Аналитика 3.0 | Harvard Business Review Russia
Управление инновациями

Аналитика 3.0

Дейвенпорт Томас
Аналитика 3.0

Те из нас, кто годами изучал, как работают информационно «подкованные» компании, считают, что уже закончились две эпохи «больших данных». Их можно назвать ДБД и ПБД — «до больших данных» и «после больших данных». А если воспользоваться вынесенным в заголовок термином, то можно сказать, что место Аналитики 1.0 заняла Аналитика 2.0. В общем и целом, версия 2.0 не просто слегка подправлена или чуть лучше работает, чем предыдущая. Она появилась в результате радикального переосмысления накопленного опыта, благодаря новым приоритетам и техническим возможностям. Изменения были порождены самой жизнью: с какого-то момента компании стали в своей деятельности опираться на анализ «больших данных» — неструктурированной информации, поступающей из многочисленных новых источников.

image

А теперь, похоже, начинается очередной сдвиг — глубокий и сулящий большие последствия, который без натяжек можно назвать Аналитикой 3.0. Если коротко, то эта новая концепция применения эффективных методов сбора и анализа данных не ограничивается лишь повседневной работой компании, а охватывает ее продукты и услуги.

Далее я разовью эту мысль и докажу, что нынешние инновации лидеров нескольких отраслей свидетельствуют о начале новой эпохи, точно так же, как чуть раньше использование «больших данных» ознаменовало разрыв с прошлым в виде Аналитики 1.0. Когда Аналитика 3.0 начнет пускать корни, то есть когда компании будут уже иначе понимать, в чем их сила, и иначе пользоваться ею, их руководителям придется интеллектуально перестраиваться на нескольких направлениях сразу. Перемены наступают стремительно, причем затронут они весь деловой мир. Появляются новые игроки и технологии, смещаются конкурентные позиции, молодежь выбирает новые интересные специальности.

Все это руководители ощутят в ближайшие годы, а то и месяцы. Лучше всего подготовятся к происходящему те, кто сопоставит факты и поймет, что сейчас переосмысливаются самые основы «информационной» конкуренции. И задавать тон будут те компании, которые первыми увидят общее направление развития, то есть которые уже более или менее представляют себе суть Аналитики 3.0.

Эволюция аналитики

Я не предполагаю подробно излагать историю бизнес-аналитики. Но все же полезно оглянуться назад и вспомнить, в каких условиях произошел последний крупный рывок. Анализ данных, необходимых для принятия решений, — идея, безусловно, не новая. Люди всегда в своих решениях полагались и полагаются на доступную им информацию. Но как область знания бизнес-аналитика сформировалась в середине 1950-х: именно тогда появились инструменты, с помощью которых можно было собирать, обрабатывать и хранить большие объемы информации и выявлять в ней закономерности гораздо быстрее, чем когда-либо раньше было под силу «невооруженному» человеческому уму.

Аналитика 1.0 — эпоха «бизнес-информации». В эпоху Аналитики 1.0 произошел настоящий прорыв в осмыслении бизнеса, его самых важных проявлений. Руководители в своих решениях смогли уже опираться не только на интуицию, но, прежде всего, на факты. Именно тогда, впервые в истории, данные о производственных процессах, продажах, обслуживании клиентов и т.п. стали записывать, накапливать и анализировать.

Главную роль играли новые компьютерные технологии. Сначала информационные системы разрабатывались для собственных нужд компаниями, масштаб которых оправдывал соответствующие затраты; а потом внешние поставщики стали создавать системы общего применения и продавать их широкому кругу пользователей. Это была эпоха корпоративных хранилищ данных, которые позволяли собирать и обрабатывать большие объемы бизнес-информации и ПО для ее анализа.

Потребовались и новые профессиональные навыки, прежде всего — умение работать с информацией. Банки данных были относительно небольшими и статичными, а потому информацию можно было анализировать прямо в корпоративных хранилищах. Но вот выбирать и готовить данные для анализа было непросто. У специалистов на эту работу уходило времени больше, чем на сам анализ.

Важнее всего было правильно сформулировать несколько главных вопросов, поскольку анализ, кропотливый и медленный, занимал недели и даже месяцы. А в отчетах — а это была основная часть всей деятельности, связанной с бизнес-информацией, — говорилось главным образом о том, что уже произошло; они не помогали ни объяснять происходящее, ни делать прогнозы.

Смотрели ли тогда на аналитику как на источник конкурентного преимущества? В широком смысле — да, но никто тогда не думал о «конкуренции в области аналитики». Главным преимуществом была операционная эффективность — способность на основе аналитики принимать максимально обоснованные решения по ключевым вопросам.

Аналитика 2.0 — эпоха «больших данных». Основные условия, способствовавшие Аналитике 1.0, продержались полстолетия — до середины 2000-х, когда фирмы, работа которых основывалась на интернете и социальных сетях (преимущественно фирмы Силиконовой долины — Google, eBay и др.), начали накапливать и анализировать новые виды информации. Хотя термин «большие данные» появился не сразу, новая реальность, которую он обозначает, очень быстро изменила роль данных и аналитики в этих компаниях. Кроме того, стали различать «большие данные» и «малые данные», поскольку первые создавались не только внутренними системами фирм в ходе транзакций — они формировались и за счет внешних источников: интернета, датчиков разных типов, доступных любому интернет-пользователю баз данных международных исследований вроде проекта «Геном человека», аудио- и видеозаписей.

Эпоха Аналитики 2.0 ознаменовала появление новой потребности — в мощных инструментах и новой возможности — зарабатывать на них деньги. В борьбе за клиента компании бросились создавать приложения. Завоевавшая умы идея преимущества первопроходца не только вызвала немалый ажиотаж, но и заставила компании выпускать новинки с невиданной преж­де скоростью. Например, в социальной сети LinkedIn появилось множество приложений для анализа информации, в том числе People You May Know, Jobs You May Be Interested In, Groups You May Like, Companies You May Want to Follow, Network Updates, Skills and Expertise. Для этого компания создала сильную инфраструктуру и наняла лучших специалистов. Исключительно удачное приложение Year in Review, которое позволяет следить за изменениями в профилях пользователей своего контактного листа (новые места работы, новые должности или новое дело), было разработано всего за месяц. И не только LinkedIn старается уложиться в самые сжатые сроки. Один гендиректор ИТ-стартапа сказал мне: «Мы попробовали так называемую гибкую методику разработки, но для нас она оказалась слишком медленной».

Приходилось создавать, приобретать и осваивать всевозможные новые технологии. «­Большие данные» невозможно было разместить и обработать на одном сервере, поэтому это делали с помощью Hadoop, ПО с открытым кодом для пакетной обработки данных на параллельных серверах. Поскольку компании имели дело с относительно неструктурированной информацией, они стали пользоваться базами данных нового типа — NoSQL. Большие массивы информации хранили в общедоступных или частных облачных базах данных. Появились и другие технологии: например, обработка данных в оперативной памяти и в базе данных — для ускорения «перемалывания чисел». Методы машинного обучения (полуавтоматическое создание и тестирование модели) применялись для того, чтобы быстро создавать модели на основе мощного потока информации. Черно-белые отчеты уступили место цветной и сложной визуализации.

Таким образом, Аналитика 2.0 требовала совсем иных профессиональных знаний, чем Аналитика 1.0. Теперь специалистов по количественному анализу стали называть специалистами по данным; они были не только аналитиками, но и программистами. Скоро этим профессионалам стала тесна их вспомогательная роль: они хотели разрабатывать новую продукцию и влиять на бизнес компании.

Аналитика 3.0 — эпоха данных, генерируемых потребительскими продуктами. В эпоху 2.0 проницательный наблюдатель мог заметить признаки зарождения аналитики нового типа. Ведущие фирмы «больших данных» из Силиконовой долины начали разрабатывать технологии сбора и анализа данных, необходимых для создания новой продукции, а также генерируемых потребительскими товарами, промышленным оборудованием и в ходе предоставления услуг. Их сайты привлекали пользователей более совершенными алгоритмами поиска, рекомендациями друзей и коллег, описаниями продукции и рекламой, нацеленной на конкретного человека, — и все это достигалось благодаря анализу колоссального объема информации.

Аналитика 3.0 знаменует собой поворотный момент: участвовать в аналитической гонке стали все. Сейчас не только интернет-компании и фирмы, занятые в сфере информационных технологий, но предприятия всех остальных отраслей создают товары и услуги на основе анализа данных. Если вы что-нибудь производите, перевозите, потребляете или оказываете услуги, у вас по ходу дела постоянно накапливается информация — о каждом устройстве, каждой отгрузке и каждом клиенте. Теперь можно анализировать эти данные и находить ответы, полезные потребителям и рынкам, и принимать основанные на данных решения, касающиеся бизнеса, в том числе об информационной поддержке оборудования, оптимизации и т.д.

Эта эпоха аналитики, как и первые две, не только открывает перед компаниями, которые хотят побеждать конкурентов на поле аналитики, и перед поставщиками необходимого для этого ПО широкие перспективы, но и сулит новые трудности. Об этом мы поговорим чуть позже. Но сначала посмотрим, как обстоят дела с Аналитикой 3.0 в некоторых крупных компаниях, тех, что большую часть своей долгой истории не имели никакого отношения к информационным технологиям или интернету.

«Новый хит», бета-версия

Немецкой компании Bosch Group 127 лет, но по части применения аналитических методов она из тех, что «впереди планеты всей». Подразделения, которые разрабатывают и внед­ряют системы сбора и анализа данных, генерируемых промышленным оборудованием, разрабатывают интеллектуальные системы, например решения для мониторинга автопарка, грузоперевозок, городского и муниципального транспорта, в том числе инфраструктуры зарядки для электрических и гибридных автомобилей, энергопотребления, безопасности (анализ видеоданных) и многого другого. Чтобы эта инновационная деятельность быстрее набирала обороты, в Bosch создали Software Innovations Group: в ее ведении — «большие данные», аналитика и то, что теперь называют интернетом вещей.

Французской компании Schneider Electric 170 лет. Раньше она производила железо, сталь и оружие. Сейчас ее основная специализация — электроэнергетика и автоматизированные системы управления, в том числе энергозатратами и«умными электросетями», а также системы безопасности и автоматизации для зданий. Она приобрела целый ряд компаний, разрабатывающих ПО для обработки данных, в Силиконовой долине, Бостоне и во Франции. Ее система управления распределительными сетями, например, предназначена для энергетиков. Она контролирует работу устройств, подключенных к сети, отслеживает перебои в электроснабжении, помогает диспетчерам организовывать работу ремонтных бригад и т.д. Она собирает миллионы показаний самых разных датчиков о состоянии распределительных сетей энергокомпаний и предоставляет их инженерам визуальную аналитику.

Ставку на инновационное использование данных сделала и General Electric, компания, которая существует уже более 120 лет. Производственные подразделения GE все больше превращаются в провайдеров услуг по оптимизации производства и существующих мощностей. В компании считают: чем шире поток данных с датчиков на турбинах, электровозах, реактивных двигателях, томографах и другом оборудовании, тем эффективнее оно будет работать и тем проще оно в эксплуатации. В компании появился термин — «промышленный интернет». Чтобы развивать это направление и обеспечивать себя квалифицированными специалистами, компания вложила более $2 млрд в новый центр — он находится недалеко от Сан-Франциско, — который разрабатывает ПО для промышленной аналитики. Сейчас GE продает свою технологию другим промышленным компаниям — для управления «большими данными» и аналитикой. К тому же она разработала новые технологические коммерческие продукты на основе концепции «больших данных»: например, платформу Predix для создания приложений к «промышленному интернету» (она обеспечивает безопасный способ телематического подключения к оборудованию, сбор и передачу больших объемов данных) и аналитическую систему Predictivity (24 приложения для оптимизации производственных процессов и работы оборудования на платформе Predix для всех отраслей).

советуем прочитать

* деятельность на территории РФ запрещена

Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Двойной капкан
Анна Натитник,  Иршинская Лариса
Осторожно, двери открываются
Джакимович Джон,  Ли Джулия,  Менгес Йохен,  Стаатс Брэдли,  Франческа Джино