Business Intelligence. Системы бизнес-анализа: базовые понятия и решения. Ключевые инструменты BI Что такое би ай
Аналитический обзор: BI в России 2009
Аналитики центра TAdviser завершили подготовку открытого обзора рынка платформ для бизнес-анализа (BI), представленных на российском рынке. На этой странице Вы можете прочитать наиболее интересные разделы обзора.
Преимущества использования BI-системы
Системы для бизнес-анализа решают очень широкий спектр задач. Так, «ближним горизонтом» является мониторинг, анализ и корректировка оперативных целей:
поддержка развития бизнес-процессов и структурных изменений предприятия;
возможность моделирования различных бизнес-ситуаций в единой информационной среде;
проведение оперативного анализа по нестандартным запросам;
снижение рутинной нагрузки на персонал и высвобождение времени для более глубокой аналитической работы;
устойчивая работа при увеличении объема обрабатываемой информации, возможность масштабирования.
В части поддержки стратегического развития предприятия BI-системы обеспечивают:
оценку эффективности различных направлений бизнеса;
оценку достижимости поставленных целей;
оценку эффективности использования ресурсов, в том числе дочерними предприятиями;
оценку эффективности операционной, инвестиционной и финансовой деятельности;
бизнес-моделирование и оценку инвестиционных проектов;
управление затратами, налоговое планирование, планирование капитальных вложений.
На сегодняшний день, по оценкам экспертов из Gartner, с BI-приложениями активно работают только 15-20% бизнес-пользователей, остальные же считают системы для бизнес-анализа чересчур сложными для использования. Однако активное развитие средств для интерактивной визуализации данных и дальнейшее распространение интернет-технологий должны будут в скором времени улучшить ситуацию.
По мнению аналитиков компании MiPro Consulting, внедрение в организации самостоятельной BI-системы обеспечивает целый ряд преимуществ перед использованием аналитических инструментов, встроенных в другие корпоративные информационные системы. Среди таких преимуществ BI-системы:
большая наглядность и удобство работы с информацией для бизнес-пользователей, в том числе из числа топ-менеджмента;
возможность использования несколько аналитических решений для различных направлений деятельности в масштабах всего предприятия, а не в рамках отдельных подразделений;
позволяет извлекать, анализировать и консолидировать данные практически из любых источников;
базируется на промышленной, поддерживаемой и развиваемой BI-платформе;
имеет статус самостоятельного, стратегического, критически важного для бизнеса приложения;
обеспечивает необходимую масштабируемость, эффективность, производительность;
позволяет выстраивать и поддерживать в масштабах всей организации сквозные процедуры и процессы обработки, единые централизованные аналитические модели и проекты;
содержит встроенные инструменты для решения различных и разнообразных аналитических задач, как с точки зрения бизнеса, так и с точки зрения ИТ;
обеспечивает доступ к данным и аналитическим инструментам большего числа пользователей.
Использование же аналитических инструментов, встроенных в другие корпоративные информационные системы, например класса ERP или CRM, имеет, как правило, следующие ограничения:
ограниченный набор реализованных аналитических инструментов, одинаковых для всех пользователей, независимо от их ролей и задач;
возможность использования для анализа только собственных, внутренних данных, при этом информация из других систем остается недоступной, а данные из различных источников не могу быть консолидированы;
отсутствие развитых встроенных инструментов для анализа приводит к тому, что система используется лишь для извлечения хранимых в ней данных, которые затем экспортируются и анализируются в Excel;
ERP и CRM системы, как правило, имеют ограниченное число пользователей, что «отсекает» от аналитики большое число сотрудников компании, которым эта информация была бы полезна и интересна (существенное увеличение же числа пользователей снижает производительность транзакционных систем);
транзакционные системы обычно не содержат всех необходимых для проведения анализа показателей, не включают в себя такие инструменты, как информационные панели (dashboards), ставшие уже стандартом для представления аналитической информации;
результаты анализа в таких системах представляются обычно в виде табличных отчетов или диаграмм, что не позволяет получить детального и всестороннего представления о реальном положении дел и не дает ответа на многие возникающие вопросы;
возможности создания гибких пользовательских (ad-hoc) запросов ограничена;
ограничено использование больших объемов накопленной исторической информации.
Выбирая или обновляя систему для бизнес-анализа следует продумать способы хранения и интеграции данных, средства визуализации и аналитики.
Хранение данных
Если перед компанией стоит задача выявления долгосрочных или периодических трендов, то есть пользователям необходимо анализировать исторические данные, поступающие из различных подразделений в течение последних 3-5 лет, то, скорее всего, следует тщательнее продумывать организацию ETL-операций для загрузки данных в хранилища данных.
Если же компании или какому-либо из ее подразделений необходимо анализировать информацию ежемесячно или еженедельно, то оптимальным решением будет выделение и организация для этих целей (для каждого из подразделений или для решения конкретных задач) отдельных витрин данных, также с применением ETL-инструментов.
Если же компания планирует анализировать оперативные данные в режиме, приближенном к реальному времени (то есть обновляемые несколько раз в течение дня), то, возможно, следует отказаться от организации хранилища данных и обратить внимание на проработку средств интеграции на основе промежуточного виртуального слоя метаданных с проработкой соответствующих интерфейсов и алгоритмов (по принципу EII).
Интеграция данных
Как уже отмечалось выше, если целью внедрения BI-системы является решение отдельных, конкретных задач, то целесообразно ограничиться организацией витрин данных. При этом использование никаких отдельных интеграционных алгоритмов не потребуется.
Если же, напротив, BI внедряется с целью получения единого, целостного взгляда на общее состояние бизнеса, то без создания централизованного хранилища данных и, соответственно, внедрения необходимых ETL-инструментов, пожалуй, не обойтись. Кроме того, для получения действительно адекватной картины бизнеса необходимо обратить особое внимание на обеспечение высокого качества анализируемых данных, а для этого потребуется внедрение расширенного набора средств для их «очистки» - выявления неполных или ошибочных данных, дублирующейся информации, приведения данных из различных источников к единому формату.
Если же в компании делают акцент на изучении оперативных данных, то следует продумать средства репликации и обеспечения доступа.
Визуализация и аналитика
В зависимости от поставленных задач, а также от квалификации пользователей, выбираются и средства для визуализации данных – контрольные панели, карты показателей, отчеты, OLAP-кубы.
Для опытных, квалифицированных пользователей оптимальным инструментом станут OLAP-кубы, которые позволят им проводить глубокий и развернутый бизнес-анализ, с необходимой степенью детализации.
Пользователи, которые в своей повседневной деятельности сталкиваются с необходимостью принятия управленческих решений, а также анализа эффективности бизнеса, заинтересованы в организации рабочего места в виде контрольной панели, на которой в виде наглядных шкал и индикаторов отображается состояние бизнеса в целом, с возможностью переключения между отдельными направлениями деятельности.
Рядовым менеджерам необходимы средства для решения своих текущих задач, контроля хода выполнения отдельных видов операций, а также для контроля деятельности своих сотрудников (каждого отдельного работника и команды в целом). Кроме того, для организации четкого взаимодействия со смежными подразделениями (или регионами) необходимо иметь возможность получать представление о ходе выполнения взаимосвязанных задач.
Вертикальное или горизонтальное решение
На рынке существуют как горизонтальные BI-решения, в которых реализован набор общеприменимых инструментов, так и специализированные вертикальные решения, «заточенные» под конкретные отрасли или задачи. И те, и другие имеют свои достоинства и недостатки.
Преимуществом горизонтальных решений может считаться их способность расти вместе с организацией. Такие решения обычно масштабируемы и могут охватывать все направления деятельности и все подразделения крупной компании, а также легче поддаются изменениям. Обратной стороной такой широты возможностей является необходимость более длительной и тщательной настройки решений, адаптации под конкретные требования. Проекты внедрения становятся более дорогостоящими, а требования к ИТ-специалистам – более высокими.
Вертикальные решения, со своей стороны, не требуют отдельной длительной и трудоемкой настройки для решения специфических задач и для соответствия требованиям отраслевых регламентирующих организаций (финансовых, медицинских и т.п.). Однако может оказаться, что различные подразделения в рамках одной структуры не смогут использовать единое решение, и потребуется освоение и интеграция нескольких различных систем для бизнес-анализа.
Те организации, которые и в настоящее время, и в будущем планируют заниматься своей специфической деятельностью, требующей соблюдения определенных строгих регламентов, скорее всего, выиграют именно от внедрения вертикальных решений. Если же уверенности в такой приверженности определенному виду деятельности в будущем нет, и велика вероятность того, что специализация компании значительно расширится, то выбор вертикального BI-решения является определенным риском.
Использование бизнес-аналитики повышает качество и оперативность управленческих решений, а также помогает управлять бизнес-процессами, что приводит к повышению конкурентоспособности компании. Это стало одной из главных причин значительного всплеска интереса к решениям класса BI (business intelligence), который IDC отмечает в России с 2010 года.
Эксперты спорят о функциональности информационных систем, позволяющих проводить бизнес-анализ. Но сам процесс работы с аналитическими данными и предназначенное для этих целей ИТ-решение – совсем не одно и то же. Прежде чем приступать к внедрению BI-системы, компания должна подготовиться к ее использованию: формализовать бизнес-процессы, определить точки сбора информации, типы собираемых данных и цели, с которой эта информация будет использоваться. После этого можно говорить о конкретных инструментах BI, необходимых бизнесу.
Бизнес-аналитика отличается от ручного анализа показателей в таблицах Excel примерно как самолет от дельтаплана. Вопрос далеко не только в скорости. Ведь BI – это автоматизация процесса сбора информации и построения отчетности. В то время как работа с Excel предполагает, что анализируемые данные кто-то должен собрать из всех информационных источников компании, привести к единому шаблону и уже потом формировать отчеты.
Велика и разница в результатах работы с этой информацией. BI – это многомерность используемых данных и возможность оперативно формировать отчеты в любом разрезе, используя для этого любую имеющуюся в компании информацию. Иначе говоря, задачу, с которой люди будут справляться сутки (например, высчитывать зависимость продаж магазином определенных моделей одежды от демографического состава населения и транспортной инфраструктуры района), система решит за минуты.
Долгое время в основе решений BI лежали так называемые OLAP-кубы. Применение таких систем продолжается и по сей день. Они представляют находящуюся в хранилище информацию таким образом, что в любой момент можно взять любые имеющиеся показатели в качестве осей «куба» и сделать по нужным срезам анализ, построив плоскую таблицу или график зависимости одного показателя от другого. Что немаловажно, анализ происходит в режиме реального времени, о чем и говорит аббревиатура OLAP – online analytical processing.
Среди других признаков выделим наличие функций управления метаданными, средств разработки, инструментов для совместной работы и управления процессами, средств создания отчетов, продвинутой визуализации, функций предиктивного моделирования и интеллектуального анализа (data mining), карт показателей.
Сейчас на рынке продолжают расти продажи BI-систем, в которых реализованы технологии іn-memory. Основная идея in-memory заключается в принципе постоянного хранения данных в оперативной памяти. Это дает пользователям возможность получать ответы моментально – за доли секунды – даже в случаях, когда они работают с огромными объемами данных. Однако такие решения с технической точки зрения подходят не всем, и многие заказчики продолжают использовать технологию OLAP.
Наличие online analytical processing является одним из признаков аналитической системы, позволяющей ей называться полноценной BI-платформой по версии Gartner.
Помимо различной технологической архитектуры, системы BI отличаются набором инструментов для разных категорий бизнес-пользователей.
Например, полноценные BI-платформы сильно отличаются с точки зрения функциональных возможностей от BI-модулей, встроенных в некоторые корпоративные информационные системы и имеющих ограниченные возможности представления.
Для каждой роли пользователя существуют свои информационные панели, представляющие нужные именно этим сотрудникам ключевые показатели бизнеса в виде таблиц или инфографики. Инструментарий BI предусматривает также средства построения отчетов и интерфейс для их просмотра: в окне системы, через web или на мобильном устройстве пользователя. В построении отчетов помогают инструменты для определения корреляции данных.
Одна из доминирующих тенденций последних пяти лет на рынке BI – это рост спроса на мобильную аналитику. Пользователи BI-систем, оценившие их значение для бизнеса, поняли также и ценность постоянного доступа к такому инструментарию. Практически каждый крупный BI-вендор сегодня готов предоставить пользователям средства онлайн-аналитики. При этом мобильные рабочие места ориентированы не только на топ-менеджеров, но и на ряд других категорий пользователей, которым необходимо постоянно иметь актуальную информацию о состоянии тех или иных бизнес-процессов. Так что из «привилегии начальника» BI-мобильность стала средством быстрого реагирования на события для руководителей среднего звена и аналитиков. Поскольку BI-система предусматривает работу с большими массивами данных, поступающими в хранилище из различных информационных систем и в неструктурированном виде, она может использоваться для работы с «большими данными» (big data), которыми в последние годы так интересуется бизнес. Это и неудивительно, поскольку объемы хранимой и обрабатываемой информации растут опережающими темпами, следовательно, компании вынуждены думать о приобретении дополнительных вычислительных мощностей. При этом в реальном бизнесе обычно используются до 30% всей хранимой информации, остальная же часть становится только источником затрат на ее хранение.
Наличие больших объемов неструктурированной и потенциально полезной информации в компаниях, а также большие возможности, предоставляемые аналитикам системами BI, стали одним из драйверов прогресса в этой области. Сегодня все больше аналитиков ищут более гибкие инструменты, которые бы позволили изучать любые данные и строить бизнес-гипотезы. Это привело к появлению нового класса инструментов - data discovery. Они базируются на гибкой модели данных и интерактивных пользовательских интерфейсах, более удобных бизнес-пользователям, чем аналитикам. На примере data discovery мы видим, как инструментарий постепенно вырастает в самостоятельное направление ИТ-систем для аналитики.
Поскольку BI – это не только анализ текущей ситуации, но и прогнозирование, для аналитиков и руководителей разработаны продвинутые средства для проверки выдвинутых ими гипотез. А контролировать ключевые показатели при анализе поможет нотификация о достижении ими пороговых значений.
Как будет развиваться инструментарий BI-систем и его использование российскими компаниями в будущем? Появятся ли новые роли пользователей, новые интерфейсы, станут ли топ-менеджеры больше работать с бизнес-аналитикой? Консультант аналитического отдела компании Softline Мария Голикова убеждена, что один из векторов развития связан с растущим спросом на “облака” и средства визуализации: «С развитием облачных технологий многие крупные разработчики BI стали предлагать дополнительные возможности, доступные именно в облаке.
Если в компании существует “традиция” готовить отчеты в виде статичных Excel-таблиц, то многим сотрудникам будет сложно от этого отказаться. Однако надо надеяться, что со временем будет расти число компаний, которые будут получать исчерпывающую информацию, пользуясь информативными дашбордами».
Также, по мнению эксперта, росту популярности BI будет способствовать внимательное отношение разработчиков к дружественности интерфейсов и созданию мобильных рабочих мест: «BI-инструментарий сейчас движется в сторону самостоятельного анализа – решения становятся максимально простыми в использовании. Это дает возможность бизнес-пользователям за счет интуитивно-понятного интерфейса самостоятельно изменить текущие отчеты либо создать новые. Топ-менеджмент сегодня также привлекает возможность использования мобильных BI-решений. Руководитель может уехать в командировку, но при этом на экране портативного устройства видеть основные показатели деятельности своего бизнеса».
Говоря о том, какие инструменты, предоставляемые BI-платформами, в наибольшей степени востребованы российскими заказчиками, директор департамента ИТ и облачных сервисов J’son & Partners Consulting Александр Герасимов отмечает: «То, что используется сейчас, - это инструменты формирования разнообразной управленческой и маркетинговой отчетности постфактум на основе анализа данных транзакционных систем, таких как ERP, OSS/BSS (биллинг в частности), автоматизированные банковские системы и т. п.
То, что имеет хорошие перспективы, - это технологии анализа больших данных: не только структурированной информации транзакционных систем, но и слабо (или сложно) структурированных данных, таких как, например, логи и геоданные пользователей смартфонов и многое другое. Сейчас подобная информация используется в основном для обогащения и улучшения качества отчетности постфактум. В перспективе они могут применяться уже непосредственно в системах управления - с целью их интеллектуализации».
Некоторые BI-системы предлагают использовать больше инфографики вместо классических табличных отчетов. Но далеко не все готовы воспринимать графическую информацию.
Модные словечки, востребованная терминология, не совсем понятные определения и совершенно незнакомые лексические единицы. Все вышеуказанное можно применить как к понятию «business intelligence», так и к словосочетанию «data science». Попробуем не только преодолеть трудности перевода, но и разобраться в том, чем разнятся «наука о данных» и «бизнес интеллект».
Business Intelligence: интеллект, разведка, осмысление, аналитика
Многие уверены, что термин «business intelligence» впервые появился на свет в 80-х гг. прошлого столетия, но это не совсем так. Дело в том, что первым этот термин использовал Ханс Питер Лун, исследователь из компании IBM, в далеком 1958 году. А в 1989-ом Говард Дреснер, который позже стал аналитиком в Gartner, дал определение «business intelligence» как тому, что описывает «концепции и методы для улучшения принятия бизнес-решений с использованием систем на основе бизнес-данных».
Давайте прислушаемся к другим экспертам. Так, Джонатан Ву, менеджер компании Netgear, определяет BI как процесс сбора многоаспектной информации о предмете, который исследуется. А вот какую трактовку предложил Институт хранилищ данных (The Data Warehousing Institute): Business intelligence – это процесс превращения данных в знания, а знаний в бизнес-действия для получения выгоды.
BI можно рассматривать не только как процесс, но и как результат процесса получения знаний. Однако если компилировать все определения, которые «дрейфуют» на рынке, можно утверждать, что business intelligence в самом широком смысле этого понятия – это процесс превращения полученных данных в знания о бизнесе, которые используются для принятия улучшенных решений. Кроме того, это еще и информационные технологии сбора данных и их консолидации. И, наконец, BI представляет собой знания о бизнесе, которые добываются путем проведения углубленного анализа данных. Если говорить коротко, то business intelligence – это технологии, анализ и знания.
Data Science: наука о хаосе, приведенном в порядок
С недавних пор наука о данных рассматривается не только как академическая дисциплина, но и как практическая межотраслевая сфера деятельности. Сам термин был предложен Уильямом Кливлендом, профессором университета Пердью, который считается одним из самых больших авторитетов в области статистики, машинного обучения и визуализации данных.
Согласно определению международного совета CODATA (International Council for Science: Committee on Data for Science and Technology), наука о данных представляет собой дисциплину, которая объединяет различные направления статистики, data mining и машинное обучение. Однако наиболее популярное определение дано в статье «Что такое Data Science?» Майка Лукидиса, редактора O"Reilly Media и автора книг об операционных системах, компьютерной архитектуре и программировании. Стоит отметить, что данная трактовка на сегодняшний день является основополагающей. – это обобщенное название технологий, которые предназначены для производства данных как продукта. Если сравнивать науку о данных с традиционной статистикой, то на первый взгляд может показаться, что между ними нет никаких отличий. Однако Data Science характеризуется комплексным подходом, а data-ученые не изучают данные, а используют их.
Таким образом, мы приходим к выводу, что Data Science изучает проблемы анализа, обработки и использования данных. Это такое фантастическое «ассорти», от которого голова идет кругом: здесь вам и статистика, и интеллектуальный анализ данных, и искусственный интеллект, обрабатывающий большие объемы data, и методы проектирования баз данных, и многое другое.
Ничто не ново под… data-небосводом
Облачные вычисления и другие технические достижения заставили компании сосредоточиться больше на будущем, а не анализировать отчеты на основании данных прошлого. Чтобы получить конкурентные преимущества, компании начали объединять и преобразовывать данные, которые являются частью реальной науки о данных.
В то же время они практикуют Business Intelligence, создавая графики, отчеты и таблицы на базе полученных данных. И хотя между Data Science и Business Intelligence есть большие различия, они в равной степени важны и дополняют друг друга.
Для того чтобы практиковать BI и Data Science, многие компании нанимают специалистов, которые совмещают сразу две должности – BI-аналитиков и дата-сайентистов. Тем не менее, именно здесь и возникает путаница из-за непонимания того, что эти роли требуют различных экспертных знаний.
Несправедливо ожидать, что BI-аналитик может сделать точные бизнес-прогнозы. А это может стать причиной катастрофических последствий для любой компании. Однако, изучив главные различия между BI и наукой о данных, можно научиться подбирать подходящих кандидатов для выполнения определенных задач, которые намерен решить ваш бизнес.
Сфера интересов
С одной стороны, традиционный подход Business Intelligence подразумевает создание инструментальных панелей для отображения исторических данных в соответствии с фиксированным набором ключевых показателей эффективности. Отсюда делаем вывод, что BI больше полагается на отчеты, современные тренды и ключевые показатели эффективности (KPI).
С другой стороны, наука о данных больше фокусируется на предсказании того, что в конечном итоге может случиться в будущем. Таким образом, дата-сайентисты больше сосредоточены на изучении закономерностей и различных моделей, а также на нахождении корреляций для бизнес-прогнозов.
Например, компаниям, занимающимся , нужно предсказывать растущую потребность в новых видах обучения, основываясь на существующих шаблонах и требованиях корпоративных компаний.
Анализ и качество данных
BI требует от аналитиков умения сосредотачиваться не только на настоящем и будущем, но и заглядывать в прошлое – то есть активно использовать исторические данные. Поэтому анализ BI-аналитиков является в большей степени ретроспективным. Фокус Business Intelligence – это абсолютно точные данные, основанные на том, что на самом деле произошло в прошлом.
Например, ежеквартальные результаты компании формируются из реальных данных о ведении бизнеса на протяжении последних трех месяцев. Ошибки в этом случае попросту невозможны, потому что отчетность носит описательный характер и не может быть субъективной.
Что касается науки о данных, то дата-сайентисты должны использовать предиктивную и директивную аналитику. Они обязаны довольно точно предсказывать то, что должно произойти в будущем, используя вероятности и уровни уверенности.
То, как компания будет выполнять необходимые действия на основе предиктивного анализа и прогнозов на будущее, не может базироваться на простых догадках. Конечно, наука о данных не может быть точной на 100%, но она должна быть «достаточно хороша» для бизнеса, чтобы принимать своевременные решения и действия, а также обеспечивать необходимые результаты.
Идеальный пример науки о данных в действии – оценка прибыли компании в следующем квартале.
Источники и преобразование данных
Business Intelligence – это заблаговременное планирование и подготовка к использованию правильной комбинации источников данных для их преобразования. Чтобы получить соответствующие инсайты о клиентах, деловых операциях и продуктах, Data Science в состоянии на лету преобразовывать данные, используя те источники информации, которые доступны по требованию.
Потребность в смягчении
BI-аналитики не должны смягчать любые неопределенности, окружающие исторические данные, так как они основаны на реальных ситуациях. Такие данные точны и не предполагают каких-либо вероятностей.
Бизнес-аналитика, или BI, - это общий термин, подразумевающий под собой разнообразные программные продукты и приложения, созданные для анализа первичных данных организации.
Бизнес-анализ как деятельность состоит из нескольких связанных между собой процессов:
- интеллектуальный анализ данных (data mining) ,
- аналитическую обработку в реальном времени (online analytical processing) ,
- получение информации из баз данных (querying) ,
- составление отчетов (reporting) .
Компании используют BI для принятия обоснованных решений, сокращения издержек и поиска новых перспектив для бизнеса. BI - это нечто большее, чем обычная корпоративная отчетность или некий набор инструментов для получения информации из учетных систем предприятия. IT-директора используют бизнес аналитику, чтобы выявить неэффективные бизнес-процессы, которые «созрели» для перестройки.
Используя современные инструменты бизнес-анализа, бизнесмены могут начать анализировать данные самостоятельно и не ждать, пока IT-департамент сформирует сложные и запутанные отчеты. Такая демократизация доступа к информации дает пользователям возможность подкреплять реальными цифрами свои бизнес-решения, которые в обратном случае были бы основаны на интуиции и случайностях.
Несмотря на то что системы BI достаточно перспективны, их внедрение может быть затруднено техническими и «культурными» проблемами. Менеджерам необходимо обеспечивать четкие и согласованные данные для BI приложений, чтобы пользователи могли им доверять.
Какие компании используют BI-системы?
Ресторанные сети (например, Hardee’s, Wendy’s, Ruby Tuesday и T.G.I. Friday’s) активно используют системы бизнес-аналитики. BI крайне полезен им для принятия стратегически важных решений. Какие новые продукты добавить в меню, какие блюда исключить, какие неэффективно работающие точки закрыть и т.д. Они также используют BI для таких тактических вопросов, как пересмотр договоров с поставщиками продуктов и выявление путей совершенствования неэффективных процессов. Поскольку ресторанные сети сильно ориентированы на свои внутренние бизнес-процессы и поскольку BI занимает в контроле этих процессов центральное место, помогая управлять предприятиями, рестораны, среди всех отраслей, входят в элитную группу компаний, которые получают реальную выгоду от этих систем.
Бизнес-аналитика является одним из ключевых компонентов BI. Этот компонент важен для достижения успеха компании из любой отрасли.
В секторе розничной торговли Wal-Mart широко применяет анализ данных и кластерный анализ для того, чтобы сохранять свое доминирующее положение в секторе. Harrah’s изменил основы своей политики конкурентной борьбы в игральном бизнесе, сделав упор на анализ лояльности клиентов и уровня обслуживания, вместо поддержания мега-казино. Amazon и Yahoo - это не просто крупные веб-проекты, они активно используют бизнес-аналитику и общий подход «протестируй и пойми» для налаживания своих бизнес-процессов. Capital One проводит более 30 000 экспериментов ежегодно для выявления целевой аудитории и оценки предложений по кредитным картам.
С чего или с кого должно начаться внедрение BI?
Общая вовлеченность сотрудников жизненно необходима для успеха BI-проектов, поскольку каждый, кто задействован в процессе, должен обладать полным доступом к информации, чтобы иметь возможность изменить способы и методы своей работы. BI-проекты должны начинаться с высшего руководства, а следующей группой пользователей должны быть менеджеры по продажам. Их основная обязанность - наращивать продажи, и заработная плата часто зависит от того, насколько хорошо они это делают. Поэтому они гораздо быстрее воспримут любой инструмент, способный помочь им в работе, при условии, что этот инструмент легко использовать и что они доверяют получаемой с его помощью информации.
Вы можете заказать свой пилотный проект на платформе для бизнес-анализа.
Используя BI-системы, сотрудники корректируют работу над индивидуальными и групповыми задачами, что ведет к более эффективной работе команд продавцов. Когда руководители отделов продаж видят существенную разницу показателей нескольких отделов, они стараются довести «отстающие» отделы до того уровня, на котором работают «лидирующие».
Внедрив бизнес-аналитику в отделах продаж, можно продолжать внедрение уже в других департаментах организации. Положительный опыт продавцов будет способствовать переходу на новые технологии других сотрудников.
Как внедрить BI-систему?
Перед внедрением BI-системы, компаниям следует проанализировать механизмы принятия управленческих решений и понять, какая информация необходима руководителям для более обоснованного и оперативного принятия этих решений. Также желательно проанализировать, в каком виде руководители предпочитают получать информацию (в качестве отчетов, графиков, онлайн, в бумажной форме). Уточнение данных процессов покажет, какую информацию компании необходимо получить, анализировать и консолидировать в своих BI-системах.
Качественные BI-системы должны предоставлять пользователям контекст. Недостаточно просто составлять отчеты о том, какими были продажи вчера и какими - год назад в этот же день. Система должна давать возможность понять, какие факторы привели именно к такому значению объема продаж в один день и другому - в тот же день год назад.
Подобно многим IT проектам, внедрение BI не окупится, если пользователи будут чувствовать «угрозу» или скептически относиться к этой технологии и в результате откажутся от ее использования. BI, будучи внедренной в «стратегических» целях, должна, по идее, фундаментальным образом изменить функционирование компании и процесс принятия решений, поэтому руководителям IT-департаментов необходимо с особым вниманием подходить к мнениям и реакциям пользователей.
7 этапов запуска BI-систем
- Убедитесь, что ваши данные корректны (достоверны и пригодны для анализа).
- Проведите полноценное обучение пользователей.
- Внедряйте продукт как можно более оперативно, привыкая пользоваться им уже по ходу внедрения. Не стоит тратить огромное количество времени на разработку «идеальных» отчетов, поскольку отчеты можно будет добавить по мере по мере развития системы и потребности пользователей. Составляйте отчеты, которые быстро обеспечат максимальную пользу (потребность пользователей в данных отчетах максимальна), а затем корректируйте их.
- Придерживайтесь интегративного подхода к построению хранилища данных. Убедитесь, что вы не «запираете» себя в неработающей в длительной перспективе стратегии обработки данных.
- Перед тем как начать, четко оцените ROI. Определите конкретные преимущества, которые намереваетесь получить, и затем проверяйте их соответствие действительным результатам каждый квартал или каждые полгода.
- Сфокусируйтесь на целях вашего бизнеса.
- Не покупайте программное обеспечение для аналитики, потому что вы думаете , что вам это нужно. Внедряйте BI с мыслями, что среди ваших данных существуют показатели, которые необходимо получить. При этом, важно иметь хотя бы примерное представление о том, где конкретно они могут быть.
Какие могут возникнуть проблемы?
Крупное препятствие на пути к успеху BI-систем - сопротивление пользователей. Среди прочих возможных проблем - необходимость «просеивать» большие объемы нерелевантной информации, а также данные неудовлетворительного качества.
Ключ к получению значимых результатов от работы BI-систем - это стандартизированные данные. Данные являются фундаментальным компонентом любой BI системы. Компаниям необходимо привести свои хранилища данных в строгий порядок прежде, чем они смогут начать извлекать необходимую информацию и доверять полученным результатам. Без стандартизации данных есть риск получать некорректные результаты.
Еще одной проблемой может стать некорректное понимание роли аналитической системы. BI- инструменты стали более гибкими и удобными для пользователей, однако основная их роль по-прежнему - составление отчетов. Не стоит ждать от них автоматизированного управления бизнес-процессами. Впрочем, определенные изменения в этом направлении все же намечаются.
Третьим препятствием при трансформации бизнес-процессов с использованием BI системы является недостаточное понимание компаниями собственных бизнес-процессов. Как следствие, компании просто не понимают, как можно эти процессы улучшить. Если процесс не оказывает прямого влияния на прибыль или компания не собирается стандартизировать процессы во всех своих подразделениях, внедрение BI системы может оказаться неэффективным. Компаниям необходимо понимать все виды деятельности и все функции, которые составляют отдельный бизнес-процесс. Также важно знать, как передается информация и данные через несколько разных процессов, и как данные передаются между бизнес-пользователями, и то, как люди используют эти данные для осуществления своих задач в рамках конкретного процесса. Если стоит цель оптимизировать работу сотрудников, все это необходимо понять еще перед тем, как запустить BI-проект.
Некоторые преимущества от использования BI-решений
Большое количество BI-приложений помогло компаниям с лихвой отбить вложенные средства. Системы бизнес-аналитики используются для изучения способов сокращения издержек, выявления новых возможностей для развития бизнеса, представления ERP-данных в наглядной форме, а также для быстрого реагирования на изменение спроса и оптимизации цен.
Кроме повышения доступности данных, BI может предоставить компаниям больше преимуществ во время переговоров, упрощая оценку отношений с поставщиками и клиентами.
В рамках предприятия существует множество возможностей экономить деньги путем оптимизации бизнес-процессов и процесса принятия решений в целом. BI способен эффективно помогать в совершенствовании этих процессов, проливая свет на допущенные в них промахи. Например, сотрудники одной компании в Альбукерке использовали BI для определения путей сокращения использования мобильных телефонов, работы в сверхурочные часы и других текущих расходов, сэкономив для организации $2 миллиона за три года. Также, с помощью BI-решений, Toyota осознала, что вдвое переплатила своим перевозчикам общей суммой $812 000 в 2000 г. Использование BI-систем для обнаружения дефектов в бизнес-процессах ставит компанию в более выгодное положение, давая конкурентное преимущество перед компаниями, которые используют BI просто для того, чтобы отслеживать происходящее.
- Проанализируйте, как принимают решения руководители.
- Подумайте, какая информация нужна руководителям для оптимизации принятия оперативных управленческих решений.
- Обращайте внимание на качество данных.
- Продумывайте показатель эффективности, который имеет наибольшее значение для бизнеса.
- Обеспечивайте контекст, который влияет на показатель эффективности.
И помните, BI - это нечто большее, чем поддержка принимаемых решений. Благодаря развитию технологий и тому, как их внедряют руководители IT-департаментов, системы бизнес-анализа обладают потенциалом трансформировать организации. IT-директора, которые успешно используют BI для улучшения бизнес-процессов, вносят гораздо более значимый вклад в деятельность свой организации, руководители, внедряющие базовые инструменты составления отчетов.
По материалам www.cio.com
В современном мире существуют определенные классы программного обеспечения, которое ориентированно в основном на корпоративный сегмент (крупный и средний бизнес) и соответственно не имеет широкого распространения. Но некоторые программные комплексы имеют достаточно интересные функции, которые можно применить не только в сфере мелкого бизнеса, но и в качестве персонального инструмента. Вот об одном из таких программных комплексов и пойдет речь в данной статье.
Примечание
Я являюсь техническим специалистом, соответственно статья имеет более технический уклон. Если есть желание почитать информацию по продукту, ориентированную на бизнес пользователей, то вам на офсайт IBM.Основная цель этой статьи, показать вам как сделать свой первый «Hello World» (по аналогии с программированием) в IBM Cognos BI.
Также хочу отметить, что я имею большой опыт написания пошаговых инструкций со скриншотами каждого шага. Но эта статья не будет очередной пошаговой инструкцией, здесь я хочу показать концепцию работы с системой, а не сделать еще один мануал.
Что такое BI?
Итак, что же такое BI система? Если в трех словах, то это продвинутая система отчетности. Что-бы было более понятно, ниже перечислю список основных функций, которыми располагают современные системы класса BI:- возможность подключения к различным источникам данных (от файла Excel до универсального ODBC подключения)
- возможность построения как простых отчетов (типа график или таблица), так и сложных параметризированных отчетов с комбинированной структурой и ссылочными связями (Drill-Trough, Drill-Up/Drill-Down)
- возможность прозрачной работы с разными источниками данных (например, Excel и SQL Server) с полноценной обработкой связей между ними
- возможность интерактивной работы с данными (формирование отчетов «на лету»)
- возможность представления реляционных данных как многомерные
- возможность распределения прав доступа используя как внутренние источники аутентификации, так и внешние (NTLM, LDAP и т. д.)
- возможность запуска формирования отчетов как вручную, так и автоматически по расписанию
- возможность автоматической рассылки сформированных отчетов
- возможность построения отчетов в различных форматах (Excel, HTML, PDF и т. д.)
Возможность применения BI системы в качестве персонального инструмента
Сразу становится вопрос, как можно использовать эту систему в качестве персонального инструмента? Отвечу по личному примеру, я использую IBM Cognos BI в качестве инструмента по анализу статистики в своих проектах и инструмента по анализу статистики домашней бухгалтерии.Тут конечно можно возразить, что-то в духе «я и обычным SQL запросами отлично анализирую статистику» или «встроенных функций Excel вполне достаточно чтобы проанализировать всю домашнюю бухгалтерию», но «все познается в сравнении». Как показывает практика, гораздо проще просто натаскать мышкой нужные элементы данных и получить результат в готовом виде, чем возится с написанием SQL запросов или перенастраиванием функций Excel.
Опять-таки, все написанное это лично мое мнение, с которым вы не обязаны соглашаться.
Архитектура IBM Cognos BI
Архитектура системы относительно несложная (как для системы корпоративного класса). Итак, ключевым элементом системы является IBM Cognos BI сервер (см. схему ниже), который работает с источниками данных, используя созданное пользователем описание (именуемое метаданными). Далее, посредством Web доступа, IBM Cognos BI сервер предоставляет доступ ко всем основным функциям системы.Концептуальная архитектура комплекса IBM Cognos BI (схема получилась весьма громоздкой)
Этапы работы с системой
Чтобы сделать свой первый отчет необходимо выполнить несколько основных этапов:- Создать подключение к источнику данных
- Сформировать описание источника данных, т. е. создать метаданные
- Создать и опубликовать пакет метаданных на IBM Cognos BI сервере
- Создать отчет
Структура тестового источника данных
Перед тем как приступить к реализации вышеописанных этапов, я хочу сказать пару слов об тестовом источнике данных. С одной стороны, структура тестового источника данных относительно простая (как для промышленного хранилища данных) с другой стороны она несколько сложнее чем простой лист Excel. Все данные в источнике являются синтетическими (сгенерированы алгоритмами на основе случайных чисел), из-за этого агрегатные показатели выглядят весьма ровно.
Как видно на схеме выше, в тестовой базе данных содержится 3 иерархических измерения: «Группа товара -> Товар», «Континент -> Страна -> Город -> Торговая точка», «Год -> Полугодие -> Квартал -> Месяц -> Дата»; 2 плоских (одномерных) измерения: «Кассир», «Региональный руководитель»; и 2 таблицы фактов: «Продажи», «План продаж».
Причем измерение «Кассир» расположено в одной из таблиц фактов в денормализованном виде, а измерение «Региональный руководитель» привязано к уровню «Страна» измерения «Торговая точка» связью «многие ко многим» (подразумевается, что один руководитель может управлять разными странами).
Подключение к источнику данных
В IBM Cognos BI все необходимые параметры для подключения к источникам данных хранятся в специальных объектах системы, которые так и называются «Data Source Connections». Чтобы создать новое подключение, необходимо выполнить несколько простых шагов: зайти на портал IBM Cognos BI, перейти в раздел «Администрирование» («Administration»), открыть вкладку «Конфигурация» («Configuration»), выбрать подраздел «Подключения источника данных» («Data Source Connections») и нажать кнопку «Новый источник данных» («New Data Source») в панели инструментов. Далее появится серия диалоговых окон, в которых будет необходимо задать несколько параметров, таких как название подключения, тип соединения, сервер, логин, пароль и т. д.Разработка метаданных
Разработка метаданных, это один из самых сложных и ответственных моментов. От качества метаданных зависит, как работоспособность системы (скорость формирования отчетов, корректность сформированных результатов и т. д.) так и удобство разработки отчетов. Но несмотря на вышесказанное, сложность разработки метаданных прямо пропорциональна сложности источника данных. Например, чтобы построить реляционное описание нашего тестового источника данных, достаточно запустить мастер построения метаданных, несколько раз кликнуть кнопку «Next», и метаданные готовы.Итак, как я уже писал ранее, метаданные – это описание источника данных. В IBM Cognos BI. Фундаментом метаданных являются объекты «Query Subject» и связи между ними. Объект «Query Subject» это синоним «View» из реляционных СУБД. Т. е. в основе «Query Subject» стоит запрос к СУБД, определяющий структуру объекта источника, а связи между «Query Subject» это описание логического взаимодействия между этими запросами.
Для создания метаданных в IBM Cognos BI используется отдельное приложение IBM Cognos Framework Manager (единственное не Web приложение в комплексе IBM Cognos BI). После запуска Framework Manager будет предложено создать новый проект (необходимо будет ввести наименование проекта и его расположение в локальной файловой системе).
Следует понимать, что проект Framework Manager (также именуемый как модель Framework Manager) это набор локальных файлов, с которыми работает локальная программа, а пакет метаданных это результат, который располагается на IBM Cognos BI сервере (если проводить аналогию с программированием, то проект – это исходный код, а пакет – это скомпилированное приложение). На базе одного проекта Framework Manager можно создать несколько наборов пакетов.
После того как проект Framework Manager создан, лучше всего начать работу с запуска мастера импорта метаданных (Action -> Run Metadata Wizard …). Мастер импорта предложит выбрать существующий источник данных или создать новый и позволит выбрать необходимые объекты для импорта. В простейшем случае (например, когда источником данных является файл Excel, который в 99,9% случаев содержит данные в денормализованном виде) нужно будет полям объекта «Query Subject» задать правильный тип использования (атрибут «Usage») и на этом работу с моделью Framework Manager можно заканчивать и приступать к формированию и публикации пакета метаданных. В более сложном варианте (как в нашем тестовом примере), необходимо будет проверить правильность импортированных связей между объектами «Query Subject», исправить некорректные и добавить недостающие. В более профессиональных вариантах есть возможность создавать вычисляемые поля, менять структуру «Query Subject», сформировать многомерное (multidimensional) представление, определить алгоритмы безопасности и т.д.
Создание и публикация пакета метаданных
После того как метаданные созданы, необходимо сформировать метапакет и опубликовать его на IBM Cognos BI сервере. Как я упоминал ранее, метапакет – это некоторое подмножество метаданных, которое публикуется на сервере и с которым работают все Web приложения комплекса IBM Cognos BI. Настройки метапакета позволяют скрыть или не публиковать некоторые объекты метаданных. Например, в тестовых метаданных есть некоторый «Query Subject» , который влияет на логику обработки данных источника (является связующим звеном между страной и региональным директором), но не представляет ценности при разработке отчетов, вот такой объект метаданных имеет смысл скрыть на уровне пакета. Или, например, поля с идентификаторами, их тоже имеет смысл скрыть от пользователей метапакетов.Чтобы создать метапакет необходимо в Framework Manager, в разделе «Packages» вызвать контекстное меню и выбрать пункт «Create -> Package», после чего появится мастер создания метапакета. После того как метапакет будет создан, система сразу предложит его опубликовать на сервере. Начинающему пользователю можно сильно не вникать опции мастера публикации пакетов (просто нажимать кнопку Next и Publish). Единственно что, на последней вкладке (где будет не кнопка Next, а кнопка Publish) будет птичка «Verify package before publish», она определяет проверять ли метапакет на наличие логических неоднозначностей перед публикацией и отображает список этих неоднозначностей, если они буду найдены. Настоятельно рекомендую никогда не пропускать этот шаг и исправлять все найденные неоднозначности перед публикацией.
Создание отчетов (анализ данных)
Вот мы потихоньку и подобрались к самому интересному и регулярному процессу – это создание отчетов. Так сложилось что инструменты для создания регулярных отчетов и инструменты для быстрого анализа данных в IBM Cognos BI одни и те же (несмотря на то что в одних удобнее проводить быстрый анализ, а в других удобнее формировать регулярные отчеты, все они позволяют сохранять свои результаты в виде отчетов).Лично я предпочитаю для всех BI задач использовать инструмент IBM Cognos Report Studio. Это наиболее универсальный инструмент, позволяющий строить отчеты фактически любой сложности и в тоже время предоставляет относительно удобные инструменты для быстрого анализа данных.
Предположим, что нам необходимо создать быстрый отчет, содержащий факт продаж в разрезе страны, товарной группы и периодичностью в квартал. Этот достаточно простой отчет можно сделать, выполнив следующие шаги:
- запустить веб приложение IBM Cognos Report Studio
- в окне приветствия нажать кнопку «создать» («create»)
- в списке базовых шаблонов выбрать «перекрестная таблица» («corsstab»)
- разместить элементы данных согласно схеме, представленной ниже
- запустить отчет на выполнение
После запуска отчета на выполнение, получится примерно такой результат.
Глядя на получившийся отчет можно смело сказать, что оформлен он откровенно плохо, числа не отформатированы, экономический смысл откровенно сомнителен и т. д. Но все эти недостатки оформления можно убрать путем задания свойств соответствующих элементов настроек, а чтобы экономический смысл был более интересен, можно, например, сделать план/факт анализ.
Например, чтобы сделать отчет, показанный ниже (на готовых метаданных) я, как специалист с опытом, потратил где-то 20-30 минут.
А чтобы его полностью переоформить в темную цветовую схему, я потратил где-то еще 10 минут.
Заключение
Я надеюсь, что в этой статье читатель смог получить общие сведения о BI системах и принципе их работы. Конечно в рамках небольшой статьи невозможно рассмотреть относительно подробно ни один из затронутых аспектов (например, о том, как правильно сформировать метаданные, можно написать целую книгу), но я думаю, что если вы решите попробовать, то эта статья подскажет с чего начать и какого результата ожидать.Также я совсем не затронул некоторые интересные механизмы и функции (например, механизм представления реляционного источника данных как многомерного), но это из-за того, что количество необходимого материала (минимум теории и минимум практики) потянет на отдельную статью.
