Подробности истории успеха читайте здесь.

Большие онлайн-компании, такие как Google, Yahoo и eBay, уже давно доказали, что можно эффективно выстроить бизнес на основе аналитики данных. В этих организациях преобладает аналитическая корпоративная культура, в основе которой – данные, измерения и хорошо измеримые результаты. Именно эта культура и направляет и обуславливает корпоративные решения и активности. Недавно два именитых исследователя в области аналитики данных – Томас Давенпорт и Джилл Дичет – подготовили отчёт для Международного института аналитики. В нём они утверждают, что мы приближаемся к той точке, когда уже нетехнические компании и компании, основной бизнес которых не онлайн, постепенно начинают ориентироваться на аналитику данных, становятся частью появляющейся дата-центричной экономики. В нём же они обнародовали результаты своего исследования: они опросили специалистов из 20 крупных компаний. Исследование показало, что аналитика больших данных уже довольно хорошо интегрирована в цикл принятия управленческих решений. «Самые крупные организации в различных отраслях присоединяются к экономике данных», – замечают авторы отчёта. «Компании не разделяют традиционную аналитику и Big Data, они комбинируют их, синтезируют их». Давенпорт и Диче называют это «Аналитикой 3.0». Она уже не ограничивается управлением данных и ИТ-департаментами. Она встроена во все ключевые организационные процессы. А это значит, что она может оказывать трансформирующий эффект на организацию. «Мало сомнений в том, что аналитика может трансформировать организации. А компании, которые станут лидерами Аналитики 3.0 получат самую большую выгоду», – продолжают они. Давенпорт и Диче уточняют, что Аналитика 3.0 – этап развития аналитики данных для принятия бизнес-решений. Первые два этапа – Аналитика 1.0 и Аналитика 2.0.

Аналитика 1.0 была распространена в 1954-2009 гг. Для неё использовались сравнительно небольшие объёмы структурированных данных из внутренних корпоративных ресурсов. В то время в бизнесе использовались статистические методы анализа данных, описательная аналитика и простой поиск.

Аналитика 2.0 – это 2005-2012 годы. Это период развития больших онлайн-компаний: Google, Yahoo и eBay. Они использовали хранилища данных и предписательную аналитику для того, чтобы таргетировать своё предложение на клиентов и подстроить его под их потребности. Этот период определялся возрастающей конкуренцией среди организаций в области аналитике. В ходе этой конкуренции данные начали применяться для стратегического принятия бизнес-решений.  «Однако крупные компании часто ограничивались тем, что анализировали базовые домены информации (клиентской и продуктовой), данные были хорошо структурированы и редко интегрированы между собой», – уточняют авторы.

В эпоху Аналитика 3.0. традиционные методы анализа данных уже интегрированы с новыми и с технологиями в масштабах всей организации. Эта новая эпоха сочетала в себе «лучшее из предыдущих этапов развития: Big Data и традиционную аналитику, чтобы получать инсайты и рекомендации на больших скоростях и с большим значением для бизнеса», – объясняют Давенпорт и Диче. Ключевая характеристика Аналитики 3.0 в том, что «не только онлайн-компании, но и любые другие организации из всех индустрий, могут принимать участие в дата-центричной экономике. Банки, промышленные предприятия, предприятия здравоохранения, ритейлеры, которые хотят использовать подобны возможности, могут это делать. Они могут разработать на основе данных рекомендательные системы для клиентов или применить Big Data для принятия управленческих решений». Для того, чтобы проиллюстрировать применение Аналитики 3.0 в разных индустриях, Давенпорт и Диче рассказывают кейс одной из ведущих логистических компаний. Она смогла внедрить недорогие датчики для своих грузовиков, прицепов и контейнеров. «Эти датчики мониторят местонахождение, водительское поведение, уровень топлива, загрузку прицепа или контейнера. Данные анализируются и на их основе принимаются решения (например, по распределению заказов среди перевозчиков). Качество таких решений постоянно растёт. А использование предписывающей аналитики (используется для выбора оптимальной тактики) помогла изменить должностные роли и отношения». «Войти в эпоху Аналитики 3.0 предприятию помогают новые технологии и методы анализа данных, включая разнообразные архитектуры программного и аппаратного обеспечения, кластеры для параллельной обработки (Hadoop, MapReduce), in-memory аналитика и обработка данных в базах данных, – добавляют авторы. – Все эти технологии значительно быстрее, чем предыдущие поколения технологий для управления данными и аналитики. То, на что раньше могли уйти часы и дни, теперь можно осуществить за секунды». Ключевая черта предприятия, которое основывается в своей работе на аналитику больших данных, – способность быстро доводить до конца активности, которые обречены на провал. Это помогает им с большой частотой получать промежуточные результаты. С развитием новых «гибких» методов анализа данных и техник машинного обучения, теперь организации могут получать «инсайты на гораздо больших скоростях» и справляются с «постоянной срочностью задач». Возможно, важнее всего то, что Big Data и аналитика интегрированы друг с другом и встроены в корпоративные процессы всей компании. «Модели в Аналитике 3.0 часто встроены в операционные процесс и процессы принятия решений, а это значительно увеличивает скорость их работы и их эффективность, – продолжают Давенпорт и Диче. – Некоторые встроены в полностью автоматизированные системы на основе скоринговых алгоритмов или правил на основе аналитики. Некоторые – в продукты и функции, ориентированные на потребителя. В любом случае встраивание аналитики в системы и процессы не только ускоряют получение результатов. Оно ещё не позволяет тем, кто в итоге принимает решения, уклоняться от использования аналитики. А обычно это очень хорошо для бизнеса». Используете Аналитику 3.0, самые инновационные методы анализа данных и передовые технологии, а положительного результата нет? Читайте другую статью блога.

В последнее время много обсуждаются «тёмные данные» и «тёмная аналитика». Эти термины относятся к информации, которая хранится там, где анализ и обработка данных недоступны – в тени. Среди таких мест – электронные таблицы на компьютерах сотрудников. Также данные могут оставаться «в тени», потому что сформированы как результат анализа или оценки существующих источников данных. Например, видеосъёмка выражения лица клиента, когда он смотрит на товары в вашем магазине, – это «тёмные данные». Вопрос только в том, можно ли их как-то идентифицировать и зафиксировать? По мере развития искусственного интеллекта и машинного обучения всё больше данных выходит «из тени». «Ценные инсайты получают из «тёмных данных» посредством решения проблем статистического анализа в больших масштабах», – считает Абхишек Будхолия, Future Market Insights, который недавно опубликовал анализ рынка «тёмной аналитики». «Тёмная аналитика», – продолжает эксперт, – помогает лучше понять нереализованные возможности. В большей степени эти возможности – в области продаж и маркетинга». Тренды в области продаж, производства и дистрибуции – также потенциальные кандидаты для применения аналитики такого рода. Некоторые аналитики причисляют к «тёмным данным» и те, которые можно собрать в даркнете (закрытый сегмент интернета, куда можно попасть только с помощью специального ПО). Однако большая часть возможностей скрывается в хорошо известных и ничем не примечательных источниках. Например, в сырых текстовых данных, «которые могут включать в себя текстовые сообщения, документы, адреса электронной почты, видео и аудиофайлы, изображения», – указано в отчёте, подготовленном Трейси Кэмбис, Нитин Миттал, Сандип Кумар Шарма (консалтинговая компания Deloitte). Большая часть этого может быть скрыта в «глубинной Сети» (страницы сайтов, которые не индексируются поисковыми системами). Хорошие новости в том, что во многих организациях данные легко вывести из тени: они уже находятся под рукой. «Во многих компаниях большие объёмы структурированных и неструктурированных данных лежат без дела», – указывает Кэмбис и её соавторы. «Обычно сложно создать эффективно работающие связи между разрозненными дата-сетами. Например, большая страховая компания соотнесла схему домашних адресов сотрудников и распределения парковочных мест и уровень их удовлетворённости рабочим местом и уровнем удержания работников в организации. На основе этого они смогли понять, влияет ли путь от дома до работы на текучку кадров». «Данные, которые находятся в тени, могут включать в себя «ценную информацию о расчёте цен, клиентском поведении и конкурентах. При этом она может быть погребена в традиционных неструктурированных данных, – добавляют сотрудники Deloitte. – Неиспользуемые данные включают в себя адреса электронной почты, заметки, сообщения, документы, логи и уведомления, полученные с устройств интернета вещей и даже данные на иностранных языках, которые были собраны на зарубежных рынках и не были переведены. Причина того, что эту информацию не используют, может быть в том, что её не помещают в реляционные базы данных. Кроме того, для того, чтобы начать её эффективно применять до недавнего времени не существовало необходимых инструментов и техник».

Технологии уже открыли многие источники данных, которые не использовались раньше. «Стратегические и операционные инсайты, а также инсайты о клиентах, погребены в больших объёмах сырых данных, которые генерируют транзакционные системы, социальные сети, поисковые системы и другие источники», – замечает Будхолия. Среди технологий, которые делают анализ и обработку данных доступнее – «распределённая архитектура, обработка данных in-memory, машинное обучение, визуализация, когнитивная аналитика. Они помогают подтвердить или прояснить предположения, определить ценные наборы данных и инсайты, информировать тех, кто принимает решения, помочь наметить новые стратегии». Вывести данные из тени поможет и искусственный интеллект и машинное обучение. «Используя компьютерное зрение (способность идентифицировать объекты, сцены и активности в изображениях), продвинутое распознавание образов, анализ видео и аудио, компании теперь могут заниматься обработкой данных и их анализом, даже если они нетрадиционных форматов. А это поможет бизнесу лучше понять клиентов, сотрудников, операционную деятельность и рынок».

Камбис и её коллеги дают следующие рекомендации по тому, как максимально использовать «тёмные данные», когда они в конце концов станут доступными.

Это прежде всего должны делать бизнес-специалисты, но ИТ-специалисты должны направлять и поддерживать их. «Работайте с бизнес-командами, чтобы выявить отдельные вопросы, ответы на которые могли бы помочь найти тёмные данные. А также – определить потенциальные источники для аналитики и нереализованные возможности». Такими источниками могут быть – видео или общественное мнение в социальных сетях, ценность которых ещё не была отмечена в компании.

«Расширяйте свои данные с помощью демографической информации, информации о местоположении, статистики, чтобы создавать более полные и детализированные отчёты и находить полезные инсайты».

Data scientists – важный ресурс. Но кроме них вам будут нужны будут специалисты с умениями в области визуализации, графического дизайна, традиционных умений в области обработки данных, управления мастер-данными и архитектурами данных.

«Информацию проще понимать, когда она представлена в форме инфографики, дашборда или любом другом визуальном формате».

Business Intelligence (BI) – методы и инструменты, которые помогают компаниям использовать данные для бизнес-целей. Инструменты BI уже широко применяются во многих компаниях. ERP-системы (Enterprise Resource Planning) автоматизируют учёт и управление. CRM (Client Relational Management) управляет отношениями с клиентами. К Business Intelligence можно отнести и ETL-инструменты, которые интегрируют и трансформируют данные. Сейчас использование данных для бизнес-целей набирает всё большую популярность. Такая популярность вызвала изменения и в Business Intelligence. Не так давно BI-инструменты работали на персональный компьютерах и составляли отчёты на основе ограниченных данных или собирали данные в аналитические кубы (OLAP-кубы, многомерные массивы данных). Теперь Business Intelligence собирает данные и аналитику со всей компании. Всё реже BI функционирует на персональных компьютерах. Однако так же, как и раньше, применение Business Intelligence ограничено, полностью его потенциал не реализован.

Синди Хаусон — вице-президент по исследованиям исследовательской компании Gartner. В своей книге «Успешный Business Intelligence: раскройте ценность BI и Big Data» она рассуждает о том, что мешает компаниям извлекать максимальную пользу из BI. Синди отмечает, что успех Business Intelligence зависит в большей степени от одного фактора – корпоративной культуры в организации. Корпоративная культура всегда имела важное значение для внедрения новых инициатив. Но для BI, она играет главную роль. Некоторые компании уже смогли изменить свою культуру так, чтобы она подходила для эффективного Business Intelligence, и распространить её на все сферы деятельности организации. Но для большинства решение этой задачи остаётся проблемой. Хаусон приводит пример того, как корпоративная культура тормозит BI. «У компаний много данных и естественно они ценят эти данные. Но иногда сотрудники бояться делиться данными друг с другом и с аналитиками. Они понимают, что, когда они начнут показывать данные, кто-то может попасть под угрозу увольнения. Данные могут выявить, что кто-то принимает неправильные решения. Возможно, они покажут, что кто-то потратил миллионы долларов в погоне за сегментом рынка или продвижении продукта. А прибыли, которую планировалось получить от этих инвестиций, на самом деле нет». Важно донести до сотрудников, что данные – это инструмент, который поможет увидеть проблемы и подкорректировать курс действий или использовать новые возможности. А не инструмент для того, чтобы наказать или разоблачить сотрудников, или целые отделы. Заниматься этим должно руководство организации. «Под руководителями компании я понимаю не только директора ИТ-отдела, но и генерального директора, и управляющего или операционного директора, руководителя отдела маркетинга, – объясняет Хаусон. – Корпоративная культура и руководство тесно связаны, сложно отделить одно от другого».

Ещё одну проблему использования Business Intelligence озвучил Бред Питерс, генеральный директор Birst. По его мнению, корпоративная культура мешает также перемещению данных и их анализа в облако. Такое перемещение необходимо, потому что облако обеспечивает большую масштабируемость и доступность для инициатив Business Intelligence. В своём недавнем интервью для издания Diginomica Бред Питерс рассказал, что ИТ-отделы могут сознательно тормозить использования облака. Они могут бояться, что из-за него их исключат из цепочки работы с данными. К тому же, существует мнение, что как только данные для BI попадут в облако, «с ними будет сложнее работать». Облачные сервисы, которые используют сразу несколько клиентов, имеют свои системы безопасности и протоколы. А это может ограничивать способность пользователей манипулировать данными или парсить их. Облачные сервисы, такие как Salesforce применяются всё шире. Это постепенно уменьшает сопротивление идее размещения BI в облаке. Особенно облака для работы с данными актуальны для организаций, чьи сотрудники находятся в разных городах и странах. При этом Питерс замечает, что он «не питает иллюзий, что переход Business Intelligence в облако произойдёт в одночасье». Вы уже создали прекрасную корпоративную культуру для работы с данными в своей компании, но BI все равно работает не так, как вы этого хотите? Ищите ещё подсказки по этой теме в статье Почему анализ данных не приносит пользы вашей компании.

Сейчас все увлечены анализом больших данных и его инструментами – искусственным интеллектом и машинным обучением. В компаниях устанавливаются мощные инструменты и платформы. Многие учебные заведения организуют программы по обучению data scientists и аналитиков. Но значительных успехов пока достигнуть не удалось. В чём же загвоздка? По большому счёту, компании сами себе мешают развиваться в этом направлении. Анализ данных кажется самым простым путём к большим прибылям. Почему тогда «все компании давно уже не монетизируют данные и не достигают успеха благодаря этому?» – задаются вопросом Нико Мор и Хольгер Хюртген из McKinsey в своём недавнем исследовании. Для анализа данных есть все необходимые технические инструменты. Но «технические задачи всегда проще всего решить», – объясняют специалисты McKinsey. В то же время большинство компаний «всё ещё не могут эффективно использовать их из-за своей корпоративной структуры. Проблемы возникают при налаживании связей между ИТ-отделом и бизнесом. Иногда непросто правильно перевести технические термины в бизнес-понятия. Самым сложным может оказаться переход от принятия решений на основе «внутреннего ощущения» к решениям, которые будут базироваться на анализе данных». В своём исследовании эксперты McKinsey подробнее рассказывают о ключевых организационных проблемах, которые не дают компаниям успешно применять анализ данных и Big Data.

В большинстве организаций data scientists и бизнес-команда работают отдельно. «Это приводит к тому, что бизнес не понимает, какие задачи реально решить с помощью «науки о данных». А data scientists разрабатывают решения, которые по сути не нужны бизнесу».

Анализ данных помогает получать инсайты (полезные для бизнеса закономерности). Но большинство компаний вообще никак не используют их. А те, кто начинает применять такие инсайты, обычно не доводят дело до конца. Сначала организации воодушевляются анализом данных. Они запускают несколько пробных моделей, чтобы посмотреть, работают ли они. «Однако обычно эти пробы изолированы друг от друга и почти никогда не превращаются в успешные бизнес-кейсы. Об их масштабировании речи не идёт совсем», – объясняют авторы исследования.

Значимых результатов можно добиться, только если «анализ данных активно применяется во всей организации. Это требует инициативы и постоянного контроля со стороны руководителя проекта (будь то CDO, CIO или кто-то ещё). У него должны быть полномочия проводить ориентированную на данные трансформацию бизнеса. Но многим компаниям ещё предстоит это организовать у себя». Мор и Хюртген дают несколько советов, как компаниям перестать мешать самим себе с анализом данных.

• Не нужно двигать данные вперёд, лучше верните бизнес назад. Для начала определите бизнес-задачи, которые нужно решить. Только после этого можно начинать искать модели и данные, которые будут использоваться для их решения. Но никак не наоборот.
• Постоянно держите ИТ-отдел в курсе всего. «Возможно вам понадобиться обойти стороной ИТ-отдел на первых этапах. Это может понадобиться, чтобы начать побыстрее и побыстрее проверить эффективность анализа данных в компании. Но потом вам точно будет нужно регулярно и много привлекать отдел информационных технологий, чтобы масштабировать свои инициативы».
• Научитесь постоянно работать в режиме agile. «Риск неудачи не велик, выиграть можно много, поэтому подход вашего бизнеса должен стать экспериментальным, строиться по принципу «попробуй и поймёшь».
• Мотивируйте сотрудников действовать в соответствии с инсайтами, которые были получены с помощью аналитики данных. Авторы исследования McKinsey замечают, что очень важно изменить управление бизнес-процессами в организации. «Бизнес-пользователи должны доверять результатам анализа данных и действовать на их основе», – считают они.

Ваша организация только планирует серьёзно заняться анализом больших данных, а data scientist в штате пока нет? Читайте другую статью Джо Маккендрика о том, кто может стать data scientist. Возможно, вы сами сможете применять «науку о данных» на практике или делегируете эти обязанности кому-то из аналитиков или программистов в штате своей компании. Читать статью по ссылке: Что нужно, чтобы стать data scientist?

Начало статьи читайте по ссылке: Ценность Big Data: висит груша, нельзя скушать. А вы научились монетизировать?

Те данные, которые вы собираете, — ваш новый «цифровой продукт». Именно так вы должны позиционировать Big Data перед теми, кому собираетесь их продавать. Big Data давно уже стали полноценным «продуктом». Такие компании, как Nielsen Acxiom, D&B, TransUnion, Equifax, Bloomberg и IMS уже строят свой бизнес вокруг них. Эти компании продают возможность использовать свои необработанные данные, как если бы те были частью инфраструктуры. Вы должны равняться на такие примеры. Как и при выводе любого другого продукта на рынок, прежде всего необходимо оценить текущую ситуацию. Для этого честно ответьте себе на следующие вопросы:

• Доля рынка. Управляет ли ваша организация по крайней мере 20% основных транзакций на рынке?
• Новаторство. Является ли ваша организация первой, второй или, по крайней мере, входит ли она в 50% компаний своей индустрии, которые первыми выводят Big Data на рынок? Если это так, вы сможете заработать до 80% всей прибыли на рынке.
• Права использования. Есть ли у вас законные права передавать использование данных B2B и B2C клиентов третьим лицам?
• Конфиденциальность. Есть ли у вас глубокое понимание требований регуляторов, под которые попадают ваши большие данные?
• Готовность. Есть ли у вашей организации необходимая ИТ-инфраструктура, сотрудники для продажи и технической поддержки Big Data?
• Деловое предложение. Хорошо ли вы понимаете, как потребители вашей Big Data оценивают его возможности приносить прибыль? Ответить на этот вопрос необходимо, чтобы не ошибиться с ценой.

Если у вас всё в порядке с перечисленными вопросами, то можно переходить к позиционированию вашего «цифрового продукта» на рынке. Для этого важно понять, как потенциальный покупатель сможет использовать большие данные, которые вы собрали.

Цифровая трансформация может проходить в следующих форматах:

• Автоматизация;
• Расширение базы поставщиков;
• Цифровизация дистрибуции;
• Введение новой цифровой функциональной возможности;
• Создание нового кастомизированного продукта;
• Работа платформы;

Скорее всего собранные вами большие данные можно будет применить для решения задач одного или нескольких из перечисленных форматов цифровой трансформации.

Автоматизация улучшает продуктивность и эффективность существующих процессов. Хорошими примерами автоматизации могут быть роботизированные механизмы, рекомендательные системы, витрины для самостоятельной аналитики и другое. Всё это невозможно осуществить без больших данных. Их анализ поможет понять, почему конкретные производственные роботы меньше ломаются в определённых условиях. Он покажет, почему отдельные схемы заказов влекут за собой новые покупки. Он поможет найти набор данных, который можно использовать для предсказания удовлетворённости клиента товаром или услугой.

Цифровая трансформация может значительно расширить базу поставщиков. А это привлечёт новые потоки прибыли в компанию. Особенно это касается бесчисленных маркетплейсов для перепродажи товаров. Примером такого маркетплейса может быть Poshmark (Юла и Avito в России). Анализ информации о настроении потребителей, а также соответствия спроса и предложения можно использовать для выбора оптимальной цены и запуска эффективных маркетинговых акций. А чем успешнее товары будут продаваться, тем больше поставщиков будут заинтересованы работать с маркетплейсом.

Big Data для онлайн дистрибуции

Цифровизация дистрибуции товара, услуги или контента — перемещение портфолио компании онлайн. Уход в онлайн помогает компаниям сократить траты на физическую инвентаризацию и инфраструктуру. Примером перехода на цифровую дистрибуцию могут быть обучающие курсы Khan Academy и новостной сайт New York Times Online Edition. Большие данные здесь нужны, чтобы улучшить таргетинг и предложение.

Цифровая трансформация помогает приборам и аппаратам приобрести новые функциональные возможности. Хорошим примером этого является термостат NEST, который умеет проверять местонахождение хозяина через GPS на его телефоне. Если вас нет дома, термостат отключит отопление. Он же сможет понять, когда нужно понизить или повысить температуру, чтобы вам было комфортно. Самостоятельные решения такие аппараты и приборы принимают на основе больших данных.

Эта задача немного сложнее предыдущих. Организации меняют структуры товаров и услуг, чтобы они соответствовали новым моделям использования. Пример этого – когда клиент не приобретает товар, а подписывается на него. В основном такие модели внедряются, чтобы избежать цикла продаж, ориентированного на капитальные траты. Так, компания GE Aviation производит реактивные двигатели для самолётов. Она предлагает возможность своим клиентам не покупать турбины за 24 миллиона долларов, а взять их в аренду. В этом случае платить придётся только за то время, которое турбины работают в полёте. Компания выбрала такой способ оплаты, чтобы извлечь выгоду из двух долгоиграющих трендов. Количество миль, которые пролетали пассажиры, росло. А новые комплектующие перевозчики покупали один раз в девять лет. Big Data в этом случае становятся частью кастомизированного продукта, который продает GE Aviation. Компани активно занимается их сбором во время полёта, в том числе – с сенсоров интернета вещей. Она собирает клиентские, контрактные, геолокационные, атмосферные, данные, а также те, которые собираются с сенсора на планере (часть конструкции воздушного судна) и на двигателе. Эту информацию GE Aviation монетизирует: передаёт своим клиентам – авиаперевозчикам. Это позволяет им изменять маршрут самолёта по ходу движения, чтобы сократить потребление топлива и амортизацию. В то же время GE Aviation занимается и «внутренней монетизицией». Благодаря показателям с сенсоров компания всегда видит состояние своих двигателей. Она может заранее планировать ремонтные работы, производство запчастей для замены, их поставки, а также то, как это повлияет на договорные обязательства и ценообразование.

В последнее время мы наблюдаем расцвет платформ. Платформа – самая сложная форма цифрового продукта. Amazon, Apple AppStore, Spotify, OpenTable, AirBnB, Uber, LinkedIn, Facebook не просто так имеют такую высокую стоимость. Они вовремя начали применять цифровую интегрированную платформу для создания и распространения традиционных и цифровых продуктов от лица потребителей, партнёров и подчинённых. Такие компании предлагают приложения с широкой функциональностью. Но, по сути, они всего-навсего работают с данными. Зайдите на сайт для разработчиков Uber. Там вы увидите глубокую аналитику поездок, к которой они с удовольствием добавят собранные Big Data. Я планирую целый цикл статей о монетизации данных. В следующий раз я подробнее расскажу о цикле выпуска «цифрового продукта», поделюсь реальными кейсами, примерами из переговоров со своими клиентами. Также я собираюсь остановиться на концепции «фабрики цифрового продукта». Чтобы не пропустить мои материалы, следите за обновлениями на сайте DIS Group.

В течение всего этого года специалисты Informatica слышат от своих клиентов одни и те же запросы, которые так или иначе связаны с извлечением ценности из данных – их монетизацией. Другими словами, клиенты Informatica хотят понять, как технические решения корпорации помогут им «продавать» те данные, которые они собрали. В их понимании, альтернативой «продажи» может быть только их архивирование или удаление. Как вы могли догадаться, промышленным B2B компаниям монетизировать данные сложнее всего. Так же, как и цифровая трансформация, монетизация Big Data – очень скользкое понятие. Оно может иметь множество разных значений. Почти каждый специалист понимает этот термин немного по-своему. Кроме того, сложно найти качественную литературу по теме. Всё, что вы увидите на полках книжных магазинов – очень амбициозная маркетинговая чепуха. Мне бы хотелось исправить эту ситуацию. В своих статьях я хочу рассказать о том, как эксперты Informatica понимают монетизацию, как они советуют реализовать ценность Big Data. Моя цель – коснуться этой темы намного глубже, чем запросы в поисковой строке Google.

Прежде всего, монетизация корпоративных данных уже идёт полным ходом. Многие организации извлекают прибыль из информации, которую собирают. Делают они это с помощью управления данными. Именно оно помогает компаниям проводить цифровую трансформацию операционной деятельности, оптимизировать её. Оно делает ваш бизнес продуктивнее. С ним вы сможете быстрее выводить новые продукты на рынок и эффективнее принимать управленческие решения. Когда речь идёт о координации сервисов и заказов, биллинге и других операционных процессах, управление данными обеспечивает единство всех транзакций. Также оно снижает количество технических сбоев и переделок. Заказы не задерживаются, не возникает сбоев оборудования, счета отправляются вовремя. Без постоянных ошибок операционная деятельность становится дешевле, стоимость привлечения нового клиента снижается и так далее. Если вы ещё не используете Big Data для повышения продуктивности и оптимизации своего бизнеса, самое время начать это делать. Хотите ещё и «продавать» данные, заниматься «внешней монетизацией»? Вы должны понять, как информация, которую вы собрали, поможет вашим клиентам получить такие же выгоды. Вам необходимо понять, какой секретный ингредиент можно найти в ваших хранилищах данных. Исследования же показывают, что в больших данных есть деньги.

«Внешняя монетизация» – использование внутренних операционных данных для получения дохода через их продажу в том или ином виде существующим или новым клиентам. Такими клиентами могут быть игроки вашего же рынка, партнёры по сбыту или даже компания из сектора, который с вами никак не связан. Для «внешней монетизации» вы можете применить свой опыт монетизации внутренней. Также вы можете использовать инфраструктуру организации, которую по крупицам выстраивали в течение многих лет для внутреннего пользования. Чтобы глубже понять механизм «внешней монетизации», обратимся к истории. В последние 20 лет средняя прибыльность хедж-фондов постепенно падала. Когда-то она достигала 20%, а теперь составляет жалкие 4%. Но некоторые фонды оказались способны противостоять такому снижению. Как они смогли это сделать? Они обошли соперников благодаря сбору и использованию данных, а также поиску того, как их можно применить. Именно этот поиск стал палочкой-выручалочкой в индустрии хедж-фондов. В 50-е годы на основе новых дата-сетов развивались долгосрочные и краткосрочные стратегии. А за этим последовали новые математические модели и компьютеризация в 80-е. 90-е годы стали сочельником высокочастотного трейдинга. Высокочастотный трейдинг – основная форма алгоритмической торговли на финансовых рынках. Для быстрой торговли ценными бумагами она использует современное оборудование и математические алгоритмы. Именно такой вид торговли стал стимулом развития технологий Big Data. C 2016 года большие данные принимают настоящие стероиды. Математические торговые модели усложняются всё активнее. Они начали поглощать «альтернативные», нетипичные для хедж-фондов данные. Среди них – погода, потребительские настроения, результаты футбольных матчей, потребление воды и другое. После того, как сбор данных стал настолько масштабным, их ценность начала падать. Сбор Big Data стал доступен всем, все организации используют одни и те же инструменты. Сегодня обойти конкурентов можно, только используя максимально широкий список источников данных с разным временем задержки передачи и разной степенью достоверности. Сейчас конкурентное преимущество хедж-фонд может получить, быстро и эффективно вырабатывая новые возможности использования Big Data. При этом важно комбинировать ту информацию, которую фонд собирает сейчас, с большими массивами старых, «исторических» данных. Но как применить подход хедж-фондов на практике в Вашей компании? Об это вы узнаете из второй части статьи, которая выйдет совсем скоро.