Большие данные

Для любой технологии рано или поздно наступает этап консьюмеризации, когда она становится доступной широкому кругу потребителей. Похожее должно было произойти и с Большими Данными. Технологии, до сих пор воспринимавшиеся как элитарные из-за высокой стоимости «входного билета» и потребности в экспертах высочайшего класса, начали появляться на рынке в качестве услуги.

Сам рынок средств Больших Данных состоит из трех сегментов: инфраструктуры, программных решений и услуг. Каждый из сегментов, согласно прогнозам IDC, в ближайшие годы будет расти на 22-26%. Однако динамичность этих сегментов существенно различается. Инфраструктурный сегмент представлен известнейшими компаниями, и особых изменений в нем не происходит, сегмент же приложений гораздо разнообразнее и «живее» в плане новых имен. Это вполне естественно: так или иначе, хранение цифровых данных – задача, которая решается уже десятки лет. А вот аналитика Больших Данных – задача относительно новая. Этот сегмент наполнен молодыми, но уже достаточно большими и известными компаниями, а также новыми подразделениями больших корпораций.

Несмотря на явную положительную динамику рынка Больших Данных, растущая стоимость программных решений может сыграть негативную роль и задержать его рост. Как полагает Кирилл Чистов, директор по развитию Data-Centric Alliance, такое происходит по причине созревания рынка – клиенты лучше понимают, что и зачем им нужно и сколько они готовы платить, а поставщики решений, видя сформировавшуюся потребность, осознают сложность поставленных задач и повышают цены.

Еще более интересная ситуация складывается на рынке услуг, где к интеграторам присоединяются компании, создающие дополнительную ценность из Больших Данных. Здесь также присутствуют как уже давно существующие компании, создавшие специальные подразделения, так и новые игроки, фокусирующиеся на какой-то нише (чаще всего по бизнес-вертикалям).

Формирование рынка

По итогам 2015 года на российском рынке Больших Данных можно выделить три основные тенденции.

Во-первых, на рынок вышли крупные агрегаторы данных и начали оказывать услуги для B2B-аудитории. Это и большие интернет-игроки, такие как «Яндекс», открывший еще в декабре 2014 года Yandex Data Factory, или Mail.ru, и телеком-операторы – например, «ВымпелКом», сделавший на эту тему много громких заявлений.

«Появление крупных, уважаемых игроков ознаменовало определенное созревание рынка: услуги в области Больших Данных начали стандартизироваться», – говорит Чистов. Большие и малые компании принимают единые стандарты того, как работать с Большими Данными, как оказывать услуги, как их продавать, по каким критериям оценивать. Более того, на рынке появляются специализированные компании, которые ничем другим не занимаются – лишь собирают данные и предоставляют их в удобном для использования бизнесом виде.

Именно выход операторов связи на рынок услуг Больших Данных способствовал формированию открытой экономики данных с понятными механизмами ценообразования

Именно выход операторов связи на рынок услуг Больших Данных способствовал формированию открытой экономики данных с понятными механизмами ценообразования, очерченными ролями игроков, прозрачными процессами, измеряемыми результатами. Эти операторы обладают огромным массивом поведенческой информации о своих абонентах и ресурсами, достаточными, чтобы «активировать» данные, в том числе в интересах третьих лиц. Они обеспечивают для своих партнеров самые разные решения, начиная с геолокационных сервисов и заканчивая предсказанием транспортной загрузки.

По мнению Чистова, именно появление открытого рынка обезличенных данных стало важнейшим событием на российском рынке Больших Данных в 2015 году. Компании в зависимости от потребностей могут их как приобретать, интегрируя в свои маркетинговые программы, так и – наоборот – монетизировать имеющиеся данные, продавая их вовне.

Таким образом, можно говорить о том, что сформировался рынок активной торговли данными, где практически любая организация имеет возможность покупать данные с нужной ей нарезкой и заточенные под интересующую ее бизнес-цель – например, для проведения маркетинговых кампаний или дополнительного анализа различных сегментов своей целевой аудитории. Если в 2014 году купить такие данные было сложно – существовало буквально два-три поставщика, то сейчас поставщиков около дюжины и сложностей с выбором нет. Проблемы другие – реализовать проект как можно быстрее, оперативно «научив» данные работать для достижения нужных целей.

Вторая заметная тенденция на стагнирующем рынке – значимые поглощения, которые поддерживают венчурный рынок и стимулируют талантливые команды специалистов развивать инновации и технологии в области работы с данными. Две сделки можно отметить смело. В начале года Сбербанк приобрел Segmento – игрока рынка Больших Данных, поставляющего решения в области алгоритмического управления маркетинговыми кампаниями. В конце 2015 года «Ростелеком», приняв решение о развитии собственных сервисов и решений Больших Данных, поглотил компанию IQ’Men.

«Такие поглощения – серьезный знак бизнес-сообществу: технологии настолько готовы, что их можно просто купить. Кроме того, столь значительные инвестиции в проекты-команды со стороны грандов показывают их стратегическую готовность перейти к новому технологическому укладу», – считает Чистов.

Третья важнейшая для развития рынка тенденция – образовательная составляющая: произошла повсеместная популяризация образования в области Больших Данных. Наблюдался бурный рост курсов, платных и бесплатных направлений в лидирующих вузах (МГУ, ВШЭ, МФТИ и др.) при поддержке крупных поставщиков. Значимый пример – Школа анализа данных «Яндекса». Это явный лидер по широте покрытия тематики и числу слушателей курсов.

Именно третья тенденция наиболее «практична». Много лет подряд бизнес говорил о том, что ему катастрофически не хватает сотрудников для работы с данными. Это и тормозило рост рынка, и разогревало зарплатные ожидания специалистов. При этом времени на адаптацию системы образования не было, и бизнес сам занялся подготовкой кадров.

Телеком – главный поставщик данных

Важность выхода на рынок Больших Данных телеком-операторов отмечает и Евгений Уткин, старший консультант по развитию бизнеса Ericsson в России. До недавних пор они занимались реализацией исключительно внутренних проектов и никак не влияли на рынок.

«Крупные телеком-операторы, как и интернет-компании, имеют широкий доступ к ряду уникальных данных: например, о месторасположении клиента, его социальных связях, его поведении. Причем их данные гораздо шире и распространяются не только на интернет-активность, но и на значительную часть обыденной жизни», – подчеркивает Уткин.

Чтобы эти данные как-то капитализировать, извлечь из них ценность для бизнеса, операторы делают три важных шага. Во-первых, они трансформируют свою организационную структуру – выделяют отдельный блок или департамент, занимающийся Большими Данными, а иногда – даже отдельную дочернюю организацию. Во-вторых, создают технический функционал Больших Данных – как архитектуры, так и компетенции, позволяющие реализовать потенциал данных. Третий шаг – массовые поглощения нишевых игроков, пока больше заметные на глобальном рынке.

Например, телеком-операторы поглощают игроков рынка интернет-рекламы, чтобы приобрести клиентов и уже имеющиеся данные. На бизнес операторов связи это оказывает подстегивающий эффект: от повышения эффективности их традиционного бизнеса с точки зрения доходов и издержек до развития новых услуг и выхода на новые рынки.

Если говорить о внутреннем применении Больших Данных, то такие проекты красной нитью проходят через все процессы оператора. Они затрагивают доходную часть в плане привлечения абонентов, прогнозирования их оттока и удержания. Что касается сокращения издержек, то наиболее важны процессы управления сетью: оптимизация размещения вышек, идентификация проблем, управление трафиком.

Достигнув заметных успехов на внутренних проектах, операторы начали предлагать консалтинговые услуги, основанные на анализе данных, внешним потребителям.

В качестве примера можно привести оценку бизнес-привлекательности локаций с использованием агрегированных данных о потоках абонентов. Основными потребителями становятся предприятия розничной торговли, а также структуры, занимающиеся рекламой и недвижимостью. Кроме того, практически все компании, работающие в потребительском сегменте, волнует определение предпочтений клиентов, их поведение в Интернете и стиль жизни. Эти данные могут предоставлять и маркетинговые агентства, но данные мобильных операторов оказываются более достоверными, охватывая более широкую выборку. Если же говорить об анализе поведенческих факторов, то все более заметным становится «умное» страхование, как правило, осуществляемое именно в партнерстве с телеком-операторами.

В России большинство направлений использования Больших Данных находится в зачаточном состоянии – пока что мало компаний, ведущих такие проекты. Чуть ли не единственное исключение – финансовая сфера.

Банки в роли ледокола

«Если ключевыми поставщиками Больших Данных на сегодня остаются телеком-операторы, то ключевыми потребителями – банки», – считает Чистов. В 2014 году использование внешних данных для уточнения скоринговых моделей еще было инновационной диковинкой, но в 2015 году уже стало общепринятой практикой – стандартом для всех банков, активно занимающихся выдачей кредитов.

Сейчас очень мало кто обходится без дополнительных данных или по крайней мере не интересуется ими на этапе «холодного старта» – в самом начале отношений, когда банк ничего не знает о заемщике. Он хочет узнать как можно больше, чтобы на раннем этапе принять верное решение: по какой цепочке согласований отправить кредитную заявку, какие задать вопросы, чтобы снизить риски. При этом важно не перегнуть палку и не упустить добросовестных заемщиков.

«Большие Данные в банках используются в основном для того, чтобы получить извне дополнительную информацию о клиентах и улучшить работу с ними», – согласен Андрей Свирщевский, руководитель направлений аналитики и гарантирования доходов SAS в России и СНГ. Например, анализ текстовых данных из социальных сетей – типичный пример информации, используемой банками и имеющей доказанный эффект в виде повышения отклика при маркетинговых кампаниях на 15-30%.

Из прочих источников можно выделить поисковые запросы и данные о взаимосвязях между людьми, используемые в целях обогащения анкетных данных и уточнения скоринговых моделей.

«Не менее важно для любой организации уметь определять категории людей, с которыми вообще не следует работать», – отмечает Свирщевский.

Еще в 2010 году банки начали собирать на своих сайтах заявки на потребительские кредиты. Интернет – самый недорогой канал получения новых заемщиков, но он и самый неэффективный в плане качества клиентов. Банки очень скоро столкнулись с тем, что существующие системы оценки рисков часто отбраковывают такие заявки, увеличивая нагрузку на контакт-центр, а также число недовольных клиентов, получивших отказ без объяснения причин.

«Мы даем банкам возможность на базе внешних данных – например, о посещаемых сайтах и действиях в соцсетях – насыщать новыми знаниями модель принятия решений», – говорит Чистов. Это позволяет повысить процент выдачи кредитов с проходящего через сайт трафика, удерживая в разумных пределах процент рискованных кредитов.

Решение по скорингу на основе поведения клиентов в Интернете стало типичным проектом прошлого года. Очень многие банки онлайн-скоринг и быструю обработку заявок на кредиты пытаются перенести на свою площадку, но понимают, что заниматься агрегацией данных выгоднее с помощью специализированных компаний. Важно, что приобретаемые услуги включают в себя не только поставку «сырья», но и доработку моделей аналитиками, а также построение алгоритмов, которые учатся искать нужную банку аудиторию – с хорошей покупательской мощью, но склонную откликнуться на предложение о кредите.

Доступность Больших Данных широкому рынку порождает интерес к ним, и скоринг начинают использовать не только финансовые организации. Им стали заниматься ретейлеры, туристические и фармацевтические компании. Для всех актуальны сокращение нецелевой аудитории, оценка склонности людей к совершению покупок, определение фазы, на которой находится принятие решения о покупке, а также возможной ценности клиента. Однако именно банки стали ледоколом, проложившим Большим Данным дорогу к решению этой практической задачи. В 2016 году, вероятно, появится больше интересных проектов по тиражированию этого опыта производителями потребительских товаров – например, для программ лояльности. Пока это делают очень немногие компании, обладающие необходимыми данными и умеющие их быстро «упаковывать» в формат, с которым можно удобно работать – например, планировать рекламные кампании.

Пока без правил

На развитие рынка данных в будущем будут влиять три основных фактора: экономическая обстановка, наличие публичных проектов и внимание со стороны регулирующих органов.

Очевидно, если у компаний не будет денег на развитие, это будет тормозить и растущие сегменты рынка. Экономическая обстановка разделит компании на две части: будет стимулировать одних активнее переходить на интеллектуальные подходы к ведению бизнеса, а других заставит сконцентрироваться на решении краткосрочных задач. Первая группа уже, по сути, находится в процессе поиска и внедрения средств Больших Данных, а значит, в 2016 году должны появиться примеры успешного применения технологий анализа данных. Вполне зрелые решения уже существуют, их может использовать практически любая компания, имеющая хотя бы одного специалиста по анализу данных.

Как любой новый и быстрорастущий рынок, рынок данных рано или поздно привлечет внимание регулирующих органов. В этом случае отрасли необходимо четко представлять, какие сферы деятельности регулирование оздоровит и стимулирует, а какие не требуют поддержки извне.

«Что касается правового регулирования Больших Данных, то всё пока сводится к тому, что никакого специального регулирования нет, как это до определенных пор было с Интернетом», – говорит Андрей Середа, ведущий юрист DCA. По большей части все юридические вопросы, связанные с Большими Данными, находятся в зоне действия законов, регулирующих другие сферы деятельности. Прежде всего это закон об информации, который гарантирует свободу поиска и распространения информации и говорит, что информация – объект правовых отношений: ее можно покупать и продавать. Он же содержит набор ограничений и требований относительно того, как обладатель информации может ею распоряжаться, а что с информацией делать нельзя.

Естественным образом встает вопрос этики использования Больших Данных. Этика использования – это то, что возможно сделать технически и что допустимо с точки зрения закона. Пока в этой области нет никакого «кодекса чести», равно как и отсутствуют попытки его создать. Компаниям приходится действовать, руководствуясь своими понятиями о добре и зле.

Разрозненная информация из профилей пользователей социальных сетей может оказаться очень полезной для корпоративных служб HR и кадровых агентств, особенно если ее получение и анализ будут осуществляться на базе технологий Больших Данных. Первые попытки задействовать соответствующие инструменты уже предпринимаются. Компания SuperJob недавно инвестировала в проект построения первого в России сервиса высокоточного поиска информации о кандидатах в популярных социальных сетях.

SuperJob – один из ведущих российских порталов для поиска работы и сотрудников. Его руководство обратило внимание на то, что специалисты по подбору персонала сейчас активно используют социальные сети для поиска дополнительной информации о кандидатах – этот алгоритм используется практически на каждом втором российском предприятии. Однако инструмента, обеспечивающего надежность такого поиска в приемлемые сроки, до сих пор не было. И компания SuperJob предложила соответствующее решение. Ее новый сервис работает очень просто (с точки зрения пользователя): зарегистрированный на портале работодатель находит нужное резюме в базе данных, нажимает специальную кнопку и получает ссылки на все профили в социальных сетях, соответствующие данному кандидату. Если система «сомневается» в строгом соответствии результатов запросу, то работодатель получает оповещение об этом.

Инвестиции в данный проект компания считает незначительными и полностью оправданными, поскольку предоставление клиентам более эффективных инструментов для онлайн-поиска персонала – это часть естественного развития самой SuperJob.

Наталия Годжаева, генеральный директор SuperJob.ru «Стратегическая цель внедрения высокоточного поиска – это ускорение процесса подбора персонала нашими клиентами. Упрощение поиска профилей кандидатов в социальных сетях способствует достижению этой цели, а значит, и повышению качества сервиса SuperJob в целом»

«Стратегическая цель внедрения высокоточного поиска – это ускорение процесса подбора персонала нашими клиентами. Упрощение поиска профилей кандидатов в социальных сетях способствует достижению этой цели, а значит, и повышению качества сервиса SuperJob в целом», – отмечает генеральный директор SuperJob.ru Наталия Годжаева.

Предложенное решение поддерживает автоматический поиск профилей кандидатов в популярных социальных сетях: «ВКонтакте», «Одноклассники», «Мой Мир» и Facebook. Как отмечают представители SuperJob, сервис не имеет аналогов на российских платформах онлайн-рекрутмента. Решение значительно экономит время пользователей при сборе данных о кандидате, уменьшает число неэффективных личных встреч соискателя и работодателя, сокращает время закрытия вакансий, повышает точность подбора по уровню соответствия корпоративной культуре компании. Благодаря автоматизации поиска и высокой точности результата новый сервис позволит существенно сократить нагрузку на специалистов по подбору кадров.

Технология компании Double Data, на которой основано поисковое решение, концептуально близка технологиям Больших Данных. SuperJob выбрал ее по двум причинам.

Во-первых, это точность результата. «Мы сразу отказались от варианта сервиса без гарантии строгого соответствия найденных в социальных сетях профилей конкретному резюме – например, от поиска только по имени и фамилии кандидата. Это был бы ошибочный подход, и он усложнил бы работу менеджера по подбору, заставил его тратить время на ручную сортировку, увеличил вероятность ошибки. Вместо этого мы выбрали технологию, которая гарантирует точность поиска на уровне 99,8% и при этом полностью автоматизирована», – подчеркнула Годжаева.

Вместе с тем, как считают в компании, новый сервис SuperJob нельзя строго отнести к категории Больших Данных в их классическом понимании. Действительно, при поиске информации в социальных сетях сопрягаются огромные объемы данных, но на выходе пользователь не получает какого-то нового вывода. Речь идет лишь о проверке на соответствие определенных параметров профиля конкретного кандидата. Вот когда SuperJob научит свой сервис на основе анализа данных из социальных сетей делать достоверные прогнозы спроса и предложения на рынке труда (скажем, предугадывать спрос на конкретного специалиста по мобильной разработке), тогда это будут Большие Данные в полном смысле, отмечают в компании.

Вторая причина, по которой при построении нового сервиса SuperJob было отдано предпочтение выбранной технологии, – высокая скорость внедрения нового функционала. Как утверждают представители SuperJob, решение Double Data оказалось не только лучшим по результату поиска, но и легко интегрируемым. Сначала в компании рассматривали вариант внутренней разработки, однако, изучив возможные сценарии развития проекта, решили воспользоваться готовым решением, доработав его под собственные задачи.

Обновленный сервис был развернут в компании буквально за две недели, как собственно и планировали инициаторы проекта. Правда, этому предшествовали поиск решения, переговоры, оформление документов и прочие подготовительные итерации, на которые в общей сложности ушло примерно два месяца.

В ходе развертывания сервиса были задействованы незначительные технические и кадровые ресурсы: всего несколько человеко-часов понадобилось на интеграцию стороннего решения с основным сервисом и тестирование конечного решения. Дополнительно закупать оборудование или ПО не потребовалось. При этом были задействованы стандартные программы для создания фронт-энда и тестирования системы. Также в процессе запуска сервиса была проделана работа по кастомизации технологий под нужды HR-рынка.

Основной и главный результат этого проекта – объективное повышение качества поискового сервиса до уровня, который пока недоступен конкурентам, так заявляют в SuperJob. А с точки зрения пользователей, главный результат – это экономия времени. По оценкам специалистов SuperJob, с помощью нового сервиса активный профессионал может экономить до одного рабочего дня в месяц. Такую экономию легко перевести и на язык денег – выплаты рекрутеру за один день работы могут достигать нескольких тысяч рублей.

Сейчас SuperJob рассматривает варианты развития сервиса высокоточного поиска кандидатов в социальных сетях. Они также будут связаны с повышением качества и эффективности поисковой системы. Возможно, компания применит дополнительные фильтры поиска по уровню развития коммуникативных, управленческих и профессиональных навыков кандидатов, а возможно, будет сделан упор на поиск по рекомендациям к резюме и вакансиям среди знакомых специалистов.

Посмотрите, кто входит в число топ-менеджеров любой современной крупной компании, и вы наверняка увидите должности, которых еще несколько лет назад здесь не было: директор по данным (chief data officer), главный специалист по данным (chief data scientist), директор по аналитике (chief analytics officer) и т. д.

Данные присутствуют сегодня повсеместно и оказывают влияние не только на деятельность руководства компаний.

Вечная гонка в мире бизнеса заставляет компании собирать как можно больше данных как можно быстрее. При этом вопрос, как превратить эти огромные объемы в практическую ценность, оставляется на потом. Но сегодня это «потом» уже наступило, а в организациях ощущается острая нехватка специалистов по данным. К тому же планы по «выращиванию» таких специалистов имеются лишь в очень немногих компаниях.

Фактически на любом уровне организации сотрудники вынуждены иметь дело с растущими объемами данных, из которых необходимо извлекать полезную информацию. И сегодня требования к кандидатам на замещение любой вакантной должности серьезно изменились.

«Современные работники должны хорошо ориентироваться в данных, – указал профессор бизнес-анализа Университета Цинциннати Джеффри Камм. – Быть ученым по данным требуется не от каждого, но каждый должен учиться использовать данные для принятия более обоснованных решений».

Легко сказать, однако реализовать такое на деле весьма непросто. Разрабочики корпоративного программного обеспечения уже начали внедрять в свои продукты новые, более простые инструменты, но в большинстве случаев задачи адаптации рабочей силы к меняющимся требованиям все равно ложатся на плечи компаний и вузов.

«Насколько я вижу, на практике сотрудников сегодня нужно готовить к двум основным ролям – аналитика данных и потребителя данных, – отметил Камм. – Уже сейчас предлагается более 100 программ подготовки аналитиков и исследователей данных с выдачей диплома магистра – гораздо больше, чем было всего несколько лет назад. Университеты прислушиваются к пожеланиям отрасли и разрабатывают очень хорошие программы в области анализа. Более сложной задачей мне представляется поиск наилучшего способа обучения оставшейся части персонала, начиная от администраторов торговых залов и операторов контакт-центров и заканчивая представителями высшего руководства. Независимо от их роли фундаментальный вопрос заключается в следующем: какими навыками анализа данных должен обладать человек для более качественного выполнения своей работы?»

К примеру, Университет Цинциннати предлагает различные курсы профессиональной подготовки в области обработки и анализа данных: «Современные методы добычи данных», «Анализ в Excel», «Предписывающий анализ: постановка и решение задач оптимизации» и целый ряд других.

Однако подобные программы пока остаются редкостью. «В целом университеты традиционно не преуспевают в обучении будущих менеджеров математическим и статистическим методам, – указал Том Дэвенпорт, профессор Колледжа Бэбсона, один из авторов курса количественного анализа. – Студенты не особо любят количественный анализ. А дополнительная неделя, выделяемая на эту дисциплину, посвящена скорее факторному анализу, чем количественному анализу в целом. И это большая проблема».

Ее решением занялся стартап DataCamp. Компания, основанная полтора года назад, предлагает студентам и профессионалам в области информационной экономики доступные интерактивные интернет-курсы, посвященные анализу данных.

В программе курсов рассматриваются темы визуализации данных, динамических отчетов, программирования на языке R и Больших Данных. Однако ее авторы не придерживаются традиционных академических форматов. При изучении материала используются короткие видеоуроки и интерактивные задачи по программированию. Доступ к ним осуществляется через браузер. Некоторые занятия проводятся бесплатно, а желающие получать материалы в полном объеме могут оформить подписку стоимостью 25 долл. в месяц или 250 долл. в год. Стандартных дипломов DataCamp не выдает, но студенты получают значки и сертификаты о прохождении определенных курсов обучения.

«В течение первого года у нас прошли обучение 100 тыс. человек, – сообщил один из основателей и генеральный директор DataCamp Джонатан Корнелиссен. – Это показывает, что в мире существует реальная потребность в изучении анализа данных. Мы же видим свою миссию в поиске новых подходов к обучению по соответствующей тематике. Около 70% студентов DataCamp являются профессионалами, работающими в мире бизнеса. В своей деятельности им приходится постоянно сталкиваться с данными, которые требуют визуализации и понимания».

Будущие планы интернет-школы предусматривают создание курсов по очистке данных, манипулированию ими и моделированию.

Образовательные программы – лишь один из подходов, помогающий сотрудникам воспринимать данные по-новому, но далеко не единственный. Некоторые организации отдают предпочтение другим – гораздо более необычным направлениям.

Центр эпигеномики Медицинского университета им. Альберта Эйнштейна в Нью-Йорке поддерживает контакты с художником Дэниелом Коном, который помогает по-новому взглянуть на генетические данные.

«Мне интересен сам процесс создания смысловой нагрузки, – заметил Кон, проработавший в течение десяти лет художником в Институте Броуда, где занимаются расшифровкой генома. – Люди полагают, что все, что мы видим, существует на самом деле, и нам всего лишь нужно это усвоить».

Родившийся в Индии и выросший во Франции, Кон впитал в себя множество различных культур, а художественное образование помогает ему придерживаться необычных подходов. «Согласно общепринятому мнению, любую ситуацию можно рассматривать с разных точек зрения, – говорит он. – На полотне мы изображаем предмет не таким, какой он есть на самом деле, мы рисуем его с учетом определенных традиций».

Аналогичным образом, при взгляде на научные данные очень важно иметь точное представление о научных традициях, положенных в основу избранного подхода, а также понимать, что традиции эти являются не единственным возможным вариантом.

На любом уровне организации сотрудники вынуждены иметь дело с растущими объемами данных, из которых необходимо извлекать полезную информацию

Распространено мнение, что для оперирования Большими Данными нужны лишь более мощные машины и улучшенные алгоритмы. «На мой же взгляд, для понимания окружающей нас реальности нужны новые метафоры, – считает Кон. – Истории, закладывающие новый смысл. Для мира, который меняется вокруг нас, нужны новые, соответствующие ему правила».

«Подход Кона может быть полезен, – признал директор Центра эпигеномики Джон Грейли. – Его сила заключается в его наивности и оторванности от темы. После показов он задает вопросы. Почему эта диаграмма представлена в синих и красных тонах? Что, если после щелчка по точке откроется новое измерение? У него отличное визуальное восприятие, и это заставляет нас искать что-то новое. Есть надежда, что, побуждая ученых выходить за рамки традиционного для них мышления, он зародит искры понимания, имеющие самые неожиданные источники».

«Многие открытия совершались благодаря счастливому случаю, – указал Кон. – Ученые испытывали озарение, не имеющее рационального объяснения».

«Таким образом, нам нужны новые инструменты визуализации, позволяющие выносить интуитивные суждения о данных и не требующие полного представления о функционировании систем, – сделал вывод Грейли. – Партнерство наше продолжается всего полтора года, и оценивать все его преимущества еще слишком рано. Пока же можно сказать, что выбираемые нами сейчас формы визуального представления сложнее, чем традиционно используемые стандартные температурные карты и диаграммы разброса».

«Аналитики принимали косвенное участие в принятии бизнес-решений в прошлом, но сегодня в этом процессе им отводится фактически центральная роль», – заметил Кирк Борн, ученый по данным и профессор Университета Джорджа Мейсона.

А это, в свою очередь, требует новых подходов, основанных на множестве различных дисциплин. Компаниям же нужен достаточно широкий круг сотрудников, обладающих навыками анализа данных.

Оркестр, все музыканты которого владеют инструментом одного типа, не добьется больших успехов. Команда должна состоять из исследователей данных, которые дополняют друг друга и способны вместе выдать отличную музыку.

– Katherine Noyes. Companies must teach employees how to swim in new oceans of data.IDG News Service. 05/01/2015

Если бы производительность труда 90% работоспособного населения Земли внезапно снизилась по причине тяжелого заболевания, был бы объявлен мировой кризис.

Но во многих организациях подобная «эффективность» труда является нормой.

Согласно недавнему отчету Gallup, только 13% сотрудников по всему миру вовлечены в работу в степени, которую можно охарактеризовать словами «энтузиазм, заинтересованность и настрой на активную деятельность». Оставшиеся 87% работников либо безразличны, либо отлынивают, либо «подспудно враждебны по отношению к организации».

Учитывая очевидную связь вовлеченности и продуктивности, подобная статистика не может не пугать. Решить проблему все чаще пытаются путем внедрения игрофикации.

Игрофикация – это не превращение всего рабочего процесса в игру, как можно подумать. Скорее это использование игровых принципов в неигровых сценариях для решения какой-либо задачи или мотивации участников. «Игрофикация подразумевает создание системы стимулов, направленных на то, чтобы побудить сотрудников придерживаться желательной линии поведения», – поясняет Джанаки Кумар, глава подразделения SAP Strategic Design Services, один из авторов книги «Gamification at Work: Designing Engaging Business Software», посвященной построению бизнес-приложений по принципам игрофикации.

Метод начали активно применять около пяти лет назад, но с недавнего времени поднялась новая волна его популярности. По прогнозу аналитиков TechNavio, мировой рынок средств игрофикации в ближайшие несколько лет будет в среднем увеличиваться ежегодно почти на 70%. Столь высокие темпы обусловлены в числе прочего выходом на работу «цифровых аборигенов» – поколения, имеющего доступ к цифровым технологиям с раннего детства. Такие работники больше готовы идти на риск и сильнее нуждаются в откликах, чем предыдущие поколения. Игрофикация во многом помогает удовлетворению этих потребностей.

Освоению игрофикации способствует развитие систем Больших Данных, социальных сетей и корпоративной мобильности.

«Большие Данные – двигатель игрофикации, – подчеркивает Кумар. – Анализируя информацию о пользователях, получаемую из социальных сетей и с мобильных устройств, можно влиять на поведение работников при помощи игровых принципов».

Рейтинги передовиков, традиционно используемые для мотивации торговых агентов, теперь применяются гораздо шире. Появились многочисленные мобильные приложения, переносящие игровые методы на CRM-платформу Salesforce. К примеру, одно из них, Badgeville for Salesforce, превращает процесс продаж в серию «миссий». Пользователи зарабатывают значки и баллы, а аналитические инструменты выдают статистику по отдельным сотрудникам и общей динамике.

В 2013 году в SAP ввели в действие игровой модуль, чтобы повысить активность на онлайн-ресурсах пользовательского сообщества SAP Community Network. Он позволяет создавать «миссии» для отслеживания активности, которую желательно простимулировать, присваивать баллы и отмечать лучших в таблице экспертов. В числе результатов внедрения нового модуля – рост активности на 400% и повышение объема пользовательских отликов на 96%.

Анализируя информацию, получаемую из социальных сетей и с мобильных устройств, можно влиять на поведение работников при помощи игровых принципов Источник: Incent Games

По сути, игрофикация – это обращение к природе людей и поиск действенных стимулов, побуждающих к необходимым для компании действиям, будь то увеличение продаж товара или выбор предпочтительного поставщика при закупках.

«От аграрной эпохи мы перешли к индустриальной, затем – к информационной, а сейчас наступила эпоха концептуальная, – объясняет Кумар. – Мы измеряем продуктивность не объемом произведенного зерна или числом заполненных бланков, а количеством новых идей. Поэтому вовлеченность сотрудников в миссию компании имеет первостепенное значение».

Действиями большинства людей руководят четыре основных побуждающих фактора, уверен Стив Симс, директор по проектированию Badgeville. Для некоторых работников, к примеру, стимулом является жажда успеха – они непрерывно соревнуются друг с другом. Для таких хороши таблицы лидеров, подстегивающие азарт. Другим необходимо чувство причастности, для третьих самый сильный стимул – возможность продемонстрировать свои интеллектуальные способности (Stack Overflow, сайт вопросов и ответов для программистов, – яркий пример того, насколько сильным мотиватором для некоторых может быть признание их заслуг в качестве экспертов). Есть также те, кому необходимо ощущение структуры, избавление от неуверенности, – таким может быть достаточно наглядного индикатора, показывающего степень продвижения к цели.

Разумеется, стимулы, используемые в игрофикации, должны иметь реальную ценность в глазах участников, чтобы избежать эффекта «брокколи в шоколаде» – ощущения неудачной попытки замаскировать под игру нечто скучное, указывает Симс.

«Я не могу заставить вас делать то, что вы не хотите, но я могу попробовать добиться цели, дав то, что вам интересно, так мы оба окажемся в выигрыше», – добавляет он.

Возможно, одно из лучших применений игрофикации состоит в том, чтобы заставить сотрудников пользоваться программными решениями, в которые вложила деньги компания.

«Игрофикация позволяет во многом улучшить корпоративное ПО, но я бы выделил возможность заинтересовать работников самими приложениями», – подчеркнул Симс. По его сведениям, нередко доля сотрудников, пользующихся корпоративным ПО, не превышает 50%, но игрофикация при выборе верных стимулов позволяет значительно улучшить ситуацию.

Эффективные механизмы игрофикации – движущаяся мишень. Меняться могут не только приоритеты компании, но и факторы, мотивирующие сотрудников. «Необходимо следить за показателями и действиями служащих, постоянно адаптируя игрофикационные инициативы», – указывает Кумар.

По ее мнению, поскольку игрофикация становится неотъемлемой частью архитектуры ПО, через несколько лет сам термин выйдет из употребления: «Сегодня мы оцениваем программную систему по тому, насколько рационально и эффективно с ее помощью пользователь может выполнять задачу и насколько он доволен результатом. В будущем в первую очередь будет рассматриваться, настроен ли пользователь выполнить задачу и то, каким образом можно побудить его к этому. А это и есть суть игрофикации».

– Katherine Noyes.Can gamification solve enterprises’ engagement problem? IDG News Service. 04/27/2015

Компания McLaren перенесла усвоенные в «Формуле-1» уроки в мир автомобилей и электроники, а кроме того, активно применяет накопленный исследовательский, аналитический и конструкторский опыт в промышленности, фармацевтике и в сфере массмедиа. В январе 2015 года McLaren официально сменила название на McLaren Technology Group, что само по себе подчеркивает новый вектор ее развития. В группу входит и учрежденная в 2004 году собственная аналитическая фирма McLaren Applied Technologies. Сначала ее специалисты фокусировались на совершенствовании решений по техническому обслуживанию автомобилей «Формулы-1» и повышению их скоростных характеристик. Но впоследствии этот опыт нашел применение в других областях. Услугами MAT воспользовались крупные британские промышленные и нефтедобывающие компании. Разработанную в McLaren систему предсказывающей аналитики теперь используют клиенты аудиторской фирмы KPMG (между McLaren и KPMG заключен десятилетний контракт).Технологии McLaren нашли свое применение и в медицине: в партнерстве с Оксфордским медицинским колледжем MAT разрабатывает инструменты, позволяющие анализировать действия хирурга в ходе операции, чтобы сделать их более эффективными. О том, как и почему участник престижных автомобильных соревнований трансформируется в крупного поставщика цифровых технологий, лучше других знает ИТ-директор McLaren Technology Group Стюарт Биррелл. Он убежден, что соперничество в гонках «Формулы-1» всегда лежит на стыке технологий, инженерного искусства и спорта.

ИТ-директор McLaren Technology Group Стюарт Биррелл

Амбиции, чтобы побеждать

В знаменитой команде McLaren выступали настоящие легенды автоспорта: Эмерсон Фиттипальди, Джеймс Хант, Никки Лауда, Ален Прост, Айртон Сенна и действующий чемпион мира Льюис Хэмилтон. Однако McLaren – не только команда «Формулы-1», это еще и ведущий мировой разработчик электроники для автомобильной отрасли и автогонок, успешно конкурирующий в последние годы в области спорткаров со своим соперником по гонкам, командой Ferrari, и с лидерами в сфере производства суперкаров Aston Martin и Porsche.

«Все, что мы делаем, связано с технологиями, – подчеркнул генеральный директор компании Рон Деннис. – Это создание самых современных автомобилей, сотрудничество с ведущими мировыми игроками, помогающее им повышать эффективность своей продукции, и разработка самых надежных в мире электронных систем управления. Наше новое название отражает упор на инновации и проектирование передовых технологий, оказывающих далеко идущий позитивный эффект».

Вместе с тем «Формула-1» по-прежнему остается для McLaren основным полем деятельности. Гонки укрепляют дух соперничества, становятся движущей силой инноваций, позволяют привлекать самых лучших инженеров, ученых и аналитиков, а растущая популярность «Формулы-1» способствует формированию уникальной глобальной маркетинговой платформы. Команда существует, чтобы побеждать, и ничто не может помешать ей наращивать свои амбиции.

В таких условиях пост ИТ-директора группы три года назад занял Стюарт Биррелл.

«Мир жесток, когда вы не побеждаете, – заметил Биррелл. – Мы проходим публичные тесты перед лицом 170 млн человек. Гонки «Формулы-1» – очень жесткая среда, которая всегда находится в центре общественного внимания. И вы защищаете в ней свои цвета». В последние годы команду McLaren потеснили на подиуме Brawn, Red Bull, а в 2014 году – и Mercedes. Компания по-прежнему имеет сильные позиции, но на протяжении последних двух сезонов ее воспринимали скорее как покупателя двигателей Mercedes, а не мирового лидера. И это при наличии гонщиков самого высокого класса, таких как Дженсон Баттон.

Но бизнес рос, несмотря на имеющиеся трудности. McLaren поддерживает тесные связи с одним из лидеров фармацевтической отрасли, компанией GSK, у которой в центре McLaren Technology Centre имеются собственные здания. В «Формуле-1» победителей и проигравших разделяют порой ничтожные доли секунды, и данные, характеризующие любую деталь автомобиля, гонки, оборудования или команды, должны тщательно анализироваться с целью поиска возможных улучшений. Этот процесс анализа и самоизучения сближает GSK и McLaren. По словам Биррелла, McLaren сохраняет конкурентоспособность, потому что остается лидером в части выявления проблем, а для таких предприятий, как GSK, это имеет неоценимое значение.

Управляемые данными

«Наша система ERP построена на технологиях SAP HANA и служит для управления финансами, закупками и материалами, – сообщил Биррелл. – Все расчеты прибыли и убытков базируются на HANA. В первом квартале 2015 года автомобильный бизнес находился на подъеме и мы стремились охватить все его аспекты. Существуют разные способы оценок, и наша компания использует несколько вариантов построения отчетов и получения информации, помогающей принимать решения. Изменения происходят на итерационной основе».

Мощь облачных инструментов HANA позволяет McLaren обрабатывать огромные массивы данных и моделировать самые разные параметры, которые могут повлиять на исход гонки.

«Наша победа в гонках зарождается здесь, – заметил Биррелл, указывая на здание McLaren Technology Centre, построенное по проекту знаменитого архитектора Нормана Фостера. – Глубокий анализ помогает нам принимать во время заездов решения в реальном времени. Сценарии планируются заранее, а в ходе гонки мы лишь определяем, какой из них будем использовать. Способность гонщиков, таких как Дженсон Баттон, и поддерживающего их инженерного персонала выполнять множество действий на высочайших скоростях вызывает восхищение. На победу работает вся команда. Анализировать неполную информацию нужно с холодной головой, и делаем мы это в центре управления в графстве Суррей. На жаре в Абу-Даби заниматься этим невозможно. В воскресенье во второй половине дня данные поступают в центр управления. Там на облачной платформе моделируются 350 млн ситуаций, которые могут возникнуть в ходе гонки. Благодаря моделированию результат прогнозируется с учетом множества возможных сценариев и постоянно меняющейся обстановки. На каждом круге регистрируются 3 тыс. параметров. Большие Данные позволяют нам проанализировать историю за последние десять лет. Таким образом, возвращаясь в прошлое, мы прогнозируем будущее».

Если у вас имеются данные о реальной эффективности автомобиля, результаты испытаний в аэродинамической трубе и данные моделирования, то с инженерной точки зрения вы можете предсказать, как поведет себя тот или иной компонент еще до того, как он сделан. Поэтому на все проектирование уходит два часа, а не три недели. Обладая данными, которые собираются из заезда в заезд, можно заранее, еще до начала гонки, выбирать стратегию и принимать решения о пит-стопах.

«Когда я пришел в компанию, меня поразила возможность принимать решения на основе уже рассмотренных сценариев, – вспоминает Биррелл. – В реальном времени принятие решения сводится к выбору одного из готовых сценариев».

Нужно понимать, что на протяжении всего года результаты десяти ведущих автомобилей отличаются на 300 миллисекунд, и выгодная позиция на старте имеет огромное значение для исхода гонки.

«Во многих аспектах обработки и анализа данных мы являемся первопроходцами, – подчеркнул Биррелл. – Вы можете связать данные друг с другом, но что дальше? В «Формуле-1» все чаще находит отражение концепция, которую сегодня называют Интернетом вещей. Информация с датчиков, установленных на различных компонентах автомобиля, поступает в команду. В огромных объемах данных для «Формулы-1» нет ничего нового». Но, как уже успели понять многие руководители ИТ-служб, один лишь факт обладания ими еще не обеспечивает конкурентных преимуществ. И в компании McLaren, являющейся мировым лидером, естественно, задают себе вопрос: зачем объединять их и какие конкурентные преимущества можно извлечь из этого объединения? Методы обработки информации, предложенные McLaren, не только помогли добиться успеха в гонках «Формулы-1», но и стали основой достижений команды Великобритании на Олимпийских играх 2012 года.

«Готовясь к Олимпиаде, мы изучали возможности человека, оценивали физические последствия деформации стопы и старались понять, какую ценность можно извлечь из этой информации, – пояснил Биррелл. – Мы поддерживали тесную связь с командой Великобритании, и опыт оказался весьма успешным. На соревнованиях в Лондоне наши соперники, в частности французы, объясняли огромный успех наших велосипедистов на треке волшебными колесами, которые и обеспечили нам преимущество. Интернет вещей и Большие Данные могут приносить немалый доход, но сами по себе они никакой ценности не представляют. Нужны средства бизнес-анализа, с помощью которых люди могли бы извлекать из этих данных полезную информацию и генерировать ценности для бизнеса». Биррелл и McLaren умело используют развивающиеся технологии Интернета вещей, стоимость которых по мере роста их популярности падает.

«Гонки становятся движущей силой инноваций, позволяют привлекать самых лучших инженеров, ученых и аналитиков»

Торговые агенты

«Все мы нуждаемся в поддержке спонсоров, – отметил Биррелл. – Это отличная возможность изучить тонкости бизнеса, ведь нам постоянно приходится искать новые маркетинговые решения и привлекать новых партнеров. В ходе общения с клиентами я превращаюсь в торгового агента, а когда разработчики приходят к нам продавать свои приложения, мы меняемся местами». В 2015 году главными спонсорами компании стали SAP, Intralinks и топливная компания Mobil.

Перед приходом Биррелла McLaren представляла собой три отдельных бизнес-подразделения, каждое из которых имело собственный гараж и ценило свою независимость. «На упорядочивание бизнес-модели и стандартизацию архитектуры ушло немало времени, но эти усилия окупились многократно, – вспоминает Биррелл о прошедших трех годах. – Я составлял план на год-полтора, причем не только для гоночных, но и для обычных автомобилей, поскольку этот бизнес при нынешних темпах развития технологий рос очень быстро».

Маркетинговое подразделение McLaren хотело получить возможность безопасной совместной работы с реальными деловыми документами. Поскольку для инженерной организации, которой является McLaren, вопросы интеллектуальной собственности очень важны, отношение к инструментам совместной работы здесь сложилось весьма консервативное. Но, чувствуя себя проводником преобразований, Биррелл и здесь выступил в роли активного посредника. Результатом стало внедрение в масштабах всей организации средств Intralinks, создавших условия для безопасной совместной работы.

«Два дня у нас ушло на то, чтобы перейти к стандартному хостингу и согласованному проектированию, и теперь все работает очень-очень хорошо, – отметил Биррелл. – Проведенные мероприятия помогли наладить самообслуживание и показали, что устойчивое взаимодействие организовать не так уж сложно». Сейчас в команде Биррелла работает 70 человек.

«Подбор грамотных специалистов отнимает немало времени, – признался он. – Мы относимся к числу производственных организаций, конкурируя при этом и с представителями лондонского сектора финансовых услуг. Но людям нравится работать здесь».

Побродив по поражающему своей архитектурой McLaren Technology Centre, мы были удивлены тем, насколько спокойно Биррелл и вся команда McLaren относятся к неудачам двух последних сезонов, когда ее пилотам не удалось выиграть ни одного из этапов Гран-при.

«Культура гонок меняется, мир движется вперед, и нужно анализировать, что приносит успех, – указал Биррелл. – А отследить все происходящие изменения непросто». Один из его коллег, демонстрируя аэродинамическую трубу, признал, что важность работ в этой сфере в компании недооценили. Аэродинамика является слабым местом последних моделей McLaren, тогда как конкуренты, включая команду Red Bull, представляющую производителя газированных напитков, в этом весьма преуспели.

«Анализировать неполную информацию нужно с холодной головой, и делаем мы это в центре управления в графстве Суррей»

Выход из тени

«Даже если я не дам разрешения, они все равно найдут способ обойти запреты, ведь здесь работают умные люди, – заметил Биррелл, когда речь зашла о теневых ИТ. – Нужно обучать людей работе с теми продуктами, которые они используют. Инженеры хотят, чтобы все было просто. У меня нет возможности контролировать все технологии. Характер их применения и объединения определяется сегодня самими пользователями, хотя так было не всегда. ИТ развиваются, и люди впитывают в себя все новое, как дети, изучающие окружающий мир. Говорить здесь о теневых ИТ не вполне корректно. Ведь без ИТ не будет инноваций, которые генерируют для бизнеса вполне реальные ценности. Так что мы – скорее инструкторы, а не подразделение, дающее на любые вопросы и предложения отрицательный ответ. Вся ИТ-команда вовлечена в бизнес, выступая в роли консультантов и тренеров. Даже специалисты, которые занимаются инфраструктурой и традиционно не имеют непосредственных контактов с клиентами, начинают сегодня взаимодействовать с широким кругом ученых и инженеров. Все сотрудники технического отдела должны поддерживать связь с представителями бизнеса. Это совершенно иная модель, она отличается от того, к чему я привык».

Следующим культурным вызовом для McLaren должно стать переосмысление рабочих взаимоотношений с Honda и создание команды-победительницы, способной свергнуть с пьедестала нового чемпиона мира Льюиса Хэмилтона и Mercedes (которые, кстати говоря, учились побеждать в альянсе с McLaren).

– Mark Chillingworth | 26 February 2015 | CIO UK. McLaren CIO Stuart Birrell interview – The F1 data race

В онлайн-ретейлере Wikimart в результате внедрения Hadoop создан инструмент, генерирующий существенную долю продаж сайта компании: при более чем скромных инвестициях получен заметный для бизнеса результат, и его можно реплицировать в других компаниях. На пути к эффективному использованию Больших Данных компания накопила огромный опыт, но и убедилась, что технологии не всегда оправдывают ожидания.

Интерес к технологическим новинкам зачастую опережает понимание, для решения каких бизнес-задач они могут быть полезны. Поэтому первые проекты, где модные концепции находят вполне практическое применение, всегда привлекают к себе внимание. Полученный первопроходцами опыт избавляет от иллюзий, делая взгляд на инновации более трезвым, а оценку потенциала — реалистичной, тем самым открывая путь к их широкому использованию в бизнесе.

Технологии Больших Данных уже перевалили через «пик завышенных ожиданий» на кривой Gartner (Hype Cycle) и начали спуск по «желобу разочарований», тем не менее об их зрелости говорить преждевременно. Такое мнение высказал Александр Аникин, руководитель аналитического отдела Wikimart, на форуме Big Data 2015, организованном издательством «Открытые системы». По его словам, практика показывает, что, несмотря на очевидный прогресс за последние годы, Hadoop все еще остается сырой технологией, инструменты Apache не выдерживают критики, а система управления данными неудобна.

Однако это не означает, что Большие Данные нельзя заставить работать на бизнес уже сегодня. Просто абсолютному большинству компаний, представляющих средний бизнес, не нужны супертехнологии, им вполне достаточно реляционных СУБД. А концепция Big Data, вокруг которой сегодня так много шума, не решает основных проблем эффективной работы с данными: ни технологических, которые могла бы решить, ни управленческих, которые она решить и неспособна.

Чтобы извлечь из Больших Данных реальную пользу, необходимо прежде всего четко представлять, для решения каких задач они подходят, и правильно подбирать средства для решения этих задач, учитывая сильные и слабые стороны как новых, так и уже имеющихся инструментов. Компании Wikimart удалось сделать это, выстроив с помощью Hadoop систему формирования рекомендаций для покупателей.

Матрица рекомендует

Wikimart — крупный торговый онлайн-центр, где на одной площадке представлены свыше 2 млн товаров от более чем 1,5 тыс. интернет-магазинов. Онлайн-ретейлеры загружают информацию о своих товарах на сайт гипермаркета и обрабатывают поступающие через него заказы. Выставленные на продажу товары автоматически попадают в общий каталог и становятся доступными покупателям. По сути, Wikimart — это сервисная компания, упрощающая процесс онлайн-торговли для ретейлеров, которые платят агрегатору разовую сумму за активацию своего партнерского счета, абонентскую плату в зависимости от размера выручки на площадке и комиссию 1–15% от каждого созданного заказа.

Благодаря ресурсам, вкладываемым в привлечение трафика, поисковую оптимизацию и контекстную рекламу, на сайт гипермаркета заходят более 300 тыс. посетителей в день. Компания регулярно анализирует поведение пользователей на сайте и оптимизирует дизайн, интерфейс и функционал площадки, чтобы повысить так называемую конверсию — долю посетителей, ставших покупателями. При этом в построении аналитической инфраструктуры Wikimart очень экономна и инвестирует в нее лишь тогда, когда это действительно необходимо. Аналитическая платформа Wikimart основана на классическом стеке Microsoft Business Intelligence и отдельно стоящем Hadoop-кластере на десять серверов, который работает на решении Cloudera. Из множества источников, в числе которых сайт, веб-счетчик, учетная система «1С», комплекс Asterisk-решений, данные пользователей, MySQL, а также сервисы контекстной рекламы «Яндекс.Директ» и Google AdWords, данные стекаются в классическое хранилище.

«Большинство шагов, прописанных в умных ИТ-руководствах по созданию хранилища данных, не приносят никакой пользы бизнесу, — говорит Аникин. — Мне всегда немного стыдно за то, что у нас работа с данными бывает организована не «по науке» — иногда мы просто переносим данные из источника в хранилище, особо не контролируя их целостность и не проверяя никакие справочники, и все работает, никто не жалуется. На конференции Big Data я понял, что можно назвать это Data Lake и не волноваться по этому поводу».

Между тем общий объем данных сам по себе не очень велик и составляет чуть больше 2 Тбайт. Сотрудники, имеющие доступ к хранилищу, пользуются OLAP-кубами, отчетами, сделанными по электронной почте или в веб-форме, пишут прямые запросы к витринам. Кроме того, хранилище обменивается данными с другими ИТ-системами компании в автоматическом режиме. Через такие механизмы осуществляется ценообразование, управление рекламой и формирование рекомендаций покупателям.

Реализованный в конце 2011 — начале 2012 года проект создания собственной системы внутренних рекомендаций для улучшения показателей конверсии и совершенствования взаимодействия пользователей с сайтом изначально был исследовательским. Для 2 млн товаров на сайте необходимо было построить матрицу попарных корреляций векторов просмотров этих товаров. Особенность этой задачи такова, что на входе данных не очень много, на выходе — еще меньше, но в процессе обработки возникают большие промежуточные вычисления, моментально забивающие винчестеры объемом по 10 Тбайт.

Поскольку существующее хранилище данных с поставленной задачей не справлялось, было выбрано решение Cloudera — практически единственное тогда бесплатное пакетное решение на базе Hadoop. Сырая на тот момент технология стала самой большой сложностью проекта. «Многие вещи делались впервые, почитать про опыт было практически негде, — вспоминает Аникин. — Но мы намеревались не просто поиграть технологиями, у нас была конкретная практическая задача, которую мы не могли решить обычными средствами».

В результате внедрения Hadoop создан инструмент, генерирующий существенную долю продаж сайта Wikimart.

Аникин считает проект эффективным: при более чем скромных инвестициях получен заметный для бизнеса результат, и его можно реплицировать в других компаниях: «К примеру, мой коллега Роман Зыков, главный идейный вдохновитель проекта внедрения Hadoop, стал одним из основателей проекта RetailRocket.ru, который предлагает сервис рекомендаций для интернет-магазинов в формате облачного решения».

В аналитическом подразделении Wikimart сейчас ведется два крупных технологических проекта: построение внутренней системы планирования и бюджетирования на базе Microsoft OLAP Writeback, а также перенос в Hadoop части задач классического хранилища данных и усложнение логики преобразований, которую в рамках обычной базы данных нельзя было реализовать из-за ограничений по производительности. В первую очередь речь идет об анализе ассортимента, мониторинге загрузки товаров магазинов на площадку и других подобных задачах. Но все, что можно сделать с помощью обычной базы данных за разумное время, с ней и делается, подчеркнул Аникин.

Отдел синергии

С учетом опыта, полученного в Wikimart при внедрении Hadoop, основные барьеры на пути к эффективному использованию Больших Данных можно разделить на технологические и организационные.

К технологическим относятся принципиальная возможность обработки данных и скорость этой обработки, которые могут быть ограничены имеющимися серверными мощностями и финансовыми ресурсами на их расширение. Сюда также можно отнести недостаточную точность и полноту данных, которые в сыром виде непригодны для использования в бизнес-аналитике.

В числе организационных барьеров Аникин назвал пресловутый разрыв между бизнесом и ИТ, а также одну из важнейших проблем: высшее руководство большинства компаний слабо понимает, зачем в принципе нужны эти технологии. Отсюда вытекает и низкая востребованность результатов работы с высокотехнологичными инструментами. А значит, необходимо обязательно добиваться синергетического эффекта ИТ и бизнеса, без этого невозможно эффективно использовать технологии Больших Данных, как, впрочем, и многие другие технологии.

Не менее сложным препятствием может оказаться недостаточная квалификация кадров для решения возникающих аналитических и ИТ-задач. Многие считают, что Hadoop — это дешево, но на самом деле это не так. Чтобы его развернуть, поддерживать и отлавливать ошибки, требуются очень высококвалифицированные специалисты, а такие на рынке сейчас в дефиците. Поэтому часть средств, которые в компании привыкли инвестировать в платформу, придется вкладывать в оплату труда.

«Деньги лучше тратить не на супертехнологии, а на «суперлюдей», способных дать фантастический результат даже на cвободном ПО, чего обычные люди не смогут даже с самыми космическими технологиями», — таков ключевой совет Аникина. Технологии сами по себе проблемы эффективной работы с данными не решают, и специалисты среднего уровня, скорее всего, ее тоже не решат, пока технологии не станут достаточно зрелыми.

По мнению Аникина, проблемы управленческого характера решить гораздо важнее, чем технологические. И если Большие Данные помогают справиться с вопросами возможности и скорости обработки данных, то к остальным барьерам в бизнесе пока еще только начинают подступать.

Компании должны научиться также задавать «правильные» вопросы к Большим Данным, поскольку точные и правильные данные необходимы огромному количеству людей, принимающих стратегические решения. А так как это совершенно новая компетенция, то один из подходов, который можно использовать для ее проникновения в компанию, — создание центра глубокой экспертизы Больших Данных.

Проблемы же с точностью и востребованностью данных решает наука о данных — Data Science, которая сейчас взбирается по кривой зрелости технологий, выстроенной аналитиками Gartner, на «пик ожиданий», в то время как Большие Данные уже начали с него сваливаться. Впрочем, учитывая отставание российского рынка от западного, Большим Данным еще только предстоит покорить вершину ожиданий. Но если срок созревания Больших Данных оценивается в 5–10 лет, то для Data Science этот период составляет от двух до пяти лет, а значит, барьеры недостаточной точности и востребованности данных могут быть преодолены гораздо быстрее. Функцию работы с данными следует выделить в специальный отдел, а в штате должна появиться должность директора по данным. Необходимость организационно обособить функции Data Science постепенно начинает осознаваться и в России, заметил Аникин. По его мнению, именно в отделе по работе с данными должна решаться проблема синергии бизнеса и ИТ. Кроме того, при наличии выделенной структуры будет заметно легче продвинуться в работе с данными на уровне топ-менеджмента.

«Хочется надеяться, что проблемы эффективной работы с данными решит Data Science, но время покажет», — заключил Аникин.

Интернет-компании, онлайн-ретейлеры и мобильные операторы уже давно строят на Больших Данных свой бизнес. Банки же в силу традиционной консервативности входят в «клуб Больших Данных» относительно поздно — только сейчас. Сбербанк, имея больше по сравнению с другими возможностей, ступил на эту стезю раньше многих: подразделение, занимающееся внедрением инновационных решений, у него появилось еще в 2011 году. По проработанности подхода его можно отнести к лидерам, а накопленный опыт позволяет избегать многих ловушек, принимая взвешенные решения в области развития используемых платформ.

Аналитики Gartner относят зрелость технологий Больших Данных к этапу скатывания по «желобу разочарований», когда несоответствие между ожиданиями от технологий и их возможностями порождает заметный скепсис. Когда же встретятся ожидания и возможности Больших Данных?

«Аналитики оценивают эти показатели в комплексе, с точки зрения всех секторов экономики. Однако в некоторых из них Большие Данные не только достигли ожиданий, но и превысили их», — полагает Анджей Аршавский, директор центра компетенции супермассивов данных «Сбертеха». Эти технологии появились в поисковых системах, когда Google и Yahoo, будучи еще стартапами, пытались «перемолоть» Интернет. Для них задача стояла достаточно просто: на дешевых серверах было необходимо обрабатывать гигантские массивы данных, и эта задача была решена. Затем технологии Big Data перешли в сегмент интернет-торговли, где тоже прекрасно себя зарекомендовали — например, магазины-гиганты стали использовать их в рекомендательных системах. Во многом именно Большие Данные позволили этому бизнесу процветать. Не так давно мы стали наблюдать проникновение Больших Данных и в деятельность мобильных операторов.

Банки входят в «клуб Больших Данных» только сейчас, относительно поздно. Это происходит не потому, что Большие Данные до сих пор им не были нужны, а в силу традиционной консервативности. Тем не менее такой процесс неизбежен.

Инновации — разрушающие и созидающие

Бретт Кинг, автор книги «Банк 3.0», привел последовательность инноваций, вызывающих разрушение традиционной банковской системы. Оно началось с приходом Интернета и социальных сетей, давших возможность выбирать банк не по месту жительства, а более осознанно. Приход смартфонов позволил взаимодействовать с банком из любого места; попутно возникли мобильные кошельки, дав возможность обходиться без карточек и наличных. Сейчас уже ставится под вопрос необходимость наличия банковского счета: например, Facebook анонсировал возможность переводов денежных средств между участниками сети.

Следующими в этой цепочке становятся Большие Данные: они позволяют персонализировать предложения, причем эта персонализация может выйти за пределы банка. Какие-либо сторонние площадки могут заключать договоры с клиентами от имени банков, оказывая им дополнительные услуги на основе имеющейся информации.

«Таким образом, от использования Больших Данных напрямую зависит прибыль банка. Поэтому вопрос необходимости их использования уже не стоит», — констатирует Аршавский.

Как эволюционирует работа с данными и в какой момент они становятся «большими»? Исторически ИТ обслуживали рутинные операции банков, и это давно стало нормой. Затем возникла потребность в бизнес-аналитике и информации, которая позволяла бы управлять деятельностью банка. Эти технологии тоже уже являются классическими.

Но вот бизнес захотел использовать информацию в том контексте, который актуален в данный момент времени. Так к внутренней информации о клиенте добавились данные из внешних источников. Следующим этапом стал подход к информации как к рычагу инноваций: возникло такое понятие, как data driven innovation. Для бизнеса стала важна способность получить доступ к любым данным в любой момент времени — даже если заранее непонятно, для чего именно, в процессе анализа могут родиться новые бизнес-идеи. Наконец, сейчас информация становится источником конкурентных преимуществ, помогая создавать молниеносные персонифицированные предложения и даже менять акцент бизнес-стратегии, обрабатывая данные в реальном времени.

Последние три стадии относятся к категории Больших Данных.

BI и Big Data — в чем разница?

Часто эксперты пытаются дать ответ, в чем заключается различие подходов Больших Данных и традиционной бизнес-аналитики. Понятно, что на первый взгляд они очень похожи и имеют много общих деталей. Однако разница ощутима, хотя многие не могут ее четко формализовать.

Во-первых, системы класса Big Data изначально ориентированы на работу с разнородными данными. Во-вторых, они закрывают потребность компании во внешних источниках данных, в то время как бизнес-аналитика базируется на существующих в компании внутренних источниках. Кроме того, систему Больших Данных можно построить на стандартном оборудовании, тогда как BI-системы требуют гораздо более дорогих аппаратных решений.

Последним по очереди, но не значению является наличие решений с открытым кодом. Да, на рынке появляется все больше производителей готовых коммерческих систем и программно-аппаратных комплексов, но начать можно с решений open source. Низкая цена входа и быстрый старт очень важны с учетом того, что риски проектов пока оцениваются как высокие и нет массового понимания необходимости этих технологий со стороны менеджмента среднего звена.

Анджей Аршавский, директор центра компетенции супермассивов данных «Сбертеха»

Мощь данных недооценивается

«Как один из крупнейших банков, мы видим, что данные являются важнейшим активом, и актив этот пока недооценивается и недоиспользуется. Мало кто умеет эффективно накапливать и обрабатывать данные в том виде, в котором они сейчас востребованы», — говорит Аршавский. Данные в банках часто бывают разрознены между системами и недоступны для совместного анализа. Это является большим препятствием для их обработки. К тому же мало кто в банковской среде умеет использовать открытые данные и данные Интернета. Тем не менее эта тема становится одной из самых актуальных.

Известна оценка Gartner, согласно которой 70% усилий в работе с данными приходится на их первоначальную обработку, очистку, загрузку и подготовку. Чтобы стать пригодными для эффективного анализа, данные нуждаются в реинжиниринге и переформатировании. Только 30% относится непосредственно к анализу и построению моделей. Это становится большой проблемой, частично порождающей разочарование в технологиях Больших Данных.

В условиях, когда не решена задача интеграции данных и размещения в едином поле, доступном для анализа, большая нагрузка возлагается на команды, работающие с первоисточниками — теми системами, из которых пытаются выгрузить данные для аналитики. В крупной компании зачастую несколько команд пытаются сделать с данными что-то полезное, дублируя усилия друг друга.

«Мы хотим создать единый инструментарий, который поможет решить вопросы как с доступностью данных, так и с их интеграцией», — подчеркивает Аршавский. Эта система должна позволить различным службам банка использовать ее в своих целях, а не идти путем построения отдельных систем, решая одни и те же проблемы снова и снова.

Аршавский выделяет четыре ключевых направления использования Больших Данных, имеющих наибольший потенциал. Во-первых, конечно же, должен быть сделан акцент на работе с клиентами, причем как с физическими, так и с юридическими лицами. Тремя остальными направлениями становятся борьба с мошенничеством, оптимизация работы HR, что крайне важно для любой крупной организации, и оптимизация рабочих процессов — например, обслуживания банкоматов.

Задачи работы с клиентами постепенно становятся классическими и решаются всеми банками. Им важно привлечь новых клиентов на основе анализа информации из Интернета о людях, не являющихся клиентами банка, удержать клиентов — предсказать их отток и выявить ключевые причины, влияющие на него. Повысить прибыльность бизнеса помогают вторичные продажи и персонализация предложений.

Под мошенничеством же понимаются и внешние, и внутренние угрозы — внутри банков тоже часто присутствуют проблемы. Мошенники прогрессируют, используют все более хитрые схемы, и обычными средствами их вычислить очень тяжело, поэтому важно использовать как внутреннюю, так и внешнюю информацию о поведении собственных сотрудников.

Big Data: как важно быть наглядным

Визуализация данных не только дает более четкую картину, но и порой помогает выявить скрытые связи.

В условиях, когда отношение к Большим Данным, по мнению аналитиков, сменилось с восторженного на настороженное, «пробивать» соответствующие проекты стало более затруднительно. Как полагает Андрей Скворцов, директор группы компаний «Меркатор», специализирующейся в области инфографики, помочь в этом может наглядная визуализация данных. На форуме Big Data 2015, организованном издательством «Открытые системы», он предложил три простых правила представления данных в наглядном виде. Визуализированные данные должны вызывать удивление, показывать контрасты; кроме того, необходимо представлять все данные — иначе они будут не столь убедительны.

Первым «визуализатором» стал французский математик и астроном Урбен Леверье, наиболее известный своим открытием Нептуна «на кончике пера». После того как шторм в ноябре 1854 года изрядно потрепал англо-французский флот под Севастополем, французский император Наполеон III обратился к ученому с вопросом относительно предсказуемости такого рода явлений. Леверье изучил и изобразил траекторию урагана, попутно предложив основать сеть метеорологических станций для заблаговременного отслеживания природных катаклизмов. Император, удивленный невиданными доселе картинками движения атмосферных фронтов, дал добро.

Качественная иллюстрация лучше тысячи слов расскажет о том, в каких странах энергетики «ставят» на ветер и воду, а в каких — на уголь и мирный атом Источник: «Меркатор»

С этих карт Леверье, считает Скворцов, и началась визуализация данных. Она позволяет сделать данные более наглядными — например, отобразить ход застройки центра Москвы по годам, представить транзакции Сбербанка в реальном времени или показать, в каких странах Европы предпочитают маленькие ветровые электростанции, в каких — большие атомные и тепловые. А порой она дает возможность вскрыть некоторые прчинно-следственные связи, особенно при работе с малоформализуемой информацией. Так, графически ото­бразив взаимоотношения в коллективе, можно найти в нем отчетливые группы друзей. Или понять, как в реальности повлиял на динамику продаж приход нового руководителя.

Самый поучительный пример формально касался степени совпадения динамики бюджета США с прогнозами относительно этой динамики. Прогнозы, как отметил Скворцов, были двух типов: «Все хорошо» и «Сейчас не очень, но скоро все будет хорошо». Реальность несколько отличалась, и, по словам директора «Меркатора», такая ситуация характерна для госучреждений отнюдь не только нашего заокеанского партнера.

- Дмитрий Гапотченко, заместитель главного редактора Computerworld

 

Для экспертов, и не только

Принимая решение о построении платформы Больших Данных, следует руководствоваться детализацией задач, которые банк хочет решить. Задачи могут быть самые разнообразные: от поставки данных, их очистки и интеграции до создания «рабочего стола аналитика», предоставляющего инструментарий и права доступа к данным с поддержкой всего цикла аналитической работы. Отдельным вопросом является доверие к информации. Оно особенно актуально, когда речь идет о внешних источниках, но и внутренние данные тоже могут быть противоречивыми. Этот спектр задач в идеале должна решать платформа Больших Данных.

Как полагает Аршавский, имеет смысл вести работы по двум направлениям. В первую очередь речь идет о том, чтобы загрузить как можно больше сырых данных, связать их воедино, сделать доступными на Hadoop и дать экспертам доступ к ним. Одновременно следует разработать аналитическую платформу, которая позволит работать с агрегированными показателями, выделяя наиболее яркие, значимые атрибуты на основании информации, доступной в разных источниках. Это могут быть показатели надежности и уровня потребления сервиса, вероятность покупки нового автомобиля или того, что заемщик не вернет кредит. Их можно использовать как для формирования комплексных предложений клиентам, так и для «обучения» построенных моделей.

«Мы сталкивались с совершенно непредсказуемыми ситуациями, когда одним из значимых факторов в модели становилось окончание фамилии человека или время, потраченное на заполнение анкеты», — говорит Аршавский. Заранее неизвестно, на каких показателях будет основываться модель, сигналом может быть все что угодно. Любой незначительный на первый взгляд признак в масштабах бизнеса может стоить в прямом смысле миллиарды.

Таким образом, в результате планируется создать две зоны работы с платформой Больших Данных: зону анализа ad hoc (лат. Ad hoc — «по месту») для прямой работы исследователей с данными и зону приложений, которые будут интегрироваться в бизнес-системы. В результате платформой смогут пользоваться не только аналитики, но и маркетологи, служба безопасности, специалисты продаж.

Много компаний в предыдущие годы вложили значительные средства в создание мощной ИТ-инфраструктуры. Реализация проектов Больших Данных — возможность наконец заставить ее отрабатывать инвестиции.

Задачи, которые приходится решать компаниям при реализации проектов Больших Данных, являются отнюдь не технологическими. Найти данные не проблема. Например, каждый человек оставляет в Интернете много «следов», которые различные организации могут использовать в своих целях. Однако извлечь из данных пользу получается далеко не всегда из-за дефицита бизнес-идей. Главная задача компаний — правильное предложение услуг, исходя из ситуации, в которой находится клиент, и адекватная реакция на его действия. Кроме того, корректное встраивание аналитики Больших Данных в операционные процессы становится ключевым фактором, во многом определяющим ее эффективность.

«Бизнес-аналитики в нашей компании работают с Большими Данными с 2005 года, задолго до того как получил распространение термин Big Data», — подчеркивает Виктор Булгаков, руководитель департамента управленческой информации «ВымпелКома». По его словам, большинство потоков данных больше 100 Гбайт в день можно относить к категории Больших Данных: они требуют определенной культуры работы, специфических процессов. Компании удалось создать эту культуру. Свидетельство тому — постоянный рост числа пользователей средств бизнес-аналитики, увеличение объема хранимых и обрабатываемых данных. В условиях повышения требований к качеству и оперативности информации это становится особенно востребовано бизнесом. Технологии ориентированы на повышение уровня клиентского сервиса, а также улучшение качества корпоративного управления.

«Бесцельно собирать все данные подряд — это путь в никуда. Данные без экспертов — балласт, тормозящий развитие бизнеса», Виктор Булгаков, руководитель департамента управленческой информации компании «ВымпелКом»

«Очень важно, когда руководитель принимает своевременные решения на основе достоверной информации. Это может быть как большим, комплексным отчетом, так и информационной панелью всего на один экран, за которой скрываются десятки терабайт данных и миллиарды записей», — говорит Булгаков.

«У нас действительно много данных — больше, чем у нефтяников, а в части информации о конкретном абоненте они даже шире, чем у Google. Поисковики “знают” все, с чем пришел к нему пользователь, а мы знаем, куда он ходил, кроме Google» — констатирует Алексей Мартынов, директор департамента развития и сопровождения ИТ-систем ОАО «МГТС». Кроме того, люди все чаще выходят в Интернет с мобильных устройств, что дает массу дополнительных знаний. Известно, где человек находится в данный момент, что смотрит, какую рекламу ему показывают, определен его круг общения. Способов организовать взаимодействие с человеком также гораздо больше: мобильный телефон у многих никогда не выключается.

«Появление технологий Больших Данных никак не сказалось на количестве новых продуктов, их качестве, скорости их вывода на рынок. Скорее, оно отразилось на понимании того, кому и какие услуги следует продавать — на таргетировании наших предложений», — считает Мартынов. Для любого телеком-оператора важно четко понимать, кому и какой продукт можно продать и с какой вероятностью предложение будет принято.

Объять ли необъятное?

Эксперты разделились на два лагеря: одни говорят, что нужно хранить все доступные данные, появляющиеся в поле зрения компании, другие же считают, что нельзя объять необъятное — а потому собирать и накапливать следует лишь те данные, необходимость в которых на данный момент реально существует.

«При определении потенциальной ценности данных следует действовать через исследовательские проекты», — рекомендует Мартынов.

Многое зависит от возможностей, которые есть у компании, но, как полагает Булгаков, правильно расставив приоритеты, можно выделить достаточные ресурсы. Если предстоит собрать по-настоящему большой объем данных, это должно быть продиктовано экономической целесообразностью. И опыт множества компаний является тому подтверждением.

«Я могу себя отнести к людям, которые говорят, что бесцельно собирать все данные подряд — это путь в никуда. Необходимы приоритеты, и помочь в их определении способны эксперты по данным, — считает Булгаков. — Кстати, данные без экспертов — балласт, тормозящий развитие бизнеса. Повышение же уровня экспертизы, напротив, позволяет достичь максимальной отдачи инвестиций в технологии и данные».

Фразу «Давайте возьмем данные и извлечем из них пользу» многие часто слышат от руководителей после посещения конференций по Big Data. Это прекрасная возможность дать старт проекту и уже на первом этапе создать «фабрику идей». Фабрика идей — эффективный подход, когда идеи бизнеса централизованно собираются, тестируются для оценки их полезности и лучшие претворяются в жизнь. Это процесс непрерывного превращения идей в работающие решения.

«Должна быть отдельная команда, ориентированная в первую очередь на идеи. Пока известно очень мало случаев, когда такие генераторы идей равномерно распределены по подразделениям компании», — замечает Мартынов. По его словам, сейчас ситуация аналогична той, что была в начале компьютерной эры. Нужна группа «молодых и голодных», выдвигающих разные, иногда на первый взгляд безумные, идеи, реализацией которых занимается ИТ-департамент.

«Выделенные люди, освобожденные от рутины, могут быть более эффективны в творческих задачах», — согласен Булгаков. Однако оторванность от практических задач сужает круг возможностей, и здесь нужен разумный баланс креативности и технологий.

Инструмент не для всех

«Часто поставщики ИТ-решений, говоря о Больших Данных, подразумевают некий бренд, который хорошо продается. В бизнес-среде такая технология воспринимается как элитная», — констатирует Булгаков. Но, несмотря на новые особенности обработки данных, ее суть осталось прежней. При этом в компаниях однозначно вырос уровень аналитической культуры. Многие перешли от Excel к работе с профессиональными статистическими пакетами, курс обучения работе с которыми занимает считанные дни.

Как полагает Булгаков, освоение технологий Больших Данных можно ускорить, эта технология — буквально шаговой доступности. Конечно, мечта стать за несколько дней полноценным исследователем данных (data scientist) слишком оптимистична, но такая мечта необходима.

Часто можно услышать высказывания, что ширина познаний важнее, чем их глубина. Например, исследователь данных в статистике разбирается лучше программиста, но хуже, чем профессиональный статистик, — это программист среднего уровня с навыками статистического анализа. Но главная сила исследователя данных — в знании предметной области: он знает, где искать столь необходимые «золотые крупицы».

В 2013 году «ВымпелКом» удивил ИТ-сообщество оригинальным стартом проекта Big Data. При нулевых начальных инвестициях за несколько недель удалось силами энтузиастов создать из подручных рабочих станций кластер Hadoop. Это позволило проверить несколько идей и выйти к бизнесу с новыми инициативами.

«Только что получивший автомобильные права человек на болиде “Формулы-1” уедет не дальше первого поворота», — иронизирует Мартынов. Он уверен, что Большие Данные — действительно не для всех: без выстраивания в компании «традиционной» системы бизнес-аналитики обойтись нельзя.

«Я выделяю три уровня аналитики: отчетность, data discovery и Большие Данные», — говорит Мартынов. Отчетность построить проще всего, ее задача — отвечать на вопрос, как разделяются покупатели, скажем, синих машин по возрасту, полу, доходам. Следующий уровень — аналитика, отвечающая на более абстрактные вопросы, например: что общего между покупателями синих машин и чем они отличаются от покупателей красных машин? Таким образом изучаются склонности клиентов. Третий уровень — Большие Данные, когда на базе огромного массива разнородных данных о покупателях компания пытается найти совершенно неочевидные взаимосвязи между покупкой синей машины и склонностью к потреблению Интернета.

«Не пройдя первые два этапа, невозможно применять на практике результаты, получаемые на третьем», — уверен Мартынов.

Для запуска проекта Больших Данных в первую очередь нужна вера руководства компаний в то, что эти решения могут иметь ценность для бизнеса, а такое пока неочевидно. Без Больших Данных сегодня работают многие крупные компании, и часто успешно. Кроме того, на рынке пока мало людей, имеющих опыт подобных проектов — позитивный или негативный — и готовых применить его в другой компании. Собрать сильную команду сложно и дорого.

Как уверен Мартынов, технологии Больших Данных, подобно инструментам data discovery (исследования данных), будут становиться все более простыми, ориентированными на конечного пользователя. Если раньше инструменты анализа даже относительно небольшого объема данных были инструментом ИТ-специалистов и требовали серьезных вычислительных мощностей, то несколько лет назад технологии исследования данных в десятки терабайт уже стали доступны бизнес-пользователям без специализированного образования.

Сейчас технологии Больших Данных находятся на стадии «бизнес думает, а ИТ исполняют». Но рано или поздно в массы придут инструменты, позволяющие без проблем оперировать петабайтами данных. Кроме того, будет наблюдаться объединение хранилищ разнородной информации с целью создания кросс-запросов. Выгода от поиска в никогда ранее не пересекавшихся данных может быть неожиданно большой.

Булгаков выделяет важность расширения функционала аналитических систем. Все игроки на рынке стараются создать универсальное решение, покрывающее все потребности компаний. Будем надеяться, что в будущем на столе бизнес-аналитика появится эффективный инструмент, поддерживающий все ключевые технологии и методы обработки данных, включая кластеризацию, машинное обучение, текстовый анализ, геоаналитику, визуализацию данных и т. п. Это позволит существенно повысить продуктивность фабрики идей и увеличить возврат от инвестиций.

Потенциал данных

Особый успех у клиентов «Билайна» имела система антиспама, ставшая хорошим примером раскрытия потенциала данных. В конце 2013 года в контакт-центр «ВымпелКома» было много обращений на тему спама. В результате оперативно разработали специализированную систему, благодаря которой удалось снизить уровень спама более чем в 80 раз, радикально сократив число жалоб от абонентов.

«Исследуя петабайты данных, мы понимаем, что разрабатываем золотую жилу, и каждый день дарит новые открытия», — резюмирует Булгаков. В планах компании подключение большего числа источников данных. Целесообразность их подключения определяется ценностью для бизнеса.

В МГТС на направление Больших Данных выделены определенные средства, и его дальнейшая судьба во многом будет зависеть от эффективности реализуемых сейчас проектов. Разумеется, с развитием способов генерации идей начнется экспоненциальный рост объемов данных, которые потребуются для их реализации. Остается надеяться, что это отразится и на росте доходов.

Основные проблемы Больших Данных Источник: Accenture, 2014

Валюта впечатлений

«Не следует давать клиентам скидки, бонусы и подарки. Наша задача — платить за лояльность валютой впечатлений, и именно тут аналитика Больших Данных должна сказать свое веское слово», — уверен Максим Мозговой, директор по CRM «Промсвязьбанка».

Нынешние маркетинговые инициативы большинства организаций направлены на то, чтобы купить лояльность клиента, а не на то, чтобы сделать эмоционально приятным его взаимодействие с компанией. Клиент чувствует, что его подкупают, и естественным в этом случае является желание продаться подороже.

Почему важно использовать все доступные данные о поведении клиента для предсказания его действий? Чем больше данных компания накопит, тем с большей точностью может быть предсказана вероятность снижения лояльности или приобретения того или иного продукта. Алгоритмы Больших Данных и машинного обучения позволяют с высокой степенью точности предсказывать тот или иной вариант развития событий. Однако все технологии упираются в бизнес-инициативы — идеи, которые должны быть подтверждены реальными изменениями в бизнесе. Сейчас большая проблема не в том, чтобы внедрить какую-либо систему, а в том, чтобы понять, какую ценность она будет приносить бизнесу.

«Что скажет владелец, если со склада вдруг исчезнет 10% товаров? Вероятно, такое событие стало бы поводом как минимум для служебного расследования. А что происходит, когда мы теряем 10% клиентов? Ничего, компания продолжает работать», — удивляется Мозговой. Это говорит о том, что бизнес не понимает ценности клиентов. Компания уподобляется дырявому ведру — наполняется новыми продажами, но и заметно теряет. И никто не знает, насколько ведро дыряво.

В результате ценностью клиентской базы никто не управляет и работа с ней не имеет особого смысла. Лишь относительно недавно телеком-операторы осознали это и начали активно внедрять решения для управления оттоком клиентов. В банках тоже стали анализировать ценность клиентской базы.

«Все зависит от денежного потока, который клиент не только генерирует в настоящий момент, но и сможет генерировать в будущем. По большому счету, надо предсказать, что нам принесет клиент в перспективе, и на основании этого понять его ценность. Только так можно определить потенциал этого клиента», — подчеркивает Мозговой.

Большие Данные уйдут в облака

Более половины крупных предприятий планируют использовать публичные облака для работы с Большими Данными.

Не секрет, что многие ИТ-менеджеры крупных компаний не слишком доверяют публичным облакам: они не уверены в их надежности и безопасности. Однако это мнение может измениться — по крайней мере, в отношении обработки Больших Данных.

Исследование, проведенное Gigaom Research, обнаружило, что 53% крупных компаний либо уже используют возможности облаков для аналитики Больших Данных, либо планируют делать это. Лишь 13% заявили, что для решения аналитических задач будут использовать исключительно собственные ЦОД.

Многие компании начинают рассматривать облачную модель использования аналитики Больших Данных как стратегически важную. Облака содержат в себе ключ к следующей фазе использования Больших Данных, когда анализ будет осуществляться по требованию пользователей, причем немедленно.

Отрасли, наиболее агрессивно движущиеся в сторону облачной модели, включают производство, ИТ и потребительскую электронику, а также финансовый сектор и торговлю. Они не просто думают о возможностях облачной модели, но и активно исследуют ее как свою будущую ИТ-платформу.

Использование облачных технологий для работы с Большими Данными Источник: Gigaom Research, 2015

Как правило, нереализованный потенциал возникает из-за отсутствия релевантных предложений и эффективных кросс-продаж, а также прямого ухода клиента. Сумма этих показателей представляет собой упущенную выгоду от неверного управления клиентской базой. Бизнес не всегда понимает, что эти вещи могут быть посчитаны, и роль ИТ заключается в просвещении.

Можно привести простой пример того, как учет одного фактора позволяет коренным образом изменить взгляд на эффективность маркетинговых кампаний. Рассмотрим стандартную ситуацию: у компании есть база с данными 1 млн клиентов, и маркетинговая кампания в виде «ковровой бомбардировки» генерирует 1% отклика — при этом получается 10 тыс. откликов. Допустим, каждый отклик генерирует 125 руб. увеличения ценности клиента. Получаем общий эффект 1,25 млн руб. Обычно маркетологи на этом останавливаются и считают свою задачу выполненной. Но на самом деле это не так: клиенты, не ответившие из-за нерелевантного предложения, снижают вероятность отклика при последующих обращениях. Если вероятность отклика снижается хотя бы на 0,5%, организация в результате небрежно проведенной кампании теряет гораздо больше, чем получает: ценность клиентской базы разрушается быстрее, чем создается.

«Задайте себе вопрос: как быстро вы разрушаете ценность своей клиентской базы? Скорее всего, на такой вопрос никто ответить не сможет», — уверен Мозговой. В компании отсутствует не просто понимание ситуации, но и сама бизнес-функция. Это дает право ИТ-специалистам, осознавшим положение дел, выйти с предложением о ее создании.

Следует использовать существующие наработки, позволяющие управлять клиентским опытом как одним из факторов, влияющих на ценность клиентской базы. Одним из вариантов является создание центра управления клиентским опытом на основе данных о поведении клиента, получаемых в реальном времени, и информации из социальных сетей. Важно собирать не только то, что клиенты пишут в Интернете, но и их слова при звонках в контакт-центр, эмоции при взаимодействии с персоналом в точках продаж. Сейчас существуют решения так называемой эмоциональной аналитики, позволяющие распознавать речь и осуществлять поиск по ключевым словам — упоминаниям конкурента, негативным эмоциям, а также проводить анализ тембра голоса и мимики. Эти данные составляют единый поток для анализа поведения клиента, и именно они во многом помогают предсказывать его поведение в будущем.