Аналитика

Розничная группа Inventive Retail Group‚ объединяющая сети специализированных магазинов цифровой электроники, детских и спортивных товаров, внедрила систему Wi-Fi-аналитики компании «НПО Аналитика», которая позволяет зафиксировать перемещение пользователей и успешность онлайн-рекламы.

Мария Голенкова: «Wi-Fi-аналитика действительно позволила в режиме реального времени проанализировать поведение посетителей магазинов и фактически измерить, насколько эффективна на самом деле реклама в Интернете»

Систему ретейлер в первый раз протестировал в 2017 году: в нескольких магазинах были установлены специальные сенсоры, отслеживающие перемещение пользователей со смартфонами с включенным Wi-Fi. В Inventive Retail Group хотели понять пути перемещения клиента между разными каналами продаж и оценить эффективность медийной онлайн-рекламы. Благодаря эксперименту компания сумела отследить пересечение трафика между магазинами одного бренда, между брендами самой компании, между разными торговыми центрами и автоматически собрать ряд важных показателей, таких как трафик галереи и процент захвата трафика магазином. На базе собранных данных она настроила рекламные онлайн-кампании и отследила посещение пользователями офлайн-магазинов (online-to-offline conversion). Затем опробовала использование отделом аренды данных с сенсоров как для общения с арендодателями, так и для планирования открытия новых магазинов – на основе информации о посещениях других торговых центров теми, кто был в магазинах.

Сенсоры передавали данные в облако, а ретейлер получал доступ к информации о состоянии потоков посетителей в магазинах в режиме реального времени с помощью интуитивно понятных дэшбордов. Информация была агрегированной и анонимизированной, персональные данные, как утверждают в компании, не собирались. Аналитическая платформа вырабатывала автоматические рекомендации по улучшению бизнес-процесса.

«Wi-Fi-аналитика действительно помогла в режиме реального времени проанализировать поведение посетителей магазинов и фактически измерить, насколько эффективна на самом деле реклама в Интернете», – отмечает директор по маркетингу Inventive Retail Group Мария Голенкова. Примененные технологии вкупе с платформами для таргетирования онлайн-рекламы позволили нацелить такую рекламу на любые категории посетителей отдельных магазинов. Так, во время некоторых рекламных кампаний посещаемость магазинов (конверсия витрины) теми, кто видел рекламу, повысилась в разы по сравнению со средним показателем, что теперь позволяет прямо во время проведения рекламной кампании оставить только те группы, в которых клиенты из онлайн приходят в офлайн.

Однако в работе возникли и определенные сложности. Например, как признает Голенкова, на установку сенсоров в магазинах требуется определенное время и иногда нужна дополнительная координация между отделами компании. Не все онлайн-партнеры хотят делиться данными для оценки посещения офлайн-магазинов – компания работает с теми, кто готов к этому. Главная же проблема – это отсутствие легальных методов получения информации о связке хэшированных МАС-адресов смартфонов посетителей магазинов, которые фиксируются сенсорами, и мобильных телефонов клиентов в CRM-компании.

«Надеемся, что со временем найдется решение и мы сможем полноценно видеть весь путь клиента до и после покупки в разных каналах, так называемый customer journey. Запуск мобильного приложения в будущем помог бы частично решить эту задачу», – говорит Голенкова.

На данный же момент группа способна обогатить CRM-систему, накапливая новую информацию о тех, кто уже зарегистрирован в программе лояльности. Существует несколько возможных применений этого механизма – например, гиперлокальная коммуникация или глубокий анализ того, как себя ведут лояльные покупатели, каково пересечение аудиторий различных брендов. Система показывает не только то, как и когда покупают в магазинах, но и когда этого не делают даже находясь какое-то время в магазине.

Компания на регулярной основе работает с двумя новыми метриками. Первая – это захват трафика. Аналитики смотрят, как он меняется в брендах и магазинах в зависимости от маркетинговых инициатив, переоформления витрин и пр. Вторая метрика – посещаемость офлайн-магазинов теми, кто видел онлайн-рекламу. «Раньше не было возможности говорить об этом показателе из-за отсутствия инструментов замера, поэтому считалось, что медийная реклама работает в первую очередь на бренд и генерацию спроса. Оказалось, что посещаемость традиционных магазинов зависит от посещаемости сайтов», – признает Голенкова. По ряду сегментов в онлайн-кампаниях O2O-конверсия (online-to-offline) составила 3,8%. Захват трафика (capture rate) теми, кто видел рекламу, из общего потока, прошедшего мимо магазинов в галерее торгового центра в период рекламной кампании, в сравнении с просто общим потоком был по ряду сегментов выше в два-три раза.

В мае 2018 года компания от тестирования перешла к повсеместному внедрению технологии. Теперь сенсоры установлены не в отдельных магазинах, а во всех охваченных проектами магазинах Москвы и Санкт-Петербурга. Есть сенсоры и в Сочи. Всего Inventive Retail Group оборудовала 94 магазина. Это проекты re:Store, Lego, Nike, Street Beat, Street Beat Sport, UNOde50. В случае успешной реализации этого эксперимента компания планирует подключить к нему и другие проекты и надеется, что благодаря этому оценка эффективности онлайн-кампании станет еще более объективной, поскольку увеличение числа оборудованных объектов дает комплексную картинку продаж.

Чем сильнее в мире ИТ ажиотаж по поводу новшества, тем больше о нем неверных представлений, и аналитика не исключение. Методы аналитики, одного из самых «модных» направлений в современных ИТ, могут принести существенные преимущества бизнесу, но заблуждения способны помешать оперативно реализовать возможности, которые могли бы пойти на пользу как самой компании, так и ее клиентам.

При разработке и расширении стратегии в области аналитики организациям стоит иметь в виду распространенные мифы. Перечислим 12 таких мифов.

Миф № 1. Аналитика требует немалых инвестиций

В наше время любой технологический проект проходит через фильтр финансовой оценки. «Во что это нам обойдется?» – один из первых вопросов, который получают ИТ- и бизнес-руководители, когда предлагают начать проект или внедрить новый инструмент.

Некоторые считают, что аналитика данных – внедрение непременно дорогостоящее, а потому доступное только организациям с солидными бюджетами и внутренними ресурсами. Однако не все инициативы в этой области требуют значительных инвестиций.

Сегодня существует масса инструментов с открытым кодом, и не только тех, с помощью которых вы сможете быстро увидеть преимущества аналитики. Чтобы убедиться в этом, понадобятся анализ внутренних ресурсов для хранения данных и оценка задач, которые требуется решить. К тому же пробные внедрения сегодня значительно упростились благодаря облачным сервисам.

Современная аналитика основана на облачных системах и средах обработки больших данных, которые по своей природе гораздо менее дорогостоящие, чем традиционные хранилища данных. Кроме того, данные и аналитика обычно применяются ради трех задач: повышения КПД процессов, увеличения выручки и прогнозного управления рисками. Поэтому в целом внедрение аналитики обеспечивает значительные экономические преимущества любой компании.

Миф № 2. Для аналитики требуются большие данные

В представлении многих концепции больших данных и аналитики идут рука об руку. Считается, что организациям, прежде чем осваивать аналитику, нужно собрать колоссальные объемы данных, чтобы получать полезные для бизнеса знания, улучшать процессы принятия решений и т. д.

Разумеется, преимущества анализа больших данных сегодня хорошо известны, и компании с соответствующими ресурсами действительно могут получить ощутимое конкурентное преимущество за счет использования информационных хранилищ в рамках аналитических инициатив. Однако представление о том, что большие данные обязательны для аналитики, неверно.

Зачастую в компаниях стараются сохранять как можно больше данных, пребывая в уверенности, что это необходимо. Но полагать, что чем больше данных, тем лучше, а остальное – дело техники, является ошибкой.

Для аналитики требуются не максимально большие объемы данных, а данные определенного рода. Сотрудникам прежде всего необходима информация, относящаяся к их должности, которая поможет в принятии решений и улучшении результатов. Нужно не гнаться за большим объемом данных, а уточнить, какие именно данные нужны бизнес-пользователям и в какой форме они должны быть представлены.

Для предоставления доступа ко всему объему информации во множестве форматов, может потребоваться чрезмерно сложный проект, который будет лишь сдерживать освоение аналитики. Поэтому необходимо выяснить, какие именно данные важны и как представить информацию в наиболее доступной для пользователей форме.

Миф № 3. Аналитика исключает присущую людям предвзятость

Принципы работы автоматизированных систем таковы, что ошибки из-за предубеждений им, казалось бы, не должны быть свойственны. Но технологии разрабатываются людьми, поэтому полностью исключить предвзятость невозможно. По мнению некоторых, аналитика и машинное обучение устраняют предвзятость, присущую людям, но это, увы, не так. Алгоритмы аналитических систем настраиваются с помощью обучающих данных и воспроизводят все особенности, свойственные учебной выборке.

В одних случаях возникающая таким образом системная предвзятость может быть незначительной, в других – сильной. Поэтому не стоит полагать, что полученный результат верен и объективен только потому, что «так сказал компьютер».

Миф № 4. Лучшие алгоритмы – залог успеха

На самом деле если объем данных достаточен, то выбор алгоритма может и не иметь значения. В публикации IEEE, озаглавленной «Необоснованная эффективность данных», инженеры Google доказывают, что простые статистические модели в сочетании с гигантскими объемами данных позволяют получить лучшие результаты, чем более «интеллектуально развитые» модели, учитывающие множество признаков и выполняющие сложные обобщения. В некоторых случаях простая обработка более обширного набора данных позволяет получать оптимальные результаты.

Миф № 5. Алгоритмы безотказны

Людям свойственно безоговорочно доверять статистическим моделям, алгоритмам и методам науки о данных. Не обладая достаточными знаниями, чтобы подвергать сомнению качество моделей, они предпочитают доверять «умникам», которые их разработали.

Прогнозы о том, что искусственный интеллект через пару десятков лет обойдет по интеллектуальным способностям людей, слышны уже более полувека и будут раздаваться далее. Однако, прежде чем можно будет безоговорочно доверять машинному обучению и результатам работы моделей, пройдет еще очень много времени. А пока что необходимо требовать от людей, разрабатывающих алгоритмы и модели, объяснений того, как именно получаются те или иные результаты. Речь идет не о том, что верить им в принципе нельзя, а о том, что нужны уточнения, которые помогут проверять аналитику и после этого доверять ей.

Миф № 6. Наука о данных – «тайное» искусство, доступное не всем

В последние годы наука о данных получила широкую известность, но, тем не менее, не все понимают, что это такое. Говоря упрощенно, это поиск закономерностей в данных с помощью специальных алгоритмов.

Наука о данных представляется загадочной, поскольку такие алгоритмы способны анализировать больше переменных и данных, чем может себе представить человеческий разум. С ростом доступных вычислительных мощностей и объемов памяти, происшедшим за последние годы, мы обрели возможность быстро решать задачи, которые еще десять лет тому назад было бы невозможно экономично решить доступными способами. Наука о данных – это естественное развитие методов статистического анализа, хорошо известных уже много десятков лет. Никакой загадки в науке о данных нет – достаточно освоить соответствующие разделы математики.

Миф № 7. Чтобы выполнять больше аналитики, нужно больше ученых по данным

Ученые по данным (data scientist) на сегодня одна из самых востребованных технических профессий. В каких-то случаях организация может обойтись меньшим количеством этих специалистов, если перераспределить обязанности.

Масса времени ученого по данным тратится на второстепенную работу – поиск наборов данных, перенос в системы обработки, преобразование и очистку. Учитывая, насколько непросто сегодня нанять ученого по данным, эти малоценные задачи следует поручить другим.

В качестве примера можно привести разработанную в компании Uber платформу Michelangelo, которая позволяет ученым по данным заниматься не переброской данных туда-сюда, а проектированием, выделением и анализом признаков, предоставляя им возможность работать продуктивнее.

Миф №8. Аналитика занимает слишком много времени

Скорость сегодня имеет огромное значение для конкурентоспособности компаний, идет ли речь о срочном выпуске продукта на рынок или о быстром ответе на запрос клиента. Существует мнение, что аналитика занимает много времени, а потому мешает повышению скорости и деловой гибкости.

Миф о том, что проекты подобного рода слишком длительны и сложны, довольно расхож. Однако на деле все сводится к кадровому вопросу. При наличии специалистов с необходимыми навыками, умеющих грамотно применять agile-методологии, вы сможете отвечать на важные вопросы за считанные дни, а не месяцы.

Миф № 9. Самое сложное – технологии

В связи с постоянным ростом количества доступных технологий, выбрать правильный комплект инструментов для аналитиков сегодня не так-то просто.

Но в действительности самое сложное – выстроить организационную структуру и операционную модель, которая поможет объединить результаты работы людей, процессов и технологий. Кроме того, очень сложно создать такую структуру внутри существующего отдела ИТ или параллельно ему.

При этом важно не впадать в заблуждение относительно того, что всю работу будут выполнять аналитические инструменты. Технологии сами по себе не решают задачи бизнеса. Спеша создавать озера данных, организации нередко получают болота – информационную «трясину», в которой невозможно разобраться.

Технология не решает аналитические задачи. Вначале нужно выявить проблему бизнеса и выяснить, какие именно данные нужны для ее решения. Это поможет уточнить наличие пробелов в данных, имеющихся у вашей организации.

Миф № 10. Аналитикой должен заниматься специальный отдел

В некоторых организациях аналитикой занимается отдельный департамент, в других – кросс-функциональная группа специалистов.

Однако, учитывая взрывной рост накапливаемых объемов данных по всем аспектам бизнеса и современные темпы перемен, можно утверждать, что модель самостоятельного отдела уже не подходит. В эпоху, когда компании становятся более клиентоориентированными, специалисты по аналитике должны работать непосредственно в бизнес-подразделениях, а не в самостоятельном отделе, к которому обращаются как к службе поддержки.

Ключ к решению многих сложных задач, стоящих перед бизнес-подразделениями, спрятан именно в данных. Поэтому ученые по данным и другие специалисты, применяющие искусственный интеллект для обработки обширных информационных срезов в тесном сотрудничестве с бизнес-пользователями, станут важнейшим звеном в создании новых продуктов, услуг и принципов взаимодействия с клиентом.

Миф № 11. Аналитика доступна только выпускникам аспирантуры

Большое количество аналитиков с учеными степенями – это плюс, но не обязательное условие. В компаниях нередко считают, что без кандидатов наук высококвалифицированный анализ невозможен. Однако современная аналитика требует наличия специалистов многих квалификаций, в том числе разбирающихся в современных технологиях и ПО с открытым кодом. Формирование группы, в которую входят архитекторы больших данных, инженеры, ученые по данным, специалисты по визуализации и т. д., – вот залог успеха.

Миф № 12. Искусственный интеллект лишит людей работы и разрушит экономику

Появляющиеся новые технологии всегда влияли на рынок труда и различные отрасли, и сегодня существуют страхи по поводу того, что искусственный интеллект сделает ряд профессий ненужными.

Искусственный интеллект действительно гораздо лучше справляется с определенными задачами: по сравнению с человеком машина быстрее читает, способна больше запомнить и может выполнять более сложные математические расчеты. Однако в новых ситуациях человек ориентируется намного лучше.

Да, некоторые профессии уже исчезают в связи с развитием искусственного интеллекта, и за ними последуют другие. Однако, в отличие от человека, существующие технологии искусственного интеллекта лишены способности осваиваться и действовать в непредвиденных ситуациях. В обозримом будущем искусственный интеллект наибольшую пользу будет приносить при решении сложных задач, дополняя человеческие возможности. Многие профессии в связи с появлением искусственного интеллекта изменятся, но люди по-прежнему будут оставаться критически важным элементом экосистемы бизнеса.

– Bob Violino. 12 myths of data analytics debunked. CIO. NOV, 2017

Компании отдают на аутсорсинг все разновидности ИТ- и бизнес-функций, в том числе и стратегические. Все чаще передается «на сторону» и сфера аналитики данных – одно из наиболее конкурентоспособных технологических направлений.

Для аутсорсинга нанимают поставщика услуг, который анализирует предоставляемые ему данные. Исследования показывают, что спрос на услуги подобного рода находится на подъеме.

В отчете, опубликованном в 2017 году консультационной компанией Hexa Research, указывается, что с 2016 по 2024 год мировой рынок аутсорсинга анализа данных будет ежегодно расти более чем на 30%, а к концу этого периода объем продаж превысит 6 млрд долл.

Как утверждается в отчете, растущая осведомленность о преимуществах анализа данных становится ключевой движущей силой развития рынка. Бизнес постепенно осознает важность анализа в повышении доходов и влиянии на выбор потребителей. А между тем далеко не каждая организация обладает знаниями и ресурсами, необходимыми для эффективного анализа данных.

Нехватка аналитиков данных препятствует развитию конкурентоспособного анализа и порождает дополнительный спрос на аналитические услуги. В отчете Hexa все виды анализа подразделяются на три основных типа: прогнозный, предписывающий и описательный. Сейчас основная доля на рынке принадлежит описательному анализу. В дальнейшем ожидается существенный рост объемов предписывающего анализа, потребность в котором испытывают многие организации.

Что же касается самого аутсорсинга, он подразделяется на офшорный и оншорный.

«Облачные технологии упрощают доступ к данным в тех регионах мира, где рабочая сила более дешевая, поэтому может произойти сокращение расходов на текущее управление алгоритмами, – указала научный директор направления облачных технологий и ИТ-сервисов исследовательской компании 451 Research Кэти Ринг. – Технологии машинного обучения обещают дальнейшее снижение затрат в этой области. При этом офшорные источники имеет смысл выбирать главным образом для проектирования систем управления данными, нежели непосредственно для анализа».

«В условиях, когда ведущая роль в обработке отводится машинам, преимущества офшорных услуг постепенно будут нивелироваться, – добавила партнер консультационной фирмы EY в области глобального анализа Беатрис Санс-Саис. – Какой аутсорсинг будет выбран, не столь важно, гораздо большую значимость в достижении наилучших результатов имеет совместная работа людей и машин».

Передавать анализ данных на аутсорсинг имеет смысл только для определенных видов аналитики. Наряду с потенциальными преимуществами здесь есть и риски. Перечислим, в чем можно проиграть, а в чем выиграть, передав анализ данных на аутсорсинг.

Преимущество: доступ к нужным дефицитным навыкам

Не секрет, что многие ИТ-специальности сегодня в дефиците. Это в полной мере относится к облачным вычислениям, передовым методам анализа, большим данным, озерам данных и науке о данных. Аутсорсинговые компании могут смягчить образовавшийся дефицит, предложив клиентам свои услуги в указанных областях.

«В условиях продолжающегося роста объемов данных рассчитывать на то, что традиционные ЦОДы помогут с этим справиться, уже не приходится, – заметила Ринг. – Рост потребностей в управлении большими данными в облаке способствует дальнейшему развитию Amazon Web Services, Microsoft Azure и Google Cloud Platform».

Организациям нужны платформы управления облаком, позволяющие создавать озера больших данных, управлять загрузкой данных и осуществлять их передачу с индивидуальных консолей. Но если за такую работу берется команда, не обладающая соответствующими навыками, то и дело возникают осложнения. Прибегнув к аутсорсингу, организации получают доступ к необходимым знаниям.

Недостаток: риск выбрать не того провайдера

Неверный выбор поставщика услуг грозит неприятностями в любом виде аутсорсинга, и анализ данных не является исключением.

«Выбор поставщика услуг может превратиться в сложную задачу, – указала Элисон Клоуз, возглавляющая в компании International Data Corp. направление исследований финансов и бухгалтерского учета, BPaaS и аналитических сервисов. – В первую очередь внимание следует обращать на стоимость предлагаемых услуг, однако не менее важны культурные предпочтения и расстановка команд. Компании сегодня хотят тесного стратегического партнерства, при котором выделяемые ресурсы соответствуют объему повседневных операций, коммуникационные каналы эффективны и получение требуемых бизнес-результатов гарантируется».

Преимущество: отраслевой опыт

Некоторые функции анализа данных являются универсальными, другие же специфичны для определенных секторов – например, для отрасли здравоохранения или финансовых услуг. Наличие аутсорсингового партнера, обладающего глубокими отраслевыми знаниями, превращается в этом случае в серьезное конкурентное преимущество.

«Поставщики, отточившие свои экспертные знания в сфере розничной торговли, могут предложить специальные аналитические услуги: анализ ценности клиентского жизненного цикла, анализ истории продаж, анализ рентабельности или анализ рыночной корзины, – отметила Клоуз. – Они могут также предоставить эталонные данные и параметры, позволяющие сравнивать результаты предприятия с отраслевыми стандартами и показателями других отраслевых игроков. Все это может стать конкурентным преимуществом».

Недостаток: поиск компромисса между ценностями и затратами

После создания прогнозной модели и преобразования ее внешним поставщиком услуг в продукт, необходимо организовать сопровождение в течение требуемого периода. Это предполагает настройку и видоизменение правил алгоритма, чтобы обеспечить сохранение значимости получаемых результатов.

«Данные постоянно меняются, и применяемая модель не должна деградировать, – пояснила Ринг. – Однако постоянные обновления требуют затрат, которые могут превысить затраты на составление отчетов бизнес-анализа внутренней ИТ-службой».

При этом стоимость услуг аутсорсинга может стать проблемой, особенно в крупных организациях со сложными операционными моделями.

Преимущество: простота масштабируемости и быстрый путь к зрелому анализу

Помимо возможности приобрести навыки анализа данных, аутсорсинговые услуги могут помочь организации быстро выстроить аналитическую инфраструктуру, создать которую своими силами весьма затруднительно или вообще невозможно.

«Анализ данных стал естественной составляющей при ведении бизнеса и сегодня представляет собой нечто большее, чем совокупность хранилищ данных и бизнес-анализа, – указал директор Gartner по исследованиям данных и их анализу Йорген Гейзенберг. – Однако предприятие не всегда в состоянии справиться своими силами с тем уровнем масштабируемости и сложности, который требуется. Чаще всего организации обращаются за внешней поддержкой при отсутствии внутренних ресурсов, позволяющих удовлетворить растущий спрос».

Еще одним фактором может стать стремление сократить затраты при приобретении аналитических услуг, поскольку их поставщики зачастую используют уже имеющиеся у них аналитические ресурсы — фреймворки и ускорители.

«Использование технических наработок провайдера, будь то организация хранилища данных, автоматизация и внедрение роботизированных процессов или применение облачных инструментов, может стать большим плюсом, – добавила Клоуз. – Передача анализа данных поставщику услуг аутсорсинга способствует переходу на такие инновационные решения, которые в настоящее время предприятием даже и не рассматриваются».

Недостаток: потеря контроля над хранением данных и аналитическими моделями

Любой аутсорсинг предполагает отказ от чего-либо, выполняемого своими силами (например, от контроля), а иногда даже от собственных сотрудников. При аутсорсинге анализа одной из главных приносимых жертв могут стать аналитические модели.

«Клиент обычно предоставляет поставщику услуг свои данные, а тот, в свою очередь, возвращает ему ответы на интересующие его вопросы, – пояснила Ринг. – При такой модели клиент не владеет ни логикой, ни алгоритмами. В его распоряжении остаются лишь данные и полученные рекомендации. Моделей, подходов, фреймворков и конфигураций он лишен».

У компаний, передающих анализ данных на аутсорсинг, могут возникнуть вопросы и в отношении хранения их данных. Действительно ли это хранение организовано наилучшим образом? Есть ли в ЦОДе провайдера выделенная среда для вашего предприятия? Или же все данные находятся в «разделяемой» среде публичного облака?

Преимущество: постоянное обеспечение законодательных требований к защите данных

По мере роста объемов данных в процессе управления ими и их анализа организация подвергается риску не соблюсти нормативные требования, установленные регуляторами.

Разница между политиками управления и безопасности в различных источниках данных порождает дополнительные трудности при переходе к аудиту в озерах данных.

«После вступления в силу требований к защите персональных данных и правил General Data Protection Regulation (GDPR) потребность в простом аудите может дополнительно подстегнуть поиски внешнего аутсорсингового партнера», – подчеркнула Ринг.

Недостаток: необходимость иметь стратегию управления данными

Для дальнейшей демократизации данных внутри организации директору по данным нужна общекорпоративная стратегия сбора, управления и обмена данными.

Уровни управления и анализа на условиях самообслуживания должны быть спроектированы правильно, с тем чтобы поддерживать различные сценарии использования. Вот почему роль директора по данным приобретает такое важное значение.

«В конечном итоге директор по данным отвечает за организацию взаимодействия бизнеса и ИТ в процессе управления данными, – пояснила Ринг. – Если в организации, передающей анализ данных на аутсорсинг, директора по данным нет, ее успехи, скорее всего, окажутся весьма скромными».

Преимущество: рост потенциальной ценности данных

Как уже отмечалось, данные – это новая валюта для бизнеса, и в их анализе заложен большой потенциал для получения конкурентных преимуществ.

«С переходом на машинную обработку данных потенциал данных и их анализа существенно изменился, – указала Саис. – Как и в любом цифровом бизнесе, мы сталкиваемся с дезинтермедиацией, в результате чего ценности остаются на двух сторонах бизнеса: на стороне данных, а также на стороне бизнес-анализа и поддержки принятия решений».

Следовательно, возможным преимуществом аутсорсинга становится возможность укрепить рынок данных и построить альтернативные бизнес-модели с независимой третьей стороной, которая управляет хранением данных множества организаций и продвигает концепцию анонимной и безопасной платформы обмена данными.

Недостаток: потенциальные конфликты

Подписывая аутсорсинговые соглашения, все рассчитывают на то, что взаимоотношения между сторонами будут развиваться гладко. Но могут возникнуть вопросы, которые поставят под угрозу гармонию этих взаимоотношений. Такая вероятность особенно велика, если в компаниях не озаботились тщательным изучением заключаемых договоров.

«При аутсорсинге анализа данных организации зачастую забывают о ключевых условиях, связанных с разрывом договора, управлением данными, правами на интеллектуальную собственность, ответственностью, основными параметрами и соглашениями об уровне сервиса, ценовой моделью, а также привлечением дополнительных ресурсов и увеличением затрат, – пояснил Гейзенберг. – Все это приводит к потенциальным конфликтам как в ходе взаимодействия, так и после его завершения».

– Bob Violino. The pros and cons of outsourcing data analytics. CIO. JUN 12, 2018

В эпоху, когда аккаунты в Facebook, Twitter, Instagram и др. есть у большинства компаний, выглядит странным, что во многих из них до сих пор не начали пользоваться автоматизированными средствами превращения информации социальных сетей в знания, имеющие практическую ценность.

«Социальная аналитика (social intelligence) – это просто использование тех возможностей, которые вам уже предоставляют средства аналитической обработки данных социальных СМИ, – поясняет Дженни Сассин, вице-президент по исследованиям Gartner. – Это может быть базовая аналитика или более сложная, но ею почему-то не пользуются, хотя, казалось бы, сейчас это уже должно происходить».

Сассин приводит в пример производителя йогуртов, которому нужно найти рынок сбыта для продукта с новым вкусом: «Основные потребители йогуртов – женщины, но возможно, в компании хотели бы знать, что, к примеру, мужчины в определенном регионе, играющие в футбол, были бы не против попробовать “энергетический йогурт”». Это можно было бы выяснить с помощью серии запросов, сделанных посредством инструментов социальной аналитики, таких как Brandwatch, Crimson Hexagon, Synthesio или Talkwaker.

Но чего в компаниях по большому счету нет, хотя должно было бы быть, учитывая потенциальные преимущества, так это возможности автоматической передачи отчетов социальной аналитики в традиционные системы CRM, ERP и другие для объединения с имеющимися данными. В лучшем случае упрощенные версии отчетов переносят в CRM вручную.

Социальная аналитика невозможна без человека

Брайан Лонг, старший менеджер Nissan North America по работе с клиентами в социальных СМИ, признает: несмотря на то что технологии играют большую роль в его деятельности, в компании все же не хватает средств автоматизации социальной аналитики – анализ постов, твитов и упоминаний бренда, которых могут быть миллионы за год, проводится вручную.

«Нужно, чтобы эту информацию читал человек, способный понять потребности клиента и спланировать реакцию компании», – подчеркивает Лонг. В Nissan шесть-восемь аналитиков просматривают данные, накапливаемые системой управления социальными СМИ Sprinklr, которая позволяет следить за корпоративными аккаунтами Twitter, страницами Facebook, Instagram и Google Plus. Именно аналитики, по словам Лонга, в конечном счете принимают решение о необходимости отреагировать: «Не обязательно обращать внимание на чьи-то одиночные жалобы, но вот если проблема достаточно распространенная, ответить придется».

Лонг считает социальную аналитику важнейшим источником данных, который в сочетании с опросами об удовлетворенности клиентов и другими видами отзывов способен дать сведения, определяющие продуктовый ассортимент, рекламные кампании и клиентское обслуживание.

Существующая в Nissan почти пять лет группа по работе с социальными СМИ при помощи Sprinklr классифицирует и размечает данные, помогая тем самым предоставлять практические знания бизнес-руководителям. Инструменты Sprinklr наряду с другими техническими средствами используются в компании для анализа и разрешения проблем. Аналитики готовят отчеты для отдела корпоративных коммуникаций, юридического и маркетингового. «Нам удается оперативно принимать продуманные решения, руководствуясь такими факторами, как тональность высказываний, объем откликов и авторитет пишущих», – добавляет Лонг.

Практическое мастерство и наука

Салли-Энн Камински, менеджер по стратегии социальных СМИ Zebra Technologies, – единственный сотрудник компании, обязанности которого целиком связаны с социальными сетями. Она считает своей задачей пропагандировать преимущества социальной аналитики в компании – производителе ноутбуков, сканеров, меток RFID и принтеров штрихкодов.

Когда в отделе обеспечения продаж просят сведения о потенциальных клиентах, Камински заходит в Oracle Social Cloud, инструмент управления взаимоотношениями с клиентами в социальных сетях, и создает информационную панель для специалиста по продажам. В Social Cloud выполняется поиск по ключевым словам и фразам, позволяющий обнаруживать тематическую переписку в Facebook, Twitter, LinkedIn, на форумах и в блогах.

«Мы находим сведения о том, какими продуктами или решениями пользуется потенциальный клиент и на что он в связи с этим жалуется, – поясняет она. – Это делается с помощью технологии семантической фильтрации Oracle». По результатам Камински готовит для специалистов по обеспечению продаж презентацию, одним из элементов которой является облако тегов, показывающее преобладающую тональность высказываний в социальных СМИ по поводу конкурента, чьей продукцией пользуется потенциальный клиент. По оценке Камински, ее работа приносит хорошие результаты, поскольку к ней регулярно обращаются за помощью.

Как и Лонг, Камински уверена, что люди продолжат играть ключевую роль в социальной аналитике независимо от того, насколько тесно будут интегрированы соответствующие системы с традиционными бизнес-приложениями: «На мой взгляд, требуется уникальное сочетание мастерства и науки, чтобы суметь просеять тысячи твитов и записей в Facebook, выделив реально полезные сведения из всей массы сообщений». Важнейшим фактором превращения простого «прослушивания» социальных сетей в аналитику является наличие глубоких знаний о продуктах и услугах компании, а при полной автоматизации этот фактор был бы утрачен. «Видя переписку о той или иной проблеме, мы можем прикинуть, какой из наших продуктов мог бы исправить ситуацию», – добавляет она.

Камински, работающая в индустрии социальных СМИ с 2009 года, признается, что старается анализировать, какие психологические мотивы заставляют людей критиковать ту или иную марку в социальных СМИ или, наоборот, снова и снова выражать любовь к какому-либо бренду. По ее убеждению, только человек способен разобраться в таких вещах и понять, как это можно использовать на благо компании.

Интеграция социальной аналитики с информационной инфраструктурой компании

Сассин не считает удовлетворительным сегодняшний уровень использования социальной аналитики. Когда в компаниях только начинали мониторинг социальных платформ, аналитические технологии были недоступны, но сегодня такие средства есть и они позволяют смешивать неструктурированные данные социальных платформ со структурированными из традиционных систем для получения важных знаний.

Тем не менее в компаниях нередко просто «запихивают» данные социальных СМИ, например сведения о числе отметок «нравится», в BI-системы наподобие Tableau, вместо того чтобы использовать специализированные модули обработки такой информации, доступные в бизнес-приложениях Oracle, Salesforce, Microsoft Dynamics и других. В результате вся ценность информации социальных СМИ упускается.

По мнению Сассин, отсутствие интеграции зачастую является следствием разобщенности в организациях, где система работы с социальными СМИ либо «заперта» в маркетинговом отделе, либо функционирует отдельно от всех: «Раньше в компаниях просто внедряли инструмент “прослушивания” социальных сетей, рассчитывая на то, что он поможет выйти на какую-то высокоприбыльную идею, которая оправдает эти вложения. Но в итоге это лишь приводило к разобщенности».

Чтобы потенциал средств социальной аналитики реализовался, они должны быть объединены с корпоративными системами бизнес-аналитики. «В отделе ИТ вам будут говорить, что у них и без того хватает забот с управлением Большими Данными и что социальная аналитика – не их проблема, однако это не так», – уверена Сассин.

Социальной аналитике нужны те же механизмы руководства, которые уже реализованы для систем CRM, ERP и пр. Аналитики социальных СМИ и специалисты по управлению данными должны взаимодействовать, осознавая, что информацией можно и нужно обмениваться для оптимизации принятия решений.

Выход социальной аналитики из-под крыла маркетинга

Мелисса О'Брайен, директор по исследованиям HFS Research, поддерживает мнение о том, что внутриорганизационная разобщенность мешает реализовать потенциал социальных платформ: «Когда я еще только начала заниматься этим рынком, шли споры о том, как пользоваться данными социальных СМИ не просто для маркетинга, но и для управления взаимоотношениями с клиентами в целом. Теперь дискуссия гораздо шире: данные, получаемые из социальных СМИ, могут применяться в самых разных подразделениях компании. Однако стратегия работы с социальными сетями по-прежнему лишь остается частью маркетинговой, она там словно застряла».

По оценке О'Брайен, сейчас компании лишь в начале пути освоения социальной аналитики, но по мере того как они начнут становиться более клиентоориентированными, соответствующие средства будут применяться все шире.

– Sandra Gittlen. Social intelligence: How to mine social media for business results. CIO. July 26, 2017

Во многих финансовых организациях роль директора по данным (chief data officer, CDO) меняется по мере того, как регулирующие органы начинают уделять данным все более серьезное внимание. На приведение ситуации в соответствие новым нормам уже затрачено очень много денег и сил, а вот ощутимая выгода для бизнеса растет не так быстро, чтобы оправдать дальнейшие инвестиции.

Раньше актуальность должности директора по данным зачастую вызывала сомнения. Теперь же в организациях все чаще начинают переосмысливать его роль и ориентиры. Педантичность и требовательность регулирующих органов стали одновременно благом и проклятием, заставив организации выделить соответствующие финансы, но породив при этом и успокоенность на достигнутом. Настроение это мешает директорам по данным вносить реальные и устойчивые изменения в культуру, используя данные в качестве источника роста и инноваций.

В ходе опроса директоров по данным, проведенного компанией KPMG, респондентов попросили указать степень влияния каждого из факторов – регулирования, роста и стоимости – на их нынешние усилия и перспективы предполагаемых изменений в течение ближайших двух лет. И если в части затрат перемены ожидаются незначительными (+3%), то фактор регулирования (–23%), по мнению опрошенных, будет вытесняться фактором роста (+20%), который к 2018 году начнет оказывать основное влияние на инициативы, связанные с данными.

В прошлом успехи или неудачи организаций, где была введена должность директора по данным, во многом зависели от умения абстрагироваться от текущих целей по выполнению требований регулятора. Предстояло найти ответ на вопрос, какую роль данные будут играть для расширения и роста бизнеса. Ведь если организации хотят использовать преимущества передовых технологий и открывающиеся возможности, чтобы увеличить оборот, им нужно определить новые реперные точки для ценностей бизнеса.

Общих универсальных ответов или идеальной модели, подходящей для любого поставщика финансовых услуг, в природе не существует. Поэтому подразделение Single Family Business Unit, на которое приходится около 80% сделок крупнейшего ипотечного агентства Freddie Mac, сформулировало свое видение роли директора по данным, состоящее из шести ключевых принципов.

1. Встраивание в бизнес. Чтобы процесс создания ценностей был устойчивым, нужна, наряду с соответствием требованиям регулятора и решением технологических вопросов, четкая связь со стратегией бизнеса. Вице-президент Single-Family Business по данным Джоди Мортон подчиняется непосредственно главе крупнейшего подразделения Freddie Mac, а не руководителям, отвечающим за управление рисками или ИТ. Это позволяет ей быстрее реагировать на изменяющиеся потребности бизнеса. В противном случае бизнес будет развиваться без учета необходимости принятия новых стандартов и внедрения новых функций управления данными, имеющих критически важное значение для всей организации. Мортон осуществляет управление путем взаимодействия и согласования, основное внимание в своей работе она уделяет «цепочкам поставок данных» и платформам, в отношении которых она выступает в качестве бизнес-спонсора.
2. Установление прочных партнерских связей. Взаимодействие с ИТ-службой, в том числе с направлением архитектуры и внедрения ИТ, является основой программы директора по данным с точки зрения как проектирования, так и реализации. Ведущая роль ИТ-службы особенно заметна при внесении корректив в формирование отчетов в интересах бизнеса, а также при совместном укомплектовании больших ЦОД всем необходимым для внедрения передовых аналитических технологий. Важное место здесь занимает и сотрудничество с независимыми организациями. Вице-президент по данным привыкла ускоряться и получать преимущество в самом начале пути, не тратя времени на «пробы и ошибки», которых ее подчиненным наверняка не удалось бы избежать при самостоятельном решении сложных вопросов.
3. Ориентация на стратегические ценности. Хотя контроль над данными и управление ими считаются одним из столпов отчетности, во Freddie Mac с самого начала ориентировались на создание функций, которые позволили бы бизнес-подразделениям получать оперативный доступ к разнообразным типам высококачественных данных. Это помогает заинтересованным сторонам внедрять инновации и в конечном итоге принимать решения, будучи более информированными. При таком подходе положительный эффект от инвестиций в данные виден гораздо лучше.
4. Изучение всей «цепочки поставок данных». Во Freddie Mac стремятся упростить и повторно использовать источники данных в интерфейсных системах, через которые данные попадают в модели, отчеты и к аналитикам. Однажды захваченные и подвергнутые проверке данные затем используются снова и снова. Это позволяет уменьшить затраты, сократить время разработки и способствует повышению уровня доверия со стороны бизнеса.
5. Постоянное и согласованное общение в процессе преобразований. При организации внутренних процессов во Freddie Mac придерживаются принципов предоставления нужных полномочий, упрощения, повторного использования данных и контроля. В ходе общения и обучения такой подход ставится во главу угла, заставляя сотрудников задумываться о данных и их роли с позиций как производителей, так и потребителей данных. Этот метод облегчает управление ожиданиями бизнес-подразделений, помогает находить точки соприкосновения между группой Мортон и ценностями бизнеса. Как свидетельствуют результаты недавнего опроса сотрудников, усилия вице-президента по данным начинают приносить свои плоды. Подавляющее большинство из 300 аналитиков и разработчиков моделей не только знают, что такое метаданные, но и понимают их стратегическую ценность для сокращения времени при поиске в сети Freddie Mac и выборке требуемых для отчетов данных. С учетом важности всего этого на планирование взаимодействия и реализацию у подчиненных Мортон уходит примерно 50% рабочего времени, а у нее самой – 30-40%.
6. Программа «Сто достижений за сто дней». С самого начала в агентстве Freddie Mac признавали, что эффективность работы будет оцениваться на основе достигнутых результатов. Выигрыш может проявляться очень по-разному – при принятии решений, внедрении новых функций и улучшении операционных показателей. Подобные программы помогают цементировать культуру, когда каждый сотрудник дает важный импульс всей команде. В процессе трансформации культуры данных есть ряд важных моментов. Празднования по поводу достижений, больших и малых, закрепляют прогресс и привязывают ценности к множеству вех, намеченных на долгом пути.

Ориентация «цепочек поставок данных» на нужды аналитиков и получение необходимых отчетов в отрасли финансовых услуг видны невооруженным глазом. И хотя сегодня усилия по большей части направлены на соблюдение требований регуляторов, отрасли нужно переходить к «новому порядку», при котором инвестиции в данные для улучшения их представления в интересах бизнеса, внедрения инноваций и последующего роста имеют не менее важное значение, чем соблюдение нормативных требований.

К инвестициям, выделяемым, чтобы обеспечить соблюдение требований регуляторов, нужно добавить небольшие средства, которые должны будут пойти на создание ценностей для бизнеса. Это можно считать первым шагом на пути к построению устойчивой культуры данных, ориентированной на ценность.

Весьма скромные инвестиции зачастую приносят неизмеримо более весомую отдачу, формируют осязаемые связи, помогающие бизнесу двигаться вперед к своим целям. Ключевым условием здесь должны стать расширение горизонтов планирования и вывод плановых показателей за рамки обеспечения требований регуляторов. Однако в условиях жестких сроков такое расширение не всегда бывает очевидным.

Важная роль отводится и финансированию. Требуется сдвиг в менталитете наверху, который должен послужить началом к разблокированию новых ценностей для бизнеса.

Стоит отметить, что, как и при любых других крупных преобразованиях, переход к ориентации на данные, приносящие дополнительные ценности, не происходит в одночасье, а потому начинать имеет смысл уже сегодня.

– Джоди Мортон – вице-президент направления Single Family Data Governance and Management в компании Freddie Mac; Роберт Парр – управляющий директор KPMG Financial Services Practice.

(Jodi Morton and Robert Parr. How to build a sustainable, value-focused data culture. CIO. January 19, 2017)

Вы завалены работой? Это еще цветочки: в нынешнем году забот у ИТ-специалистов станет куда больше, когда широкое применение получат блокчейн, Интернет вещей, а также приложения дополненной и виртуальной реальности.

Интернет вещей – теперь всерьез

Возможно, «год реального запуска рынка Интернета вещей» кто-то все еще считает традиционной отраслевой шуткой, вроде «победы Linux на настольных компьютерах» или «абсолютной защищенности Java». Но, так или иначе, 2017-й действительно способен стать годом, когда маркетинговый ажиотаж вокруг Интернета вещей утихнет, сменившись реальным развитием рынка.

Идея «соединенных» устройств – вещей, которые исторически не имели соединения с Интернетом, а потом обзавелись такой функцией, далеко не нова. Но ее нынешние применения – умные автомобили, дома и радикальная оптимизация управления промышленными процессами – являются по-настоящему революционными, заставляющими поверить, что будущее уже на пороге.

Главной проблемой еще с тех времен, когда Интернет вещей был только замыслом, остается безопасность. Общепринятых стандартов защиты устройств Интернета вещей пока практически нет, хотя кандидатов хоть отбавляй, и производители, похоже, не стараются заботиться о безопасности соединенных вещей, так же как и более традиционных оконечных устройств вроде ноутбуков и смартфонов.

Естественно, безопасность от этого серьезно страдает. Пусть даже взломанное устройство Интернета вещей само по себе большой угрозы не представляет, его весьма просто подключить к огромному ботнету, что недавно продемонстрировали создатели зомби-сети Mirai, в которую объединили цифровые видеорегистраторы, камеры наблюдения и другие слабозащищенные IoT-устройства. Эта армия ботов сумела обеспечить перебои с доступом к Интернету по всем Соединенным Штатам путем атаки на регистратора доменных имен Dyn.

Для предотвращения подобных инцидентов нужно решить непростые задачи, отмечает аналитик Зевс Керравала: «Для защиты IoT необходимы развитые средства контроля сетевого доступа, действующие в режиме реального времени системы слежения за работой приложений, механизмы защищенной аутентификации наподобие PPSK, поддержка детализированных политик безопасности для граничных устройств, а также интегрированные инструменты отчетности и мониторинга».

Аналитики Forrester Research прогнозируют, что в 2017 году будут скомпрометированы более 1,5 млн устройств Интернета вещей.

Интернет вещей – как платформа для множества новых технологий или как инструмент совершения новых разрушительных кибератак – неизбежно «встряхнет» индустрию ИТ.

Читайте далее: Бурное развитие дополненной и виртуальной реальности

Правильно выбрать аналитическую платформу очень важно, ведь эта система будет помогать принимать руководящие решения. Приведем вопросы, которые стоит задать поставщику системы еще до ее покупки.

1. Умеет ли система отвечать на вопросы, составленные не по шаблону?

Звучит элементарно, но помощь в постановке вопросов и получении ответов на них – главное, что требуется от системы.

Если вы можете использовать только заранее заданный обзор некоторого среза ваших данных, а чтобы задать новый вопрос, вам приходится обращаться в отдел ИТ или писать сложные скрипты, такая система аналитики большой пользы не принесет. Решение должно позволять задавать произвольные вопросы.

2. Есть ли у вас опыт работы с организациями моей отрасли и знаете ли вы специфику нашего бизнеса?

Компетенции только в области аналитики недостаточно. Чтобы соответствующие продукты и услуги приносили максимум пользы, необходимы отраслевые знания. Есть ли у вашего поставщика модели данных специально для вашей отрасли – банковской, страховой, потребительских товаров и т. д.?

Разработка систем аналитики и визуализации данных для конкретных отраслей требует знания соответствующих особенностей бизнеса. Поставщик не сможет предложить шаблоны, ключевые индикаторы производительности и модель данных, если не будет в курсе, что именно и с какой целью нужно измерять.

3. Захотят ли мои сотрудники пользоваться вашей системой?

Внедрение всех без исключения корпоративных систем тормозилось из-за сопротивления пользователей. Работа с аналитической системой должна быть комфортной. Любой, кто занимался внедрением новых продуктов, знает, что заставить пользователей работать с ними – один из самых сложных этапов процесса, поэтому они должны почувствовать, что задавать вопросы с помощью системы удобно. С системой будут работать активнее, если она окажется простой, интуитивно понятной и полезной.

4. Каковы возможности вашей системы?

Сколько одновременно работающих пользователей она способна обслуживать? Сколько можно завести учетных записей, сколько офисов смогут с ней работать? Каково время отклика на запросы?

Это нужно, чтобы удостовериться в том, что продукт будет справляться со своими задачами по мере роста бизнеса и темпов работы.

5. Сможет ли система работать со всеми моими данными?

Организации сегодня держат данные в облаке, локально, в хранилищах данных, в таблицах Excel, в протоколах трафика сайтов и т. п. Нужно оценить, способен ли выбранный инструментарий работать со всеми источниками данных, в том числе структурированных, неструктурированных и полуструктурированных.

Некоторые инструменты требуют переноса данных или преобразования в проприетарный формат перед анализом. Нужно подумать о том, с какими данными вы работаете сейчас, с какими будете работать через пару лет, и задаться вопросом, справится ли продукт с их поддержкой.

6. Есть ли у вас аналитические инструменты, рассчитанные на различные бизнес-функции?

Например, обеспечивает ли система полный обзор заказчика, есть ли функции планирования цепочки поставок, оценки эффективности дистрибуции, моделирования сценариев?

7. Зависят ли ваши расценки от результатов и реальной пользы?

Доступ к данным – только первый этап аналитического конвейера. Успех проекта в области аналитики определяется результатами.

Соглашения об оплате на основе реальной пользы становятся нормой. Сегодня любым коммерческим продуктам приходится соперничать с открытым кодом и бесплатным ПО. Поэтому для оправдания инвестиций необходимы расценки, зависящие от результатов.

8. Какие клиенты уже пользуются вашим продуктом и для чего?

Доверяй, но проверяй. Опытный руководитель не станет покупать продукт, который только что появился. Необходимо, чтобы это была хорошо зарекомендовавшая себя технология. Удостовериться в этом помогут отзывы уже имеющихся клиентов.

9. Какие средства безопасности предусмотрены в вашем продукте? Каким образом обеспечивается гарантия защищенности личной информации?

Защита данных – один из приоритетов, особенно в регулируемых отраслях. Так, в здравоохранении, фармакологической отрасли и пр. требуется подвергать маскировке информацию, позволяющую установить личность, и конфиденциальные медицинские сведения.

10. Каков план развития вашего продукта? Как вы помогаете клиентам с обновлением версий и переходом на новые продукты? Как управляете процессом миграции? Есть ли у вас программа обучения пользователей?

Аналитическим решениям предстоит служить компании долгое время. Как и любые другие ИТ-системы, платформы аналитики не будут статичными. Необходимо выяснить особенности графика обновлений программного обеспечения вашего поставщика и процесса управления изменениями.

– Thor Olavsrud.10 questions to ask analytics vendors (before you buy). CIO. Mar 14, 2016