Принято считать, что столь важную и обширную область автоматизации, какой является аналитическая обработка корпоративной информации, во многом нужно строить, ориентируясь на инновации. В то же время многое здесь можно сделать, по‑новому применяя имеющиеся системы. Сейчас интерес к BI-технологиям возрос, но данная дилемма по‑прежнему сохраняется. Нам показалось, что лучшим способом разобраться в этом вопросе является организация круглого стола с участием представителей как заказчиков, так и поставщиков информационных решений.

Участники круглого стола:

Илья Товбин, ООО «Ригли», директор ИТ, регион Восток
Юрий Колесников, «ВТБ факторинг», директор дирекции по информационным технологиям
Алексей Власов, «ФОРС — Центр разработки», директор по перспективному развитию
Денис Сологуб, ИТ-директор розничной сети «Азбука вкуса»
Ведущий — Сергей Костяков,
заместитель главного редактора Intelligent Enterprise

Intelligent Enterprise: Все собравшиеся здесь представляют отрасли, существенно отличающиеся друг от друга. Пользуясь таким случаем, хотелось бы сначала просто спросить каждого из присутствующих: какие аналитические задачи в том или ином бизнесе актуальны на сегодняшний день? Также интересно было бы услышать о классификации аналитических и сопутствующих этому направлению задач, включая, разумеется, подготовку исходных данных. Ведь процесс накопления и систематизации информации, а также форматы и объемы используемых данных тоже, как известно, имеют отраслевую специфику.

Юрий Колесников: Я недавно сменил место работы, поэтому могу говорить о двух проектах в разных компаниях. Вплоть до прошлого года я длительное время работал в логистической компании, и там был выполнен проект, связанный с аналитикой и отчетностью. В других направлениях BI не развивалась. В первую очередь внедрили систему управления мастер-данными, привели в порядок данные в системах поддержки операционной деятельности, затем была внедрена интеграционная платформа. И только после этого взялись за хранилище данных и BI. Первоначально от руководства поступил заказ обеспечить возможность аналитики по отчетности МСФО. На тот момент компания готовилась к продаже, и обычных отчетов стало недостаточно. Сделка была осуществлена в прошлом году, и компания стала частью крупного холдинга. Требовалось, используя разрезы данных, существующие в отчетности МСФО, анализировать, какие из параметров операционной деятельности оказывают влияние на бизнес: как влияют, допустим, на него сезонные колебания и т. д. Как известно, в кризис, с уменьшением покупательной способности, происходит изменение потребления в разных товарных группах. Соответственно для логистической компании, которую я тогда представлял, очень важно было не «уронить» существенным образом нагрузку на склады, сконцентрировав свои усилия на тех сегментах и товарных группах, которые наименее пострадали в этих условиях. Решение таких задач однозначно мотивирует бизнес на использование технологий BI.

Вторым мотивом использования BI была необходимость консолидации данных различных систем поддержки операционной деятельности, объем которых значительно вырос, и иначе выполнять эту задачу стало крайне затруднительно.

Мы рассчитывали получить и еще один важный эффект от внедрения BI. Несмотря на то, что предварительная работа по управлению мастер-данными и их очистке была проведена еще до внедрения BI, уже внедренные системы данного класса помогают выявить оставшиеся погрешности качества данных и окончательно привести их в порядок.

Компания, в которой я работаю теперь, является фактически стартапом, и там ситуация несколько иная. Так что похвастаться внедрениями на новом месте я пока не могу, но, что удивительно, даже в отличие от предыдущей компании здесь одной из первых поступила заявка именно на внедрение системы класса бизнес-аналитики. Факторинг — это вид беззалогового кредитования. Соответственно здесь большое значение имеют управление рисками, анализ маркетинговой информации и т.п. Для меня это несколько новые задачи, но тем не менее они сразу же попали в план и будут разрабатываться.

Управление рисками — довольно тонкая задача, которая должна базироваться на разных массивах данных. Конечно, здесь появляется вопрос, где брать данные, если речь идет о стартапе. Несмотря на то, что для ВТБ факторинг является новым направлением, компания возникла не на пустом месте — в нее вошли активы нескольких приобретенных компаний, которые работали в этом направлении. Поэтому мы получили и их данные, на которые можно опираться при проведении анализа. Также используются внешние данные о рынке.

В управлении рисками должна применяться достаточно сложная математика, и именно в BI‑системах существуют специализированные приложения, которые позволяют ее реализовать. На мой взгляд, факторинг сейчас сосредоточен в крайне узком сегменте, где конкурентные преимущества достигаются как раз на уровне принятия решений по рискам, а не за счет расширения видов факторинга. И если есть и приложения, и специалисты по работе с рисками, которые готовы ее профессионально задействовать, сразу становится понятно: аналитика существенно отличается от обычной отчетности тем, что способна создавать новую ценность для бизнеса.

Илья Товбин: Наша деятельность, как на трех китах, базируется на трех основных факторах: нам нужен хороший продукт, нам нужен хороший охват рынка, и нам нужно, чтобы покупатель был в состоянии все произведенное нами купить. У нас пока нет реальной потребности в очень сложной аналитике. Трудности возникают из‑за того, что мы получаем информацию из разных источников. У нас есть собственные транзакционные данные, которые, на наш взгляд, точны, и получаем мы их оперативно. Кроме того, мы с разной периодичностью получаем информацию с рынка: от своих сотрудников, от дистрибьюторов, от аналитиков рынка. Соответственно и ее точность может быть различна. В идеале все движение продукта должно полностью описываться информацией из этих источников. На практике же получается не совсем так. Для каждого источника данных используется своя аналитика, своя система отчетности, которая консистентна вне зависимости от других источников. Но нам нужно объединить всю эту информацию и получить общую интегрированную картину.

Отдельно можно выделить производственную аналитику, анализ эффективности как самого процесса производства, так и различных моделей. Это довольно сложно сделать, учитывая, что используются разные системы, процессы и данные.

При этом важен и вопрос эффективного сбора информации, ее обработки и использования. Объем данных растет. Технологически мы их можем собирать, можем формировать разносторонние отчеты для аналитики. Иными словами, вычислительных ресурсов нам пока хватает. Но необходимо понять, каков оптимальный объем отчетов для принятия решений. Не могу сказать, что эта задача стала актуальной только сейчас. Но объем данных постоянно растет, и хочется их быстрее и качественней обрабатывать, принимая решения уже при наличии 80% необходимых данных, чтобы получить конкурентное преимущество. Иначе можно до бесконечности сидеть и ждать поступления данных.

Алексей Власов: Достаточно быстрое накопление данных — весьма типичная проблема большинства предприятий, и понятно, что у руководства появляется желание навести в них порядок в целом, по всему накопленному массиву. Но обычно сделать это в полном объеме не удается из‑за нехватки времени и бюджета, поэтому приходится решать задачу: как сделать так, чтобы за разумное количество времени построить хотя бы локальную аналитику, которой можно доверять.

Мне кажется, в текущей ситуации крайне важным аспектом является гибкость. Да, существуют виды бизнеса, традиционно устоявшиеся, мало подверженные влиянию текущей ситуации. Но по нашим заказчикам видно, что новые задачи появляются очень часто. Если отчетность строится на основе какой‑то самобытной системы, то для создания нового, даже простого, отчета может потребоваться месяц и более. Но иногда, когда бизнес меняется существенно и появляется необходимость на что‑то посмотреть под другим углом, технологически задача может вообще не решаться в рамках традиционных подходов. Используемые системы могут быть хорошо проработаны «вглубь», но когда требуется более широкий взгляд на ситуацию, без качественно новой аналитической надстройки над ними не обойтись.

Второй важный момент — то, что аналитические системы становятся все более широко распространенными в организациях, то есть количество их пользователей растет. Если раньше аналитикой в компании занимались лишь несколько людей, очень хорошо знакомых, например, со специализированными пакетами статистической обработки информации, которые использовали сложные аналитические функции, думали и затем излагали свои мысли в виде отчета, то теперь ситуация другая. Компаниям хочется иметь простое в использовании и в то же время эффективное средство. А вот за этой внешней простотой, обеспечивающей удобство для пользователей, стоит технологически очень серьезная платформа. Благодаря своей пользовательской «простоте» Oracle BI становится одной из немногих ИТ‑систем, результаты внедрения которой действительно видны руководству, и без этих данных заказчику уже становится трудно обойтись.

Вообще, на мой взгляд, аналитическую функциональность можно грубо разделить на три сегмента. Первый — так называемый «рабочий стол руководителя», тот самый пресловутый «светофор», или «дэшборд». Вторым крупным сегментом является регламентная отчетность, которая может требоваться в огромных объемах. И третий, наиболее, наверное, интересный сегмент — это, собственно, аналитика для аналитиков, то есть инструмент, позволяющий на основе множества показателей построить какие‑то графики, «покрутить» данные, выявить определенные закономерности.

Илья Товбин: Вот третий сегмент иногда может вызывать проблемы. Нужно следить, чтобы сотрудники, получив мощный инструмент, не ушли в него с головой и не стали бы создавать отчеты, понятные только им самим, но не совместимые между собой. Помимо глубокого анализа, необходимо не потерять общее понимание происходящего на всех уровнях управления.

Алексей Власов: Обычно на практике при создании аналитической системы сотруднику, пользующемуся в своей работе отчетами, дается возможность оперировать лишь несколькими, заранее определенными показателями. Если же расширить его права доступа к системе, то примерно через полгода он начинает понимать, что может найти много интересных для него данных, и тогда начинается процесс «творческого поиска». Поэтому важно предоставлять права, соответствующие не только строго регламентированным обязанностям, но и реальным потребностям. Хотя здесь важно соблюсти меру.

Что касается проблемы противоречивости данных и их интерпретации, то главное здесь — понять, что происходит и какими разумными способами этого можно избежать. В холдинговой структуре, которая имеет ряд филиалов, обычно сосуществует множество систем — финансовая, бухгалтерская и т. д. Обычно во всех этих системах используются разные справочники. А если это, например, производственное предприятие, то номенклатурный справочник может содержать десятки тысяч позиций, и бывает сложно понять, соответствует ли гайка Х в одном справочнике той же гайке Х в другом. А ведь эти гайки поставляет множество поставщиков — каждый со своей системой идентификации товаров.

Юрий Колесников: По-моему, важно четко разделять технологию работы с информацией и правила выполнения анализа. Как я уже говорил, мы сначала выровняли все данные — справочники, мастер-данные, данные на уровне операционных систем — и только потом перешли к формированию хранилища. Хорошо известно, что попытка сформировать аналитику на некорректных данных ни к чему хорошему не приведет, потому что при этом будет возникать множество конфликтов. И второй вопрос — технология анализа. Для меня ситуация, когда два человека строят на одних и тех же данных разные выводы, выглядит как технологическая ошибка. Анализ информации — это технологический процесс, который делается во имя каких‑то целей, а не свободный поиск. По крайней мере, для меня это вполне очевидно, хотя не всегда очевидно для всех в организации. Тем более ИТ-директору нужно это активно доказывать.

Алексей Власов: Согласен, но только если речь идет о предприятии, которое появилось относительно недавно и более-менее планомерно развивалось при разумном руководстве. Но если рассматривать среднестатистический холдинг, то в таких организациях довольно часто появляются новые филиалы, каждый из которых имеет свою историю, насчитывающую, бывает, несколько десятков лет. Естественно, в них свои ИТ‑системы, финансовые службы и т.д., которые не имеют ничего общего с общекорпоративными. И когда, например, ответственный за закупки в головной компании хочет посмотреть, какое количество определенной товарной единицы было получено в рамках всего холдинга, то в силу сказанного выше это является невыполнимой задачей. В итоге все это делается с помощью электронных таблиц, данные в которые вносятся после многочисленных телефонных звонков и глубокомысленного изучения информации из разных систем. Внедрение учетной системы и регулярная подготовка управленческой отчетности очень часто указывают на всевозможные «серые» и «черные» пятна, где необходимо навести порядок. И для бизнеса это, быть может, даже более важно, чем эффект от использования самой системы.

Денис Сологуб: Когда в нашей компании стали бороться с издержками, в числе прочего пришлось анализировать списание. И вдруг выяснилось, что написанные в разное время отчеты для коммерсантов, аналитиков или финансистов дают различные результаты. Я был вынужден решать эту проблему — сводить все эти отчеты воедино. Но при этом пришлось очень четко договариваться со всеми, что относить к списаниям, что — к результатам инвентаризации и т.д. Пришлось несколько пересмотреть бизнес-процессы.

Бывают также случаи, когда люди просто не разбираются в сути процесса. К примеру, менеджер, который покупает и продает, приобрел десять единиц товара, продал из них восемь и заработал некоторую сумму. Хороший он получил финансовый результат или плохой? С его точки зрения все нормально, потому что он получил по 5% прибыли с каждой проданной единицы. Но если учесть, что две оставшиеся он реализовать не смог, становится понятно, что образовался ущерб в 20% от суммы закупки, который придется оплатить из прибыли, даже не покрывающей этот убыток. То есть если расширить парадигму, получается иной результат. В этом случае помогает обычный экономический анализ, который позволяет получать нужные цифры достаточно быстро и эффективно.

Возможно появление большого количества ошибок и на этапах ввода и трансформации данных. Потому что в систему их кто‑то должен внести, и при этом большое влияние оказывает человеческий фактор. Затем эти данные нужно преобразовать в другую форму, чтобы учесть технологические нюансы аналитической системы, в которую они передаются. Мне пришлось уделять много времени поиску таких ошибок и выстраиванию различных видов контроля, позволяющего их избежать. К примеру, при вводе информации в справочник нужно пользователям с соответствующими правами дать возможность выбора не из 20 позиций, а из пяти значимых, тогда вероятность ошибки будет меньше.

Intelligent Enterprise: Ситуация меняется, и, возможно, со временем становится необходимым использование пусть даже не новых, но ранее не применявшихся алгоритмов обработки данных. Что сегодня прежде всего необходимо для дальнейшего развития адекватных современному бизнесу аналитических решений? Интересно также, какие специалисты должны ими пользоваться? Можно ли говорить о потребности в более сложных аналитических алгоритмах и специалистах с более высоким, чем ранее, уровнем квалификации?

Денис Сологуб: Могу отметить, что в розничной торговле в эпоху кризисных явлений произошло довольно много изменений. Во-первых, стало гораздо сложнее брать кредиты, залоговая ценность различных ресурсов пересматривается. В связи с этим розничные компании сейчас пересматривают и стратегию своего развития. Соответственно проблема эффективности бизнеса встает более остро, и как раз она может решаться путем использования аналитических систем. Чтобы понять, как заработать, нужно выяснить — на что лучше потратиться, чтобы получить больше денежных средств, как увеличить оборот и снизить издержки. Но на то, чтобы внедрять новые аналитические системы, средств обычно тоже не находится. Приходится искать новые пути использования уже имеющихся BI-инструментов. Может быть, из них, с помощью небольших вливаний средств, можно получить новый полезный результат.

Илья Товбин: Возможно, у меня упрощенный взгляд на этот вопрос, но, по моим ощущениям, сегодня сложные аналитические алгоритмы, прогнозирование и так далее не очень актуальны. Интересна скорость получения достоверной информации, эффективного анализа и принятия решения.

Алексей Власов: Именно неоправдавшиеся прогнозы стали причиной того, что многие банковские аналитики потеряли работу в начале кризиса. Руководство решило, что точность их прогноза немногим отличается от подбрасывания монетки. Возник вопрос, зачем платить таким сотрудникам немалые деньги.

По-настоящему знающих аналитиков довольно мало. Действительно ценный и реально востребованный аналитик отличается от начинающего тем, что у него в голове работает его собственный «датамайнинг». Он хорошо понимает, чем занимается, и знает, как строятся причинно‑следственные связи. Благодаря наличию жизненного опыта его результат обычно лучше коррелирует с реальностью.

Денис Сологуб: Я думаю, банковские аналитики попали под удар, так же как и маркетинговые работники в розничной компании. И на прогнозах, и на маркетинге проще всего экономить, потому что будущий доход посчитать очень сложно, а расход очевиден. Поэтому, действительно, очень ценится способность быстро получать информацию и быстро на нее реагировать. Известно, что выживает не самый сильный и не самый умный, а тот, кто лучше всего приспосабливается.

Мы, как и любая компания, планируем результаты своей деятельности. Возникает вопрос — как оценить точность планирования? Раньше это делалось ежемесячно на основании расхождения между планируемым и фактическим результатами деятельности. Если расхождение небольшое, значит, аналитик поработал хорошо. Однако я стал замечать, что в течение определенного промежутка времени этот показатель может меняться очень значительно, и итоговое совпадение результатов может быть простой случайностью. Поэтому появилось предложение применить хотя бы не очень сложную математику и, например, с помощью метода наименьших квадратов анализировать ежедневные отклонения от плана. И вот тогда действительно можно оценить качество работы аналитика, создать для него дополнительную мотивацию, поставить зарплату в зависимость от качества прогноза.

Юрий Колесников: С точки зрения моей компании, в аналитике существует три основных направления. Первое, типовой бизнес-процесс — тот самый анализ рисков. Имеется разнородная информация о финансируемой компании, исходя из которой надо принять решение. В результате этого бизнес-процесса формируется какая‑то новая ценность.

Второе — реакция на изменения. В ходе обработки данных о прошедшем периоде выявляется какое‑то возмущение, которое может как‑то повлиять на бизнес, и нужно срочно принимать решение, как реагировать. Это может быть изменение параметров деятельности бизнеса или изменение бизнес-процессов. Возможно, необходимо создание нового продукта. Необходимо на основе информации из существующих отчетов выявить взаимосвязи, посмотреть на рынок новым взглядом, и в этом тоже есть своя ценность.

И, наконец, третье — проектирование будущего. То есть анализ информации, который позволяет прогнозировать какие‑то изменения и на основании этого планомерно проектировать новые продукты. Эти три направления уже содержат широкий спектр базовых подходов, используемых в информационных аналитических решениях в принципе. Я думаю, если говорить о будущем, то в смысле используемого арсенала тут мало что изменится.

Алексей Власов: Если говорить об адекватности современному бизнесу, то мне кажется, что основной вопрос часто сводится не к накоплению данных и даже не к построению отчетов, а к способности быстро реагировать — практически в режиме реального времени. Если изменяется какой‑то критичный показатель, не должна возникать необходимость полдня разбираться в том, что под показателем на самом деле подразумевается и что в результате его изменения происходит. Заказчику хочется получить, казалось бы, довольно простой инструмент, вроде загорающегося табло, по критичным показателям. В более сложном виде это превращается в так называемую «направляющую аналитику», которая есть сейчас во многих современных аналитических системах. Принцип ее работы основывается на отображении показателей, которые могут уходить в отрицательную или в положительную область в зависимости от события, и их состояние вызывает ту или иную последовательность визуализации отчетов при нажатии на этот «светофор». В результате человеку не требуется серьезных навыков, чтобы понять, где искать источник проблемы.

Денис Сологуб: У нас используются подобные системы, и это привело к тому, что владелец бизнеса действительно стал в них заглядывать, потому что это оказалось удобно, и теперь он может с их помощью непосредственно влиять на бизнес-процессы, благодаря чему многое удалось сдвинуть с мертвой точки. Потому что когда менеджеры не могут между собой договориться, должна быть управляющая сила сверху.

Например, так мы смогли упорядочить систему оплаты долга поставщикам, которых у нас при нашем ассортименте около 700. Возникает вопрос очередности оплаты, с которым до недавнего прошлого справлялись вручную. Когда мы сделали эту систему прозрачной и сопоставили суммы оплат и продаж, выяснилось, что далеко не всегда распределение оплат обусловлено объективными факторами. Руководству стало понятно, что необходимо внедрять механизм автоматического распределения денежных средств поставщикам, формализовать признаки, на основании которых оно будет производиться. Сейчас этот механизм уже начал работать, и теперь мы имеем более сильную позицию в переговорах с поставщиком. Мы можем говорить о реструктуризации долга — например, предложить отсрочить оплату кредиторской задолженности, но регулярно оплачивать проданный нами товар. При этом бизнес поставщика будет работать, потому что у него появятся оборотные средства для выполнения текущих задач, а мы, в свою очередь, сможем сохранить эффективность и постепенно расплатиться со старыми долгами.

Intelligent Enterprise: Существует ли в аналитике такое понятие, как отраслевые решения? Насколько целесообразно их использование, какие выгоды оно несет?

Денис Сологуб: Наша компания кроме самого BI-инструмента приобретала и модель данных. Модель данных — это нематериальный актив, предмет интеллектуальной собственности. Она представляет собой надстройку над BI‑системой, позволяющую агрегировать данные наиболее эффективно, причем именно для определенной отрасли. Здесь имеются как позитивные, так и негативные факторы. Конечно, это позволяет сильно сократить время разработки. Потому что если модель данных приобретается у того же вендора, который разработал BI‑систему (либо у кого‑то, кто очень хорошо понимает, как эта система работает), то остается всего лишь понять, какие данные куда положить, и получить заведомо хороший результат при условии минимизации рисков. Да, это увеличивает стоимость решения, в нашем случае — вполне конкретно, на 60%. Но благодаря отраслевому решению мы смогли сократить время создания СУБД до одной недели, причем всю работу выполнял один специалист.

Ценность готовой модели данных заключается еще и в увязке готового решения с бизнес-процессами, и, возможно, даже во влиянии на них. Без этого отчеты сами по себе оказываются не слишком полезными. Но бывает и так, что данные компании не соотносятся с преднастроенной моделью данных от поставщика. И если этих данных очень много, возникает вопрос: а нужна ли такая модель? Но узнать это, пока модель не приобретена и не исследована на практике, почти невозможно.

Алексей Власов: Действительно, отраслевые модели стоят серьезных денег, и их приобретение имеет смысл лишь тогда, когда корпоративные бизнес-процессы и отчетность в достаточной степени соответствуют заложенным в них «лучшим практикам». Однако очень часто расхождение бывает крайне существенным. Можно, конечно, выбрать и путь подстройки бизнес-процессов компании и используемых ею показателей под требования системы. Но в итоге это, как и разработка собственного решения, может затянуться на годы.

Сложнее всего приходится компаниям, которые эти «лучшие практики» создают. Все лидеры рынка на собственном опыте выстраивают ту самую систему KPI, которая позволяет хорошо отслеживать ход бизнес-процессов. Поэтому хорошо, наверное, быть вторым, третьим, четвертым из внедряющих подобную модель. Сейчас существует довольно большая матрица отраслевых решений, причем не только для вертикальных рынков, но и для горизонтальных направлений в каждом из них: к примеру, маркетинг в банках или цепочки поставок для транспортных компаний. Технологически такое решение представляет собой хорошо структурированное хранилище и надстройку над ним, позволяющую формировать множество отчетов и показателей.

Юрий Колесников: Мы планируем внедрять отраслевое аналитическое решение, связанное с управлением данными. Такое решение для нас действительно существует, и у нас даже есть ряд сотрудников, которые работали с подобными системами в западной компании и очень высоко оценивают их работу. Вообще я считаю, что аналитические отраслевые решения, как и любые другие отраслевые решения, существенно увеличивают шанс успешного завершения проекта, позволяя снизить риски и сроки внедрения. Конечно, под это решение приходится подстраиваться, но это уже вопрос готовности предприятия к внедрению аналитических систем.

Intelligent Enterprise: Существует ряд инфраструктурных решений, казалось бы, к аналитике не относящихся, но тем не менее способных предоставить для нее дополнительные данные — это пластиковые карты, карты покупателя, RFID и тому подобное. Данные, в свою очередь, порождают дополнительные транзакции, и все это, по крайней мере потенциально, можно анализировать, несет в себе какую‑то информацию. Насколько, по вашему опыту, такие решения могут способствовать развитию аналитики в компании?

Денис Сологуб: Теоретически, например, можно отслеживать географию потребления. Но возникает вопрос упорядочивания этой информации и соотнесения ее с различными показателями. К примеру, нужно отметить каждый магазин на карте и т.д. Все это ведет к дополнительным затратам при неочевидных выгодах. Так что пока мы некоторые из дополнительных данных просто собираем, но не исключаю, что в будущем они могут пригодиться. Как я уже говорил, в условиях кризиса на многое приходится смотреть под другим углом.

Илья Товбин: У нас в компании существует классическая задача оптимизации маршрутов торговых представителей в привязке к ГИС. Соответственно мы закладываем необходимую функциональность в платформу, чтобы иметь возможность собирать и анализировать необходимую информацию. Со временем до нас дойдет RFID. Будем ставить «умные» полки, собирать с их помощью информацию о перемещении товара в магазине. Но основная задача не изменится — отслеживать, какие данные мы получаем, и пытаться понять возможные выгоды от их наличия. Как только эти выгоды станут очевидны, мы должны быть готовы проводить соответствующую аналитику.

Intelligent Enterprise: Какими бы темпами ни шел процесс развития аналитики и какие бы из вышеупомянутых акцентов ни ставились сейчас, рано или поздно возникнет вопрос: а не стоит ли иногда обратиться к сторонней компании, которая является, условно говоря, профессиональным аналитиком и которой принято доверять, чтобы она разово или на периодической основе производила в интересах своего заказчика какие‑то сложные аналитические вычисления?

Денис Сологуб: Да, есть компании, которые предоставляют такие услуги. Одна из них предлагала на основе наших данных о динамике продаж и отпускных ценах внести предложение по изменению последних. Другой вопрос — какие предложения мы используем и как оцениваем результаты работы. А что, если в итоге мы получим спад продаж?

Единственно возможный подход — перед началом изменений построить прогноз на определенную товарную группу с учетом всей информации, которой мы владеем, — сезонность, наличие по ним промо-акций, существование товаров‑аналогов и т. д. Тогда можно будет после прохождения определенного периода сравнить полученный результат с планируемым. Сложность получения непредвзятой оценки и не позволила нам тогда решиться на это предложение.

Юрий Колесников: Очень часто попытки работы с консультантами по выработке рекомендаций заканчивались ничем, потому что все с готовностью предлагали в качестве результата бумагу, но никто из них не хотел отвечать за результат применения своих рекомендаций. Но зато был другой положительный опыт… Когда‑то я работал в ювелирной компании, где номенклатура производимой продукции включала около 80 тысяч позиций, а ежемесячно на срезе производственной программы выпускалось около 30—40 тысяч номенклатурных позиций продукции. Возникали вопросы о влиянии на итоговую прибыль каждого вида товара в столь широком ассортиментном ряду. Требовалось выработать определенную технологию расчетов, позволяющих провести такой анализ. Для этого были наняты высококлассные математики, которые создали нужную нам математическую модель анализа данных, успешно использованную впоследствии.

От налоговой отчетности до анализа социальных сетей

Ян Шимек,
вице-президент корпорации Teradata в Восточной Европе

Опыт нашей компании позволяет нам увидеть актуальные проблемы и задачи в области аналитики, которые в настоящее время стоят перед компаниями разных размеров, работающими в разных отраслях бизнеса. Текущая экономическая ситуация внесла значительные коррективы в стратегию инвестиций многих компаний, но я хочу отметить, что не снижается интерес к возможностям аналитических приложений, а также к хранилищам данных. Мы находим это вполне закономерным, поскольку нестабильная экономическая ситуация ставит перед бизнесом не столько задачи развития и увеличения прибыли, сколько задачи сохранения клиентской базы, лучшего понимания потребностей клиентов, усиления конкурентных преимуществ, а также сохранения собственных доходов.

Если привести более конкретные примеры, то я хотел бы отметить в первую очередь актуальные аналитические задачи, возникающие сейчас у телекоммуникационных компаний, а также у банков, работающих в области розницы. Эти две индустрии являются ключевыми потребителями продуктов Teradata, и наш опыт позволяет нам сделать вывод о следующих актуальных тенденциях. Для телекоммуникационных компаний наиболее важными задачами являются обеспечение поступления доходов (то, что подразумевается под термином revenue assurance) и уменьшение оттока абонентов. Анализ профилей поведения абонентов — пожалуй, самая актуальная тема в последнее время. Одним из направлений данного анализа, востребованным в настоящее время, является анализ социальных сетей.

Результатом анализа социальных сетей становится информация о потенциале распространения различных продуктов и маркетинговых коммуникаций, обладая которой оператор может выстроить эффективную стратегию по сохранению и расширению абонентской базы, что в конечном результате позволит увеличить прибыль. Что касается других специфических аналитических задач для телекоммуникационных компаний, то важна консолидация клиентских баз (мобильная связь, фиксированная связь, ШПД), позволяющая оператору в полной мере использовать преимущества конвергенции. Если обратить внимание на актуальные задачи, стоящие перед банками в настоящее время, то я хочу отметить важность получения достоверной отчетности (в том числе регуляторной, налоговой, управленческой), управление рисками (в том числе кредитными, процентными), противодействие мошенничеству и отмыванию денег (так называемый финансовый мониторинг). Управление доходностью, в том числе вопросы трансфертного ценообразования и расчет издержек, в настоящее время тоже должны быть актуальны для банковских структур. Задачи построения эффективных маркетинговых кампаний в равной степени стоят перед большинст­вом сфер бизнеса. Проведение целевых маркетинговых кампаний, сегментирование целевой аудитории, анализ эффективности — эти задачи имеют свою специфику в зависимости от рынка, на котором работает компания, но они одинаково востребованы, поскольку являются частью общей стратегии развития компании.

И последнее, что я хотел бы отметить: растет потребность бизнеса в получении актуальных, свежих данных для анализа. От загрузки данных в хранилище один раз в сутки переходят к более оперативному, более частому процессу загрузки данных, например, несколько раз в сутки или на постоянной основе. Таким образом, требования к уже внедренным или планируемым к внедрению системам тоже будут расти.