ENG
Мы живем в эпоху, когда государственное управление трансформируется из системы человеческих отношений в систему информационного взаимодействия. При растущем объеме информации от государственной машины требуется все большая скорость работы. Зачастую для принятия решения или ответа на важный вопрос отводятся часы или даже минуты, а достоверность ответа имеет огромное значение.
Именно поэтому в настоящее время и в бизнесе, и государственном секторе происходит настоящий прорыв востребованности информационных систем класса Business Intelligence (BI). Руководители осознали необходимость качественного информационного наполнения и аналитической поддержки своей повседневной работы. BI-системы «питаются» данными, поэтому востребованность в качественных первичных данных также возросла. Мы уверенными шагами идем к тому, что называют «управление на основе данных». Компании, управляемые на основе данных, называют компаниями Data-driven.
Препятствия быть Data-driven
Несмотря на существенный объем уже накопленных данных, многим предприятиям сложно их использовать, чтобы раскрыть их ценность. Это происходит по следующим причинам:
- Отсутствие общеорганизационной стратегии в отношении данных, что приводит к отсутствию культуры управления, основанной на данных.
- Низкое качество данных, требующее огромных затрат времени и усилий для повышения достоверности данных и возможности их использования в деловых целях.
- Разрозненные данные и медленное получение информации из данных из-за устаревших технологий и устаревших методов управления данными.
Подробнее это выглядит следующим образом.
Отсутствие стратегии управления данными. У многих ИТ-подразделений есть стратегии для управления приложениями, инструментами разработки, платформами и хранилищем. И лишь у очень немногих есть стратегия управления данными — улучшение доступа, обмена и использования данных в бизнесе. К сожалению, выполнение сложной аналитики без стратегии управления корпоративными данными может привести к неполным и неточным представлениям, которые ведут анализ по неверному пути. Разработка стратегии имеет решающее значение, и чем раньше, тем лучше, потому что с течением времени делать это становится все труднее.
Низкое качество данных — результат первого пункта. Отсутствие общей стратегии по отношению к данным приводит к слабой возможности их использовать. Типичный подход — спроектировать хранилище данных, которое не включает в себя представление о том, как данные будут впоследствии использоваться, или сбросить все это в одну кучу данных и надеяться на лучшее. Последующие преобразования и агрегации данных приводят их в состояние некачественных.
Данные хранятся в нескольких системах. Плюс по разные стороны систем защиты, а в каждой системе есть собственные отчеты, отвечающие на конкретные вопросы. Департаменты имеют доступ только к своим данным и анализируют их независимо, не принимая во внимание предприятие в целом. В такой ситуации невозможно создать единый источник истины.
Данные актуальны ограниченное время. Чтобы извлекать результат из данных, необходимо проанализировать их прежде, чем их ценность уменьшится или исчезнет. Руководители нередко ждут несколько дней или недель, чтобы получить необходимую информацию. К этому времени данные уже устаревают или становятся неактуальными.
Использование устаревших BI-систем. Традиционные BI-стеки сложны, им не хватает гибкости, необходимой современному бизнесу. На их реализацию уходит месяцы, требуются большие инвестиции, они сосредоточены на отчетах, а не на анализе, они плохо адаптируются к меняющимся требованиям. Инструменты визуализации на основе запросов также ограничены. Они требуют сложной подготовки данных, анализируют только подгруппу данных одновременно, не позволяют пользователям свободно работать и не имеют управления и контроля корпоративного уровня. Без самообслуживающейся аналитики компании полагаются на IT-подразделение для создания отчетов, а также на запросы IT-отделов разных подразделений, что приводит к задержкам.
Три уровня зрелости по отношению к анализу данных
Требования к работе с данными и системе анализа зависят от зрелости самого заказчика, желания управлять на основе данных и понимания, насколько глубоко он готов «общаться» с данными. Здесь я бы условно выделил три уровня зрелости, определяющих уровень развития систем анализа данных.
- Первый уровень символизируется отчетами, которые формируются специалистами с помощью традиционных BI-систем. Отчеты доступны только для просмотра или для ограниченного набора фильтраций в жестко определенных разрезах. Используются в основном в демонстрационных целях или для мониторинга.
- Второй уровень — исследование данных (Data science). Здесь ключевой особенностью является то, что пользователь заранее может не знать, какие закономерности он обнаружит в ходе исследования. Уровень предоставляют продвинутые BI-системы, ориентированные на конечного пользователя (self-service analytics). Большинство компаний Data-driven в мире находится на этом уровне, и это, безусловно, лучше, чем просто просматривать отчеты. Недостаток в том, что аналитику все еще рассматривают как отдельный вид деятельности, анализ проводится разными специалистами в различных сегментах независимо, эти сегменты не делятся друг с другом своими данными.
- Третий уровень — демократизация данных. Основанный на втором уровне, но с учетом единой согласованной стратегии обработки данных. Ключевой особенностью является то, что все данные организации доступны через управляемые, готовые к аналитике, общедоступные информационные каталоги. Данные являются всегда готовыми для анализа любым сотрудником, имеющим соответствующие права, в режиме самообслуживания, то есть без привлечения IT-специалистов. Такой подход максимально открывает ценность данных и дает результат управления на основе данных. На этом уровне зрелости работают лишь некоторые компании.
Практические шаги по извлечению ценности из данных
Каждый согласится с тем, что данные являются стратегическим активом, представляющим огромную потенциальную ценность. Задача аналитики состоит в том, чтобы раскрыть эту ценность, предоставив понимание, которое способствует прогрессу и, в конечном итоге, конкурентному преимуществу. Мы рассмотрели проблемы и уровни зрелости организаций по отношению к данным. Какие действия необходимо предпринять в первую очередь для достижения высокого уровня Data-driven?
Разработать стратегию управления данными. Утвердить понимание, что данные — ресурс для многократного использования, который имеет ценность и дает конкурентное преимущество. Вести проектирование и внедрение хранилищ и информсистем с учетом этой стратегии: все вводимые информсистемы должны быть сразу подготовлены к тому, что они являются источниками данных для аналитической платформы с точки зрения «Какую ценность мы из них получим в процессе анализа?».
Использовать современную аналитическую платформу, способную дать пользователям возможность гибкого самостоятельного исследования данных. Следите за новыми функциями и трендами, появляющимися в лидирующих системах: быстрое подключение новых источников, легкое изменение модели данных, новые, более информативные визуализации, голосовые запросы на естественном языке, расширенный интеллект за счет ИИ и машинного обучения и, конечно, повышение скорости отклика.
Демократизировать данные. Организовать сопоставление всех источников данных, используемых в организации, будь то данные, защищенные системами безопасности или хранящиеся в облаке, их классификация, индексация и подготовка к многократному общему использованию и анализу. В результате получается корпоративный каталог данных, представляющий полную картину данных вашей организации. В идеальном случае каталоги данных для пользователей должны быть доступными для самостоятельного подключения в пару кликов.
Обучать сотрудников культуре работы с данными и вовлекать все больше сотрудников в анализ данных. Аналитика не должна быть делом избранных, она должна быть частью повседневных процессов принятия решений на всех уровнях управления.
