Строим на том, что имеем
Intelligent Enterprise: Хотелось бы сначала просто спросить каждого из присутствующих: какие аналитические задачи в том или ином бизнесе актуальны на сегодняшний день? Также интересно было бы услышать о классификации аналитических и сопутствующих этому направлению задач, включая, разумеется, подготовку исходных данных. Ведь процесс накопления и систематизации информации, а также форматы и объемы используемых данных тоже, как известно, имеют отраслевую специфику.
"Я недавно сменил место работы, поэтому могу говорить о двух проектах в разных компаниях. Вплоть до прошлого года я длительное время работал в логистической компании, и там был выполнен проект, связанный с аналитикой и отчетностью. В других направлениях BI не развивалась. В первую очередь внедрили систему управления мастер-данными, привели в порядок данные в системах поддержки операционной деятельности, затем была внедрена интеграционная платформа. И только после этого взялись за хранилище данных и BI. Первоначально от руководства поступил заказ обеспечить возможность аналитики по отчетности МСФО. На тот момент компания готовилась к продаже, и обычных отчетов стало недостаточно. Сделка была осуществлена в прошлом году, и компания стала частью крупного холдинга. Требовалось, используя разрезы данных, существующие в отчетности МСФО, анализировать, какие из параметров операционной деятельности оказывают влияние на бизнес: как влияют, допустим, на него сезонные колебания и т. д. Как известно, в кризис, с уменьшением покупательной способности, происходит изменение потребления в разных товарных группах. Соответственно для логистической компании, которую я тогда представлял, очень важно было не «уронить» существенным образом нагрузку на склады, сконцентрировав свои усилия на тех сегментах и товарных группах, которые наименее пострадали в этих условиях. Решение таких задач однозначно мотивирует бизнес на использование технологий BI.
Вторым мотивом использования BI была необходимость консолидации данных различных систем поддержки операционной деятельности, объем которых значительно вырос, и иначе выполнять эту задачу стало крайне затруднительно.
Мы рассчитывали получить и еще один важный эффект от внедрения BI. Несмотря на то, что предварительная работа по управлению мастер-данными и их очистке была проведена еще до внедрения BI, уже внедренные системы данного класса помогают выявить оставшиеся погрешности качества данных и окончательно привести их в порядок.
Компания, в которой я работаю теперь, является фактически стартапом, и там ситуация несколько иная. Так что похвастаться внедрениями на новом месте я пока не могу, но, что удивительно, даже в отличие от предыдущей компании здесь одной из первых поступила заявка именно на внедрение системы класса бизнес-аналитики. Факторинг — это вид беззалогового кредитования. Соответственно здесь большое значение имеют управление рисками, анализ маркетинговой информации и т.п. Для меня это несколько новые задачи, но тем не менее они сразу же попали в план и будут разрабатываться.
Управление рисками — довольно тонкая задача, которая должна базироваться на разных массивах данных. Конечно, здесь появляется вопрос, где брать данные, если речь идет о стартапе. Несмотря на то, что для ВТБ факторинг является новым направлением, компания возникла не на пустом месте — в нее вошли активы нескольких приобретенных компаний, которые работали в этом направлении. Поэтому мы получили и их данные, на которые можно опираться при проведении анализа. Также используются внешние данные о рынке.
В управлении рисками должна применяться достаточно сложная математика, и именно в BI-системах существуют специализированные приложения, которые позволяют ее реализовать. На мой взгляд, факторинг сейчас сосредоточен в крайне узком сегменте, где конкурентные преимущества достигаются как раз на уровне принятия решений по рискам, а не за счет расширения видов факторинга. И если есть и приложения, и специалисты по работе с рисками, которые готовы ее профессионально задействовать, сразу становится понятно: аналитика существенно отличается от обычной отчетности тем, что способна создавать новую ценность для бизнеса.
По-моему, важно четко разделять технологию работы с информацией и правила выполнения анализа. Как я уже говорил, мы сначала выровняли все данные — справочники, мастер-данные, данные на уровне операционных систем — и только потом перешли к формированию хранилища. Хорошо известно, что попытка сформировать аналитику на некорректных данных ни к чему хорошему не приведет, потому что при этом будет возникать множество конфликтов. И второй вопрос — технология анализа. Для меня ситуация, когда два человека строят на одних и тех же данных разные выводы, выглядит как технологическая ошибка. Анализ информации — это технологический процесс, который делается во имя каких-то целей, а не свободный поиск. По крайней мере, для меня это вполне очевидно, хотя не всегда очевидно для всех в организации. Тем более ИТ-директору нужно это активно доказывать.
Intelligent Enterprise: Ситуация меняется, и, возможно, со временем становится необходимым использование пусть даже не новых, но ранее не применявшихся алгоритмов обработки данных. Что сегодня прежде всего необходимо для дальнейшего развития адекватных современному бизнесу аналитических решений? Интересно также, какие специалисты должны ими пользоваться? Можно ли говорить о потребности в более сложных аналитических алгоритмах и специалистах с более высоким, чем ранее, уровнем квалификации?
С точки зрения моей компании, в аналитике существует три основных направления. Первое, типовой бизнес-процесс — тот самый анализ рисков. Имеется разнородная информация о финансируемой компании, исходя из которой надо принять решение. В результате этого бизнес-процесса формируется какая-то новая ценность.
Второе — реакция на изменения. В ходе обработки данных о прошедшем периоде выявляется какое-то возмущение, которое может как-то повлиять на бизнес, и нужно срочно принимать решение, как реагировать. Это может быть изменение параметров деятельности бизнеса или изменение бизнес-процессов. Возможно, необходимо создание нового продукта. Необходимо на основе информации из существующих отчетов выявить взаимосвязи, посмотреть на рынок новым взглядом, и в этом тоже есть своя ценность.
И, наконец, третье — проектирование будущего. То есть анализ информации, который позволяет прогнозировать какие-то изменения и на основании этого планомерно проектировать новые продукты. Эти три направления уже содержат широкий спектр базовых подходов, используемых в информационных аналитических решениях в принципе. Я думаю, если говорить о будущем, то в смысле используемого арсенала тут мало что изменится.
Intelligent Enterprise: Существует ли в аналитике такое понятие, как отраслевые решения? Насколько целесообразно их использование, какие выгоды оно несет?
Мы планируем внедрять отраслевое аналитическое решение, связанное с управлением данными. Такое решение для нас действительно существует, и у нас даже есть ряд сотрудников, которые работали с подобными системами в западной компании и очень высоко оценивают их работу. Вообще я считаю, что аналитические отраслевые решения, как и любые другие отраслевые решения, существенно увеличивают шанс успешного завершения проекта, позволяя снизить риски и сроки внедрения. Конечно, под это решение приходится подстраиваться, но это уже вопрос готовности предприятия к внедрению аналитических систем.
Intelligent Enterprise: Какими бы темпами ни шел процесс развития аналитики и какие бы из вышеупомянутых акцентов ни ставились сейчас, рано или поздно возникнет вопрос: а не стоит ли иногда обратиться к сторонней компании, которая является, условно говоря, профессиональным аналитиком и которой принято доверять, чтобы она разово или на периодической основе производила в интересах своего заказчика какие-то сложные аналитические вычисления?
Очень часто попытки работы с консультантами по выработке рекомендаций заканчивались ничем, потому что все с готовностью предлагали в качестве результата бумагу, но никто из них не хотел отвечать за результат применения своих рекомендаций. Но зато был другой положительный опыт… Когда-то я работал в ювелирной компании, где номенклатура производимой продукции включала около 80 тысяч позиций, а ежемесячно на срезе производственной программы выпускалось около 30—40 тысяч номенклатурных позиций продукции. Возникали вопросы о влиянии на итоговую прибыль каждого вида товара в столь широком ассортиментном ряду. Требовалось выработать определенную технологию расчетов, позволяющих провести такой анализ. Для этого были наняты высококлассные математики, которые создали нужную нам математическую модель анализа данных, успешно использованную впоследствии.
Источник: Intelligent Enterprise