Bi технологии включают в себя. Ключевые инструменты BI. Внедрение Business Intelligence

В 2007 году на рынке BI-платформ произошли серьезные изменения, связанные с его существенной консолидацией. Крупные вендоры совершили стратегические приобретения: Oracle завершила сделку по присоединению Hyperion, SAP объявила о присоединении Business Objects, Cognos закончила присоединение Applix и согласилась на слияние с IBM.

Как же данные события повлияли на рынок BI-платформ? Наиболее наглядный ответ на этот вопрос можно получить, взглянув на «магический квадрат» Gartner (рис. 1), где показано распределение ведущих производителей BI-платформ на начало 2007 и 2008 годов.

Рис. 1. Положение ведущих вендоров на рынке BI-платформ (источник: Gartner)

Перед тем как прокомментировать обозначенные выше изменения, кратко рассмотрим методологию Gartner по отбору и представлению вендоров BI-платформ на плоскости «магического квадрата». Прежде всего поясним, что Gartner понимает под понятием «BI-платформа».

Что такое BI-платформа в толковании Gartner

В самом общем плане Gartner определяет BI-платформу как инструмент, который дает организациям возможность строить приложения, позволяющие изучать и понимать их бизнес. Согласно более подробному толкованию, Gartner определяет BI-платформу (BI platform) как программную платформу, предоставляющую 12 функций, которые, в свою очередь, делятся на три группы: интеграция, средства предоставления информации и средства анализа информации.

Интеграция

Общая BI-инфраструктура - все инструменты платформы должны использовать одни и те же средства обеспечения безопасности, общие метаданные, общие средства администрирования, общие средства генерации запросов, а также иметь однотипные интерфейсы.

Управление метаданными - все инструменты приложения должны не только опираться на одни и те же метаданные, но также должны обеспечиваться быстрый поиск, хранение, использование и публикация таких объектов метаданных, как размерности, иерархии, параметры оценки производительности и параметры оформления отчетов.

Средства разработки - наряду со средствами создания отдельных BI-приложений, BI-платформа должна предоставлять средства программной разработки для интеграции приложений в общий бизнес-процесс или обеспечивать их встраивание в другое приложение. BI-платформа должна давать разработчикам возможность создания BI-приложений без кодирования, на основе применения мастеров (wizard-like components) для визуального редактирования.

Совместная работа и управление рабочими процессами - данная возможность позволяет BI-пользователям разделять информацию и обсуждать ее с помощью общих папок и средств ведения дискуссионных тредов (discussion threads). В дополнение BI-приложения могут назначать и отслеживать события или задачи, возложенные на отдельных пользователей, на основе неких заранее определенных бизнес-правил. Обычно данная функциональность предоставляется на базе интеграции с отдельным workflow-инструментом.

Средства предоставления информации

Средства создания отчетов (Reporting) - дают возможность создавать форматированные интерактивные отчеты. В дополнение к этому поставщики BI-платформ должны предоставлять широкий набор типов отчетов (финансовых, операционных и т.п.) в виде приборных панелей дэшбордов (dashboards).

Дэшборды (Dashboards) - одна из составных частей отчетов, представление информации в виде интуитивно понятного графического изображения, включая диаграммы, круговые шкалы, светофоры и т.п. Данные индикаторы показывают состояние анализируемого параметра на фоне его целевого назначения (рис. 2).

Рис. 2. Пример информационной панели (Dashboard)

Руководитель или аналитик, подобно пилоту самолета, видит перед собой «доску приборов» и управляет системой, ориентируясь на значения индикаторов. При этом ключевые факторы, необходимые для управления предприятием, должны быть так или иначе измерены и представлены в виде показателей. Девиз концепции: «Если вы не можете это измерить, значит вы не можете этим управлять» (“If you can’t measure it, you can’t manage it”).

Генератор нерегламентированных запросов (Ad hoc query) - данная функция, известная также как создание отчетов в режиме самообслуживания, дает пользователям возможность получать ответы на возникающие вопросы. Система предоставляет средства навигации по доступным ресурсам данных.

Интеграция с Microsoft Office - в ряде случаев BI-платформы используются как промежуточное звено в цепочке анализа информации, а Microsoft Office (в частности Excel) выступает как BI-клиент. В этих случаях очень важно, чтобы BI-вендор обеспечивал интеграцию с Microsoft Office, включая поддержку форматов документов, формул и сводных таблиц.

Средства анализа информации

OLAP (Online Analytical Processing - аналитическая обработка в реальном времени) - технология обработки информации, включающая составление и динамическую публикацию отчетов и документов. Используется для быстрой обработки сложных запросов к базе данных. Технология OLAP обеспечивает высокую скорость обработки запросов. Она делает мгновенный снимок реляционной БД и структурирует ее в пространственную модель для запросов. Дело в том, что реляционные БД хранят сущности в отдельных таблицах и сложные многотабличные запросы выполняются в них относительно медленно, в то время как пространственная БД является более удачной моделью для запросов. Заявленное время обработки запросов в OLAP составляет около 0,1% от аналогичных запросов в реляционную БД.

Продвинутая визуализация - инструменты продвинутой визуализации позволяют представлять данные для более эффективного их восприятия посредством использования интерактивных картинок и диаграмм вместо таблиц (рис. 3). Обычно пользователи в динамическом режиме могут менять графическое представление, использовать масштабирование, объединять данные, изменять цвета.

Рис. 3. Пример использования визуализации в предоставлении данных
на дэшборде Cognos

Предиктивное моделирование и дейта майнинг. Предиктивное моделирование (Predictive Modelling) - это процесс создания (или выбора) модели для предсказания вероятности наступления некоторого события. Дейта майнинг (Data Mining) - это процесс обнаружения в «сырых» данных ранее неизвестных, нетривиальных полезных и доступных интерпретации знаний, необходимых для принятия решений. Информация, найденная в процессе использования методов Data Mining, должна описывать новые связи между свойствами, предсказывать значения одних признаков на основе других и т.д. Найденные знания должны быть применимы и по отношению к новым данным с некоторой степенью достоверности. Когда извлеченные знания непрозрачны для пользователя, должны существовать методы постобработки, позволяющие привести их к интерпретируемому виду. Задачи, решаемые методами Data Mining, включают:

классификацию - отнесение объектов (наблюдений, событий) к одному из заранее известных классов;
регрессию, в том числе задачи прогнозирования; установление зависимости непрерывных выходных от входных переменных;
кластеризацию - группировку объектов (наблюдений, событий) на основе данных (свойств), описывающих сущность этих объектов. Объекты внутри кластера должны быть похожими друг на друга и отличаться от объектов, входящих в другие кластеры. Чем больше похожи объекты внутри кластера и чем больше различий между кластерами, тем точнее кластеризация;
ассоциацию - выявление закономерностей между связанными событиями. Примером такой закономерности служит правило, указывающее на то, что из события X следует событие Y . Такие правила называются ассоциативными. Впервые эта задача была предложена для нахождения типичных шаблонов покупок, совершаемых в супермаркетах, поэтому иногда ее еще называют анализом рыночной корзины (market basket analysis);
последовательные шаблоны - установление закономерностей между связанными во времени событиями, то есть обнаружение зависимости, согласно которой если произойдет событие X , то спустя заданное время произойдет событие Y ;
анализ отклонений - выявление наиболее нехарактерных шаблонов.

Карты показателей (Scorecards) используют контрольные показатели, отображаемые на информационной панели, для более глубокого анализа путем наложения их на некоторую стратегическую карту, которая увязывает ключевые параметры производительности со стратегическими задачами. Данную концепцию поясняет рис. 4. Технология предполагает дальнейший анализ на базе применения методологии управления производительностью, например Six Sigma.

Рис. 4. Сравнение ключевых параметров производительности
со стратегическими задачами

После того как мы пояснили термин BI-платформа, вернемся к анализу «магического квадрата» на рис. 1.

Критерии отбора и оценки компаний

В исследовании Gartner (см. рис. 1) участвовали компании, отобранные по следующим принципам:

предоставляющие как минимум 8 из 12 функций, свойственных BI-платформе;
занимающие заметную долю рынка BI-платформ, что подтверждается объемами продаж не менее 20 млн долл.;
решения на платформах которых работают на уровне предприятия, а не только на уровне отделов.

На рис. 1 использован ряд терминов, в соответствии с которыми вендоры расположены на плоскости квадрата. Поясним их значение:

возможность реализации - определяется следующими факторами:
- насколько конкурентными и успешными являются продукты,
- какова вероятность того, что вендор будет продолжать инвестировать в продукт/сервис,
- насколько успешную ценовую политику проводит вендор,
- насколько вендор устойчив к изменениям на рынке,
- насколько клиенты информированы в области предложений вендора,
- насколько вендоры имеют возможность выполнять маркетинговые обещания,
- насколько клиенты довольны сервисной поддержкой вендора;
полнота видения - это умение вендора эксплуатировать тенденции на рынке для создания дополнительных сервисов для клиентов и соответствующих выгод для себя. Полнота видения может быть оценена исходя из качества:
- прогнозов потребностей покупателей,
- маркетинговой стратегии,
- стратегии продаж,
- стратегии развития на вертикальных сегментах рынка,
- стратегии выхода на удаленные рынки;
лидеры - это вендоры, обеспечивающие широкую функциональность своих продуктов, их успешное внедрение и предоставляющие качественную поддержку на глобальном уровне;
претенденты - обладают ограничениями, которые могут быть связаны не только с широтой спектра технологических решений, но и с рыночными показателями, такими как качество сбытовой сети и т.п.;
провидцы - это вендоры, обладающие мощной стратегией продвижения BI-платформ, что проявляется в открытости стандартов, гибкости архитектуры решений и глубине функциональности создаваемых приложений. Это лидеры в области инновационной деятельности;
нишевые игроки - занимают лидирующие позиции в некоторой ограниченной продуктовой или технологической области.

Тенденции на рынке BI-платформ

Как видно из рис. 1, мегавендоры начинают доминировать на BI-рынке. Действительно, менее чем за год Microsoft, Oracle, SAP и IBM прошли путь от владения четвертью рынка до владения его двумя третями.

При сравнении квадратов за 2007-й и 2008 годы видно, что Microsoft поднялась и занимает первое место по возможностям реализации. SAP пока не попадает в лидеры, по всей видимости потому, что объединение с Business Objects еще не закончено. Oracle переместилась на второе место после SAS по полноте видения.

Таким образом, «магический квадрат» BI-платформ за 2008 год отражает тот факт, что лидерство переходит от независимых BI-вендоров, таких как Business Objects и Cognos, к мегавендорам.

В июле 2007 года Oracle завершила сделку по приобретению Hyperion. Это привело к тому, что две конкурирующие платформы - Hyperion System 9 и Oracle Business Intelligence Enterprise Edition - объединились под руководством Oracle и соответственно расширили BI-ресурсы Oracle как в технологическом плане, так и в отношении людских ресурсов.

В октябре 2007 года SAP объявила о присоединении Business Objects с целью расширения своего присутствия на рынке. Данное присоединение (оно было закончено в январе 2008 года) закрывает существенный пробел SAP в части генераторов запросов и отчетов.

Cognos закончила присоединение Applix, обладающего мощной OLAP-технологией, и, в свою очередь, согласилась на свое поглощение корпорацией IBM.

За тот же период такие факторы, как взросление BI-портфеля Microsoft, развитие технологий Web 2.0, развитие продуктов BI с открытым кодом, развитие предложений ПО как услуги (SaaS), привели к тому, что BI-функциональность стала более доступной, чем ранее.

OpenSource BI-решения существенно продвинулись в своем развитии, однако оборот от их внедрения пока незначителен. Один из крупнейших вендоров в этой области JasperSoft утверждает, что у него имеется более 7 тыс. коммерческих клиентов и более 70 тыс. активных внедрений.

Наблюдается также растущий интерес к предоставлению BI-решений в форме SaaS. В частности, компания Business Objects является лидером в бизнесе по предоставлению BI-приложений по запросу (OnDemand), но существуют и более мелкие фирмы, такие как Seatab, Oco и LucidEra, предоставляющие BI-решения как услугу. Использование BI-решений в виде OnDemand-сервиса подходит не всем организациям, оно малоприменимо для организаций, которые работают с секретными данными. Тем не менее с каждым годом все больше компаний выбирают SaaS-модель как более экономичную и достаточно надежную.

Анализ положения ведущих вендоров

Business Objects

Среди компаний, специализирующихся исключительно на BI-решениях, Business Objects предлагает наиболее полную платформу с хорошо проработанной технологией генерации отчетов и запросов.

Около 90% организаций, внедривших данное решение, отмечают, что оно является стандартным для их организации.

Business Objects расширила спектр BI-предложений в 2007 году после присоединения фирмы Inxight.

Быстрый рост BI-предложений Business Objects по запросу (OnDemand), количество пользователей которых составляет уже более 70 тыс., делает ее де-факто лидером в сфере SaaS-BI.

Business Objects должна будет скорректировать свою стратегию после приобретения нового статуса в результате перехода в собственность компании SAP, то есть должна будет потратить некоторое время на изменение каналов продаж, систему поддержки и т.п.

По отзывам клиентов, OLAP является слабой стороной в решениях Business Objects.

Cognos

Cognos имеет исключительно высокий процент внедрений своей BI-платформы в качестве стандартного для предприятий решения. Более 90% опрошенных считают Cognos стандартом для своей организации.

Cognos активно инвестирует в работы по улучшению архитектуры платформы. С появлением версии 8.2 и будущей версии 8.3 Cognos 8 BI практически избавилась от проблем с недостаточной стабильностью работы и слабой технической поддержкой. В настоящее время большинство клиентов эксплуатирует последнюю версию Cognos BI.

После завершения присоединения Cognos к компании IBM платформа Cognos BI выиграет из-за возможности интеграции с технологиями IBM.

Еще одно преимущество Cognos получит по мере освоения технологии Applix TM1 OLAP.

Дейтамайнинговые технологии Cognos по-прежнему слабее, чем предложения ее конкурентов.

Microsoft

Удачная ценовая политика и интеграция с MS Office делает решения Microsoft особенно привлекательными для организаций, которые базируются на инфраструктурных решениях этой компании.

При продвижении своих BI-решений Microsoft может опереться на большую аудиторию разработчиков. По оценкам Microsoft, это 2 тыс. OEM/ISV-партнеров по внедрению ее BI-решений.

По отзывам клиентов, BI-решения от Microsoft вызывают минимальные нарекания.

BI-решения Microsoft были созданы именно ею, а не приобретены вместе с присоединенной фирмой.

Microsoft с опозданием включилась в гонку по продвижению BI-платформ и поэтому сейчас ее стратегия - «догнать и перегнать». По оценкам клиентов, Microsoft все еще отстает от компаний, традиционно занимающихся продвижением BI-платформ, особенно в плане управления мета-данными, генерирования отчетов и создания дэшбордов.

MicroStrategy

Вместо тактики присоединения MicroStrategy полностью построила технологию своими собственными силами. Это обеспечивает высокую степень интеграции в рамках платформы.

MicroStrategy имеет положительные отзывы клиентов по всем 12 критериям, которые оценивает Gartner.

Развитие новых технологий может привести к ослаблению позиций MicroStrategy, которые она пока занимает в области обработки сверхбольших объемов данных.

MicroStrategy имеет репутацию компании, предлагающей дорогие решения, на которые трудно получить скидку.

MicroStrategy фокусируется исключительно на BI-платформах и уделяет недостаточно внимания смежным технологиям - CPM (Corporate Performance Management - управление производительностью корпораций) и интеграции данных.

MicroStrategy имеет малый объем продаж в Азиатско-Тихоокеанском регионе.

Oracle

Еще до присоединения Hyperion, в середине 2007 года, позиции Oracle на рынке BI были достаточно сильными: ее комбинация BI-платформы и аналитических приложений (Oracle BI Enterprise Edition (OBIEE) и Oracle Analytic Applications) представляла собой весьма успешное предложение.

Клиенты дают E положительные отзывы на OBIE. Они отмечают широкие возможности решения относительно организации коллективной работы, а также продвинутые средства визуализации, являющиеся, по их словам, одними из лучших на рынке.

Сильные стороны Essbase OLAP-движка и возможности интеграции Hyperion с Microsoft Office повышают потенциал Oracle на рынке BI.

Компания Oracle имеет хорошие шансы продвигать свои BI-технологии различным клиентам, а не только приверженцам платформы Oracle.

Процесс интеграции BI-решений, полученных в результате слияния, займет немало времени в 2008 году.

Есть сведения, что среди инсталяций базы Hyperion BI процент последней версии невелик, что указывает на тот факт, что клиенты не спешат переходить на последнюю версию продукта.

Oracle следует улучшить техническую поддержку.

SAP

Имея более 13 тыс. внедрений, компания SAP добилась больших успехов в продвижении решения NetWeaver BI. Более 75% клиентов SAP из опрошенных Gartner свидетельствовали, что BI-решения от SAP являются стандартными в их организациях.

После завершения интеграции SAP и Business Objects фирма SAP станет крупнейшим вендором BI-платформ, который будет вдвое больше любого другого своего конкурента.

Сильные стороны Business Objects, в первую очередь генерирование форматированных отчетов и генерирование отчетов в режиме самообслуживания (self-service report creation), удачно восполняют пробелы, имеющиеся в решениях SAP BI.

В ходе исследования Gartner клиенты SAP, использующие последнюю версию SAP BI, отметили трудности, касающиеся ее внедрения.

Присоединение Business Objects несколько снижает показатель SAP, который Gartner условно называет возможностью реализации. Это связано с неизбежной неопределенностью для клиентов, которые рассчитывали на уже существующие внутренние продукты SAP в области BI.

Несмотря на тот факт, что внедренные решения на базе NetWeaver BI способны импортировать данные из не SAP-приложений, SAP может назвать не более 25 крупных предприятий, внедривших NetWeaver BI, где бы не доминировали учетные системы SAP. Для достижения лидерства на рынке SAP необходимо продемонстрировать, что она может внедрять свою платформу и на предприятиях, где SAP-приложения не являются доминирующими.

SAS

SAS лидирует в области продвинутой аналитики (Advanced Analytic Solutions).

SAS предлагает аналитические решения, которые не только обеспечивают базовую функциональность на уровне анализа KPI, но и предлагают продвинутую аналитику обнаружения бизнес-проблем, например таких, как выявление мошенничества.

SAS - это известный бренд, решения SAS имеют сервисную поддержку по всему миру.

Приложения SAS считаются трудными в освоении. Многие приложения продвинутой аналитики требуют применения специального языка программирования SAS - это является достоинством для программистов и существенным ограничением для людей, не обладающих подобными навыками.

В заключение перечислим основные тенденции на рынке BI-платформ:

актуальность задачи оптимизации производительности компаний на всех уровнях стимулирует спрос на BI-решения;
возможности BI-платформ расширяются, и, помимо традиционных генераторов отчетов и запросов, а также OLAP-функциональности, активное развитие получили «приборные панели» (dashboards), карты показателей (scorecards) и продвинутая визуализация;
мегавендоры начинают доминировать на BI-рынке;
BI-решения в форме SaaS активно продвигаются многими производителями;
процесс слияний и стандартизации является двигателем рынка.

На большинстве предприятий по-прежнему падают продажи и производство, дорожают кредитные ресурсы, уменьшается потребление. Все это требует проведения срочных изменений в компании, и в частности, сокращения затрат. Именно поэтому, сейчас от управленца требуется использование при этом современного ИТ- инструментария. Можно даже сказать, что использование современных аналитических систем (Business Intelligence) является сегодня одним из условий выживания компании.

Business Intelligence — управление на основе информации

Еще в восьмидесятых годах прошлого века появились первые аналитические приложения, которые предназначались для поддержки принятия решений. Эти инструменты серьезно отличались от транзакционных учетных приложений, которые в первую очередь были сконцентрированы на операционной деятельности. Тот объем информации, который был сформирован благодаря использованию таких систем, дал серьезный импульс развитию нового класса приложений предназначенных для поддержки принятия решений менеджментом. Эти системы были названы системами оперативной аналитической обработки (Online Analytical Processing, OLAP ). Уже в начале девяностых годов компания Gartner Group, ввела термин бизнес-аналитика, который сегодня широко используется для обозначения аналитических приложений.

«Business Intelligence (BI) превратилась в стратегическую инициативу, и теперь ИТ-директора и руководители бизнеса признают ее как средство повышения эффективности работы и инновационности предприятий», - считает вице-президент Gartner по исследованиям Андреас Биттерер.
По результатам опроса, проведенного этой компаний, в котором приняли участие более тысячи руководителей информационных служб, бизнес-аналитика была признана приоритетной технологией в 2008 году. При этом интерес к бизнес-аналитике сохраняется уже боле трех лет подряд. И только этот год показал изменение тренда интереса к данной теме, в 2009 году бизнес-аналитика стала восьмой с точки зрения приоритетов, и это связано с тем, что большинство зарубежных компаний уже включили данный инструмент в практику своей деятельности.

Однако российская практика применения BI-инструментария пока находится в зачаточном состоянии, и ближайшие пару лет можно не беспокоиться о спаде интереса к этим технологиям. Ведь, к сожалению, несмотря на достаточно высокий уровень существующей автоматизации российских компаний, большинство генеральных директоров еще пока не имеют компьютера на своих рабочих местах, и уж точно не принимают решения на основе анализа информации из аналитических систем. Внедренные во многих компаниях ERP-системы дали возможность планировать ресурсы компании и сделать ее прозрачнее. Но от этого принятие решений на высшем уровне не стало проще, и все еще важнейшим является такое качество руководителя, как интуиция.

Как не странно, но основным результатом прошедшего бума автоматизации российских компаний являются затраты в миллионы долларов, при этом стратегические решения все также принимаются по старинке. Многие генеральные директора сейчас задают вопрос: «Мы потратили не один миллион на автоматизацию, но почему я не вижу осязаемых результатов в моей деятельности». В большинстве случаев это связано с тем, что во многих компаниях есть ответственный за информационные технологии – директор по ИТ, но нет ответственного за информацию. Ведь сейчас в большинстве компаний накоплены «океаны информации», и для того чтобы ее обработать и применить для поддержки принятия решений необходимы специализированные технологии —.

Практика показывает, что в настоящее время с огромной скоростью растет объем хранимой и анализируемой информации во всех отраслях, при этом некоторые из них можно назвать явными лидерами. В банках, страховых компаниях, телекоммуникационных компаниях и розничной торговле объем обрабатываемых данных исчисляется терабайтами, а от правильности использования этих данных зависит уровень удовлетворения требований клиентов, а значит и конкурентные преимущества. Те, кто первые смогут преобразовать накопленные данные в информацию необходимую для принятия взвешенных решений смогут победить в конкурентной борьбе.

тоже время вместе с объемом информации растет и скорость ее генерации, а также ее разнообразие, что требует стратегического подхода к управлению информацией и внедрению BI инструментов. Ведь выбирая технологии для решения сегодняшних задач без учета будущих потребностей, можно столкнуться с их негодностью уже через пару лет. Еще одной сложностью для большинства компаний является низкое качество данных, а значит и недостаточная достоверность получаемой информации. Ведь если информацию вносить в систему раз в месяц и из недостоверных источников, то и решение, принятое на основе такой информации, скорее всего, будет уже «посмертным». В такой ситуации невозможно работать по старинке, рано или поздно понадобятся специализированные инструменты верификации и анализа информации.

Именно поэтому, аналитическая компания Gartner уже несколько лет отмечает общемировой интерес к аналитическим приложениям, а на российском рынке наблюдается огромное число проектов по внедрению данных инструментов. Это связано с тем, что от внедренных ERP-систем пока нет той отдачи, на которую все рассчитывали. И сейчас только BI технологии позволяют автоматизировать сбор и анализ информации, а также представление ее в виде удобном для менеджмента.

Задачи анализа информации настолько разнообразны, что помимо отраслевой специализации BI инструменты имеют различия по классу решаемых задач. При этом, как бы ни хотелось решить все задачи единым и универсальным BI инструментом – это невозможно. В настоящее время на российском рынке сейчас присутствует множество различных BI инструментов, закрывающие те или иные потребности компаний. Однако, покупка BI — инструмента, часто не дает ожидаемых результатов, ведь нужно не только купить инструментарий и развернуть его в своей компании, но и много времени уделить качеству существующих данных и способам их верификации. К сожалению, во многих компаниях сейчас еще нет той единой версии правды, которая необходима для принятия решения.

Именно поэтому, покупка инструментов Business Intelligence (BI) не приведет компанию к успеху. Для эффективного внедрения BI-инструментов в компании необходимо создать соответствующие условия, и в первую очередь это поддержка руководителей. Ведь пользователями данных приложений должны быть первые лица компании, и если этого не будет, то инструменты, скорее всего, будут «пылиться на полке». Переломить привычку управлять по старинке, вот что нужно сделать в компании, а это не так просто.
Помимо изменений в управлении, необходимо согласование мероприятий по использованию BI-инструментов с существующей бизнес- стратегией компании.

Что и когда измерять? На каких показателях основывать стратегические и тактические решения? Кто отвечает за конкретные показатели? Без ответов на эти вопросы внедрение и развитие BI-инструментов может пойти неправильным путем.

И конечно для быстрого и эффективного развертывания технологий бизнес-анализа необходимо определение ответственного сотрудника и соответствующего центра компетенции, иначе ничего не выйдет. Ведь чтобы собрать воедино все потребности множества функциональных заказчиков и создать соответствующую информационную инфраструктуру, необходимо постоянная работа и принятие многих управленческих решений на уровне первых руководителей. Стратегия использования BI должна проходить сквозь всю компанию и начинаться от процессов сбора первичных данных и заканчиваться процессами принятия стратегических решений, иначе доверия к получаемой информации не будет, а значит, при принятии решений аналитическая информация не будет использована.

Внедрение Business Intelligence

Фактически для успешного внедрения BI-технологий в компании необходимо создание BIG team – Business Intelligence Governance , – т.е. центра компетенции по управлению информацией на уровне всей компании. Создание такого центра компетенции по BI позволяет централизовать ответственность и компетенцию за управление информацией в компании, а также навести порядок среди используемых BI инструментов.

Центр компетенции по BI может иметь стандартную структуру в которой объединяются бизнес- заказчики и сотрудники, зона ответственности которых лежит в области управления информационными технологиями и информацией (ИТ-директор, архитектор информации, бизнес-аналитики и т.д.). При этом в качестве основных задач центра компетенции можно выделить следующие: управление потребностями бизнес -заказчиков, выбор технологий управления информацией, методологическое руководство, стандартизация работ и используемых технологий, накопление компетенции, управление качеством данных.

Способы организации такого центра компетенции тоже могут быть разные:
· функциональное подразделение, подчиняющееся ИТ-подразделению;
· подразделение, подчиняющееся операционному управлению;
· распределенная структура с подчинением генеральному директору;
· виртуальная организация.

Форма организации может быть любая, главное чтобы в компании появились ответственные за управление информацией и бизнес-анализ. По информации компании Gartner, наиболее часто BIG team находится в ИТ-подразделении, что не всегда позволяет придать нужные приоритеты данным работам. Ведь создание такого центра компетенции в первую очередь необходимо для централизации ответственности за управления информацией и использование BI приложений. Поэтому наиболее эффективно, если центр компетенции будет подчиняться напрямую генеральному директору или его заместителю. При этом основополагающим вопросом, с точки зрения эффективности созданного подразделения, является присвоение ему соответствующих полномочий. На практике данные структуры существуют не более чем в одном проценте российских компаний, что еще раз подтверждает невысокую зрелость российского менеджмента в области управления информацией.

Для понимания стратегии развития данного направления первым результатом работы созданного центра компетенции должна стать стратегия в области управления информацией и использования инструментов бизнес-анализа. Без такого системного взгляда есть большая вероятность, что бизнес — заказчики будут использовать различные BI-инструменты с пересекающейся функциональностью, что в свою очередь увеличит затраты, и не позволит получить ожидаемые преимущества. Сейчас нет смысла тратить деньги без определения четкой стратегии развития, иначе возникнет зоопарк BI — приложений, который будет неуправляем.

Существующие сейчас тенденции развития рынка BI приложений заключаются в росте отраслевой и функциональной специализации BI платформ, а также к увеличению их числа. Таким образом, со стороны компании необходимо четкое понимание своих потребностей и выбор соответствующих BI-приложений, при этом учитывая рост числа пользователей BI-инструментов в компании, это становится все более и более критичным.

Как уже отмечалось, прошедшая волна внедрений ERP систем в российских компаниях создала платформу, на основании которой, с помощью BI-инструментов, можно и нужно выбрать необходимую для принятия решений информацию. Поэтому, с ухудшением внутренней ситуации, компании обратили внимание на вопросы своей внутренней организации и эффективности, и начали активно использовать BI приложения, которые раньше скорее были игрушкой бизнес-аналитиков, чем реальным инструментом.
Одной проблемой, которая сейчас требует решения при внедрении BI- инструментов — качество данных в компании. Аналитическая компания Gartner предлагает следующую классификацию в качества данных по уровням: оптимизированный, управляемый, упреждающий, реактивный, осведомленный. При этом чем выше качество данных в компании, тем больше выгода для бизнеса, что в свою очередь позволяет перейти от управления на основе интуиции к управлению на основе хорошего ощущения.

Преимущества Business Intelligence

В качестве преимуществ использования BI приложений можно выделить следующие. Прежде всего, Business Intelligence (BI) снижает расходы на управление информацией, поскольку избавляет от избыточных процессов извлечения данных и существующего дублирования информации. Системы BI экономят время сотрудников за счет более эффективной обработки информации, а возможность анализировать большие массивы данных позволяет уменьшить число сотрудников требуемых для обработки информации.

По мере развертывания средств бизнес-анализа в компании, пользователи начинают выполнять анализ и делать прогнозы, и тогда преимущества BI- приложений становятся еще заметнее. Например, применение Business Intelligence (BI) на стратегическом уровне может позволить выйти на новый рынок, изменить направление развития компании или выпустить новую линию услуг.
С точки зрения развития BI-приложений, тренд развития этих систем направлен на усиление специализации. Уже появились системы анализа бизнеса в реальном времени Business Activity Monitor (BAM), которые позволяют предоставлять для принятия решений данные, которые появились несколько минут назад. Эти системы оказывают значительную помощь среднему уровню менеджмента, поскольку позволяют поддерживать принятие оперативных решений. Также в отдельный класс выделились системы анализа бизнес-процессов – Process Intelligence, которые позволяют осуществлять контроль и анализ (контроллинг) исполняемых бизнес-процессов, а также анализ организационной эффективности сотрудников.

Такое пересечение технологий управления бизнес-процессами (Business Process Management) и систем бизнес-анализа (Business Intelligence) позволяют не просто увидеть проблему, но и найти ее причину, что в свою очередь дает возможность ее исправить до наступления последствий.
В качестве заключения можно отметить, что рынок BI-инструментов растет, и на нем происходят серьезные поглощения. Крупные игроки, такие как SAP, Microsoft, Oracle покупают наиболее перспективные BI-технологии, и интегрируют их в свои решения. А это явный знак востребованности BI инструментария и показатель того, что ближайшее годы развитие компаний будет идти в этом направлении.

Андрей Коптелов, Журнал Генеральный Директор

Модные словечки, востребованная терминология, не совсем понятные определения и совершенно незнакомые лексические единицы. Все вышеуказанное можно применить как к понятию «business intelligence», так и к словосочетанию «data science». Попробуем не только преодолеть трудности перевода, но и разобраться в том, чем разнятся «наука о данных» и «бизнес интеллект».

Business Intelligence: интеллект, разведка, осмысление, аналитика

Многие уверены, что термин «business intelligence» впервые появился на свет в 80-х гг. прошлого столетия, но это не совсем так. Дело в том, что первым этот термин использовал Ханс Питер Лун, исследователь из компании IBM, в далеком 1958 году. А в 1989-ом Говард Дреснер, который позже стал аналитиком в Gartner, дал определение «business intelligence» как тому, что описывает «концепции и методы для улучшения принятия бизнес-решений с использованием систем на основе бизнес-данных».

Давайте прислушаемся к другим экспертам. Так, Джонатан Ву, менеджер компании Netgear, определяет BI как процесс сбора многоаспектной информации о предмете, который исследуется. А вот какую трактовку предложил Институт хранилищ данных (The Data Warehousing Institute): Business intelligence – это процесс превращения данных в знания, а знаний в бизнес-действия для получения выгоды.

BI можно рассматривать не только как процесс, но и как результат процесса получения знаний. Однако если компилировать все определения, которые «дрейфуют» на рынке, можно утверждать, что business intelligence в самом широком смысле этого понятия – это процесс превращения полученных данных в знания о бизнесе, которые используются для принятия улучшенных решений. Кроме того, это еще и информационные технологии сбора данных и их консолидации. И, наконец, BI представляет собой знания о бизнесе, которые добываются путем проведения углубленного анализа данных. Если говорить коротко, то business intelligence – это технологии, анализ и знания.

Data Science: наука о хаосе, приведенном в порядок

С недавних пор наука о данных рассматривается не только как академическая дисциплина, но и как практическая межотраслевая сфера деятельности. Сам термин был предложен Уильямом Кливлендом, профессором университета Пердью, который считается одним из самых больших авторитетов в области статистики, машинного обучения и визуализации данных.

Согласно определению международного совета CODATA (International Council for Science: Committee on Data for Science and Technology), наука о данных представляет собой дисциплину, которая объединяет различные направления статистики, data mining и машинное обучение. Однако наиболее популярное определение дано в статье «Что такое Data Science?» Майка Лукидиса, редактора O"Reilly Media и автора книг об операционных системах, компьютерной архитектуре и программировании. Стоит отметить, что данная трактовка на сегодняшний день является основополагающей. – это обобщенное название технологий, которые предназначены для производства данных как продукта. Если сравнивать науку о данных с традиционной статистикой, то на первый взгляд может показаться, что между ними нет никаких отличий. Однако Data Science характеризуется комплексным подходом, а data-ученые не изучают данные, а используют их.

Таким образом, мы приходим к выводу, что Data Science изучает проблемы анализа, обработки и использования данных. Это такое фантастическое «ассорти», от которого голова идет кругом: здесь вам и статистика, и интеллектуальный анализ данных, и искусственный интеллект, обрабатывающий большие объемы data, и методы проектирования баз данных, и многое другое.

Ничто не ново под… data-небосводом

Облачные вычисления и другие технические достижения заставили компании сосредоточиться больше на будущем, а не анализировать отчеты на основании данных прошлого. Чтобы получить конкурентные преимущества, компании начали объединять и преобразовывать данные, которые являются частью реальной науки о данных.

В то же время они практикуют Business Intelligence, создавая графики, отчеты и таблицы на базе полученных данных. И хотя между Data Science и Business Intelligence есть большие различия, они в равной степени важны и дополняют друг друга.

Для того чтобы практиковать BI и Data Science, многие компании нанимают специалистов, которые совмещают сразу две должности – BI-аналитиков и дата-сайентистов. Тем не менее, именно здесь и возникает путаница из-за непонимания того, что эти роли требуют различных экспертных знаний.

Несправедливо ожидать, что BI-аналитик может сделать точные бизнес-прогнозы. А это может стать причиной катастрофических последствий для любой компании. Однако, изучив главные различия между BI и наукой о данных, можно научиться подбирать подходящих кандидатов для выполнения определенных задач, которые намерен решить ваш бизнес.

Сфера интересов

С одной стороны, традиционный подход Business Intelligence подразумевает создание инструментальных панелей для отображения исторических данных в соответствии с фиксированным набором ключевых показателей эффективности. Отсюда делаем вывод, что BI больше полагается на отчеты, современные тренды и ключевые показатели эффективности (KPI).

С другой стороны, наука о данных больше фокусируется на предсказании того, что в конечном итоге может случиться в будущем. Таким образом, дата-сайентисты больше сосредоточены на изучении закономерностей и различных моделей, а также на нахождении корреляций для бизнес-прогнозов.

Например, компаниям, занимающимся , нужно предсказывать растущую потребность в новых видах обучения, основываясь на существующих шаблонах и требованиях корпоративных компаний.

Анализ и качество данных

BI требует от аналитиков умения сосредотачиваться не только на настоящем и будущем, но и заглядывать в прошлое – то есть активно использовать исторические данные. Поэтому анализ BI-аналитиков является в большей степени ретроспективным. Фокус Business Intelligence – это абсолютно точные данные, основанные на том, что на самом деле произошло в прошлом.

Например, ежеквартальные результаты компании формируются из реальных данных о ведении бизнеса на протяжении последних трех месяцев. Ошибки в этом случае попросту невозможны, потому что отчетность носит описательный характер и не может быть субъективной.

Что касается науки о данных, то дата-сайентисты должны использовать предиктивную и директивную аналитику. Они обязаны довольно точно предсказывать то, что должно произойти в будущем, используя вероятности и уровни уверенности.

То, как компания будет выполнять необходимые действия на основе предиктивного анализа и прогнозов на будущее, не может базироваться на простых догадках. Конечно, наука о данных не может быть точной на 100%, но она должна быть «достаточно хороша» для бизнеса, чтобы принимать своевременные решения и действия, а также обеспечивать необходимые результаты.

Идеальный пример науки о данных в действии – оценка прибыли компании в следующем квартале.

Источники и преобразование данных

Business Intelligence – это заблаговременное планирование и подготовка к использованию правильной комбинации источников данных для их преобразования. Чтобы получить соответствующие инсайты о клиентах, деловых операциях и продуктах, Data Science в состоянии на лету преобразовывать данные, используя те источники информации, которые доступны по требованию.

Потребность в смягчении

BI-аналитики не должны смягчать любые неопределенности, окружающие исторические данные, так как они основаны на реальных ситуациях. Такие данные точны и не предполагают каких-либо вероятностей.

Бизнес любит конкретику. Если идут продажи, то руководству нужно точно знать, сколько товара продано сегодня, сколько за прошлый месяц, насколько это больше или меньше по сравнению с прошлым годом. Каков оборот, сколько составила прибыль, какова динамика издержек? Такие вопросы с поправкой на отраслевую специфику возникают в любой компании.

Вся необходимая информация есть в корпоративных системах, и она доступна менеджерам. В маленькой компании можно вести таблицы в Excel, в более крупной - выгружать данные из многочисленных систем, помогающих управлять производством, поставками, складом, отношениями с клиентами и прочими направлениями.

Но для чего бизнесу нужна эта информация? Посмотреть отчеты и дать команду все оптимизировать, издержки сократить, а прибыль увеличить? На самом деле, примерно так дело и обстоит, только содержательность управленческих решений полностью зависит от глубины анализа имеющейся информации. И, к сожалению, анализ «плоских» данных, когда рассматриваются цифры только в одном-единственном разрезе, потому что других нет или нужно долго считать, не позволяет гибко управлять компанией.

Если топ-менеджмент волнуют глобальные вопросы, то линейные руководители больше озабочены состоянием дел на своем конкретном направлении. Как изменится прибыль с каждой машины, отправленной контрагентам А и Б в разных регионах, если на 5% повысится цена на топливо? Какие продукты необходимо дозакупить сети кафе с учетом меню, динамики цен, издержек, а также сроков и условий хранения? Нужно ли переводить контакт-центр по обслуживанию покупателей из Москвы в регион - и в какой конкретно, с учетом местных ставок арендной платы, стоимости каналов связи, наличия квалифицированной рабочей силы и размера средней заработной платы? Какой товар нужно выставить рядом с кассой в супермаркете?

Собирая данные из разрозненных приложений, которыми владеют разные подразделения, BI-система выдает корректный ответ в едином формате. По сути, она предоставляет в наглядном виде информацию о том, что происходит в бизнесе по выбранному направлению и что будет происходить при заданных аналитиком условиях. Более того, система помогает правильно ставить вопросы.

Важность BI доказывает тот факт, что этими системами занимаются ведущие мировые поставщики ИТ, в числе которых IBM, Microsoft, Oracle, SAP, SAS, QlikTech и другие. По сути, на многомерных данных, которыми оперирует BI, строится вся аналитическая отчетность компаний.

Какие же конкретные задачи решают BI-системы? Топ-менеджер видит с их помощью прибыльные и убыточные направления бизнеса, динамику доходов и расходов. Получая необходимые данные по определенным срезам, он может обоснованно предсказывать развитие ситуации по направлениям и принимать решения.

Отдел продаж имеет инструмент для планирования и оценки выполнения планов. В отчетах видна эффективность каждого менеджера и динамика продаж каждому клиенту. Анализ позволяет также выявить зависимость продаж от ряда сопутствующих факторов: сезона, наличия конкурентов в определенном районе и др.

Ответы на эти вопросы, как правило, нужны быстро и без участия ИТ-службы. Для решения таких задач и существуют системы BI (Business Intelligence). Это давно и активно развивающийся класс приложений, позволяющих взять все значимые для бизнеса параметры и строить по ним аналитические отчеты самостоятельно, мгновенно и в любом разрезе.

Финансисты могут использовать BI-систему для планирования бюджетов, получать консолидированную финансовую отчетность, анализировать с помощью системы движение денежных средств, контролировать погашение кредитов заемщиками.

Руководители производственных подразделений и логисты используют бизнес-аналитику для разработки производственного плана, управления поставками, складскими запасами, отношениями с поставщиками, для анализа маршрутов движения транспортных средств и т. д.

Как только бизнес достигает масштабов, при которых таблицы Excel перестают считаться аналитикой, потому что не помогают ориентироваться в многомерном мире, он задается вопросом, какую систему аналитики использовать. Впрочем, как мы упоминали в самом начале, бизнес любит конкретику. И вопрос на самом деле звучит примерно так: «Как изменится моя прибыль, если изменится одно или несколько условий деятельности, и кто поможет мне решить, что нужно предпринять для ее увеличения?» За ответом стоит обратиться к BI.

В России к решениям на базе BI-систем обращаются компании из разных секторов экономики. По оценке главного редактора аналитического издания TAdviser Александра Левашова, наиболее востребованны BI-системы у заказчиков из финансового сектора, торговли и госсектора. Также эти решения пользуются спросом у представителей фармацевтической отрасли, пищевой промышленности, применяются в энергетике и телекоммуникационном сегменте.

Дмитрий Глушков, консультант аналитического отдела компании Softline, также обращает внимание на отраслевую специфику спроса на BI: «Наибольшее количество BI-проектов реализуется сейчас в трех отраслях: финансовом сегменте, ритейле и госсекторе. При этом в каждом из сегментов бизнес-аналитика дает возможность решать специфические задачи.

Например, банкам и страховым компаниям BI-системы позволяют автоматизировать процессы сбора и формирования отчетности, предоставляя топ-менеджерам оперативную информацию об основных показателях деятельности организаций. Это дает возможность быстро принимать необходимые решения для максимизации финансовых показателей.

Сегменту розничной торговли аналитические инструменты также предоставляют множество возможностей применения. Это анализ продаж, отчеты типа like-for-like, визуализация данных на различных географических картах, анализ продуктовой корзины.

Что касается госсектора, то здесь характерными являются запросы на реализацию механизмов прогнозирования, автоматизацию процессов бюджетирования, построение инструментов для мониторинга различных показателей».

Отличается ли российский рынок BI от западного? По мнению Александра Левашова, нет серьезных отличий с точки зрения проникновения или потребления BI-решений. Важной особенностью является то, что в нашей стране развита собственная экспертиза в области разработки программного обеспечения для бизнес-аналитики (речь о компании «Прогноз»). Мало какая страна может похвастаться этим.

Маркетологи приобретают инструмент для конкретного, в цифрах, анализа рынка в целом и по секторам, изучения конкурентов, поведения покупателей, прогнозирования спроса и предложения, определения самых эффективных инструментов продаж и анализа эффективности маркетинговых акций.