись без эффективной BI стратегии. Также читайте статью BI или автоматизация формирования отчётности. Что выбрать?

В чём отличие между решениями BI и решениями для автоматизации формирования отчётности, что выбрать и как их совместить, рассказывают эксперты Sisense. И решения для автоматизации формирования отчётности, и решения BI помогают повысить эффективность бизнеса. Но делают они это по-разному. Первые позволят сотрудникам компании быстрее и проще формировать отчёты из бизнес-данных без необходимости дополнительно их анализировать. Вторые – упростят исследование данных, а также позволят быстро и бесшовно на основе этого исследования масштабировать отчётность.

Такое решение подойдёт вам, если вы хорошо знаете, какая информация и какие оповещения обычно нужны сотрудникам в вашей компании для ежедневной работы. Рассылка готовых отчётов позволяет бизнес-пользователям быстро и легко получать доступ к информации из системы хранения данных. На основе этой информации сотрудники могут оперативно понять, что произошло в компании и как функционируют различные части бизнеса. Автоматические отчёты могут формироваться в фиксированные интервалы времени. Например, вы можете каждую пятницу получать сведения по продажам за неделю. Также можно настроить, чтобы отчёт формировался при определённых условиях. Например, вам будут приходить уведомления, когда количество неотправленного покупателям товара достигает критичного уровня. Кроме того, решение для автоматизации формирования отчётов позволяет равномерно распределить их рассылку в течение дня. Благодаря этому можно избежать сбоев в пиковые часы, когда отчёты наиболее востребованы.

BI помогает проактивно собирать данные, чтобы понять, почему и как происходят определённые вещи. Например, вы можете собирать информацию из разных источников (данные отдела продаж и данные с производства, данные из CRM-системы), чтобы увидеть, как доход от продаж одного товара влияет на чистую прибыль от другого. Или на основе этой информации заметить, что спад производства происходит в одно и то же время и понять, как это предотвратить. Цель BI – получить полезные инсайты, которые помогут вам лучше увидеть, как функционирует ваш бизнес и при необходимости что-то улучшить.

Можно сказать, что использование BI начинается, когда вы оцениваете готовый отчёт и решаете для себя, как будете действовать на основе информации в нём. Как лучше всего понять свои данные, найти в них связи, закономерности и возможности для повышения рентабельности и производительности? Разные данные нужно качественно сравнить, исследовать их и критически оценить. Правильное решение BI помогает вам интуитивно всё это сделать и понять информацию из практически любого количества источников. Кроме того, в качественных решениях BI есть интерактивные дашборды (дашборд в BI – это визуальное представление наиболее важной информации в рамках одного экрана), которые автоматически обновляются по мере того, как поступают новые данные. Всё это помогает вам делать свой бизнес более дата-центричным. Хотите совместить преимущества системы автоматического формирования отчётности и решения в области BI? Это возможно.

Такие приложения BI позволят извлекать двойную пользу. Вы можете использовать его как единый репозиторий для данных, где разные пользователи могут по-разному анализировать одни и те же данные. Такое приложение станет единым источником данных, в котором сотрудники компании смогут находить для себя информацию, связи между данными и полезные инсайты. С другой стороны, внутри такого решения можно настроить автоматическое составление и рассылку отчётности или вместо этого использовать интегративные дашборды. Пример такого комплексного решения BI c функцией автоматического формирования отчётности – платформа Sisense.

• Онлайн платформа для оплаты медицинских услуг Simplee полностью исчерпала потенциал Excel. Excel-таблица данных компании включала в себя пятьдесят миллионов строк для анализа, составление одного отчёта занимало шесть дней. После внедрения Sisense стало возможным это делать за один день. Процесс сведения всех данных из разных источников в один отчёт стал не только быстрее, но и проще.
• Онлайн-казино Casumo тратило по две недели на подготовку общего отчёта по бизнесу компании, а бизнес-пользователи заваливали ИТ-департамент запросами по индивидуальным отчётам. Благодаря комплексному решению BI Sisense не ИТ-специалисты сами могут формировать отчётность и быстро создавать собственные дашборды. Решение при этом легко масштабируется по мере роста объёмов данных компании и расширения потребностей пользователей.
• Сотрудники ИТ-компании Centre Technologies вручную объединяли данные из множества источников для подготовки отчётности. На это уходили недели, а отчёты получались длинными и сложными для понимания. Компания внедрила Sisense. Теперь отчёты формируются быстро и в понятной пользователям форме. Кроме того, Sisense помогает автоматизировать и верифицировать сложные процессы выставления счетов в компании.
• Маркетинговому агентству полного цикла The Lukens Company (TLC) нужно было обрабатывать данные очень большого объёма для себя и своих клиентов. Sisense обеспечил сотрудников компании и её клиентов быстрым и лёгким доступом к отчётам. Продуктивность работы компании выросла на 25%, компания смогла вывести на рынок новые продукты и услуги.
• Онлайн-маркетплейсу Juwai.com было необходимо формировать отчёты из множества источников, текстовые данные в которых хранились в формате китайских иероглифов и букв латинского алфавита. Новые данные при этом генерировались очень быстро. Sisense помог автоматизировать формирование отчётности сделать этот процесс гибким, оперативным и легко подстраивающимся под изменения в реальном времени.
• Популярный сайт для поиска жилья для студентов Kamernet также решил автоматизировать формирование отчётности с помощью комплексного решения BI Sisense. Автоматизация позволила большему числу сотрудников компании создавать собственные отчёты, анализировать долю компании на рынке, улучшать понимание эффективности бизнеса без увеличения нагрузки на ИТ-отдел.

Хотите узнать больше про BI? Присылайте свои вопросы на почту info@dis-group.ru