Большие данные с отраслевым колоритом в цифровую эпоху

 

Александр Герасимов, эксперт по ИТ и телекоммуникациям
Александр Герасимов, эксперт по ИТ и телекоммуникациям

По мере того как традиционные бизнес-модели уступают место цифровым, эра эксклюзивного владения данными заканчивается. Наступает эра совместного их использования. Кто выиграет в новых условиях, будут ли проигравшие? Чтобы ответить на эти вопросы, выясним, чем отличаются большие данные (Big Data) от маленьких (Business Intelligence), какая роль отводится персоналу при реализации новых бизнес-моделей и можно ли результаты обработки данных в режиме, близком к реальному времени, интегрировать в автоматическое исполнение бизнес-процессов.

 

 

В чем различия больших данных (Big Data) и маленьких (Business Intelligence)

Аналитические приложения класса Business Intelligence (BI) – предтечи приложений для анализа больших данных (Big Data) – используются бизнесом почти так же давно, как и системы автоматизации исполнения транзакций (учетные и ERP-системы, автоматизированные банковские системы, биллинг и другие специализированные приложения).

До недавнего времени применение аналитических приложений в бизнесе характеризовалось двумя ключевыми особенностями. Первая – основным поставщиком данных для анализа были транзакционные системы, т. е. обрабатывались преимущественно хорошо структурированные числовые данные. Вторая особенность – результатом анализа был постфактум-отчет, а системы бизнес-аналитики на основе хранилища данных (не путать с системами хранения данных!) использовались еще и как интеграционные системы, позволяющие агрегировать данные из различных транзакционных систем.

Как следствие, основной сферой применения аналитических систем являлось составление годовой и квартальной финансово-управленческой отчетности, реализация процессов бюджетирования, а влияние бизнес-аналитики на эффективность операционных бизнес- и производственных процессов было минимальным.

Из этих особенностей использования приложений для бизнес-анализа проистекали две принципиальные проблемы:

  • неполнота используемых для анализа данных. Доля хорошо структурированных данных в общем объеме корпоративных данных не превышает 20%, причем она стремительно уменьшается. Все остальное – это слабо структурированные данные, практически не используемые в классических системах бизнес-анализа, хотя более чем в 80% таких данных содержится ценная информация, позволяющая, как минимум, обогатить хорошо структурированные данные транзакционных систем;
  • неактуальность данных. Постфактум-анализ означает составление отчетов по устаревшим данным, не пригодным для операционного управления бизнесом. Следствием этого является информационный разрыв между стратегическим и операционным управлением бизнесом.

В качестве иллюстрации второго пункта часто приводят аналогию с управлением движущимся вперед автомобилем по зеркалам заднего вида. Сравнение не совсем корректное. Более подходящая аналогия – реализованное в СССР в начале 70-х гг. прошлого века дистанционное (с Земли) управление луноходами на основе крайне ограниченного объема информации да еще запаздывающей на несколько минут. Реализация такого подхода требовала сложной подготовки экипажей водителей и постоянного присутствия в составе оперативной группы управления специалистов головного предприятия-разработчика лунохода (НПО им. С.А. Лавочкина), включая главного конструктора Георгия Бабакина. Но подобная схема управления, реализованная для единичного уникального объекта (лунохода), невозможна для массовых объектов (автомобилей).

Резко обострила эти проблемы, относительно некритичные для традиционных предприятий с присущей им замедленной реакцией на изменения рыночной конъюнктуры, так называемая digital disruption (термин Accenture) – замещение традиционных бизнес-моделей полностью или преимущественно цифровыми. С легкой руки Gartner появился новый термин – «алгоритмический бизнес», т. е. бизнес, в котором роль персонала заключается не в исполнении процессов вручную (при информационной поддержке автоматизированных систем), а в дизайне автоматически реализуемых процессов и постоянном их совершенствовании на основе анализа больших данных. Понятно, что для таких предприятий данные и средства их анализа – основной производственный актив. И выбрасывать «в отвалы» более 80% информации, содержащей крупинки «цифрового золота», – непозволительная роскошь.

Объем анализируемых данных – характеристика, которая и дала название феномену больших данных (Big Data), – это следствие того, что цифровая трансформация вынуждает бизнес анализировать не только хорошо структурированные данные транзакционных систем, объем которых относительно невелик (например, объем баз данных транзакционных систем крупнейших предприятий составляет единицы петабайт), но и все виды слабо структурированных данных, объем которых для крупного бизнеса может исчисляться десятками петабайт в год. В отличие от традиционного бизнеса для цифрового важным параметром является не численность персонала и размер материальных активов, а интенсивность обработки транзакций в зависимости от размера клиентской базы, номенклатуры услуг/товаров и скорости их модификации.

Еще одна особенность феномена больших данных состоит в том, что объем данных нужно обрабатывать в режиме, близком к реальному времени, а результаты обработки интегрировать в автоматическое исполнение бизнес-процессов, что создает колоссальную нагрузку на ИКТ-инфраструктуру предприятия.

Как следствие, доля затрат на ИКТ на единицу производимой продукции/услуги у цифрового предприятия примерно на два порядка выше, чем у традиционного в соответствующей отрасли. Однако другие статьи затрат кардинально ниже, например затраты на персонал. ИКТ-инфраструктура потребляется цифровыми предприятиями преимущественно в формате гибридного или публичного облака.

Монетизация больших данных

Драйвером использования аналитики больших данных в финансах, ритейле и телекоме, как в России, так и в других странах, являются их ускоренная (относительно других отраслей экономики) цифровизация, подстегиваемая стагнацией рынков, и связанная с этим необходимость повышения операционной эффективности и производительности труда, а также снижения транзакционных издержек.

В России эта проблема чрезвычайно актуальна: реальные доходы населения снижаются уже 21-й месяц подряд, что приводит к сокращению оборота розничной торговли, падению объемов кредитования населения и бизнеса, стагнации на рынке услуг связи. При этом уровень инфляции остается высоким, что в отсутствии трансформационных изменений бизнеса приводит к росту издержек при стагнации или падению выручки, т. е. к снижению маржинальности.

Все это требует от руководства компаний, занятых в перечисленных отраслях, радикальных мер по повышению эффективности бизнес-процессов и снижению транзакционных издержек.

Ключ к росту эффективности – повышение качества операционного бизнес-планирования, причем не отдельно взятого предприятия, а всей кооперационной цепочки, вплоть до конечных потребителей даже в том случае, если предприятие не работает непосредственно с потребителями.

Для банков такой задачей является повышение качества управления рисками, что особенно актуально в условиях роста просроченной задолженности и относительно высокого уровня ставок по кредитам. Для ритейла – оптимизация торговых точек, запасов и процессов закупок. Для телекома – проактивное управление оттоком и повышение удовлетворенности абонентов (улучшение «потребительского опыта»), а также необходимость развития новых коммерческих сервисов, позволяющих монетизировать имеющиеся, но практически неиспользуемые гигантские объемы слабо структурированных данных о поведении абонентов телеком-операторов. Так, по словам главы инвестиционной компании L1 (контролирующего акционера «ВымпелКома») Алексея Резниковича, «существующая телеком-индустрия крайне неэффективна в том, как она оказывает услуги. И это несмотря на то что операторы связи обладают огромными объемами информации о пользователях услуг. У операторов есть вся информация о том, как абоненты платят, используют Интернет, их профайлы».

Нетрудно заметить, что решение указанных выше бизнес-задач в телекоме, ритейле и финансовой сфере возможно только путем создания сквозных кросс-индустриальных цепочек автоматического обмена и анализа данных. То есть монетизация больших данных невозможна в рамках отдельно взятого бизнеса.

Собственно, такие цепочки сейчас создаются в части решения хорошо формализованных в рамках отдельных бизнесов задач. Например, уже широко используется аналитика данных, имеющихся у телекомов, в целях повышения качества скоринга заемщиков банков, а агрегированные геолокационные данные – для оптимизации размещения торговых точек. Сервис анализа поведения пользователей публичных Wi-Fi-точек доступа уже стал частью продуктового портфеля большинства операторов связи в России.

Но настоящим прорывом может стать использование агрегированных данных с подключенных касс – это даст возможность фактически в режиме реального времени с высокой точностью и сколь угодно глубокой детализацией предсказывать спрос. Предпосылки для этого создало принятие в июле 2016 г. Федерального закона «О внесении изменений в Федеральный закон «О применении контрольно-кассовой техники при осуществлении наличных денежных расчетов и (или) расчетов с использованием платежных карт» и отдельные законодательные акты Российской Федерации», согласно которому все используемые в нашей стране кассовые аппараты должны передавать данные о каждой совершенной покупке «оператору фискальных данных» (ОФД). Разумеется, такие данные представляют интерес не только для налоговых органов, но и для бизнеса. Поэтому модель работы учрежденной в мае 2016 г. компании «Яндекс ОФД» предусматривает разработку для малого и среднего бизнеса аналитических сервисов на основе технологий больших данных для автоматического анализа собираемых с подключенных касс данных и предоставления результатов их обработки в формате облачного сервиса.

Следует отметить, что при реализации сквозных автоматических цепочек обмена и анализа больших данных выигрывают все. Покупатель получает гарантию доступности нужного товара в ближайшей к нему точке продаж и, возможно, по более выгодной для него цене. Ритейлер оптимизирует запасы и повышает оборачиваемость капитала. Банк снижает риски невозврата кредитов, добросовестным заемщикам дешевле обходится кредит, тем самым расширяется банковский кредитный портфель при сохранении высокого качества. Телекомы получают возможность пополнить перечень услуг за счет сервисов больших данных.

В любом случае эра эксклюзивного владения данными заканчивается, наступает эра совместного взаимовыгодного их использования.

Следите за нашими новостями в Телеграм-канале Connect


Поделиться:



Следите за нашими новостями в
Телеграм-канале Connect

Спецпроект

Медицинские задачи для ИИ

Подробнее
Спецпроект

Цифровой Росатом

Подробнее


Подпишитесь
на нашу рассылку