Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики
Шрифт:
ИТ-команда и аналитическая команда должны работать в организации совместно, чтобы успешно превратить традиционную аналитику в операционную. В идеале команды должны сотрудничать добровольно. Если же этого не происходит, высшее руководство должно обязать их сотрудничать в приказном порядке. Принудительное сотрудничество лучше, чем отсутствие всякого сотрудничества.
Операционная аналитика, разработанная аналитической командой, должна встраиваться в операционно-производственные системы, поэтому специалисты-аналитики не могут продолжать работать по старинке – вытаскивая данные в автономное аналитическое окружение. Это означает, что аналитическая команда не сможет выполнить операционную аналитику без участия и поддержки ИТ-команды. С другой стороны, ИТ-команда не может сама разрабатывать аналитические процессы, поскольку
К счастью, благодаря тому, что сегодня аналитическая функциональность интегрируется с операционными системами и встраивается в них, стало возможным наладить тесное сотрудничество между аналитиками и ИТ-командой путем корректировки традиционных принципов управления с учетом сегодняшних технологий и требований. На рис. 6.1 представлены некоторые идеи насчет того, как к этому приступить.
Если ваша организация еще этого не сделала, ей придется принудить команды сотрудничать в приказном порядке. Поначалу им будет трудно, но со временем они научатся работать вместе. Такое случается и в жизни, когда вы знакомитесь с кем-то, кто поначалу вам не нравится. Но весьма часто по прошествии некоторого времени вы лучше узнаёте этого человека и понимаете, что он вовсе не такой уж и неприятный. Возможно, вы не будете проводить с ним отпуск каждый год, но зато будете спокойно с ним общаться, когда потребуется. Вот этого минимума и должны достичь «айтишники» с аналитиками. Совместная работа не покажется скверной, когда обе команды будут ей привержены и узнают, что могут предложить им партнеры.
Управление Интернетом вещей
Об Интернете вещей мы с вами говорили во второй главе. В подавляющем большинстве те невообразимые объемы данных, которые он генерирует, являются абсолютно бесполезными. Проиллюстрируем это на примере. Через несколько лет появится много умных домов с умными кухнями. Там датчики будут повсюду: в холодильнике, на полках в кладовке и даже на отдельной таре. Бутылка кетчупа в холодильнике сможет сообщать о своем состоянии программе инвентаризации продуктов питания, в чью задачу входит составление списков необходимых покупок. Так, посредством своих датчиков бутылка сообщит, что ее емкость заполнена наполовину, что на протяжении всего времени кетчуп хранился при правильной температуре и что срок его годности заканчивается через три месяца. Это значит, что пока новый кетчуп покупать не нужно. То же самое делают сотни других продуктов питания на вашей кухне, создавая множество данных.
Информация, поступающая от продуктов, является ценной для централизованной программы инвентаризации и генератора списка покупок. Однако в долгосрочном плане эти данные не имеют никакой ценности. Единственное, что нам нужно, – это список необходимых покупок перед посещением магазина. Нам совершенно неинтересны детали коммуникации между вещами на кухне, в результате чего был составлен список {48} . За исключением этих данных здесь не происходит ничего такого, что бы отличалось от наших повседневных дел. Разве семейные пары запоминают в мельчайших подробностях, как они составляли список покупок перед походом в магазин? Нет. Они запоминают только то, что им действительно важно, – окончательно составленный список покупок.
48
На основе статьи в моем блоге для Cisco под названием «Когда датчики ведут себя как подростки» (“When Sensors Act Like Teenagers”), 16 сентября 2013 г. См.: http://blogs.cisco.com/ioe/sensors-act-like-teenagers/
Интернет вещей будет создавать невообразимые объемы данных. Однако большая их часть лишена смысла за пределами текущего момента. Точно так же как вы запоминаете только несколько важных обменов данными в повседневных разговорах, так нет и необходимости сохранять подавляющее большинство коммуникаций между вещами.
Наш мозг превосходно умеет отфильтровывать ненужную информацию. Мы можем хранить яркие воспоминания о важных событиях, произошедших много лет назад, и с трудом вспоминать малозначимые разговоры,
Еще одно последствие развития Интернета вещей состоит в необходимости введения глобальных стандартов и принципов управления в отношении генерации и использования данных. Например, все приборы и вещи в вашем доме должны использовать один и тот же протокол. Но, если ваши соседи используют другие бренды с другими протоколами, это не создаст проблемы. Однако в других случаях использование разных протоколов является непозволительным. Например, если каждый бренд беспилотного автомобиля будет использовать свой патентованный метод передачи и сбора данных, то аварии станут неизбежными, поскольку автомобили не смогут эффективно взаимодействовать друг с другом. Кроме того, большое значение имеет принятие правовых и этических стандартов в отношении использования данных. Например, каким образом и кто будет отслеживать и анализировать водительскую историю владельцев автомобилей?
Для того чтобы беспилотные автомобили стали реальностью, все они должны использовать одинаковые стандарты. Каждый автомобиль должен быть в состоянии правильно отправлять и получать информацию о скорости, местоположении и намерении изменить траекторию движения. Разумеется, введение глобальных стандартов поначалу вызовет затруднения, но они необходимы и в долгосрочной перспективе окупят себя. К счастью, в настоящее время уже ведется разработка таких стандартов. В частности, компании, заинтересованные в развитии Интернета вещей, начали внедрять стандарты управления. От введения стандартов выиграет каждая организация, которая планирует использовать данные, поставляемые Интернетом вещей, для целей операционной аналитики.
Определите, где потребуется аналитика
Нередко проблема с управлением возникает при определении того, в какой части единого аналитического окружения следует выполнять каждый этап аналитического процесса. В конце концов ключевая задача управления – установить стандарты по использованию существующих активов. Между тем на вопрос, где должна осуществляться та или иная обработка, ответить непросто, поскольку это зависит от множества факторов. Они в значительной степени пересекаются с теми факторами, которые следует рассматривать при создании бизнес-кейса, о чем мы подробно говорили в четвертой главе. Это имеет смысл, поскольку решение о том, где и какую часть процесса следует реализовывать, должно быть основано на такой же объективной оценке различных вариантов с точки зрения затрат и доходов. Вы должны ответить на следующие вопросы:
• Какой из компонентов окружения может справиться с обработкой?
• Какие инструменты обладают необходимой функциональностью?
• Какими навыками, имеющимися и доступными, обладает команда?
• Где в настоящее время хранятся необходимые данные?
• Существуют ли какие-либо уже известные процессы, у которых можно позаимствовать код?
• Цель заключается в поиске нового инсайта или применении уже имеющегося?
• Какие вам требуются аналитические методы?
Все эти и многие другие факторы помогут определять, где лучше всего реализовать данный процесс или его часть. Но потребуются и усилия, чтобы выяснить, как наилучшим образом выполнить процесс в рамках сложного единого аналитического окружения. Давайте рассмотрим несколько соображений, которые при этом стоит иметь в виду.
Никогда не говорите, что это невозможно!
Один из уроков, которые я выучил за годы работы, состоит в том, что, если у вас есть опытный пользователь любых аналитических инструмента или технологии, значит, есть шансы, что, потратив достаточно времени и сил, он сможет выстроить практически все что угодно. В прошлом лично я разрабатывал аналитические процессы неидеальным образом. Знал только, что при помощи хорошо знакомых мне инструментов могу уложиться в сроки. При этом существовали куда более оптимальные способы реализации процессов. С традиционной пакетной аналитикой подобное обычно сходит с рук. Однако для операционной аналитики с ее степенью зависимости от фактора времени и с ее требованиями к масштабированию такой подход – когда для разработки решения выбираются не оптимальные, а хорошо знакомые подручные инструменты – вряд ли будет успешным.