Что такое Business Intelligence (BI)

Форум Сообщества Практиков Конкурентной разведки (СПКР)

Конкурентная разведка, Бизнес-разведка, Корпоративная разведка,
Деловая разведка по открытым источникам в бизнесе.
Работаем строго в рамках закона.

Дезинформация и активные мероприятия в бизнесе
Форум Сообщества Практиков Конкурентной разведки (СПКР) »   Общие вопросы конкурентной разведки »   Что такое Business Intelligence (BI)
RSS

Что такое Business Intelligence (BI)

<<Назад  Вперед>>Печать
 
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010

Source: Gartner (February 2014)*


Далее выдержка из статьи "Эксперт-Урал"...

В мире аббревиатура BI вошла в обиход еще в 1958 году. Тогда исследователь из IBM Ханс Питер Лун объяснял Business Intelligence как «возможность понимания связей между представленными фактами».

Современная трактовка появилась в 1989 году. Будущий аналитик Gartner Говард Дреснер определил BI как общее понятие, описывающее концепции и методы сбора, интеграции, анализа и представления данных, необходимых для принятия управленческих решений.

По мнению экспертов аналитического агентства IDC, эволюцию BI-решений можно условно разделить на три волны. Первая длилась с 70-х до начала 90-х прошлого века. Системы того времени были нацелены на сбор информации и подготовку регламентированной отчетности. Вторая волна, окончившаяся в середине 2000-х, предоставила пользователям инструменты быстрого многомерного анализа на базе технологии OLAP (online analytical processing, аналитическая обработка в реальном времени), а также возможность самостоятельного создания нерегламентированной отчетности.

Наконец, системы третьей волны, начавшейся в 2005-м, нацелены на расширение аудитории пользователей и делают акцент на прикладное применение BI-решений. В тренде — предсказательная аналитика, интеллектуальный анализ данных (так мы вольно перевели английский термин data mining) и «горизонтальные» продукты, ориентированные на унифицированные бизнес-задачи, возникающие на предприятиях любой отрасли.

Источник - _ttp://www.expert-ural.com/1-598-12265/

---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010
А вот обсуждение популярных BI инструментов из профильной группы в LinkedIn - _ttps://www.linkedin.com/groups/What-is-most-Popular-BI-23006.S.147364788




---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010
Область Business Intelligence уже настолько обширна, что начинает разделяться на ряд самостоятельных направлений и сегментов рынка. С точки зрения IT ежегодной точкой фиксации ее состояния является выход очередного отчета Gartner. В 2014 г. он особенно интересен, поскольку содержит целый ряд изменений и новинок как в концептуальной, так и в технической составляющей бизнес-аналитики.

В 1989 году Говард Дреснер (Howard Dresner, позже аналитик Gartner) определил Business Intelligence как общий термин, описывающий совокупность концепций и методов для принятия обоснованных решений с помощью IT. В конце января текущего года в своем блоге он поинтересовался у BI-сообщества: «Ready for the »2014ization" of Business Intelligence?«, отметив, что в этом году ожидания компаний от технологий бизнес-аналитики высоки, как никогда ранее, и есть все основания предполагать, что они оправдаются. Об этих «основаниях» и пойдет речь в данной статье.
О некоторой путанице на рынке BI

Свой Magic Quadrant (MQ) для BI и аналитики Gartner составляет с 2006 г., однако до сих пор всегда подразумевались способности ПО этого класса в области традиционных запросов и отчетов (описательные возможности). Тем временем, в течение нескольких прошлых лет, интерактивная диагностическая визуализация (interactive diagnostic visualization), как и прогнозирующий и предписывающий анализ (predictive and prescriptive analysis) становились все более понятными и важными для организаций.

Это было отражено в алгоритме интегральной оценки разработчиков и их положении в MQ в 2014 г. Несколько изменилось и само название — с «MQ for BI» и «MQ for BIP» на «MQ for BI and Analytics Platforms».

Кроме этого, в 2013 г. исследователи Gartner пришли к выводу, что бизнес-аналитика претерпела к этому времени уже столько эволюционных изменений, что логичнее разделить прежде единый рынок инструментов этого класса на две части — «традиционный» BI и «продвинутый» (advanced) BI, соответственно построив два отдельных MQ для них.

Последний «Magic Quadrant for Business Intelligence and Analytics Platforms» охватывает все компоненты BI, а наибольшие весовые коэффициенты придаются описательным и диагностическим способностям ПО.

Совершенно новый «Magic Quadrant for Advanced Analytics Platforms» от 19 февраля 2014 г. (ID:G00258011) охватывает те же описательные, диагностические, прогнозирующие и предписывающие компоненты BI, но придает большее значение уже прогнозирующим способностям решений. Это важно для отрасли, поскольку, согласно прогнозам, объем мирового рынка платформ продвинутой аналитики достигнет в 2013 г. около 14,1 млрд. долл. Правда, некоторую неопределенность вносит то, что многие разработчики располагают сегодня решениями, которые могут быть квалифицированы Gartner для включения в оба MQ.

В данной статье мы ограничимся рассмотрением традиционного «MQ for BI and Analytics Platforms» от 20 февраля 2014 (ID:G00257740), дополнив его некоторыми обобщающими аналитическими материалами из других источников.
Краткий обзор рынка BI

Согласно «InformationWeek 2014 Analytics, Business Intelligence, and Information Management Survey» от ноября 2013 г. (ID: R7531113), к 2015 г. наибольшим спросом будут пользоваться средства класса Smart Data Discovery, включающие обращение к ним на естественном языке для поиска и запросов. К 2016 г. до 25% новых развертываний BI-платформ будет осуществляться в форме подписок на облачные услуги.

Только 3% компаний считают, что им не нужны средства BI. Как и в прошлом году, 16-17% удовлетворяются локальными продуктами, установленными на компьютерах некоторых подразделений или даже определенных сотрудников.

Наиболее широко предприятия используют в качестве базового BI-инструмента электронные таблицы (66%). Несмотря на доступность, например, Microsoft Excel, это вполне серьезный массовый инструмент для большинства корпоративных аналитических задач, особенно в последних версиях. Только 3% опрошенных компаний пренебрегают этим ПО.

Изменения среди 13 опрошенных категорий сотрудников предприятий в плане того, кому будет вменяться в обязанность использование BI, в целом невелики и коснулись прежде всего специалистов-аналитиков данных. Их катастрофически не хватает, и в 2014 г. на них будет надеяться только половина (51%) компаний — вместо 60% год назад.

В отделах маркетинга и продаж основная проблема в том, что сейл-менеджеры — не аналитики. И раньше только 25% компаний пытались приучить их к BI. Теперь их осталось 18%.

Чуть больше использовать BI в 2014 г. будут разве что менеджеры С-уровня — 51%. Это отрадно, поскольку высшие руководители часто стараются не вникать в «заумные» детали анализа своего бизнеса, ограничиваясь простыми и понятными выводами и предположениями.

В целом же нужно отметить, что Gartner существенно расширила опросы потребителей в секторе BI, и в этом году, более чем когда-либо, эта обратная связь имеет значение в ранжировании компаний.
Gartner MQ 2014: Сектор Лидеров

В рассматриваемом секторе Лидеров (Leaders) — те же компании, что и год назад. Однако при ближайшем рассмотрении можно заметить несколько различающихся между собой групп. В силу крупных масштабов и самой компании, и ее решений выделяются IBM, Microsoft, SAP и SAS. По разным причинам ниже остальных в лидирующей группе находятся Information Builder, MicroStrategy и Oracle. Наконец, особое положение занимают Qlik, Tableau и Tibco Software. В таком порядке и охарактеризуем их.

BI 2014: Трансформация представлений



Рис. 1. Gartner Magic Quadrant for BI and Analytics Platforms в 2014 г. как никогда богат игроками рынка самой различной направленности. Источник: Gartner, февраль 2014. Крупные, платформенные разработчики

IBM

IBM предлагает полный спектр решений в областях BI, управления исполнением для предприятия (Corporative Performance Management, CPM), а также продвинутых аналитических платформ корпоративного уровня. Она традиционно обеспечивает хорошую сервисную поддержку при внедрении — независимо от отрасли или географического региона (служба IBM Global Services).

Как видно на Рис. 1, IBM лидирует сегодня в области видения перспектив рынка. Если же говорить о возможностях ее решений, так сказать, об их искушенности, то здесь требуется некоторое пояснение.

В своем классе крупных универсальных разработчиков она находится практически на одном уровне с SAS, уступая только Microsoft в общей оценке продуктов (но выигрывая в инновационности). Гораздо меньшие «чистые» игроки Tableau и Qlik, по сути, относятся к несколько иному классу компаний и о них речь пойдет отдельно.

Пакет IBM Cognos признают очень хорошим инструментом в области управления метаданными, построении инфраструктуры бизнес-аналитики и администрировании. С инструментом IBM Cognos Insight, IBM пробует радикально новый подход «умного обнаружения данных» (smart data discovery).

А машинный интеллект Watson Analytics, который выходит в текущем году, позволит бизнес-пользователям анализировать данные, не имея специального технического или статистического образования. Учитывая речевой интерфейс Watson, все должно происходить так, как это любят показывать в фильмах о будущем.

Более того, Gartner считает, что, если в этом секторе вскоре и произойдет разрушение, то оно будет, вероятно, следовать из новшеств, которые принесла с собой парадигма Watson Analytics. IBM недавно объявила о создании Watson Business Group с 2 тыс. специалистов и инвестициями около 1 млрд. долл. в ближайшие несколько лет.

Microsoft

Microsoft предлагает конкурентоспособный и постоянно расширяющийся набор аналитики, разумную ценовую политику на средства BI и аналитики для разработчиков, независимых дистрибьюторов и конечных бизнес-пользователей. Это достигается за счет комбинации расширенных возможностей BI и Data Discovery в MS Office (Excel) 2013, возможностей управления данными в SQL Server, а также управления данными, контентом, совместной работой и пользователями в SharePoint.

Опросы показывают, что во всем мире большинство клиентов отдают предпочтение Microsoft за относительно невысокие общую стоимость владения (Total Cost of Ownership, ТСО) и стоимость лицензий уже на протяжении последних семи лет. Они также ценят мощную BI-инфраструктуру, средства разработки и наличие у большинства конечных пользователей навыков работы с продуктами Microsoft.

Вместе с тем многие пользователи говорят об отсутствующей или слабой функциональности BI-решений компании, особенно в части мобильного BI, интерактивной визуализации и управления метаданными.

SAP

SAP BusinessObjects BI Suite дает широкие возможности — но для крупных внедрений, требующих администрирования. Компании часто выбирают SAP в качестве своего корпоративного стандарта BI, особенно если у них также является стандартом SAP ERP. Больше всех клиентов компании отметили, что интеграция с корпоративными приложениями была их главной причиной для выбора SAP как поставщика BI.

SAP много инвестировала в SAP Lumira, продукт, ориентированный на самообслуживание пользователей. Продукты KXEN, приобретенной SAP в 2013 г., направлены на расширение возможностей продвинутого прогнозирующего и предписывающего (predictive and prescriptive) анализа контента. Вышедший в конце 2013 SAP InfiniteInsight (на основе KXEN) сочетает способности Hana, KXEN и Lumira в единой платформе. В 2013 г.

SAP также продолжала расширять свою BI Customer Success инициативу, направленную на улучшение качества обслуживания клиентов. Вместе с тем, клиенты оценили SAP как одну из трех компаний в MQ, которые хуже всех понимают запросы рынка. Это касается непринужденности использования и поддержки сложных типов анализа. Нарекания вызывают также высокая стоимость и порядок продажи лицензий BI-продуктов SAP.

SAS

Традиционно сильный BI-портфель SAS охватывает BI-платформы, CPM, хранилища данных, СУБД класса in-memory (с обработкой данных в оперативной памяти), интеграцию и обеспечение качества данных, управление принятием решений, анализ контента и данных социальных сетей.

SAS также дифференцирует себя от большинства других BI-разработчиков, поставляя продвинутые аналитические приложения, которые ориентированы на определенные бизнес-задачи. Это позволяет ей продавать клиенту «ценность» (value), а не просто программные продукты.

Клиенты выбирают продукты SAS за способность поддерживать большие объемы данных, широкие возможности их интеграции и доступа к ним. Показательно, что продукты SAS, несколько проигрывая в числе пользователей, манипулируют самыми большими объемами данных в мире из всех компаний, представленных в MQ. Для SAS также отмечается наиболее обширная база лояльных BI-специалистов, многие из которых построили свои карьеры именно на ее продуктах.
Специализированные решения

Information Builders

Почтенная, 800-миллионная стабильная компания, основанная еще в 1975 г., выглядит несколько отстающей, хотя и находится в секторе Лидеров, оставляя за собой еще два десятка компаний, которые включены Gartner в MQ. Со своей BI- и аналитической платформой WebFOCUS она планомерно движется вперед, оставаясь практически на одном месте в центре MQ на протяжении последних пяти лет. Платформа рекомендуется организациям, не имеющих специального хранилища данных, а также для подготовки операционной отчетности. Несколько недавних покупок расширили ее глобальное присутствие.

MicroStrategy

Компания предлагает BI-платформу уровня предприятия, которая хорошо подходит для решения больших и сложных аналитических задач. MicroStrategy остается своеобразным эталоном крупных BI-внедрений, работающих поверх больших корпоративных хранилищ данных, и часто рассматривается как безальтернативный вариант, если требования предприятия высоки и сложны. К факторам, сдерживающих распространение решений MicroStrategy, следует отнести их высокую стоимость.

Oracle

В группе Лидеров положение Oracle относительно невысоко, хотя в ее арсенале имеется широкий диапазон BI- и аналитических технологий и продуктов, которые клиенты могут использовать в качестве BI-платформы — Oracle Business Intelligence, Oracle Exalytics In-Memory Machine и Oracle Endeca Information Discovery.

Клиенты, как правило, выбирают бизнес-аналитику Oracle для интеграции в пределах решений, основанных на приложениях и технологиях самой же Oracle. Сегодня компания предлагает более 80 готовых аналитических приложений и отраслевых пакетов для Oracle E-Business Suite, PeopleSoft, JD Edwards, Siebel и других.

У Oracle также большая сеть партнеров, которые выполняют много внедрений ее продуктов. Определенной проблемой является поиск специалистов с довольно сложными компетенциями, связанными с Oracle BI, а также сложность использования самого инструментария. Несколько задержалась Oracle и в продвижении мобильных и облачных вариантов BI-решений. Положение, как ожидается, будет исправлено в 2014 г.

Data Discovery

Это, пожалуй, самый интересный на сегодня класс решений и продуктов. Data Discovery и BI подобны в том, что они предоставляют конечному пользователю приложение, которое визуализирует данные. Однако технология Data Discovery в большей степени нацелена на конечных пользователей. Как правило, развертывание VDT их на предприятии и обучение персонала обходится дешевле, чем для обычной корпоративной BI при сопоставимых возможностях.

BI 2014: Трансформация представлений



Рис. 2. Области применения инструментов бизнес-анализа различных классов. Visual Discovery Tools (VDT) занимают промежуточное положение, захватывая несколько смежных областей. Источник: Wane Eckerson BI Leadership Research, март 2013.

VDT часто заменяют такие массовые аналитические инструменты, как Excel и имеют много общего с многомерной аналитической обработкой данных онлайн (OnLine Analytical Processing, OLAP). VDT сейчас быстро проникают в различные сегменты BI, особенно построения целевых (ad hoc) и операционных отчетов, а также OLAP реляционных баз данных и аналитических платформ класса Big Data. На наш взгляд, это направление заслуживает отдельного рассмотрения, а здесь ограничимся только краткой характеристикой «чистых» разработчиков средств VDT, которые, тем не менее, находятся сейчас на лидирующих позициях в MQ.

Qlik

Компания Qlik сделала для популяризации VDT больше, чем любая другая BI компания. Она продает единственный продукт, QlikView, и заработала $320 млн в 2011 г. QlikView — самостоятельная BI-платформа, основанная на in-memory ассоциативном поисковом движке — является лидером рынка в области Data Discovery. Этот сегмент, собственно, и вела за собой все последние годы компания, упорно поднимаясь все выше в сообществе сильных глобальных лидеров.

Во второй половине 2014 г. Qlik планирует выпустить новый, полностью перепроектированный QlikView.Next, который претендует ни много ни мало на новый стандарт в области корпоративной аналитики и считается сегодня одним из самых продвинутых продуктов с точки зрения видения перспектив. Некоторые нарекания на продукты Qlik отмечаются разве что в области безопасности, а «боеспособный» QlikView.Next с неизбежными доработками ожидается только через год, что создает некоторый запас времени для конкурентов.

Tableau

Разработав правильный продукт в нужное время, Tableau быстро растет и теперь ее годовой доход превышает $100 млн. Согласно опросам Gartner, клиенты четвертый год подряд остаются очень довольными Tableau. Продукты Tableau воспринимаются как очень интуитивные, которые изменили представления бизнес-пользователей о том, что они могут обнаружить в данных — без обширных навыков BI или специального обучения. Практически все конкуренты, и большие, и маленькие, стараются подражать Tableau в этом.

За эти годы компания буквально ворвалась в компанию солидных BI-разработчиков, заняв лидирующее положение. Она была организована только в 2003 г. и бесполезно искать ее в стартовом MQ 2006 г. По темпам продвижения как по оси общих возможностей, так и в видении запросов рынка ей сегодня нет равных. Удачное IPO 2013 г. дало ей возможность привлечь значительные ресурсы для выпуска и совершенствования продуктов и экспансии на мировые рынки.

Удельная стоимость внедрения систем на одного пользователя у Tableau одна из самых низких в MQ. Ее также отмечают за способность обрабатывать «странные» запросы. Типичные внедрения Tableau — средние по масштабу и большие по объемам используемых данных. Это — одна из главных примет BI второго десятилетия XXI века.

Tibco Software

ПО Tibco — один из ранних лидеров в области Data Discovery. Это обеспечивает Spotfire, гибкая, удобная в работе платформа для информационных исследований и анализа. За счет продвинутой статистики и data mining, Spotfire в большой степени используется фирмами финансовых услуг и фармацевтическими компаниями.

Tibco уделяет много сил «первопроходчеству», пытаясь вести за собой рынок. Клиенты также оценивают качество продукта (стабильность, надежность и безошибочность) выше среднего по MQ значения. Главными проблемами Tibco считаются высокая стоимость ПО и недостаточное, по мнению ряда клиентов, качество поддержки, к тому же отличающееся в разных регионах мира.

Self-Service BI

Несмотря на то, что в расширяющейся области BI происходит сейчас много интересных событий, главной и быстро растущей тенденцией следует назвать бизнес-аналитику, спроектированную для самостоятельного использования неспециалистами — Self-Service BI. Самообслуживание — общая тенденция в IT, но бизнес-аналитика отличается от общеупотребительных офисных программ высокой сложностью самих понятий и методов.

На практике это означает, во первых, упрощение интерфейсов и терминологии, а, во-вторых, облегчение поисков специалистов в области BI. Все это нацелено на получение пользователя BI более производительного и менее зависящего от помощи извне. Сегодня говорят, что BI должен стать не сложнее, чем обычные электронные таблицы.

Важно понять также, что сотрудники IT-подразделения, обеспечивая работоспособность аппаратных и программных средств, никак не помогут пользователю в его работе, если он сам не знает основ работы с BI — разве что организуют резервное копирование.
Что не вошло в обзор

Остальные три сектора рассматриваемого MQ. Секторы «Претендентов» и «Провидцев» содержат только по две компании, что делает не слишком интересным сравнительный анализ. Остальные 13 компаний — нишевые игроки. Как правило, они могут преуспевать в определенном сегменте BI-платформы или рынка аналитики — reporting, dashboarding, collaboration, embeddability или big data integration. Среди них есть интересные компании и решения, что может быть темой отдельного рассмотрения.

Visual Discovery Tools и Self-Service BI. Как было отмечено выше, это также тема, вполне достойная отдельной публикации. Бизнес-аналитика самообслуживания, только очень кратко отмеченная в данной статье, быстро развивается и при умеренной стоимости способна дать весь арсенал средств BI пользователю-неспециалисту.

Advanced Analytics Platforms. Gartner определяет продвинутую аналитику как «анализ всех видов данных, используя сложные количественные методы (статистика, описательный и прогнозный сбор данных, моделирование, оптимизация), чтобы получить результаты, которые вряд ли дадут традиционные подходы к бизнес-аналитике — такие, как запросы и отчеты». Соответственно должны отличаться и рассматриваемые продукты.

Аналитика для Big Data. Согласно недавнему опросу TDWI, только 10% компаний уже внедрили технологии использования Big Data. Многие организации хотели бы анализировать данные, поступающие от различных массивов датчиков, твиты, посты Facebook, сообщения электронной почты — все то, что сложно увязать с традиционными реляционными базами данных. Ожидается, что 2014 г. принесет здесь целый ряд инноваций. Последние две темы могут быть объединены и также требуют отдельного рассмотрения.
Заключение

Какие основные выводы можно сделать из вышеизложенного? Рынок BI- и аналитических платформ сейчас находится в стадии активной эволюции, выходя далеко за рамки традиционных BI-систем. До сих пор бизнес-аналитика в основном предполагала моделирование и прогнозирование операционной деятельности предприятия на основе измеряемых параметров. Платформа расширила функции BI на программную среду и всю корпоративную IT-инфраструктуру компании.

Направление BI и аналитических платформ было в 2013 г. одним из наиболее быстро растущих рынков делового ПО и, согласно Gartner, останется таковым в 2014 г. Инвестиции будут связаны в основном с интеграцией инструментария бизнес-аналитики и управления исполнением (Corporative Performance Management, CPM), мобильностью и Data Discovery.

Корпоративному потребителю сегодня доступен как никогда широкий диапазон средств бизнес-аналитики. Для отечественного потребителя в зависимости от масштаба его задач можно рекомендовать использовать решения либо крупных разработчиков, присутствующих в Украине (для крупных внедрений), либо ограничиться использованием недорогих, но достаточно мощных решений уровня Microsoft Excel (для малого и среднего бизнеса).

В любом случае, при наличии реальных повседневных BI-задач на первом месте будет находиться проблема обучения сотрудников или поиска соответствующих специалистов. С этого и нужно начинать.

Источник - ttp://ko.com.ua/bi_2014_transformaciya_predstavlenij_104501

---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010
О задачах Business Intelligence (BI) в современном крупном банке, а также о построении оптимальных механизмов управления развитием бизнес-аналитики мы беседуем с Ириной Е., главным директором Центра BI N-Банка.

Intelligent Enterprise: Несмотря на значимость направления Business Intelligence в крупном корпоративном, а уж тем более в банковском бизнесе, центр BI в качестве выделенного подразделения можно встретить не часто. Поэтому хотелось бы услышать от вас, что это за департамент и каково его место в структуре управления N-Банка.

Ирина Е.: На мой взгляд, создание выделенного подразделения, обладающего всеми необходимыми функциями — от поддержки ИТ до бизнес-аналитики, — для финансовой организации является очень удачным ходом, который в принципе отражает особенности управленческой культуры N-Банка. Многим известно, что N-Банк успешен в практическом использовании инноваций вообще, это касается как эффективного применения передовых информационных технологий, так и процессов управления организацией. Руководство банка определяет клиентскую и продуктовую стратегию совместно со стратегией развития технологий и аналитики для управления бизнесом.

Изначально было решено создать подразделение, которое должно отвечать за выпуск любой отчетности, будь то управленческая, которая, как известно, необходима для принятия решений, или обязательная, представляемая регуляторам. Центр BI полностью обеспечивает процесс создания нового аналитического продукта для банка, начиная от сбора бизнес-требований и заканчивая проектированием, реализацией и его дальнейшим сопровождением, а в какие-то моменты, возможно, и выводом из эксплуатации. Причем на каждой стадии жизненного цикла продукта тактические шаги должны быть абсолютно понятно сформулированы как на языке бизнеса, так и в достаточно глубоких и профессиональных терминах, которыми оперирует ИТ-служба.

Поэтому в состав Центра BI входят фактически все роли и компетенции специалистов, которые создают и используют BI-системы. Отдельно хотелось бы рассказать о том, какое место занимает Центр BI в структуре банка. Некоторое время назад он находился внутри ИТ-подразделения. Сейчас же Центр BI входит в блок «Финансы» с прямым подчинением финансовому директору N-Банка, есть также и функциональное подчинение — директору по информационным технологиям. В условиях развития ИТ, как технологических платформ уже существующих систем, так и создания новых решений для поддержки бизнеса, очень важно не терять связь с ИТ-подразделениями банка. При выпуске аналитики, скажем, по кредитному портфелю или по эффективности деятельности отделений смена ИТ-платформы, если такое решение по тем или иным причинам принимается в банке, для нас может иметь негативные последствия в том случае, когда вопрос не рассмотрен всесторонне и профессионально. С другой стороны, присутствие Центра BI в блоке «Финансы» дает ту независимость цифр, о которой так часто идет спор между разными блоками. При этом мы имеем возможность всем бизнес-направлениям представлять единый взгляд на финансовые данные. Таким образом, никто не может трактовать финансовые показатели по-своему и финансовая деятельность клиентского менеджера, подразделения банка, бизнес-блока оценивается по единой независимой схеме.

Наверное, все же уместно отметить, что при всей значимости бизнес-аналитики культура ее использования в разных подразделениях сильно различается. Это касается, скажем, казначейства и маркетинга. В данном смысле ваше подчинение финансовому директору, с одной стороны, выглядит вполне логичным, но с другой — финансы лишь одно из подразделений банка со своими задачами и приоритетами, и такая подчиненность может создать некий перекос в его сторону…

Рабочие процессы различных подразделений и использование бизнес-аналитики действительно могут быть разными. Поиск корреляции, скажем, между профилем увлечений человека и его потребностями в кредите может быть вполне естественной деятельностью для маркетологов, но не находить никакого отражения в отчетности, представляемой в ЦБ РФ.

Подчинение финансовому директору имеет под собой несколько иные цели. Дело в том, что любая деятельность банка все равно связана с определенной финансовой моделью. Каких-то клиентов интересуют карточные продукты, какие-то в текущий момент времени больше заинтересованы в потребительском кредите. Финансовый директор предстает не в роли бухгалтера, сводящего баланс, и не в качестве контролера, только следящего за достижением финансовых показателей в конце отчетного периода.

Речь идет о своеобразном арбитраже приоритетов разных направлений банка, требующем информационной поддержки в виде бизнес-аналитики и построенном на единых принципах оценки. Соответственно здесь финансовый блок выступает как внутренний консультант для бизнеса. Подразделение финансов на основании аналитики может говорить о том, что в складывающейся ситуации в отношении кредитного портфеля лучше действовать в таком-то ключе. Скажем, работать на увеличение доли продуктов по картам, а не в направлении развития авто- или ипотечного кредитования.

При этом в рамках утвержденного портфеля задач и в соответствии с приоритетами для бизнеса банка каждое подразделение использует именно ему необходимые данные, производит расчёты по своим правилам, если нужно, «проваливается» в детализацию, повышает оперативность получения отчетов. В результате достигаются поставленные банком цели. Собственно именно для этого силами Центра BI и развиваются аналитические системы, и для этого у нас работают специалисты, обладающие различными компетенциями.

В основе построения интенсивно используемых систем анализа данных, с которыми к тому же работают специалисты самых разных подразделений, обычно лежат мощные корпоративные хранилища. Есть ли такое хранилище у вас, и что вы могли бы вообще сказать о прикладной архитектуре, лежащей в основе успешно функционирующего BI-функционала?

Конечно, хранилище данных, которое является ядром и единой базой для всей аналитики, у нас существует. Его архитектура определяется из функций, задач и сервисов для бизнеса, которые должны решаться в банке. Проектирование хранилища начинается от модели данных. Не секрет, что отраслевые модели данных для хранилища — довольно популярная тема. На рынке разные поставщики предлагают различные модели для банковской сферы. Мы же построили свою модель, так как ключевые сотрудники Центра BI имеют большой опыт внедрения хранилищ данных в банковской сфере. Такая модель в N-Банке предполагает существование детального слоя, в котором отражаются данные и активности разных подразделений: розничных отделений, клиентских менеджеров корпоративного банка, подразделений по работе с просроченной заложенностью и т. д. Все они ложатся в определенную структуру.

Поверх этого слоя строятся раз­личные витрины данных, которые нацелены на решение конкретных бизнес-задач. Например, есть витрина для клиентской отчетности корпоративного банка, финансовая витрина. У этих витрин имеются свои регламенты по обновлению, свои бизнес-владельцы.

Ответов на вопрос, почему создаются отдельные витрины, несколько. Во-первых, потому что они действительно предполагают разные взгляды на одни и те же данные, и это очень важно. Во-вторых, каждая из них ассоциирована с различными параметрами регулярности обновления данных и их детализации. У них может быть разное количество пользователей, а значит, и разные требования к производительности. Сейчас хранилище содержит 65 терабайт данных, хотя пока это данные всего лишь за три года.

Чего мы достигаем в результате построения архитектуры «хранилище плюс витрины»? Конечно, это гибкость и масштабируемость. Если завтра у нас появится еще несколько направлений бизнеса или по тем или иным причинам нужно будет соединить маркетинг с корпоративным бизнесом, не должно возникнуть такого сценария, который потребовал бы существенной переделки существующего решения, это будет развитие платформы.

Далее речь идет об устойчивости к нагрузкам. Если, скажем, все продавцы из розничного направления разом начнут анализировать данные, это никак не должно помешать оперативной аналитической работе других подразделений. И это общее правило должно быть справедливо для всех.

Весь аналитический функционал, включая само хранилище и все имеющиеся витрины данных, наверное, приходится развивать в сотрудничестве не с одной и не с двумя ИТ-компаниями. Вопросами взаимоотношения с ними тоже как то надо управлять…

Детальный слой нашего хранилища мы развиваем в сотрудничестве с одной компанией, которая, пожалуй, является самым давним нашим партнером в сфере развития технологий BI. По сути их команда росла вместе с нашими аналитиками. Что касается витрин, то по каждой из них фактически работают отдельные партнеры. В этой политике есть целый ряд преимуществ. Во-первых, это избавляет от зависимости в отношении ИТ-поставщиков и соответственно страхует нас от их желания некорректно воспользоваться той или иной ситуацией (проще говоря, от шантажа по ценам).

Во-вторых, позволяет существенно и в короткие сроки наращивать ресурсы внедрения в том или ином направлении, если такая необходимость возникает.

Вместе с тем работу разных поставщиков действительно надо координировать. Мы это делаем в основном за счет выработки единых архитектурных принципов и формирования процессов, гарантирующих, что любой подрядчик будет вынужден обязательно их придерживаться.

Разумеется, на наших сотрудниках лежит ответственность за взаимодействие подрядчиков между собой. Когда, например, одна команда дорабатывает детальный слой ядра хранилища, то другая, разрабатывающая новую витрину данных для корпоративного блока, должна иметь возможность в полной мере воспользоваться новыми наработками. Всё это в основном вопрос наличия специалистов, ролевых функций, процессов и регламентов.

С развитием хранилищ, витрин и бизнес-аналитики в целом тесно сопряжена проблема обеспечения качества данных, которая является по сути самостоятельной. Что вы могли бы сказать по этому поводу?

Моя карьера в N-Банке началась с позиции начальника управления качества данных, поэтому я как никто другой могу многое рассказать о процессах обеспечения этого качества. Тема эта была актуальна и в 2009 году, и сейчас это один из важных процессов обеспечения бизнеса данными, которым он может доверять. Управление качества данных входит в состав Центра BI и является одним из значимых и важных подразделений. Повышение качества данных — удовольствие для любой компании весьма дорогое, поэтому тут нужен очень взвешенный, рациональный и в значительной степени избирательный подход к тому, какие данные необходимо улучшать, каков должен быть целевой процент их качества для каждой задачи.

Более конкретно речь идет о двух активностях. Первая связана с проведением аудита качества данных по заказу бизнес-подразделений. Мы рассматриваем, какие ошибки в последнее время возникали с точки зрения ввода и использования данных. Строим некоторую систему мониторинга. Что касается непосредственно решения проблемы, то всегда анализируем, что можно сделать автоматически, без участия человека. Где-то есть возможность добиться результата за счет автоматического запрета ввода определенных данных, где-то — посредством совершенствования пользовательского интерфейса. Большую роль здесь играет работа с мастер-данными, что позволяет брать из соответствующих справочников ключевые, многократно вводимые данные, а не вводить их вручную.

Приблизительно раз в квартал мы анализируем совокупность накопившихся доработок ИТ-систем и выходим с итоговыми предложениями по улучшению.

Вторая активность связана с обеспечением заданного качества данных по операциям ручного ввода. Нашим менеджерам, работающим с ключевыми корпоративными клиентами, предоставлена большая свобода по самостоятельному выбору вариантов заключения сделки, и это как раз один из характерных примеров. Тут мы, как правило, анализируем всю цепочку в ручном режиме, смотрим, на каком этапе чаще всего совершаются ошибки, стараемся оперативно информировать об этом бизнес-подразделение, в том числе и в проактивном режиме.

При этом вся наша работа обязательно должна подкрепляться грамотными схемами мотивации клиентских менеджеров. Они должны быть заинтересованы в том, чтобы вводить правильные данные.

В последнее время бизнес начал понимать, что огромный потенциал скрыт в синергии информационных ресурсов разных компаний. Это понимание не в последнюю очередь происходит вследствие развития концепции Big Data, но в любом случае она затрагивает вопросы использования хранилищ данных. Как вы прокомментировали бы это?

На мой взгляд, это интересное направление, и потенциал здесь весьма велик. Надо сказать, что бизнес N-Группы в какой-то степени можно рассматривать как идеальную модель разнородных данных. Известно, что в группе помимо банка есть и оператор связи, и страхование, и ритейлеры, и другие компании. У каждой свои информационные ресурсы. Кроме этого к ним имеет прямое или косвенное отношение огромное количество внешних данных (прежде всего из социальных сетей и Интернета вообще). Совместный их анализ мог бы принести новые знания и определенные выгоды. На текущий момент мы рассматриваем это как потенциальные, еще не реализованные преимущества; до начала реализации необходимо будет решить целый ряд вопросов — правовых, касающихся информационной безопасности и технологий.

Что касается технологических аспектов, задач интеграции информационных ресурсов, сейчас на рынке много решений, предназначенных для сферы Big Data, конечно же это новое направление и при реализации будут возникать проблемы и сложности, но, на мой взгляд, по мере развития они будут решаться (так происходит со всеми новыми технологиями в начале использования).

Архитектурно мне представляется, что к классическим хранилищам будут постепенно добавляться слои, в основном наполненные неструктурированными данными из внешних источников. Соответственно найдут широкое распространение технологии, позволяющие работать с этой информацией как с единым логически связанным ресурсом.

Готовность бизнеса двигаться вперед по пути синергии данных также представляется интересным вопросом. Как известно, своими данными не любит делиться никто. Но главное, нам предстоит четко понять, насколько эффективно при том или ином сценарии синергии данных можно зарабатывать, где баланс между затратами и рисками, как правильно использовать вновь появляющиеся программные и аналитические инструменты. Ведь решение задач интеграции информации в масштабах огромного количества данных, извлечение из этой информации полезной аналитики — вещь более чем не дешевая, и без этого понимания осторожность бизнеса будет совершенно оправданна.

Источник - _ttp://www.iemag.ru/interview/detail.php?ID=31347

---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010
Современное состояние систем деловой разведки (BI) оценивается как зрелое, состав и функциональность их компонент установились с развитием рынка этих систем. Типичная система этого класса содержит следующие модули: набор средств организации хранилища данных (data warehouse) и витрин данных (data marts), подсистему извлечения данных о транзакциях из различных баз, их преобразования к стандартному для BI виду и записи в хранилища данных (extract, transform and load — ETL), подсистему мониторинга деловой активности/бизнес-процессов (business activity monitoring, BAM/ business process monitoring, BPM), подсистему генерации запросов и отчетов (query and reporting — Q&R) и набор средств анализа данных (on-line analytical processing — OLAP и data mining).

Средства организации хранилищ и витрин данных обеспечивают BI-систему специализированными массивами данных (извлекаемых из корпоративной информационной системы), структурированными оптимальным для последующего анализа образом. Как правило, здесь хранятся ретроспективные или тактические данные о бизнес-процессах. Данные в хранилище обычно находятся в денормализованной форме (например, с использованием структуры «звезда» или «снежинка») с различным числом измерений. Витрины данных отличаются от хранилищ лишь тем, что содержат подмножества данных, относящихся к отдельной теме или виду деятельности. Структуры данных в хранилищах обычно оптимизированы и для экономии дискового пространства.

Подсистема извлечения, преобразования и записи данных обеспечивает интеграцию данных между системами обработки транзакций (on-line transaction processing — OLTP) и многомерными хранилищами аналитических данных. Средства ETL предназначены для осуществления доступа к базам данных разных форматов или взаимодействия с приложениями, очистки получаемых данных, их консолидации и конвертации в формат, принятый для хранилища данных и записи их туда. Интеграция данных тесно переплетается с такими технологиями, как «интеграция корпоративной информации» (enterprise information integration — EII), репликация баз данных и «интеграция корпоративных приложений» (enterprise application integration — EAI), обеспечивая интерфейс между разнородными приложениями и структурами данных.

Подсистема мониторинга деловой активности в реальном времени отслеживает происходящие на предприятии бизнес-процессы, получая данные от системы обработки транзакций. Данные мониторинга фиксируются в хранилище, параллельно подвергаясь всем видам анализа и контролю состояния. В случае срабатывания заложенных в систему условий (например, выхода параметров процесса за определенные значения) подсистема автоматически уведомляет ответственное за процесс лицо о возникновении проблемной ситуации и предоставляет подробные данные. BAM-системы эволюционируют в направлении автоматического разрешения обнаруживаемых нештатных ситуаций.

Подсистема генерации запросов и отчетов предназначена для оперативной выборки из хранилища требуемых пользователю данных за указанный период. Подобные выборки обеспечивают возможность ретроспективного анализа бизнес-процессов в нужном разрезе с заданной степенью детализации. Как правило, доступ к этой подсистеме открыт для максимального числа пользователей компании, для снижения нагрузки на хранилище данных отчеты кешируются или размещаются на веб-портале. При необходимости регулярного получения типовых отчетов используется их генерация по расписанию или по событию (триггеру). Сюда же входят и средства обработки произвольных запросов (adhoc query), реализующие выборку данных более гибко, в соответствии с нестандартными потребностями поиска.

Средства анализа данных BI-системы делятся на две основные категории. Это средства онлайнового (OLAP) и интеллектуального анализа данных (data mining — DM) и поиска знаний в базах данных (knowledge discovery in databases, KDD). Средства OLAP в реальном времени осуществляют многомерный анализ данных по выбранным пользователем показателям и измерениям, сводя результаты в кросс-таблицы с возможностью раскрытия деталей по каждому показателю. По реализации на уровне СУБД средства онлайнового анализа данных делятся на многомерные (multidimensional OLAP — MOLAP), в которых так называемый «куб OLAP» создается в специализированной базе данных, реляционные (relational OLAP — ROLAP), эмулирующие MOLAP средствами реляционной СУБД и гибридные (hybrid OLAP — HOLAP). Средства DM и KDD предназначены для обнаружения связей и корреляций между хранимыми данными, а также выявления трендов. Для этого используются сложные механизмы шаблонов, статистические и специальные математические методы (используются также нечеткая логика и нейросети). Методы интеллектуального анализа данных помогают найти и наглядно представить скрытые связи между объектами и процессами, связанными с экономической деятельностью компании, и строить математические и имитационные модели бизнес-процессов, позволяющие прогнозировать последствия принятия тех или иных решений или наступления определенных событий.

«Чистый» экономический эффект от внедрения и использования BI-систем оценить довольно сложно. Очевидно, что в связке с CRM-системой средства BI позволяют сохранять и вновь привлекать большее число покупателей, а интеграция данных дает руководству возможность эффективнее управлять компанией. Но если ошибку в принятии важного для компании решения оценить довольно легко (хотя бы по фактическим убыткам), то оценить предотвращение такой ошибки за счет работы BI практически невозможно. Поскольку сложные BI-системы обладают высокой стоимостью, их внедрение обязательно должно быть экономически обоснованным. Необходимо всегда помнить, что подобные системы призваны лишь облегчать аналитическую работу и принятие решений, а не осуществлять эти процессы вместо ответственных лиц.

Источник - Зеркалов Д. В "Безопасность бизнеса. Разведка." 2008 . С.52

---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010
Решения business intelligence – зачем нужны и как выбрать.

Накопление данных не всегда означает их использование на практике, утверждает Сергей Громов. Для того чтобы быстро сопоставлять информацию о различных аспектах бизнеса и оптимизировать свою деятельность, нужны специализированные BI-решения.

Как правило, заказчики BI (business intelligence) узнают этот «айтишный» термин уже в процессе обсуждения проекта. На слуху другое, более понятное русское определение – системы бизнес-анализа. В любом случае, речь идет о решениях, без которых сложно эффективно пользоваться большими объемами данных.

Ирония так называемых big data (больших данных) заключается в том, что их легче получить, чем использовать. Любая автоматизация учета, даже частичная, создает точки для ввода и накопления различной информации. Постепенно базы данных разрастаются, дополняются различными таблицами, файловыми архивами, тоннами почтовой переписки, отчетами и многочисленными бухгалтерскими документами.

Маркетинговые сведения, статистика производства, продаж, финансы, кадровые вопросы – по всем существенным аспектам работы ведется учет, копятся данные. Получается, что руководство должно получить доступ к детальному анализу всех аспектов деятельности компании. Должно! Но в среднестатистическом случае этого не происходит. Почему?

Примеры проблем с использованием собственных данных


Главная системная проблема с большими данными – несогласованность. Она может быть очень разнородной, многоуровневой и разноплановой. Что приводит к ряду других проблем. Например:

- Записать информацию в виде электронной таблицы сможет практически любой сотрудник. Для качественной записи в унифицированном формате, без ошибок и в удобном для анализа виде требуется уже определенная квалификация – и дополнительное время. Предварительно обработанные данные, подготовленные для дальнейшего автоматического анализа – отдельная работа, необходимые компетенции по выполнению которой далеко выходят за рамки пользования таблицами.
- Очень часто управленческие решения принимаются экспертно, вообще без опоры на факты и цифры. Информация, разумеется, может быть учтена – но может быть и проигнорирована, либо трактована в произвольном виде, удобном для обоснования каких-то интуитивных предпочтений.
- С помощью совещаний и собраний бывает сложно, иногда и вовсе нереально прийти к единым соглашениям об одинаковых показателях для разных отделов. Значит, «веса» даже известных числовых данных будут варьироваться, и авторитет начальника подразделения может оказаться важнее объективной статистики.
Даже согласованные данные из разных источников, и особенно форматов хранения, технически сложно свести в единый отчет. Кроме того, это не разовый проект, который можно успешно завершить, а важный регулярный процесс. Без комплексного IT-решения ведение комплексной отчетности будет означать головную боль для ключевых сотрудников, поставленную на поток.
- Задавшись целью получать взвешенные, максимально объективные и достоверные данные по ключевым аспектам деятельности, руководство может парализовать работу своих подчиненных, потому что ведение такой отчетности потребует чрезмерно больших трудозатрат и будет вестись в ущерб основным служебным обязанностям.

Лавинообразный рост объема и разнообразия данных является объективной реальностью последних 10 лет и требует новых подходов руководства компаний как к работе с информацией, так и к системам управления в целом. Без достаточного уровня прозрачности внутри организации, без единых согласованных целей и количественных показателей для их оценки невозможно добиться роста, использующего накопление данных.

Если вы хотите избежать ситуации, при которой один из важнейших в современном мире ресурсов – информационный – живет какой-то своей жизнью, отдельно от интересов и деятельности компании, нужно позаботиться о том, чтобы данные не только собирались, но и использовались.

Что дают BI-решения

В общем случае без BI посмотреть какой-то показатель в динамике или сравнить разнородные данные можно только в ручном режиме. Причем подготовка таких сводных отчетов требует участия нескольких сотрудников, которые в процессе выполнения задачи должны будут буквально договориться друг с другом – что может потребовать арбитража их руководителей, и тогда отчет вообще разрастется в самостоятельный внутренний проект. Используя BI-систему, вы получаете сводные отчеты в пару кликов. Причем отчеты подготавливаются не в виде «простыней», которые невозможно посмотреть на экране, а наглядно и удобно. Графики, диаграммы, сводные таблицы с возможностью детализировать просмотр.

Если для мелкого бизнеса разница не очень ощутима, то для сети магазинов или холдинга с множеством региональных представительств вопрос эргономичности отчетов тесно связан с возможностью вообще использовать эти отчеты по назначению. В табличном формате данные по продажам могут насчитывать миллионы строк. Если их не обобщить и не визуализировать, то считайте, что есть данные, что нет – польза примерно одинаковая.

Наглядный вид отчетов говорит сам за себя, это очевидное преимущество BI. Если заглянуть глубже, то рост эффективности решений обеспечивается за счет сопоставления разных данных. Мы рекомендуем своим клиентам начинать внедрение BI-системы QlikView с тех функциональных областей, где логично ожидать максимальной отдачи. В их числе:

- Продажи, которые можно увеличить благодаря быстрому поиску драйверов роста и управлению мотивацией менеджеров;
- Финансы, для управления которыми «единая версия правды» просто жизненно необходима;
- Управления складом и логистикой – здесь отслеживание товародвижения, минимизация неликвидов, улучшение планирования, оптимизация расчетов заказов и многое другое.

BI-системы позволяют отслеживать, как изменяется лояльность клиентов и что влияет на этот показатель. С помощью анализа можно определить, какие маркетинговые акции и где проходят наиболее эффективно, найти причину провалов. Кроме того, BI-решения предоставляют инструменты для сегментации клиентской базы и выстраивания продуктовой стратегии на ее основе.



Как оценить качество BI-решения?

BI относятся к классическим IT-решениям, поэтому подходы и критерии оценки здесь вполне предсказуемы. Рекомендую обратить внимание на следующие моменты:

- Современная архитектура. Это важно, потому что вычислительные мощности растут, появляются новые возможности. Например, еще несколько лет назад картографические сервисы были чрезмерно дорогими и громоздкими для большинства проектов, а сегодня положить аналитику на карту вполне реально, и часто это используется.
- Возможность масштабирования BI-решения. Это азбука IT-стратегии, думаю даже комментировать не надо.
- «Пилоты», то есть пробные небольшие проекты. Если поставщик ведет переговоры с подростковым настроем «все или ничего», то это вызывает подозрения. Не только в зрелости решения, но и насчет самого партнера – готов ли он к серьезному продолжительному сотрудничеству?
- Клиентоориентированность разработчика и/или поставщика, пожалуй, стоит отметить отдельно. Это критично важно, потому что IT-поставщик должен быть именно партнером. Он не продает решение, а включается в долгосрочный проект по его подгонке под нужды заказчика, консультирует, обучает, поддерживает, помогает развивать в дальнейшем.
- Готовность системы показателей. BI-решения должны содержать не только и не столько программный код, но также отлаженную, сбалансированную аналитическую базу. Мы продаем не программы, а решения. Разница заключается как раз в наличии ключевых показателей и встроенной логики, которые клиент может не только использовать в качестве отчетов, но и транслировать «наружу», оптимизируя собственные процессы.
- Модифицируемость. Все успешные бизнесы уникальны, только неудачи под копирку. Поэтому встроенная логика в BI-решении не должна быть жесткой. В каждом конкретном случае это не готовая аналитическая база, а фундамент для ее построения. Должны быть механизмы для настройки.

Разумеется, такие важнейшие критерии, как стоимость и сроки внедрения, тоже имеют значение. Но это уже несколько выходит за рамки качества IT-решений. Тем более что сроки часто зависят не только от поставщика BI-системы, но и от руководства заказчика – насколько быстро проходят согласования, есть ли готовность к внесению изменений в бизнес-процессы и систему принятия решений.

Признаки того, что пора задуматься о BI-решении

В 2013 году более 55% руководителей компаний назвали внедрение и развитие BI-систем одной из стратегических задач на ближайшие пять лет. Рост российского рынка BI на протяжении последних лет в два с лишним раза превышает среднерыночный показатель для сегмента IT-услуг. В 2014 году он составил около 15%.

Когда стартовать BI в компании – вопрос к высшему руководству. На уровне низших подразделений менеджмент, как правило, недостаточно заинтересован в качественном повышении общих показателей бизнеса. Более того, у них нет полномочий инициировать проекты, выходящие за рамки личной зоны ответственности. Основанием серьезно задуматься о BI-решении может стать прорывное развитие конкурентов, а также затормаживание развития бизнеса, с которым не получается справиться в рамках уже используемых систем для анализа данных и принятия решений.

Идеально, конечно, действовать на опережение – запустить пробный проект, не дожидаясь проблем, и делать выводы на небольшом, но уже личном опыте. Начиная с обсуждения функционала, разработки и утверждения ТЗ, руководство компании заказчика на каждом шаге проекта улучшает понимание своих бизнес-процессов, взаимосвязей между подразделениями и филиалами, KPI и практичной отчетности. Поэтому фактически BI-система начинает окупаться задолго до сдачи в эксплуатацию.

Источник - _-ttp://www.e-xecutive.ru/knowledge/announcement/1965657/?page=0

---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
fellix13
Член СПКР

Откуда: Екатеринбург
Всего сообщений: 529
Рейтинг пользователя: 10


Ссылка


Дата регистрации на форуме:
24 дек. 2010
Что такое Business Intelligence

Существует огромное количество терминов: аналитика, data mining, анализ данных, business intelligence и разница между ними не всегда столь очевидна даже для людей, которые с этим связаны. Сегодня мы расскажем о том, что же такое Business Intelligence (BI) доступным и понятным языком. Тема безусловна огромна и её не покрыть лишь одной короткой статьей, но наша задача — помочь сделать первый шаг и заинтересовать читателя темой. Заинтересованный же читатель также найдет исчерпывающий список для дальнейших шагов.

Зачем всё это нужно: из жизни аналитика



Представим, нами (неким аналитиком Петровичем у поставщика Цветочек) стоит задача оценить продажи ряда магазинов (куда мы поставляем товар) и каждый магазин ведет свой учет проданных товаров. Реальность такова, что формы учета будут заполнены не пойми как и не пойми кем, то есть у них будет разная структура и разный формат хранения (некоторая форма таблиц). Схематично эта задача изображена на схеме выше.

Казалось бы задача несложная и поэтому рассмотрим лобовое решение: пусть у нас есть N таблиц и нам нужно их собрать вместе в одну таблицу, тогда напишем N скриптов, которые преобразуют эти таблицы и один сборщик, который собирает их вместе.

Минусы такого подхода:

необходимо поддерживать N скриптов одновременно (где N в порядках тысяч);
при изменении структуры отчетов магазинов во времени (например, в магазине появился новый сотрудник) необходимо искать и переписывать отдельные скрипты;
при появлении нового магазина, необходимо писать новый скрипт;
при изменении нашей отчетности (поставщика Цветочек), необходимо вносить изменения во все скрипты;
сложная отладка и поддержка, так как магазины не уведомляют об изменении структуры и не следуют никаким спецификациям.



Если мы поднимемся на уровень целой организации, то увидим, что проблем даже больше.

В чем задача: проблема на уровне компании



Производитель Цветочек на самом деле работает не напрямую с магазинами, а через некоторых посредников. Посредники посещают магазины и непосредственно своими действиями пытаются стимулировать продажи. Соответственно, они являются материально заинтересованными лицами и информацию, которую они выдают, приходится перепроверять.

Принципиально, задача выглядит схожим образом: пусть у нас есть N магазинов и K дистрибьюторов, можем ли агрегировать данные магазинов и сравнить их с результатами дистрибьюторов? (У всех данные имеют разную структуру и формат.)

Здесь помимо таблиц, мы уже можем столкнуться с целым зоопарком форматов, к которым добавляются отчеты дистрибьюторов. Как правило задача характеризуется очень низким качеством данных, в том числе дублированием, несогласованностью и ошибками. На основе полученных результатов и сравнения данных, отдел по закупкам принимает решения о том сколько, кому и почем чего отгружать. То есть решение этой задачи непосредственно влияет на финансовые показатели компании, что безусловно важно.

Рассмотрим несколько вариантов решения на уровне компании:

- самописное решение: компании производителю будет необходимо нанять специалиста не по профилю компании и критичное ПО будет зависеть от данного специалиста. Если он уйдет, то компания будет вынуждена срочно искать замену, которая сможет поддерживать ПО и качество будет напрямую зависеть от нанятого специалиста;
- закупить ПО у третьей стороны, тут три ключевых фактора: цена, качество и время интеграции. Как правило цена и время интеграции слишком высоки для среднего производителя, и в том числе требует существенных временных затрат сотрудников. Выбор поставщика также не тривиален;
- SaaS решения: методология еще нова для рынка и многие компании скептически относятся к подобным сервисам.


В целом если мы говорим о небольшом или среднем производителе, то с точки зрения времени интеграции, цены и качества решения сервис выглядит оптимальным вариантом, так как ценообразование динамическое и интеграция минимальна через веб. Как правило плюсом корпоративного ПО является настраиваемость и касмтомизированность (каждый бизнес считает себя уникальным), но описанная задача достаточно типична и стандартна для достаточно широкого круга компаний. Безусловно, нет единого решения для всех, но для каждого в отдельности его можно найти.


Сам процесс на уровне компании выглядит схожим образом: консолидируется данные, определенным образом трансформируются (агрегируются) и загружаются в систему для анализа.



Обобщаем задачу: всё это звенья одной цепи



В чём же разница между аналитикой, data mining и business intelligence (BI)? Первые включают в себя комплекс методов для анализа уже чистых данных, а на практике очистка и преобразование данных в удобный для анализа формат — важный и неотъемлемый процесс. Так же помимо работы с преобразованием и консолидацией данных, основная задача BI — это принятие решений для бизнеса.

Большая инфографика

В схематичной и немного упрощенной форме описывается задача консолидации данных. Если нет возможности заниматься изучением темы в деталях, то эта инфографика даёт хорошее первое приближение проблемы и возможных методов решения.



С чем можно поэкспериментировать




Сервис бесплатен и доступен через веб — _ttp://www.etlrabbit.ru/


Источник - _ttp://habrahabr.ru/company/navicon/blog/250875/

---
Группа СПКР в LinkedIn - http://bit.ly/19G6Fll
<<Назад  Вперед>>Печать
Форум Сообщества Практиков Конкурентной разведки (СПКР) »   Общие вопросы конкурентной разведки »   Что такое Business Intelligence (BI)
RSS

Последние RSS
Open Source Intelligence (OSINT) Tools and Resources Handbook
Top tips on gathering information about companies by using free online sources
Новое на блоге HRразведка
Безопасность данных в MS Access
Слово как улика
20 Recon and Intel Gathering Tools used by InfoSec Professionals
What’s Changed?
10 альтернативных поисковиков
Ситуационный центр главы Республики Коми
Развёртывание ситуационных центров на базе технологии Avalanche
Как принимать сложные решения. Советы бывшего оперативника ЦРУ.
Открытая информация о "Новичке" из сети интернет.
Ген. директор "ОЗХО" Ахмет Узюмдж о "Новичке" и хим. атаке в Сирии
Онлайн-сервисы для Twitter
Коллекция для Twitter
Приложение Opera VPN закрывается
О работе разведки
Deep web и 11 поисковиков по нему
Об изначальной "лживости" любых документов
Обновление на блоге HRазведка

Самые активные 20 тем RSS
Стандартные источники информации в СайтСпутнике
Слово как улика
Open Source Intelligence (OSINT) Tools and Resources Handbook
Top tips on gathering information about companies by using free online sources