BI: новая волна спроса

Магический квадрант BI населен достаточно густо, представлено более 20 ведущих разработчиков аналитических систем. Места в лидерском сегменте заняты давно и прочно, однако примечательно, что они поделились между гигантами индустрии - IBM, SAP, SAS, Microsoft и Oracle, и специалистами в BI, такими как Qlik Technologies, MicroStrategy, Tibco Spotfire, Information Builders и Tableau Software. Особо стоит отметить, что российская компания "Прогноз" в течение нескольких лет также включается аналитиками Gartner в Магический квадрант и показывает положительную динамику.

Аналитики уже много раз объявляли о грядущем торнадо на рынке BI (например, об этом писал журнал Information Age в 2006 г.), только этого пока не произошло, несмотря на неослабевающий спрос. Может быть, возникновению торнадо, которое обычно приводит к сильной консолидации и унификации рынка, в случае с BI препятствует то, что аналитика в принципе не предполагает стандартного подхода, поэтому всегда будут востребованы самые разнообразные решения?

CNewsConferences и CNewsAnalytics 6 июня 2013 г. провели конференцию "Российский рынок BI: вторая волна спроса", где собравшиеся обсудили практические аспекты внедрения BI-решений в российских компаниях и тренды развития рынка бизнес-аналитики.

Куда движется BI

Улучшение качества бизнес-решений считается главной ценностью внедрения BI - такой вывод делает Forrester по результатам опроса более 5 тыс. руководителей компаний. Сегодня явно прослеживается тренд перехода от описательной аналитики и констатации фактов к диагностике и выявлению причин - бизнесу не нужны просто цифры и факты, поданные в красивом виде.

Это стимулирует разработчиков к созданию более практичных решений, дающих конкретные ответы на вопросы. Можно проиллюстрировать это на примере, взятом из обычной жизни: когда вы заходите на метеосайт, вас едва ли интересует статистика погоды за последние сто лет. Чаще всего нужен конкретный ответ на простой вопрос: будет ли сегодня дождь?

Облачные технологии могут сильно повлиять на пейзаж рынка бизнес-аналитики, потому что облака и компонентная архитектура позволяют организовать новые цепочки ценностей: на рынок выходит концепция Data as a Service - DaaS.

Теперь поставщики аналитических сервисов могут предлагать клиентам точно сфокусированные наборы данных и средства для работы с ними, получая потоки данных от глобальных поставщиков, например Thomson-Reuters, и обрабатывая их посредством аналитических платформ, используемых по модели SaaS. В результате клиент получает точно те данные, которые ему нужны.

Верить цифре с первого взгляда

Внедрение BI может принести пользу не только профессиональным аналитикам, но и владельцам бизнеса, топ-менеджменту, управленцам среднего звена, а также специалистам. Естественно, инструменты и доступные данные на каждом уровне будут отличаться.

Эдуард Федечкин, ведущий эксперт по системам бизнес-аналитики компании "Терн", основываясь на богатом опыте своей компании, которая выполнила более 300 проектов по внедрению промышленных аналитических систем на платформе Business Objects, рассказал о требованиях к BI-решению различных категорий пользователей.

В первую очередь, BI представляет интерес для владельцев бизнеса, позволяя им оценивать ситуацию буквально одним взглядом. В крупных компаниях, таких как "Сбербанк", для этой цели создаются ситуационные центры, а инструментальные панели (дашборды) разрабатываются индивидуально, с учетом специфики восприятия информации каждым руководителем. Для сотрудников подразделений нужен доступ к "своим" отчетам, коллективная работа и получение рассылок.

Аналитики должны иметь возможность выполнять произвольные запросы и отчеты, отрабатывать сценарии "что - если", находить скрытые закономерности, строить прогнозные модели, например, дополнительных (upsale) или перекрестных (cross-sale) продаж, просчитывать варианты оптимизации инвестиций - и делать все это в визуальной среде.

Чтобы все это стало возможным, прежде всего нужно построить единую информационную модель, определить единую терминологию (иначе говоря, онтологию предметной области), чтобы все люди в организации одинаковым образом понимали, какими бизнес-объектами они оперируют. Кроме того, этот словарь работает как онлайн-переводчик с языка бизнеса на язык ИТ, чтобы информационная система адекватно отображала вашу модель бизнеса.

Тогда аналитическая система становится своего рода зонтиком, скрывая от бизнес-пользователей реальную сложность ИТ-ландшафта организации, который включает ERP-, ECM-системы, OLAP, управление проектами, бюджетирование и т.д. Все они являются для BI источниками данных, на основе которых строятся отчеты и дашборды. В одном из проектов количество источников данных достигло рекордного значения в 140 штук.

В результате, когда система настроена, подключены все источники данных и разработан единый бизнес-словарь, пользователи верят цифре с первого взгляда, и это говорит о подлинной эффективности внедрения BI, заключил Эдуард Федечкин.

Визуальный анализ

Разнообразная инфографика стала в наши дни особенно популярной по причине резкого роста объемов информации. Визуализация данных помогает аналитикам понять их природу и найти скрытые закономерности или обнаружить отклонения, требующие реагирования.

Большинство предприятий до сих пор используют 1-5 % имеющихся у них данных. Что произойдет, если эта цифра удвоится, утроится и т.д.? Этот отчасти риторический вопрос задают аналитики. Очевидно, что компании смогут принимать более качественные решения на основе анализа большего объема информации. Но есть и другая сторона: если не позаботиться о визуальном представлении данных, то увеличение их количества не поможет, потому что человек имеет ограниченные способности по восприятию информации.

Алексей Мещеряков, руководитель направления платформенных решений SAS Россия / СНГ, привел примеры использования средств визуального анализа в телекоме и госуправлении.

При помощи визуальных средств анализа клиенты SAS могут управлять своими маркетинговыми кампаниями и оперативно корректировать активности в следующих областях: контекстный маркетинг, дизайн маркетинговых акций, Up-sell / cross-sell, качество сервиса, управление сообществами и др.

Внешне все выглядит просто. Если бы маркетологам был известен, например, такой факт, что "60 % времени абоненты из города X за последний месяц интересовались рок-музыкой и боевиками", то им было бы понятно, что делать. Проблема в том, что сами данные для такого анализа нужно добывать из сетевого трафика, а это нетривиальная задача.

Проведенная категоризация посещенных абонентами веб-сайтов на основании данных IPDR (IP data records) позволила получить эти данные, но прежде пришлось обработать большие объемы сырой информации: в день накапливается около 500 ГБ записей IPDR, что содержит более миллиарда адресов веб-страниц (URL) и около миллиона уникальных доменов.

В ходе проекта было выявлено, что топ-100 доменов содержат 30 % всех посещенных страниц, по этой выборке и строилась таксономия на базе текстовой аналитики содержания веб-страниц. Визуализация и анализ полученных результатов на базе различных параметров помогли заказчику найти зависимости в разрезах сегмента абонента, события, маркетинговой компании, времени суток, территории и т.д.

Перед группой эффективности при правительстве Гонконга стояла задача обработки общественных запросов и жалоб в интересах ряда государственных ведомств. Центр работает круглые сутки, в выходные и праздничные дни - это 2,6 млн звонков и 98 тыс. сообщений электронной почты ежегодно.

При помощи SAS Visual Analytics (поверх SAS Text Miner /Enterprise Miner / Strategy Management) была проведена работа по обнаружению тенденций, закономерностей и связей в этом массиве неструктурированных данных, выявлены корреляции между ключевыми словами в жалобах для разработки стратегии реагирования.

Визуализация «больших данных» дала новые способы поиска ценной информации, в т. ч. непосредственно высшим руководителям, которые могут самостоятельно создавать отчеты, графики и диаграммы на мобильных устройствах из любого места для принятия более обоснованных решений.

Опыт внедрения BI в России

Известно, что учетные транзакционные системы плохо приспособлены для отработки сложных аналитических запросов. Интерес аналитиков, проявленный к исследованию данных с целью оптимизации бизнеса, может этот бизнес остановить в самый неподходящий момент - ERP-системы порой надолго зависают, если запустить построение аналитического отчета.

Этот факт часто является одним из побудительных мотивов к внедрению решений Business Intelligence в организациях. Владимир Шевченко, ИТ-директор группы ABB (Россия), кроме этой причины назвал еще манипуляции с отчетностью, имевшие место при ручном вводе данных в аналитическую систему, когда менеджеры подразделений завышали или занижали свои показатели, исходя из собственных интересов.

Группа ABB всегда отличалась высоким уровнем децентрализации, ее объединяли только английский язык и общая система отчетности (плюс электронная почта и Active Directory), что способствовало высокому уровню ответственности и самостоятельности. Предприятия группы в одной стране вели бизнес независимо друг от друга, сами строили дилерские сети и поддерживали собственные информационные системы, предоставляя руководству группы только сводную отчетность.

Отсутствие оперативности и большие затраты ручного труда на подготовку отчетности стали проблемой для менеджмента, но в рамках прежней системы решения не было. Специфика работы ERP включает такую операцию, как "закрытие месяца", когда на основе всех хозяйственных операций составляется налоговая и бухгалтерская отчетность и рассчитываются различные показатели эффективности. Обычно это занимало 1-2 недели работы аналитика, причем в интенсивном режиме: людям часто приходилось задерживаться на работе. Затем данные вручную переносились в систему подготовки отчетности посредством шаблонов Excel.

Тем временем в Группе ABB в 2010 г. прошла реструктуризация, направленная прежде всего на централизацию управления и оптимизацию бизнес-процессов. От первоначальной идеи внедрить единую ERP, супер-SAP, в которой должны были работать все подразделения, отказались по причине чрезмерной сложности этого проекта. Вместо этого была принята другая архитектура: по одной SAP-системе на страну плюс унифицированное локальное хранилище данных и BI-система для аналитики и подготовки сводной отчетности.

Россия, одна из 40 стран присутствия ABB, в планах внедрения BI стояла в третьей очереди, что в принципе соответствовало масштабу бизнеса - 2-3 % от продаж группы. Однако проект по внедрению SAP BI в российском отделении группы ABB начался раньше, еще до того, как было принято решение о новой ИТ-архитектуре, по решению местного руководства.

Подводя итоги проекта, Владимир Шевченко констатировал, что ожидаемые выгоды для бизнеса были получены: исключены манипуляции с отчетностью, процесс автоматизирован и корректные данные о динамике бизнеса доступны менеджменту каждый день. Внедрение выполнялось силами системного интегратора, проект длился 1,5 года, что оказалось больше запланированного. Из рисков подобных проектов в России стоит отметить кадровый: рынок специалистов SAP BI сильно перегрет, еще больше, чем рынок специалистов SAP в целом.

Пример внедрения аналитической системы в "Автомире" при наличии общих черт демонстрирует также ряд заметных отличий. Быстрое развитие путем покупки готовых бизнесов по торговле автомобилями привело к типичной ситуации в ИТ - наличию большого количества систем на разных платформах. Менеджмент также столкнулся с проблемой слишком медленной подготовки отчетности, временной лаг составлял около двух недель после окончания отчетного периода.

Проект по внедрению BI-решения был инициирован генеральным директором группы, поскольку было необходимо повысить управляемость бизнеса и одновременно очевидно, что модернизация и унификация всего ИТ-ландшафта займет много времени. Также было решено выполнять проект силами собственной команды, поскольку передачу аналитики на аутсорсинг сочли слишком рискованным делом. Кроме того, важна была скорость реакции на запросы бизнеса, а в случае с внешним исполнителем это не всегда достижимо, констатировал Николай Куйбида, руководитель проектного офиса группы компаний "Автомир".

По данным исследования IDC, среди факторов, имеющих значимость для успеха проекта, на первом месте (по мнению около 30 % из 515 опрошенных руководителей проектов) значится компетентность и вовлеченность команды, тогда как навыки внешних консультантов значимы только на 6 %. Этот факт укрепил уверенность "Автомира" делать проект самостоятельно. Но пришлось заранее подумать о том, как удерживать у себя профессионалов: кадровый голод на рынке создает риск для многих проектов.

После изучения рынка было решено строить аналитическую систему на технологиях Microsoft, благо почти все лицензии уже в компании были. «К тому же корпоративные стандарты ограничивают полет фантазии», - сказал Николай Куйбида.

Масштаб проекта можно оценить по следующим цифрам: к аналитической системе было подключено 18 систем - источников данных, построено 13 аналитических кубов по 35-ти измерениям и создано 56 справочников мастер-данных. На разработку и запуск системы ушло 6 месяцев.

Очистка мастер-данных стала наибольшей проблемой в ходе работы, поскольку пришлось интегрировать множество унаследованных систем-источников. Например, марка Citroën встречалась во множестве вариантов написания. Однако от создания централизованного справочника и последующей его репликации решили отказаться, предоставив возможность ввода новых записей пользователям на местах с последующим контролем и корректировкой при необходимости. Дело в том, что создание полного каталога всех марок и моделей автомобилей было бы избыточно сложной задачей. С другой стороны, клиент может обратиться в сервис или сдать в трейд-ин самый невообразимый раритет, и отсутствие возможности его обслужить по причине проблем с оформлением его машины сочли неправильным для бизнеса.

Хотя все отчеты в системе создавались по требованиям бизнес-пользователей, собранным во время предпроектного обследования, из анализа статистики использования, проведенной через год после ввода системы в эксплуатацию, оказалось, что 30 % отчетов не использовались ни разу или один раз. Так что бизнес не всегда точно знает, чего он хочет.

Мобильная аналитика

Возросший темп бизнеса диктует необходимость доступа к функциональности BI с мобильных устройств, потому что менеджеры перестали постоянно находиться в своих кабинетах и стали мобильными. Отчет, построенный по расписанию, должен быть доступен руководителю, где бы он ни находился. Проект по реализации мобильного BI представил Александр Михалев, начальник управления аналитической отчетности "ОТП Банка", обратив особое внимание на обеспечение безопасности и юзабилити.

Несмотря на растущую популярность Android, по статистике 93 % компаний из списка Fortune 500 используют в бизнесе устройства на платформе iOS, в финансовом секторе продукты Apple на 30-36 % более популярны, чем в других отраслях. "Поэтому мы не стали портить статистику и выбрали платформу Apple", - сказал Александр Михалев.

"Надо сказать, что мобильная аналитика оказывает заметное влияние на вовлеченность менеджеров: когда люди имеют возможность интерактивно работать с данными, а не просто обмениваться файлами, гораздо более вероятно, что они запомнят информацию", - утверждает Дейв Бекерра, вице-президент компании Roambi. Мобильное приложение для аналитики разработано внутренней командой банка на платформе Roambi. С его помощью руководители получили возможность оперативно контролировать состояние бизнеса.

Мобильные устройства способствуют демократизации аналитики, отметил Алексей Мещеряков, потому что большее число пользователей включается в работу с такими приложениями благодаря их более привлекательным и удобным интерфейсам.

Эдуард Федечкин отметил высокую продуктивность мобильных устройств для поддержки коллективной работы аналитиков, интеллектуального поиска и исследования информации.

Вместе с тем, мобильная аналитика имеет и некоторые ограничения, связанные с техническими параметрами самих устройств. Например, операция drill-down для более детального просмотра данных на планшетах не всегда выполнима - может элементарно не хватить памяти, заметил Александр Михалев. В своем приложении такие продвинутые функции разработчики "ОТП Банка" реализовали только в десктоп-версии.

Если взглянуть на 5-ти уровневую модель зрелости BI, предложенную Gartner, то следует признать, что многие российские компании находятся все еще на первом уровне, практически игнорируя BI и полагаясь на таблицы Excel в качестве основного инструмента анализа.

Положительная динамика в этой сфере также наблюдается - это было продемонстрировано в ходе конференции. Представленные проекты вполне можно отнести ко второму-третьему уровню зрелости, когда решаются тактические задачи управления бизнесом и фокусируется внимание на конкретных потребностях.

5 уровней зрелости BI по Gartner

Источник: Gartner, 2008

Новая волна спроса на BI может быть связана только с массовым переходом компаний от использования электронных таблиц к более продвинутым инструментам вследствие осознания бизнесом тактических преимуществ и решения каких-то частных задач, требующих аналитики, т. е. с массовым переходом на следующий уровень зрелости.

Что касается более высоких уровней - четвертого и пятого, на которых BI становится элементом стратегии, - говорить об этом пока преждевременно, за исключением, может быть, отдельных проектов.