За десятилетия работы с крупными заказчиками компания «Форс» накопила огромный опыт работы в области бизнес-анализа и сейчас активно развивает технологии больших данных. Об экспертизе в этой области, крупных внедрениях, собственных решениях, крупнейшем в мире центре тестирования решений Oracle в интервью CNews рассказала Ольга Горчинская, директор по исследовательским проектам и руководитель направления Big Data «Форс».
15.10.2015
Ольга Горчинская
За последние годы сменилось поколение руководителей. К управлению компаниями пришли новые люди, которые делали карьеру уже в эпоху информатизации, и они привыкли использовать компьютеры, интернет и мобильные устройства как в повседневной жизни, так и для решения рабочих задач.
CNews: Насколько инструменты BI востребованы российскими компаниями? Есть ли изменения в подходе к бизнес-анализу: от «аналитики в стиле Excel» к использованию аналитического инструментария топ-менеджерами?
Ольга Горчинская:
Сегодня потребность в инструментах бизнес-анализа уже достаточно высока. Их используют крупные организации практически во всех секторах экономики. И средний, и малый бизнес тоже понимают преимущества перехода от Excel к специализированным аналитическим решениям.
Если мы сравним эту ситуацию с той, что была в компаниях еще пять лет назад, то увидим значительный прогресс. За последние годы сменилось поколение руководителей. К управлению компаниями пришли новые люди, которые делали карьеру уже в эпоху информатизации, и они привыкли использовать компьютеры, интернет и мобильные устройства как в повседневной жизни, так и для решения рабочих задач.
CNews: Но проектов больше не становится?
Ольга Горчинская:
В последнее время мы отмечаем некоторое снижение числа новых крупных BI-проектов. Во-первых, играет роль сложная общая экономическая и политическая ситуация. Она сдерживает старт некоторых проектов, связанных с внедрением западных систем. Интерес к решениям на основе свободно распространяемого программного обеспечения также затягивает старт BI-проектов, поскольку требует предварительного изучения этого сегмента ПО. Зрелость многих решений Open Source в области аналитики не настолько высока, чтобы использовать их повсеместно.
Во-вторых, уже произошло определенное насыщение рынка. Сейчас не так много организаций, где не используется бизнес-анализ. И, видимо, проходит время активного роста внедрений больших корпоративных аналитических систем.
И, наконец, важно отметить – сейчас у заказчиков идет смещение акцентов в использовании BI-инструментов, что сдерживает рост числа привычных нам проектов. Дело в том, что лидирующие поставщики – Oracle, IBM, SAP – строят свои BI-решения на идее единой согласованной логической модели данных, означающей, что, прежде чем что-то анализировать, необходимо четко определить и согласовать все понятия и показатели.
Вместе с очевидными преимуществами это приводит к большой зависимости бизнес-пользователей от ИТ специалистов: при необходимости включить в круг рассмотрения какие-то новые данные бизнесу приходится постоянно обращаться к ИТ для загрузки данных, согласования их с существующими структурами, включения в общую модель и т.д. Сейчас мы видим, что бизнес хочет большей свободы, и ради возможности самостоятельно добавлять новые структуры, интерпретировать и анализировать их по собственному усмотрению пользователи готовы пожертвовать какой-то частью корпоративной согласованности.
Поэтому сейчас на первый план выходят легкие инструменты, позволяющие конечным пользователям работать непосредственно с данными и не очень заботиться о согласованности на корпоративном уровне. В результате мы наблюдаем успешное продвижение Tableaux и Qlick, которые позволяют работать в стиле Data Discovery, и некоторую потерю рынка большими поставщиками решений.
CNews: Это объясняет, почему ряд организаций внедряет по несколько BI-систем – особенно это заметно в финансовом секторе. Но можно ли считать такую информатизацию нормальной?
Ольга Горчинская
Сегодня ведущую роль играют инструменты, которые мы раньше считали слишком легковесными для корпоративного уровня. Это решения класса Data Discovery.
Ольга Горчинская:
Действительно, на практике часто в крупных организациях используется не единая, а несколько независимых аналитических систем, каждая со своими BI-инструментами. Идея общекорпоративной аналитической модели оказалась некоторой утопией, она не так популярна и даже ограничивает продвижение аналитических технологий, поскольку на практике каждый департамент, а то и отдельный пользователь хочет независимости и свободы. В этом нет ничего ужасного. Ведь в одном и том же банке специалистам в области рисков и маркетологам нужны совершенно разные BI-инструменты. Поэтому вполне нормально, когда компания выбирает не громоздкое единое решение для всех задач, а несколько небольших, наиболее подходящих для отдельных департаментов систем.
Сегодня ведущую роль играют инструменты, которые мы раньше считали слишком легковесными для корпоративного уровня. Это решения класса Data Discovery. В них заложена идея простоты работы с данными, быстроты, гибкости и удобного для восприятия представления результатов анализа. Есть и еще одна причина растущей популярности таких инструментов: компании все больше испытывают потребность работать с информацией изменяющейся структуры, вообще неструктурированной, с «размытым» смыслом и не всегда понятной ценностью. В этом случае востребованы более гибкие инструменты, чем классические средства бизнес-анализа.
«Форс» создал крупнейшую в Европе и уникальную в России площадку – Fors Solution Center. Основная его задача – приблизить новейшие технологии Oracle к конечному заказчику, помочь партнерам в их освоении и применении, сделать процессы тестирования оборудования и ПО максимально доступными. Это своего рода дата-центр для тестирования партнерами систем и облачных решений.
CNews: Как технологии больших данных помогают развиваться бизнес-аналитике?
Ольга Горчинская:
Эти направления – большие данные и бизнес-аналитика – сближаются друг с другом и, на мой взгляд, граница между ними уже размыта. Например, углубленная аналитика считается «большими данными», хотя она существовала еще до появления Big Data. Сейчас интерес к машинному обучению, статистике повышается, и с помощью этих технологий больших данных можно расширить функциональность традиционной бизнес-системы, ориентированной на вычисления и визуализацию.
Кроме этого, концепцию хранилищ данных расширило использование технологии Hadoop, что привело к новым стандартам построения корпоративного хранилища в виде «озера данных» (data lakes).
CNews: Для каких наиболее перспективных задач используются решения в области больших данных?
Ольга Горчинская:
Мы используем технологии больших данных в BI-проектах в нескольких случаях. Первый – когда необходимо повысить производительность существующего хранилища данных, что очень важно в условиях, когда у компаний большими темпами растут объемы используемой информации. Хранить сырые данные в традиционных реляционных базах данных очень дорого, для их обработки требуются все большие мощности. В таких случаях разумнее использовать инструментарий Hadoop, очень эффективный вследствие самой своей архитектуры, гибкий, приспосабливаемый для конкретных нужд и выгодный с экономической точки зрения, так как в его основе лежит Open Source решение.
С помощью Hadoop мы, в частности, решили задачу хранения и обработки неструктурированных данных в одном крупном российском банке. В данном случае речь шла о больших объемах регулярно поступающих данных меняющейся структуры. Эту информацию необходимо обрабатывать, разбирать, извлекать из нее числовые показатели, а также сохранять и исходные данные. Учитывая значительный рост объемов поступающей информации, использовать для этого реляционное хранилище становилось слишком дорогим и малоэффективным способом. Мы создали отдельный Hadoop-кластер для обработки первичных документов, результаты которой загружаются в реляционное хранилище для анализа и дальнейшего использования.
Второе направление – внедрение средств углубленной аналитики для расширения функциональности BI-системы. Это очень перспективное направление, поскольку оно связано не только с решением ИТ-задач, но и с созданием новых возможностей для бизнеса.
Вместо организации специальных проектов по внедрению углубленной аналитики мы стараемся расширять рамки существующих проектов. Например, практически для любой системы полезной функцией является прогнозирование показателей на основе имеющихся исторических данных. Это не такая простая задача, она требует не только навыков работы с инструментами, но и определенной математической подготовки, знания статистики и эконометрики.
В нашей компании есть специальная группа специалистов по анализу данных, которые отвечают этим требованиям. Ими был выполнен проект в области здравоохранения по формированию регламентной отчетности, причем дополнительно в рамках этого проекта было реализовано прогнозирование загруженности медицинских организаций и их сегментация по статистическим показателям. Ценность таких прогнозов для заказчика понятна, для него это не просто использование какой-то новой экзотической технологии, а вполне естественное расширение аналитических возможностей. В результате стимулируется интерес к развитию системы, а для нас – новые работы. Сейчас мы аналогичным образом внедряем технологии прогнозной аналитики в проекте для городского управления.
И, наконец, у нас есть опыт внедрения технологий больших данных там, где речь идет об использовании неструктурированных данных, прежде всего, различных текстовых документов. Интернет открывает большие возможности с его огромными объемами неструктурированной информации, содержащей полезные сведения для бизнеса. Очень интересный опыт у нас был связан с разработкой системы оценки стоимости объектов недвижимости для компании РОСЭКО по заказу Российского общества оценщиков. Для подбора объектов-аналогов система осуществляла сбор данных из источников в интернете, обрабатывала эту информацию с использованием лингвистических технологий и обогащала с помощью гео-аналитики с применением методов машинного обучения.
CNews: Какие собственные решения «Форс» развивает на направлениях бизнес-аналитики и больших данных?
Ольга Горчинская:
Мы разработали и развиваем специальное решение в области больших данных – ForSMedia. Это платформа анализа данных социальных сетей для обогащения знаний о клиентах. Ее можно использовать в разных отраслях: финансовом секторе, телекоме, ритейле – везде, где хотят как можно больше знать о своих клиентах.
Ольга Горчинская
Мы разработали и развиваем специальное решение в области больших данных – ForSMedia. Это платформа анализа данных социальных сетей для обогащения знаний о клиентах.
Типичный сценарий использования – разработка таргетированных маркетинговых кампаний. Если у компании 20 миллионов клиентов, распространять все рекламные объявления по базе нереально. Нужно сузить круг получателей объявлений, и целевая функция здесь – повысить отклик клиентов на маркетинговое предложение. В этом случае мы можем загрузить в ForSMedia базовые данные обо всех клиентах (имена, фамилии, даты рождения, место жительства), а затем на основании информации социальных сетей дополнить их новыми полезными сведениями, включая круг интересов, социальный статус, состав семьи, область профессиональной деятельности, музыкальные предпочтения и т. д. Безусловно, такие знания можно найти далеко не для всех клиентов, поскольку определенная их часть вообще не используют социальные сети, но для целевого маркетинга и такой «неполный» результат дает огромные преимущества.
Социальные сети – очень богатый источник, хотя работать с ним сложно. Не так легко идентифицировать человека среди пользователей – люди часто используют разные формы своих имен, не указывают возраст, предпочтения, непросто выяснить особенности пользователя на основе его постов, групп подписки.
Платформа ForSMedia решает все эти задачи на основе технологий больших данных и позволяет в массовом режиме обогащать данные о клиентах и анализировать результаты. Среди используемых технологий – Hadoop, среда статистических исследований R, средства лингвистической обработки компании RCO, инструменты Data Discovery.
Платформа ForSMedia максимально использует ПО свободного распространения и может быть установлена на любой аппаратной платформе, отвечающей требованиям бизнес-задачи. Но для крупных внедрений и при повышенных требованиях к производительности мы предлагаем специальную версию, оптимизированную для работы на программно-аппаратных комплексах Oracle – Oracle Big Data Appliance и Oracle Exalytics.
Использование в больших проектах инновационных интегрированных комплексов Oracle – важное направление нашей деятельности не только в области аналитических систем. Такие проекты получатся недешевыми, но за счет масштабов решаемых задач они полностью себя оправдывают.
CNews: Заказчики могут как-то испытать эти системы, прежде чем принимать решение о покупке? Вы предоставляете, например, тестовые стенды?
Ольга Горчинская:
В этом направлении мы не просто предоставляем тестовые стенды, а создали крупнейшую в Европе и уникальную в России площадку – Fors Solution Center. Основная его задача – приблизить новейшие технологии Oracle к конечному заказчику, помочь партнерам в их освоении и применении, сделать процессы тестирования оборудования и ПО максимально доступными. Идея возникла не на пустом месте. «Форс» уже почти 25 лет занимается разработкой и внедрением решений на базе технологий и платформ Oracle. У нас большой опыт работы и с клиентами, и с партнерами. Фактически «Форс» - это центр компетенций Oracle в России.
Учитывая этот опыт, в 2011 году, когда появились первые версии машины баз данных Oracle Exadata, мы создали первую лабораторию по освоению этих систем, назвав ее ExaStudio. На ее базе десятки компаний могли открыть для себя возможности новых программно-аппаратных решений Exadata. Наконец, в 2014 году мы превратили ее в своего рода дата-центр для тестирования систем и облачных решений – это и есть Fors Solution Center.
Сейчас в нашем Центре представлена полная линейка новейших программно-аппаратных комплексов Oracle – от Exadata и Exalogic до машины больших данных Big Data Appliance, – которые, по сути, выступают как тестовые стенды для наших партнеров и клиентов. Помимо тестирования, здесь можно получить услуги по аудиту информационных систем, миграции на новую платформу, настройке, конфигурированию и масштабированию.
Центр активно развивается и в направлении использования облачных технологий. Не так давно архитектура Центра была доработана таким образом, чтобы предоставлять свои вычислительные ресурсы и услуги в облаке. Теперь заказчики могут воспользоваться производительными мощностями по схеме самообслуживания: загружать в облачную среду тестовые данные, приложения и осуществлять тестирование.
В результате компания-партнер или заказчик могут без предварительных инвестиций в оборудование и пилотные проекты на своей территории загрузить собственные приложения в наше облако, протестировать, сравнить результаты по производительности и принять то или иное решение о переходе на новую платформу.
CNews: И последний вопрос – что вы представите на Oracle Day?
Ольга Горчинская:
Oracle Day – это главное мероприятие года в России для корпорации и всех ее партнеров. «Форс» неоднократно был его генеральным спонсором, и в этом году - тоже. Форум будет целиком посвящен облачной тематике - PaaS, SaaS, IaaS, и пройдет как Oracle Cloud Day, поскольку Oracle уделяет огромное внимание этим технологиям.
На мероприятии мы представим свою платформу ForSMedia, а также будем рассказывать об опыте использования технологий больших данных, о проектах в области бизнес-аналитики. И, конечно, расскажем о новых возможностях нашего Fors Solution Center в области построения облачных решений.
Доступная работа с Big Data с помощью визуальной аналитики
Совершенствуйте бизнес-аналитику и решайте рутинные задачи, используя информацию, скрытую в Big Data, с помощью платформы TIBCO Spotfire. Это — единственная платформа, которая предоставляет бизнес-пользователям интуитивный, удобный пользовательский интерфейс, что позволяет использовать весь спектр аналитических технологий для Больших Данных без привлечения ИТ-специалистов или наличия специального образования.
Интерфейс Spotfire позволяет одинаково удобно работать как с небольшими наборами данных, так и с многотерабайтными кластерами больших данных: показаний датчиков, информации из социальных сетей, точек продаж или геолокационных источников. Пользователи с любыми уровнями знаний с легкостью работают с содержательными панелями управления и аналитическими рабочими процессами просто используя визуализации, которые являются графическим отображением объединения миллиардов точек данных.
Предиктивная аналитика – это обучение в процессе работы на основе совместного опыта компании для принятия более аргументированных решений. Используя Spotfire Predictive Analytics, вы можете находить новые рыночные тренды из информации, полученной в результате бизнес-аналитики и принимать меры для минимизации рисков, что позволит повысить качество управленческих решений.
Обзор
Подключение к Большим Данным для высокопроизводительной аналитики
Spotfire предлагает три основных типа аналитики с бесшовной интеграцией с Hadoop и другими крупными источниками данных:
- Визуализация данных по требованию (On-Demand Analytics): встроенные, настраиваемые пользователем коннекторы данных, которые упрощают сверхскоростную, интерактивную визуализацию данных
- Анализ в БД (In-Database Analytics): интеграция с платформой распределительных вычислений, которая позволяют делать вычисления данных любой сложности на основе больших данных.
- Анализ в оперативной памяти (In-Memory Analytics): интеграция с платформой статистического анализа, которая берет данные непосредственно из любого источника данных, включая традиционные и новые источники данных.
Вместе все эти методы интеграции представляют мощное сочетание визуального исследования и продвинутой аналитики.
Это позволяет бизнес-пользователям получить доступ, объединять и анализировать данные из любых источников данных с помощью мощных, удобных в использовании панелей управления и рабочих процессов.
Коннекторы больших данных
Коннекторы Spotfire для больших данных поддерживают все виды доступа к данным: In-datasource, In-memory и On-demand. Встроенные коннекторы данных Spotfire включают:
- Сертифицированные коннекторы данных Hadoop для Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill и Pivotal HAWQ
- Другие сертифицированные коннекторы больших данных включают Teradata, Teradata Aster и Netezza
- Коннекторы для исторических и текущих данных из таких источников, как OSI PI сенсорные датчики
In-Datasource распределенные вычисления
В дополнение к удобному функционалу Spotfire визуального выбора операций для SQL запросов, которые обращаются к распределенным в источниках данным, Spotfire может создавать алгоритмы статистического и машинного обучения, которые функционируют внутри источников данных и возвращают только необходимые результаты для создания визуализаций в системе Spotfire.
- Пользователи работают с дэшбордами с функционалом визуального выбора, которые обращаются к скриптам, используя встроенные возможности языка TERR,
- Скрипты TERR инициируют работу функционала распределенных вычислений во взаимодействии с Map/Reduce, H2O, SparkR, or Fuzzy Logix,
- Эти приложения в свою очередь обращаются к системам с высокой эффективностью как Hadoop или другие источники данных,
- TERR может быть развернут как движок расширенной аналитики в узлах Hadoop, которые управляются с помощью MapReduce или Spark. Язык TERR также можно использовать для узлов данных Teradata.
- Результаты визуализируются на Spotfire.
TERR для продвинутой аналитики
TIBCO Enterprise Runtime для R (TERR) – TERR является статистическим пакетом корпоративного уровня, который был разработан компанией TIBCO для полной совместимости с языком R, реализуя многолетний опыт компании в аналитической системе, связанный с S+. Это позволяет заказчикам продолжать разработку приложений и моделей не только используя открытый код R, но и интегрировать и развернуть свой код R на коммерческой надежной платформе без необходимости переписывать свой код. TERR обладает более высокой эффективностью и надежным управлением памятью, обеспечивает более высокую скорость обработки данных на больших объемах в сравнении с языком R с открытым кодом.
Объединяя весь функционал
Объединение вышеупомянутых мощных функциональных возможностей означает, что даже в случае сложнейших задач, требующих проведения аналитики с высоким уровнем надежности, пользователи взаимодействуют с простыми и удобными в использовании интерактивными рабочими процессами. Это позволяет бизнес-пользователям визуализировать и анализировать данные, а также делиться результатами аналитики, без необходимости знания деталей архитектуры данных, лежащих в основе бизнес-анализа.
Пример: Интерфейс Spotfire для конфигурации, запуска и визуализации результатов модели, которая определяет характеристики потерянных грузов. С помощью этого интерфейса бизнес-пользователи могут выполнять вычисления с использованием TERR и Н2О (фреймворк для распределенных вычислений), обращаясь к данным транзакций и отгрузок, хранящихся в кластерах Hadoop.
Аналитическое пространство для больших данных
Продвинутая и предиктивная аналитика
Пользователи используют дэшборды Spotfire c функционалом визуального выбора, чтобы запустить богатый набор расширенных возможностей, которые позволяют с легкостью делать прогнозы, создавать модели и оптимизировать их во время работы. Используя большие данные, анализ может быть проведен внутри источника данных (In-Datasource), возвращая только агрегированную информацию и результаты, необходимые для создания визуализаций на платформе Spotfire.
Машинное обучение
Доступен широкий набор инструментов машинного обучения в списке встроенных функций Spotfire, которые можно использовать с помощью одного нажатия. Статистики имеют доступ к программному коду, написанному на языке R и могут расширять используемый функционал. Функционалом машинного обучения можно делиться с другими пользователями для легкого повторного использования.
Доступны следующие методы машинного обучения для непрерывных категориальных переменных на Spotfire и на TERR:
- Линейная и логистическая регрессия
- Деревья принятия решений (Decision trees), алгоритм случайного леса (Random forest), градиентный бустинг машин (GBM)
- Обобщенные линейные (аддитивные) модели (Generalized Additive Models )
- Нейронные сети
Анализ контента
Spotfire обеспечивает аналитику и визуализацию данных, значительная часть которых не использовалась раннее – это неструктурированный текст, который хранится в таких источниках, как документы, отчеты, заметки CRM систем, логи сайтов, публикации в социальных сетях и многое другое.
Локационная аналитика
Многослойные карты высокого разрешения являются отличным способом визуализации больших данных. Богатый функционал Spotfire для работы с картами позволяет Вам создавать карты с таким количеством справочных и функциональных слоев, какое Вам необходимо. Spotfire также дает возможность использовать сложную аналитику во время работы с картами. В дополнение к географическим картам система создает карты для визуализации поведения пользователей, складов, производства, сырья и многих других показателей.
Малый бизнес в странах СНГ пока не применяет анализ данных для развития бизнеса, определения корреляций, поиска скрытых закономерностей: предприниматели обходятся отчетами маркетологов и бухгалтеров. Руководители малых и частично средних предприятий больше полагаются на свою интуицию, чем на анализ. Но при этом у аналитики огромный потенциал: она помогает снизить затраты и повысить прибыль, быстрее и объективнее принимать решения, оптимизировать процессы, лучше понимать клиентов и совершенствовать продукт.
Бухгалтер не заменит аналитика
Руководители малых предприятий часто полагают, что отчеты маркетологов и бухгалтеров достаточно адекватно отображают деятельность компании. Но на основе сухой статистики принять решение очень сложно, а ошибка в подсчетах без профильного образования неминуема.
Кейс 1. Пост-анализ акционных кампаний. К Новому году предприниматель объявил акцию, в рамках которой определенные товары предлагались со скидкой. Оценив выручку за новогодний период, он увидел, как повысились продажи, и обрадовался своей находчивости. Но давайте учтем все факторы:
- Продажи особенно сильно растут в пятницу, в день, когда выручка максимальная - это недельный тренд.
- Если сравнивать с ростом продаж, который обычно происходит под Новый год, то выигрыш не так и велик.
- Если отфильтровать акционные товары, оказывается, что показатели продаж ухудшились.
Кейс 2. Исследование товарооборачиваемости. У магазина женской одежды сложности с логистикой: товар на некоторых складах в дефиците, а на некоторых лежит месяцами. Как определить без анализа продаж, сколько брюк завести в один регион, а сколько пальто отправить в другой, при этом получить максимальную прибыль ? Для этого нужно просчитать товарооборачиваемость, соотношение скорости продаж и среднего товарного запаса за определенный период. Если выразиться проще, товароборачиваемость это показатель того, за сколько дней магазин продаст товар, как быстро продается средний запас, как быстро окупается товар. Хранить большие запасы экономически невыгодно, так как это замораживает капитал, замедляет развитие. Если запас снижать, может появиться дефицит, и компания снова недополучит прибыль. Где найти золотую середину, соотношение, при котором продукт не застаивается на складе, и в то же время вы можете дать определенную гарантию, что клиент найдет нужную единицу в магазине? Для этого аналитик должен помочь вам определить:
- желательную оборачиваемость,
- динамику оборачиваемости.
При расчете с поставщиками с отсрочкой нужно также высчитывать соотношение кредитной линии и оборачиваемости. Оборачиваемость в днях = Средний товарный запас * количество дней / Товарооборот за этот период.
Расчет остатков ассортимента и общей оборачиваемости по магазинам помогает понять, куда необходимо переместить часть товара. Стоит подсчитывать и то, какая оборачиваемость у каждой единицы ассортимента, чтобы принимать решение уценка при пониженном спросе, дозаказ при повышенном, перемещение на иной склад. По категориям можно разработать отчет по оборачиваемости в таком виде. Видно, что майки и джемперы продаются быстрее, а вот пальто - достаточно долго. Сможет ли такую работу провести обычный бухгалтер? Сомневаемся. При этом регулярный расчет товарооборачиваемости и применение результатов может повысить прибыль на 8-10%
В каких сферах применим анализ данных?
- Продажи. Важно понимать, почему продажи идут хорошо (или плохо), какова динамика. Чтобы решить эту задачу, нужно исследовать факторы влияния на прибыль и выручку – например, проанализировать длину чека и выручку на покупателя. Такие факторы можно исследовать по группам товаров, сезонам, магазинам. Можно определять возвышения и ямы продаж, анализируя возвраты, отмены и другие операции.
- Финансы. Мониторинг показателей нужен любому финансисту для наблюдения за кешфлоу и распределения активов по различным сферам деятельности бизнеса. Это помогает оценить эффективность налогообложения и другие параметры.
- Маркетинг. Любая маркетинговая компания нуждается в прогнозах и пост-анализе акций. На этапе проработки идеи нужно определить группы товаров (контрольные и целевые), для которых создаем предложение. Это – тоже работа для аналитика данных, так как обычный маркетолог не обладает нужным инструментарием и навыками для хорошего анализа.Например, если для контрольной группы сумма выручки и количество покупателей одинаково больше в сравнении с целевой – акция не сработала. Для определения этого нужен интервальный анализ.
- Управление. Иметь лидерские качества недостаточно для лидера компании. Количественные оценки работы персонала в любом случае нужны для грамотного управления предприятием. Эффективность управления фондом оплаты труда, соотношение зарплаты и продаж важно понимать так же, как и эффективность процессов – например, загруженности касс или занятости грузчиков в течении дня. Это помогает правильно распределять рабочее время.
- Web-анализ. Сайт нужно грамотно продвигать, чтобы он стал каналом продаж, а для этого нужна правильная стратегия продвижения. Здесь вам поможет веб-анализ. Как его применять? Изучать поведение, возраст, пол и другие характеристики клиентов, активность на определенных страницах, клики, канал трафика, результативность рассылок и прочее. Это поможет совершенствовать бизнес и сайт.
- Управление ассортиментом. АВС-анализ крайне необходим для управления ассортиментом. Аналитик должен распределить товар по характеристикам, чтобы провести такой вид анализа и понять, какой товар самый рентабельный, какой в основе, а от какого стоит избавиться. Для понимания стабильности продаж хорошо проводить XYZ-анализ.
- Логистика. Больше понимания о закупках, товарах, их хранении и доступности даст изучение логистических показателей. Потери и потребности товара, товарный запас также важно понимать для успешного управления бизнесом.
Эти примеры показывают, насколько широкие возможности у анализа данных даже для малых предприятий. Опытный директор повысит прибыль компании и получит выгоду из самых незначительных сведений, правильно используя анализ данных, а работу менеджера значительно упростят наглядные отчеты.
Основная цель любого анализа данных – поиск и обнаружение закономерностей в объеме данных. В бизнес-анализе эта цель становится еще более широкой. Любому руководителю важно не только выявить закономерности, но и найти их причину. Знание причины позволит в будущем влиять на бизнес и дает возможность прогнозировать результаты того или иного действия.
Цели анализа данных для компании
Если говорить о бизнесе, то цель каждой компании выиграть конкурентную борьбу. Так вот анализ данных – это ваше главное преимущество. Именно он поможет вам:
- Уменьшить расходы компании
- Увеличить выручку
- Сократить время на выполнение бизнес-процессов (узнать слабое место и оптимизировать его)
- Повысить результативность бизнес-процессов компании
- Выполнить любые другие цели, направленные на повышение эффективности и результативности деятельности компании.
А значит, победа над конкурентами – в ваших руках. Не полагайтесь на интуицию. Анализируйте!
Цели анализа данных для департаментов, отделов, продуктов
Как ни странно, но перечисленные выше цели полностью подходят и для анализа деятельности департаментов, анализа продукта или рекламной кампании.
Цель любого анализа данных на любом уровне – выявить закономерность и воспользоваться этим знанием для повышения качества продукта или работы компании, отдела.
Кому нужен анализ данных?
Всем. Действительно, любой компании, из любой сферы деятельности, любому отделу и любому продукту!
В каких сферах можно применять анализ данных?
- Производство (строительство, нефтегаз, металлургия и т.п.)
- Ритейл
- Ecommerce
- Услуги
- И многие другие
Какие департаменты можно анализировать внутри компании?
- Бухгалтерия и финансы
- Маркетинг
- Реклама
- Администрация
- И другие.
Действительно, компании из любой сферы, любые отделы внутри компании, любые направления деятельности можно, нужно и важно анализировать.
Чем могут помочь системы BI-анализа
Системы BI-анализа, автоматизированные системы аналитики, big data для анализа больших данных , — это программные решения, которые уже обладают встроенным функционалом для обработки данных, подготовки их к анализу, собственно анализа и – главное – для визуализации результатов анализа.
Не в каждой компании есть отдел аналитиков, или хотя бы разработчик, который будет обслуживать аналитическую систему и базы данных. В этом случае на помощь приходят вот такие системы BI-анализа.
Сегодня на рынке представлено более 300 решений. Наша компания остановилась на решении Tableau:
- В 2018 году Tableau в 6й раз стала лидером исследования компании Gartner среди BI-решений
- Tableau легко освоить (и наши практикумы это подтверждают)
- Для полноценного начала работы с Tableau не требуется знаний разработчика или статистика
При этом компании, которые уже работают с Tableau, говорят, что на составление отчетов, которые раньше собирались в Excel за 6-8 часов, теперь уходит не более 15 минут.
Не верите? Попробуйте сами – скачайте пробную версию Tableau и получите обучающие материалы по работе с программой:
Скачать Tableau