От инструментов BI к платформам интеллектуального управления данными
Иллюстрация: metamorworks/Shutterstock.com
Куда движутся BI-системы: мировые технологические тренды
Стратегия развития аналитической платформы должна строиться на основе актуальных тенденций рынка. Среди технологических трендов мы выделили для себя четыре ключевых.
Первый — расширение пула данных организации. Конечные пользователи аналитических систем хотят работать не просто с подготовленными, заранее сведенными данными из таблиц Excel, но и с неструктурированной информацией, например, сканами картинок и рукописей, текстами, голосовыми сообщениями и т. д. Обрабатывать данные в таком формате можно с помощью технологий оптического распознавания символов (OCR), обработки естественного языка (NLP) и других. При том, всегда можно приобрести, например, OCR-систему отдельно, распознавать текстовые данные отдельно и уже потом загружать их в аналитическую систему. Но намного удобнее иметь прямую бесшовную интеграцию OCR и BI или встроенную OCR внутри BI.
Второй тренд — демократизация BI. Она стала следствием возрастающих потребностей бизнеса в различных формах аналитики, в то время как специалистов по подготовке данных не хватает. BI-платформа должна поддерживать концепцию self-service, то есть позволять любому пользователю, даже не имеющему навыков программирования и бизнес-аналитики, научиться быстро создавать в системе необходимые отчеты. Именно при максимальной демократизации BI-инструментов число желающих работать с данными на постоянной основе будет расти, и как следствие, эффект от data-driven-подхода внутри компании не заставит себя долго ждать.
Третий тренд — применение технологий искусственного интеллекта при подготовке данных. Если раньше компании строили модели машинного обучения преимущественно на собственных данных, то сейчас многие ML-модели должны уметь пользоваться сторонними дата-сетами, в том числе из государственных информационных систем. Кроме того, автоматизируется процесс контроля за результатами обучения и переобучения моделей, так как для ответственных задач полностью самостоятельный подход Auto ML не применим, ввиду необходимости получения результатов максимальной точности, на основе исторических внутренних данных и статистических внешних данных.
Четвертый тренд — поддержка концепции управления на основе данных (data-driven). Если раньше бизнес-аналитики, как правило, готовили сложные статистические отчеты для менеджмента на основе ретроспективных данных, то сейчас бизнесу все больше требуется онлайн-аналитика для оперативного контроля и получения максимального эффекта от работы с данными. Это приводит к созданию интеграционных решений (Embedded BI), которые позволяют заказчикам получать намного больший эффект от уже внедренных систем (например, ECM, HRM, CRM, RPA и др.) за счет глубокой аналитики данных внутри упомянутых систем. Максимальный эффект от управления данными заказчики получают при внедрении комплексных платформ EPM (Enterprise Performance Management), которые покрывают глобальные задачи внутри компаний и приводят к колоссальному финансовому и процессуальному эффекту.
Внедрение решения для бизнес-анализа, которое действует в синергии с другими системами по автоматизации рабочих процессов, зачастую дает кратно больший эффект, чем их применение по отдельности. Например, связка BI с системами управления корпоративным контентом (ECM) позволяет задействовать мониторинг исполнительской дисциплины, анализировать статистику согласования контрактной документации, оценивать эффективность закупочной деятельности. Связка BI с системами управления персоналом (HRM) — проводить оценку новых сотрудников, анализировать причины увольнений и т. д. Связка BI с программными роботами (RPA) — мониторить рыночные цены, оценивать окупаемость маркетинговых кампаний, анализировать выручку и многое другое.
Локальные тренды — в приоритете
На технологические тренды в сфере BI накладываются специфические тенденции, характерные для российского рынка. И разработчикам отечественных бизнес-платформ необходимо уделять им особое внимание при формировании и корректировке дорожной карты своих продуктов.
Первым локальным трендом по-прежнему остается импортозамещение. Это хорошо видно по запросам наших клиентов: они ищут технологически независимое, зрелое решение от российского вендора, оптимально соответствующее их задачам. Кто-то просто вынужден заменять платформу иностранного производства, другие переходят на российское решение, чтобы иметь возможность давать ОС вендору и в некотором плане влиять на развитие продукта, еще часть компаний просто не готова оставаться без поддержки своих BI-инструментов, поэтому выбирает российских поставщиков.
Второй тренд связан с реализацией национального проекта «Экономика данных». К его особенностям относятся повышенный запрос на информационную безопасность и в целом ужесточение требований регуляторов, перспектива расширения датасетов и источников данных, в том числе за счет IoT/IIoT, ускорение процессов передачи данных и создание репозитория открытого кода.
Третья тенденция — совместимость ПО. Никто не хочет приобретать программное обеспечение, которое придется встраивать в текущий ИТ-ландшафт с помощью сложных интеграционных механизмов, тратить на это много времени и ресурсов.
Четвертый запрос — полная функциональность в «коробке». Заказчики предпочитают приобрести быстро развертываемый продукт с разнообразным функционалом, при этом не требующий длительной и сложной кастомизации.
Пятый локальный тренд — расширение разработки собственных продуктов крупными игроками не из ИТ-отрасли (White Label). Корпорации хотят создавать свои аналитические системы, но внутренняя разработка с нуля обходится дорого и ресурсозатратна, а иногда в компании просто нет необходимых компетенций. А модель White Label подразумевает, что вендор предоставляет заказчику платформу, на которой тот делает собственный продукт с поддержкой от вендора при кастомизации и развитии.
Отраслевые решения — для специфических задач
Отдельное направление развития аналитических платформ — создание отраслевых решений, наилучшим образом подходящих для заказчиков из этих сфер: государственный или финансовый сектор, ретейла, транспортная и нефтегазовая отрасли, АПК и других.
Например, для банковской сферы актуально внедрение EPM-платформ для стратегического планирования, распределения (аллокации) затрат, бюджетирования на уровне группы компаний или отдельных юрлиц, повышения удовлетворенности клиентов, управления модельными рисками. При внедрении ML-платформы в банках наиболее актуальны следующие решения: повышение эффективности процесса определения кредитоспособности клиентов, предотвращение мошеннических финансовых операций, управление модельными рисками.
В нефтегазовой отрасли бизнес-аналитика используется для создания цифровых двойников оборудования и прогнозирования его отказа, для операционного контроля производственных и технологических показателей, план-факт анализа. В агропроме — также для создания цифровых двойников предприятий, для производственного и сезонного планирования, выявления проблемных зон на полях, оптимизации графика сельскохозяйственных работ.
***
Резюмируя, можно сказать, что в сегменте управления данными разработчики переходят от прикладных узкоспециализированных инструментов к платформам, которые комплексно решают любую аналитическую задачу заказчика — от тривиальных графиков до анализа бюджетирования или прогнозирования изменений на уровне корпорации.
Благодаря таким платформам компания может сформировать единую цифровую производственно-финансовую модель, выстраивать процессы мониторинга ключевых показателей деятельности, анализа исполнения бюджетов, планирования и прогнозирования продаж, моделирования затрат, доходов и рентабельности.
На примере Polymatica технологический стек платформы можно функционально разделить на три блока: визуализации+аналитика(1) (BI в классическом понимании: создание дашбордов и отчетности под конкретный бизнес-запрос (ad-hoc)), планирования(2) и продвинутой аналитики(3). Наибольшую перспективу мы видим в дальнейшем развитии блоков планирования и продвинутой аналитики, в основе которых лежат технологии искусственного интеллекта и машинного обучения.
Опубликовано 25.04.2024
