Анализ бизнес информации — основные принципы. TIBCO Spotfire: анализ больших данных (Big Data Analytics) Анализ данных в бизнес аналитике

Доступная работа с Big Data с помощью визуальной аналитики

Совершенствуйте бизнес-аналитику и решайте рутинные задачи, используя информацию, скрытую в Big Data, с помощью платформы TIBCO Spotfire. Это — единственная платформа, которая предоставляет бизнес-пользователям интуитивный, удобный пользовательский интерфейс, что позволяет использовать весь спектр аналитических технологий для Больших Данных без привлечения ИТ-специалистов или наличия специального образования.

Интерфейс Spotfire позволяет одинаково удобно работать как с небольшими наборами данных, так и с многотерабайтными кластерами больших данных: показаний датчиков, информации из социальных сетей, точек продаж или геолокационных источников. Пользователи с любыми уровнями знаний с легкостью работают с содержательными панелями управления и аналитическими рабочими процессами просто используя визуализации, которые являются графическим отображением объединения миллиардов точек данных.

Предиктивная аналитика – это обучение в процессе работы на основе совместного опыта компании для принятия более аргументированных решений. Используя Spotfire Predictive Analytics, вы можете находить новые рыночные тренды из информации, полученной в результате бизнес-аналитики и принимать меры для минимизации рисков, что позволит повысить качество управленческих решений.

Обзор

Подключение к Большим Данным для высокопроизводительной аналитики

Spotfire предлагает три основных типа аналитики с бесшовной интеграцией с Hadoop и другими крупными источниками данных:

  1. Визуализация данных по требованию (On-Demand Analytics): встроенные, настраиваемые пользователем коннекторы данных, которые упрощают сверхскоростную, интерактивную визуализацию данных
  2. Анализ в БД (In-Database Analytics): интеграция с платформой распределительных вычислений, которая позволяют делать вычисления данных любой сложности на основе больших данных.
  3. Анализ в оперативной памяти (In-Memory Analytics): интеграция с платформой статистического анализа, которая берет данные непосредственно из любого источника данных, включая традиционные и новые источники данных.

Вместе все эти методы интеграции представляют мощное сочетание визуального исследования и продвинутой аналитики.
Это позволяет бизнес-пользователям получить доступ, объединять и анализировать данные из любых источников данных с помощью мощных, удобных в использовании панелей управления и рабочих процессов.

Коннекторы больших данных

Коннекторы Spotfire для больших данных поддерживают все виды доступа к данным: In-datasource, In-memory и On-demand. Встроенные коннекторы данных Spotfire включают:

  • Сертифицированные коннекторы данных Hadoop для Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill и Pivotal HAWQ
  • Другие сертифицированные коннекторы больших данных включают Teradata, Teradata Aster и Netezza
  • Коннекторы для исторических и текущих данных из таких источников, как OSI PI сенсорные датчики

In-Datasource распределенные вычисления

В дополнение к удобному функционалу Spotfire визуального выбора операций для SQL запросов, которые обращаются к распределенным в источниках данным, Spotfire может создавать алгоритмы статистического и машинного обучения, которые функционируют внутри источников данных и возвращают только необходимые результаты для создания визуализаций в системе Spotfire.

  • Пользователи работают с дэшбордами с функционалом визуального выбора, которые обращаются к скриптам, используя встроенные возможности языка TERR,
  • Скрипты TERR инициируют работу функционала распределенных вычислений во взаимодействии с Map/Reduce, H2O, SparkR, or Fuzzy Logix,
  • Эти приложения в свою очередь обращаются к системам с высокой эффективностью как Hadoop или другие источники данных,
  • TERR может быть развернут как движок расширенной аналитики в узлах Hadoop, которые управляются с помощью MapReduce или Spark. Язык TERR также можно использовать для узлов данных Teradata.
  • Результаты визуализируются на Spotfire.

TERR для продвинутой аналитики

TIBCO Enterprise Runtime для R (TERR) – TERR является статистическим пакетом корпоративного уровня, который был разработан компанией TIBCO для полной совместимости с языком R, реализуя многолетний опыт компании в аналитической системе, связанный с S+. Это позволяет заказчикам продолжать разработку приложений и моделей не только используя открытый код R, но и интегрировать и развернуть свой код R на коммерческой надежной платформе без необходимости переписывать свой код. TERR обладает более высокой эффективностью и надежным управлением памятью, обеспечивает более высокую скорость обработки данных на больших объемах в сравнении с языком R с открытым кодом.

Объединяя весь функционал

Объединение вышеупомянутых мощных функциональных возможностей означает, что даже в случае сложнейших задач, требующих проведения аналитики с высоким уровнем надежности, пользователи взаимодействуют с простыми и удобными в использовании интерактивными рабочими процессами. Это позволяет бизнес-пользователям визуализировать и анализировать данные, а также делиться результатами аналитики, без необходимости знания деталей архитектуры данных, лежащих в основе бизнес-анализа.

Пример: Интерфейс Spotfire для конфигурации, запуска и визуализации результатов модели, которая определяет характеристики потерянных грузов. С помощью этого интерфейса бизнес-пользователи могут выполнять вычисления с использованием TERR и Н2О (фреймворк для распределенных вычислений), обращаясь к данным транзакций и отгрузок, хранящихся в кластерах Hadoop.

Аналитическое пространство для больших данных


Продвинутая и предиктивная аналитика

Пользователи используют дэшборды Spotfire c функционалом визуального выбора, чтобы запустить богатый набор расширенных возможностей, которые позволяют с легкостью делать прогнозы, создавать модели и оптимизировать их во время работы. Используя большие данные, анализ может быть проведен внутри источника данных (In-Datasource), возвращая только агрегированную информацию и результаты, необходимые для создания визуализаций на платформе Spotfire.


Машинное обучение

Доступен широкий набор инструментов машинного обучения в списке встроенных функций Spotfire, которые можно использовать с помощью одного нажатия. Статистики имеют доступ к программному коду, написанному на языке R и могут расширять используемый функционал. Функционалом машинного обучения можно делиться с другими пользователями для легкого повторного использования.

Доступны следующие методы машинного обучения для непрерывных категориальных переменных на Spotfire и на TERR:

  • Линейная и логистическая регрессия
  • Деревья принятия решений (Decision trees), алгоритм случайного леса (Random forest), градиентный бустинг машин (GBM)
  • Обобщенные линейные (аддитивные) модели (Generalized Additive Models )
  • Нейронные сети


Анализ контента

Spotfire обеспечивает аналитику и визуализацию данных, значительная часть которых не использовалась раннее – это неструктурированный текст, который хранится в таких источниках, как документы, отчеты, заметки CRM систем, логи сайтов, публикации в социальных сетях и многое другое.


Локационная аналитика

Многослойные карты высокого разрешения являются отличным способом визуализации больших данных. Богатый функционал Spotfire для работы с картами позволяет Вам создавать карты с таким количеством справочных и функциональных слоев, какое Вам необходимо. Spotfire также дает возможность использовать сложную аналитику во время работы с картами. В дополнение к географическим картам система создает карты для визуализации поведения пользователей, складов, производства, сырья и многих других показателей.

Малый бизнес в странах СНГ пока не применяет анализ данных для развития бизнеса, определения корреляций, поиска скрытых закономерностей: предприниматели обходятся отчетами маркетологов и бухгалтеров. Руководители малых и частично средних предприятий больше полагаются на свою интуицию, чем на анализ. Но при этом у аналитики огромный потенциал: она помогает снизить затраты и повысить прибыль, быстрее и объективнее принимать решения, оптимизировать процессы, лучше понимать клиентов и совершенствовать продукт.

Бухгалтер не заменит аналитика

Руководители малых предприятий часто полагают, что отчеты маркетологов и бухгалтеров достаточно адекватно отображают деятельность компании. Но на основе сухой статистики принять решение очень сложно, а ошибка в подсчетах без профильного образования неминуема.

Кейс 1. Пост-анализ акционных кампаний. К Новому году предприниматель объявил акцию, в рамках которой определенные товары предлагались со скидкой. Оценив выручку за новогодний период, он увидел, как повысились продажи, и обрадовался своей находчивости. Но давайте учтем все факторы:

  • Продажи особенно сильно растут в пятницу, в день, когда выручка максимальная - это недельный тренд.
  • Если сравнивать с ростом продаж, который обычно происходит под Новый год, то выигрыш не так и велик.
  • Если отфильтровать акционные товары, оказывается, что показатели продаж ухудшились.

Кейс 2. Исследование товарооборачиваемости. У магазина женской одежды сложности с логистикой: товар на некоторых складах в дефиците, а на некоторых лежит месяцами. Как определить без анализа продаж, сколько брюк завести в один регион, а сколько пальто отправить в другой, при этом получить максимальную прибыль ? Для этого нужно просчитать товарооборачиваемость, соотношение скорости продаж и среднего товарного запаса за определенный период. Если выразиться проще, товароборачиваемость это показатель того, за сколько дней магазин продаст товар, как быстро продается средний запас, как быстро окупается товар. Хранить большие запасы экономически невыгодно, так как это замораживает капитал, замедляет развитие. Если запас снижать, может появиться дефицит, и компания снова недополучит прибыль. Где найти золотую середину, соотношение, при котором продукт не застаивается на складе, и в то же время вы можете дать определенную гарантию, что клиент найдет нужную единицу в магазине? Для этого аналитик должен помочь вам определить:

  • желательную оборачиваемость,
  • динамику оборачиваемости.

При расчете с поставщиками с отсрочкой нужно также высчитывать соотношение кредитной линии и оборачиваемости. Оборачиваемость в днях = Средний товарный запас * количество дней / Товарооборот за этот период.

Расчет остатков ассортимента и общей оборачиваемости по магазинам помогает понять, куда необходимо переместить часть товара. Стоит подсчитывать и то, какая оборачиваемость у каждой единицы ассортимента, чтобы принимать решение уценка при пониженном спросе, дозаказ при повышенном, перемещение на иной склад. По категориям можно разработать отчет по оборачиваемости в таком виде. Видно, что майки и джемперы продаются быстрее, а вот пальто - достаточно долго. Сможет ли такую работу провести обычный бухгалтер? Сомневаемся. При этом регулярный расчет товарооборачиваемости и применение результатов может повысить прибыль на 8-10%

В каких сферах применим анализ данных?

  1. Продажи. Важно понимать, почему продажи идут хорошо (или плохо), какова динамика. Чтобы решить эту задачу, нужно исследовать факторы влияния на прибыль и выручку – например, проанализировать длину чека и выручку на покупателя. Такие факторы можно исследовать по группам товаров, сезонам, магазинам. Можно определять возвышения и ямы продаж, анализируя возвраты, отмены и другие операции.
  2. Финансы. Мониторинг показателей нужен любому финансисту для наблюдения за кешфлоу и распределения активов по различным сферам деятельности бизнеса. Это помогает оценить эффективность налогообложения и другие параметры.
  3. Маркетинг. Любая маркетинговая компания нуждается в прогнозах и пост-анализе акций. На этапе проработки идеи нужно определить группы товаров (контрольные и целевые), для которых создаем предложение. Это – тоже работа для аналитика данных, так как обычный маркетолог не обладает нужным инструментарием и навыками для хорошего анализа.Например, если для контрольной группы сумма выручки и количество покупателей одинаково больше в сравнении с целевой – акция не сработала. Для определения этого нужен интервальный анализ.
  4. Управление. Иметь лидерские качества недостаточно для лидера компании. Количественные оценки работы персонала в любом случае нужны для грамотного управления предприятием. Эффективность управления фондом оплаты труда, соотношение зарплаты и продаж важно понимать так же, как и эффективность процессов – например, загруженности касс или занятости грузчиков в течении дня. Это помогает правильно распределять рабочее время.
  5. Web-анализ. Сайт нужно грамотно продвигать, чтобы он стал каналом продаж, а для этого нужна правильная стратегия продвижения. Здесь вам поможет веб-анализ. Как его применять? Изучать поведение, возраст, пол и другие характеристики клиентов, активность на определенных страницах, клики, канал трафика, результативность рассылок и прочее. Это поможет совершенствовать бизнес и сайт.
  6. Управление ассортиментом. АВС-анализ крайне необходим для управления ассортиментом. Аналитик должен распределить товар по характеристикам, чтобы провести такой вид анализа и понять, какой товар самый рентабельный, какой в основе, а от какого стоит избавиться. Для понимания стабильности продаж хорошо проводить XYZ-анализ.
  7. Логистика. Больше понимания о закупках, товарах, их хранении и доступности даст изучение логистических показателей. Потери и потребности товара, товарный запас также важно понимать для успешного управления бизнесом.

Эти примеры показывают, насколько широкие возможности у анализа данных даже для малых предприятий. Опытный директор повысит прибыль компании и получит выгоду из самых незначительных сведений, правильно используя анализ данных, а работу менеджера значительно упростят наглядные отчеты.

(Business Intelligence).

В качестве докладчиков на семинар приглашаются молодые специалисты, делающие успешную карьеру аналитиков в высокотехнологичных компаниях, таких, как Microsoft, IBM, Google, Яндекс, МТС, и др. На каждом семинаре студентам рассказывают о некоторых бизнес-задачах, которые решаются в этих компаниях, о том, как происходит накопление данных, как возникают задачи анализа данных, какими методами их можно решать.

Все приглашаемые специалисты открыты для контактов, и студенты смогут обращаться к ним за консультациями.

Цели семинара :

  • способствовать устранению существующего разрыва между университетскими исследованиями и решением практических задач в области анализа данных;
  • способствовать обмену опытом между настоящими и будущими профессионалами.
Семинар проводится регулярно на факультете ВМК МГУ по пятницам в 18:20 , аудитория П5 (первый этаж).

Посещение семинара - свободное (если у Вас нет пропуска в МГУ, заранее сообщите вашу Ф.И.О. организаторам семинара для подачи списка участников на вахту).

Программа семинара

Дата Докладчик и тема семинара
10 сентября 2010
18:20
Александр Ефимов , руководитель аналитического отдела розничной сети МТС.

Прогнозирование эффекта маркетинговых кампаний и оптимизация ассортимента магазинов .

  • Страница прикладной задачи: Оптимизация ассортимента торговых точек (задача с данными) .
17 сентября 2010
18:20
Вадим Стрижов , научный сотрудник Вычислительного центра РАН.

Банковский кредитный скоринг: методы автоматического порождения и выбора моделей .

Рассматривается классическая и новая технологии построения скоринговых карт. На семинаре рассказывается о том, как устроены данные о клиентах и о том, как породить наиболее правдоподобную скоринговую модель, отвечающую, к тому же, требованиям международных банковских стандартов.

24 сентября 2010
18:20
Владимир Крекотень , начальник управления маркетинга и продаж брокерского дома «Открытие».

Применение математических методов для прогнозирования и противодействия оттоку клиентов .

Рассматриваются практические проблемы, возникающие при анализе клиентской базы в маркетинге. Ставятся задачи кластеризации и сегментации клиентов, скоринга новых клиентов, отслеживания динамики целевых сегментов.

  • Страница прикладной задачи: Кластеризация клиентов брокерской компании (задача с данными) .
1 октября 2010
18:20
Николай Филипенков , и.о. начальника отдела кредитного скоринга Банка Москвы.

Применение математических методов для управления розничным кредитным риском .

Рассматриваются некоторые практические аспекты построения скоринговых моделей и оценивания рисков.

  • Страница прикладной задачи: Управление розничным кредитным риском (задача с данными) .
8 октября 2010
18:20
Федор Романенко , менеджер отдела качества поиска, Яндекс.

История и принципы ранжирования веб-поиска.

Рассматриваются вопросы использования и развития методов Information Retrieval, от текстового и ссылочного ранжирования до Machine Learning to Rank в задаче интернет-поиска. Основные принципы, лежащие в основе современного веб-ранжирования, излагаются в привязке к историям успеха поисковых систем. Особое внимание уделяется влиянию качества поиска на рыночные показатели и жизненно важной необходимости постоянно работать над его улучшением.

15 октября 2010
18:20
Виталий Гольдштейн , разработчик, Яндекс.

Геоинформационные сервисы Яндекс.

Рассказывается о проекте Яндекс.Пробки и других геоинформационных проектах Яндекс, о том, откуда берутся исходные данные для построения геоинформационных систем, о новой масштабируемой технологии обработки данных, о конкурсе Интернет-математики и некоторых перспективных задачах. Предоставляются данные и даётся формальная постановка задачи восстановления карты дорог.

  • Страница прикладной задачи: Построение графа дорог по данным о треках транспортных средств (задача с данными) .
22 октября 2010 Семинар отменён.
29 октября 2010
18:20
Федор Краснов , вице-президент по бизнес-процессам и информационным технологиям, АКАДО.

Как получать данные о клиентах?

Каждый крупный бизнес и большинство средних структур сталкиваются с проблемой предоставления руководству неточных данных о состоянии дел компании. Причины могут быть разные, но последствия всегда одинаковы – неверные или несвоевременные решения, отрицательно сказывающиеся на результативности финансовых операций. Для исключения подобных ситуаций предназначена профессиональная система бизнес аналитики или BI ( с англ. – Business Intelligence ). Эти высокотехнологичные «помощники» способствуют построению системы управленческого контроля каждого аспекта внутри бизнеса.

По своей сути BI системы – это продвинутое аналитическое программное обеспечение для бизнес-анализа и формирования отчетности. Эти программы могут использовать данные из различных источников информации и предоставлять их в удобном виде и разрезе. В результате руководство получает быстрый доступ к полной и прозрачной информации о положении дел компании. Особенность отчетов, полученных с помощью BI – возможность самостоятельного выбора руководителем, в каком разрезе получить информацию.


Современные Business Intelligence системы многофункциональны. Именно поэтому в крупных компаниях они постепенно вытесняют другие способы получения бизнес-отчетности. К основным их возможностям специалисты относят:

  • Подключения к различным базам данных, в частности, к ;
  • Формирование отчетов разной сложности, структуры, вида и компоновки с высокой скоростью. Также есть возможность задать расписание формирования отчетности по расписанию без непосредственного участия и рассылки данных;
  • Прозрачную работу с данными;
  • Обеспечение четкой связи между информацией из различных источников;
  • Гибкую и интуитивно понятную настройку прав доступа сотрудников в системе;
  • Сохранение данных в любом удобном для вас формате – PDF, Excel, HTML и многих других.

Возможности информационных систем бизнес-аналитики позволяют руководителю не зависеть от IT-отдела или своих помощников, подающих требуемую информацию. Также это отличная возможность демонстрировать правильное направление своих решений не словами, а точными цифрами. Многие крупные сетевые корпорации на Западе уже давно используют BI-системы, среди которых всемирно известные Amazon, Yahoo, Wall-Mart и др. Вышеназванные корпорации тратят приличные деньги на бизнес-аналитику, но внедренные BI системы приносят неоценимую пользу.

Польза профессиональных систем бизнес аналитики базируется на принципах, которые поддерживаются во всех передовых BI приложениях:

  1. Наглядность. Основной интерфейс любого ПО для анализа бизнеса должен отражать основные показатели. Благодаря этому руководитель быстро сможет оценить положение дел на предприятии и начать предпринимать что-либо в случае необходимости;
  2. Кастомизация. Каждый пользователь должен иметь возможность настроить интерфейс и функциональные клавиши максимально удобным для себя образом;
  3. Многослойность. Каждый набор данных должен иметь несколько разрезов (слоев) для предоставления той детализации информации, которая необходима на конкретном уровне;
  4. Интерактивность. Пользователи должны иметь возможность собирать информацию из всех источников и по нескольким направлениям одновременно. Необходимо, чтобы система имела функцию настройки оповещения по ключевым параметрам;
  5. Многопоточность и разграничение доступа. В BI системе должна быть реализована одновременная работа большого количества пользователей с возможностью установки им различных уровней доступа.

Всё IT-сообщество сходиться во мнении, что информационные системы бизнес аналитики являются одним из перспективнейших направлений развития отрасли. Однако их внедрение зачастую затрудняют технические и психологические преграды, неслаженная работа менеджеров и отсутствие прописанных сфер ответственности.

При размышлении о внедрении систем класса BI важно помнить, что успех проекта будет во многом зависеть от отношения сотрудников компании к нововведению. Это относится ко всем IT-продуктам: скептическое отношение и страх перед сокращением могут свести на нет все усилия по внедрению. Поэтому очень важно понимать, какие чувства вызывает система бизнес аналитики у будущих пользователей. Идеальная ситуация сложится в случае, когда сотрудники компании будут относиться к системе как к помощнику и инструменту усовершенствования работы.

Перед началом проекта по внедрению BI технологии необходимо провести тщательный анализ бизнес-процессов компании и принципов принятия управленческих решений. Ведь именно эти данные будут участвовать в анализе ситуации в компании. Также это поможет сделать выбор BI системы вместе с другими основными критериями:

  1. Цели и задачи внедрения BI систем;
  2. Требования к хранению данных и возможность ими оперировать;
  3. Функции интеграции данных. Без использования данных из всех источников в компании руководство не сможет получить целостной картины положения дел;
  4. Возможности по визуализации. Для каждого человека идеальная BI аналитика выглядит по-разному, и система должна удовлетворять потребности каждого пользователя;
  5. Универсальность или узкая специализация. В мире существуют системы, направленные на определенную отрасль, так и универсальные решения, позволяющие собрать информацию в любом разрезе;
  6. Требовательность к ресурсам и цена на программный продукт. Выбор BI системы, как и любого ПО, зависит от возможностей компании.

Вышеперечисленные критерии помогут руководству сделать осознанный выбор среди всего многообразия известных систем бизнес аналитики. Существуют и другие параметры (например, структура хранения данных, веб-архитектура), но они требуют квалификации в узких IT-областях.

Недостаточно просто сделать выбор, купить ПО, установить и настроить его. Успешное внедрение BI систем любого направления основывается на следующих правилах:

  • Корректность данных. Если данные для анализа неверные, то существует вероятность серьезной ошибки системы;
  • Полноценное обучение каждого пользователя;
  • Быстрое внедрение. Необходимо сосредоточится на верном формировании необходимых отчетов на всех ключевых местах, а не на идеальном обслуживании одного пользователя. Скорректировать внешний вид отчета или добавить еще один его разрез для удобства всегда можно после внедрения;
  • Осознавайте окупаемость инвестиций в систему BI. Эффект зависит от множества факторов и в некоторых случаях оказывается виден лишь через несколько месяцев;
  • Оборудование должно быть рассчитано не только на современную ситуацию, но и на ближайшее будущее;
  • Осознавайте, зачем было начато внедрение системы BI, и не требуйте от программного обеспечения невозможного.


По статистике всего лишь 30% руководителей компаний довольны внедрением BI систем. За долгие годы существования ПО для анализа бизнеса специалисты сформулировали 9 ключевых ошибок, которые могут снизить эффективность до минимума:

  1. Неочевидность цели внедрения для руководства. Зачастую проект создается силами IT-отдела без тесного участия руководителей. В большинстве случаев в процессе внедрения и функционирования появляются вопросы по цели и задачам BI системы, выгоде и удобству использования;
  2. Отсутствие прозрачности в управлении, работе сотрудников и принятии решений. Менеджеры могут не знать алгоритмов работы сотрудников на местах, а управленческие решения могут приниматься не только на основе сухих фактов. Это приведет к невозможности сохранения существующей парадигмы в результате внедрения BI системы. И зачастую сломать сложившуюся годами культуру корпоративного управления невозможно;
  3. Недостаточная достоверность данных. Попадание ложной информации в систему анализа бизнеса недопустимо, иначе сотрудники не смогут доверять ей и пользоваться ею;
  4. Неверный выбор профессиональной системы бизнес аналитики. Множество примеров в истории, когда руководство нанимает стороннюю организацию для внедрения BI системы и не принимает участия в ее выборе, говорят сами за себя. В результате внедряется система, не позволяющая получить нужный отчет или с которой невозможна интеграция одного из существующих в компании ПО;
  5. Отсутствие плана на будущее. Особенность BI систем в том, что это не статичное ПО. Невозможно закончить проект внедрения и не вспоминать о нем. Возникает множество требований от пользователей и руководства в части доработок;
  6. Передача BI системы сторонней организации на поддержку. Как показывает практика, чаще всего такие ситуации приводят к изоляции продукта и оторванности системы от реального положения дел. Собственная служба поддержки намного быстрее и эффективнее реагирует на отзывы пользователей и требования руководства;
  7. Желание сэкономить. В сфере бизнеса это нормально, но BI аналитика работает, только если принимает во внимание все аспекты деятельности компании. Именно поэтому наиболее эффективны глубокие аналитические системы с высокой стоимостью. Желание получить несколько отчетов по интересующим областям приводит к частым ошибкам в данных и большой зависимости от квалификации IT-специалистов;
  8. Различная терминология в компании. Важно, чтобы все пользователи понимали основные термины и их смысл. Простое недопонимание может привести к неверной трактовке отчетов и показателей BI системы;
  9. Отсутствие единой стратегии анализа бизнеса на предприятии. Без выбранного единого для всех сотрудников курса любая система класса BI будет лишь набором разрозненных отчетов, удовлетворяющих требования отдельных руководителей.

Внедрение BI систем – важный шаг, способный помочь вывести бизнес на новый уровень. Но для этого потребует не только достаточно большого вливания финансов, но и времени, и сил каждого сотрудника компании. Далеко не каждый бизнес готов грамотно закончить проект внедрения системы анализа бизнеса.


Бизнес-аналитика, или BI, - это общий термин, подразумевающий под собой разнообразные программные продукты и приложения, созданные для анализа первичных данных организации.

Бизнес-анализ как деятельность состоит из нескольких связанных между собой процессов:

  • интеллектуальный анализ данных (data mining) ,
  • аналитическую обработку в реальном времени (online analytical processing) ,
  • получение информации из баз данных (querying) ,
  • составление отчетов (reporting) .

Компании используют BI для принятия обоснованных решений, сокращения издержек и поиска новых перспектив для бизнеса. BI - это нечто большее, чем обычная корпоративная отчетность или некий набор инструментов для получения информации из учетных систем предприятия. IT-директора используют бизнес аналитику, чтобы выявить неэффективные бизнес-процессы, которые «созрели» для перестройки.

Используя современные инструменты бизнес-анализа, бизнесмены могут начать анализировать данные самостоятельно и не ждать, пока IT-департамент сформирует сложные и запутанные отчеты. Такая демократизация доступа к информации дает пользователям возможность подкреплять реальными цифрами свои бизнес-решения, которые в обратном случае были бы основаны на интуиции и случайностях.

Несмотря на то что системы BI достаточно перспективны, их внедрение может быть затруднено техническими и «культурными» проблемами. Менеджерам необходимо обеспечивать четкие и согласованные данные для BI приложений, чтобы пользователи могли им доверять.

Какие компании используют BI-системы?

Ресторанные сети (например, Hardee’s, Wendy’s, Ruby Tuesday и T.G.I. Friday’s) активно используют системы бизнес-аналитики. BI крайне полезен им для принятия стратегически важных решений. Какие новые продукты добавить в меню, какие блюда исключить, какие неэффективно работающие точки закрыть и т.д. Они также используют BI для таких тактических вопросов, как пересмотр договоров с поставщиками продуктов и выявление путей совершенствования неэффективных процессов. Поскольку ресторанные сети сильно ориентированы на свои внутренние бизнес-процессы и поскольку BI занимает в контроле этих процессов центральное место, помогая управлять предприятиями, рестораны, среди всех отраслей, входят в элитную группу компаний, которые получают реальную выгоду от этих систем.

Бизнес-аналитика является одним из ключевых компонентов BI. Этот компонент важен для достижения успеха компании из любой отрасли.

В секторе розничной торговли Wal-Mart широко применяет анализ данных и кластерный анализ для того, чтобы сохранять свое доминирующее положение в секторе. Harrah’s изменил основы своей политики конкурентной борьбы в игральном бизнесе, сделав упор на анализ лояльности клиентов и уровня обслуживания, вместо поддержания мега-казино. Amazon и Yahoo - это не просто крупные веб-проекты, они активно используют бизнес-аналитику и общий подход «протестируй и пойми» для налаживания своих бизнес-процессов. Capital One проводит более 30 000 экспериментов ежегодно для выявления целевой аудитории и оценки предложений по кредитным картам.

С чего или с кого должно начаться внедрение BI?

Общая вовлеченность сотрудников жизненно необходима для успеха BI-проектов, поскольку каждый, кто задействован в процессе, должен обладать полным доступом к информации, чтобы иметь возможность изменить способы и методы своей работы. BI-проекты должны начинаться с высшего руководства, а следующей группой пользователей должны быть менеджеры по продажам. Их основная обязанность - наращивать продажи, и заработная плата часто зависит от того, насколько хорошо они это делают. Поэтому они гораздо быстрее воспримут любой инструмент, способный помочь им в работе, при условии, что этот инструмент легко использовать и что они доверяют получаемой с его помощью информации.

Вы можете заказать свой пилотный проект на платформе для бизнес-анализа.

Используя BI-системы, сотрудники корректируют работу над индивидуальными и групповыми задачами, что ведет к более эффективной работе команд продавцов. Когда руководители отделов продаж видят существенную разницу показателей нескольких отделов, они стараются довести «отстающие» отделы до того уровня, на котором работают «лидирующие».

Внедрив бизнес-аналитику в отделах продаж, можно продолжать внедрение уже в других департаментах организации. Положительный опыт продавцов будет способствовать переходу на новые технологии других сотрудников.

Как внедрить BI-систему?

Перед внедрением BI-системы, компаниям следует проанализировать механизмы принятия управленческих решений и понять, какая информация необходима руководителям для более обоснованного и оперативного принятия этих решений. Также желательно проанализировать, в каком виде руководители предпочитают получать информацию (в качестве отчетов, графиков, онлайн, в бумажной форме). Уточнение данных процессов покажет, какую информацию компании необходимо получить, анализировать и консолидировать в своих BI-системах.

Качественные BI-системы должны предоставлять пользователям контекст. Недостаточно просто составлять отчеты о том, какими были продажи вчера и какими - год назад в этот же день. Система должна давать возможность понять, какие факторы привели именно к такому значению объема продаж в один день и другому - в тот же день год назад.

Подобно многим IT проектам, внедрение BI не окупится, если пользователи будут чувствовать «угрозу» или скептически относиться к этой технологии и в результате откажутся от ее использования. BI, будучи внедренной в «стратегических» целях, должна, по идее, фундаментальным образом изменить функционирование компании и процесс принятия решений, поэтому руководителям IT-департаментов необходимо с особым вниманием подходить к мнениям и реакциям пользователей.

7 этапов запуска BI-систем

  1. Убедитесь, что ваши данные корректны (достоверны и пригодны для анализа).
  2. Проведите полноценное обучение пользователей.
  3. Внедряйте продукт как можно более оперативно, привыкая пользоваться им уже по ходу внедрения. Не стоит тратить огромное количество времени на разработку «идеальных» отчетов, поскольку отчеты можно будет добавить по мере по мере развития системы и потребности пользователей. Составляйте отчеты, которые быстро обеспечат максимальную пользу (потребность пользователей в данных отчетах максимальна), а затем корректируйте их.
  4. Придерживайтесь интегративного подхода к построению хранилища данных. Убедитесь, что вы не «запираете» себя в неработающей в длительной перспективе стратегии обработки данных.
  5. Перед тем как начать, четко оцените ROI. Определите конкретные преимущества, которые намереваетесь получить, и затем проверяйте их соответствие действительным результатам каждый квартал или каждые полгода.
  6. Сфокусируйтесь на целях вашего бизнеса.
  7. Не покупайте программное обеспечение для аналитики, потому что вы думаете , что вам это нужно. Внедряйте BI с мыслями, что среди ваших данных существуют показатели, которые необходимо получить. При этом, важно иметь хотя бы примерное представление о том, где конкретно они могут быть.

Какие могут возникнуть проблемы?

Крупное препятствие на пути к успеху BI-систем - сопротивление пользователей. Среди прочих возможных проблем - необходимость «просеивать» большие объемы нерелевантной информации, а также данные неудовлетворительного качества.

Ключ к получению значимых результатов от работы BI-систем - это стандартизированные данные. Данные являются фундаментальным компонентом любой BI системы. Компаниям необходимо привести свои хранилища данных в строгий порядок прежде, чем они смогут начать извлекать необходимую информацию и доверять полученным результатам. Без стандартизации данных есть риск получать некорректные результаты.

Еще одной проблемой может стать некорректное понимание роли аналитической системы. BI- инструменты стали более гибкими и удобными для пользователей, однако основная их роль по-прежнему - составление отчетов. Не стоит ждать от них автоматизированного управления бизнес-процессами. Впрочем, определенные изменения в этом направлении все же намечаются.

Третьим препятствием при трансформации бизнес-процессов с использованием BI системы является недостаточное понимание компаниями собственных бизнес-процессов. Как следствие, компании просто не понимают, как можно эти процессы улучшить. Если процесс не оказывает прямого влияния на прибыль или компания не собирается стандартизировать процессы во всех своих подразделениях, внедрение BI системы может оказаться неэффективным. Компаниям необходимо понимать все виды деятельности и все функции, которые составляют отдельный бизнес-процесс. Также важно знать, как передается информация и данные через несколько разных процессов, и как данные передаются между бизнес-пользователями, и то, как люди используют эти данные для осуществления своих задач в рамках конкретного процесса. Если стоит цель оптимизировать работу сотрудников, все это необходимо понять еще перед тем, как запустить BI-проект.

Некоторые преимущества от использования BI-решений

Большое количество BI-приложений помогло компаниям с лихвой отбить вложенные средства. Системы бизнес-аналитики используются для изучения способов сокращения издержек, выявления новых возможностей для развития бизнеса, представления ERP-данных в наглядной форме, а также для быстрого реагирования на изменение спроса и оптимизации цен.

Кроме повышения доступности данных, BI может предоставить компаниям больше преимуществ во время переговоров, упрощая оценку отношений с поставщиками и клиентами.

В рамках предприятия существует множество возможностей экономить деньги путем оптимизации бизнес-процессов и процесса принятия решений в целом. BI способен эффективно помогать в совершенствовании этих процессов, проливая свет на допущенные в них промахи. Например, сотрудники одной компании в Альбукерке использовали BI для определения путей сокращения использования мобильных телефонов, работы в сверхурочные часы и других текущих расходов, сэкономив для организации $2 миллиона за три года. Также, с помощью BI-решений, Toyota осознала, что вдвое переплатила своим перевозчикам общей суммой $812 000 в 2000 г. Использование BI-систем для обнаружения дефектов в бизнес-процессах ставит компанию в более выгодное положение, давая конкурентное преимущество перед компаниями, которые используют BI просто для того, чтобы отслеживать происходящее.

  • Проанализируйте, как принимают решения руководители.
  • Подумайте, какая информация нужна руководителям для оптимизации принятия оперативных управленческих решений.
  • Обращайте внимание на качество данных.
  • Продумывайте показатель эффективности, который имеет наибольшее значение для бизнеса.
  • Обеспечивайте контекст, который влияет на показатель эффективности.

И помните, BI - это нечто большее, чем поддержка принимаемых решений. Благодаря развитию технологий и тому, как их внедряют руководители IT-департаментов, системы бизнес-анализа обладают потенциалом трансформировать организации. IT-директора, которые успешно используют BI для улучшения бизнес-процессов, вносят гораздо более значимый вклад в деятельность свой организации, руководители, внедряющие базовые инструменты составления отчетов.

По материалам www.cio.com

Похожие статьи