Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики - Страница 8

Еще один наглядный пример, на котором мы подробнее остановимся далее, относится к производственной области. Показания датчиков двигателей дают возможность производителям разработать оптимальный график технического обслуживания. Наличие детальной информации о функционировании двигателя автомобиля, самолета или любого другого транспортного средства позволяет выявить шаблоны, со временем ведущие к отказу двигателя. Такая разработка более эффективного графика на основе показаний датчиков – это результат операционного применения аналитики.

В свою очередь, операционная аналитика, основанная на показателях датчиков двигателя, выдается почти сразу и гораздо более индивидуализирована. Она выполняется параллельно с работой двигателя, а поступающая с датчиков информация анализируется в режиме реального времени. Если выявляется некий шаблон, который, как известно, неминуемо приведет к проблеме, принимаются меры по предотвращению либо исправлению этой проблемы. Когда водитель за рулем автомобиля получает упреждающее уведомление о том, что с двигателем начинает твориться что-то неладное, – это пример операционной аналитики в действии.

Предостерегаю: если организация не научилась успешно применять традиционную аналитику на основе пакетной обработки, то не сумеет и сделать аналитику операционной. Сначала нужно обзавестись основными аналитическими возможностями, а уже потом их масштабировать. Первым делом необходимо развить качественную аналитику, эффективную при пакетной обработке. Этот процесс можно сделать операционным только после подтверждения того, что данные и навыки, которыми обладает организация, могут быть использованы для построения надежного аналитического процесса. Если хотите, чтобы ваша организация вышла на следующий уровень, нужно прежде всего убедиться в наличии прочной аналитической основы. Без нее операционная аналитика останется недостижимой мечтой.

Итак, мы рассмотрели, чем операционная аналитика отличается от традиционной в ряде важных аспектов. Давайте суммируем эти различия в виде четырех характеристик, которые определяют отличия операционной аналитики от традиционной.

Определяющая характеристика № 1: операционная аналитика интегрирована и автоматизирована. Традиционно организации вели аналитику в режиме оффлайн и затем передавали ее результаты повсюду, чтобы их принимали во внимание при принятии решений. Человек участвовал не только в построении аналитического процесса, но и в его осуществлении на постоянной основе. А операционно-аналитический процесс выполняется внутри операционных систем в автоматическом и интегрированном режиме.

Определяющая характеристика № 2: операционная аналитика предписывает действия. Операционная аналитика выходит за рамки описательной и даже прогностической – она предписывает действия. Не просто рекомендует, какое наилучшее предложение следует сделать клиенту, когда он вернется, а действительно предписывает сделать это предложение, отдав распоряжение соответствующей системе.

Определяющая характеристика № 3: операционная аналитика принимает решения. Ее процессы не только предписывают или рекомендуют, но и принимают решения, а затем выполняют действия, которые из них вытекают. Этим она в корне отличается от традиционной аналитики, где анализ производит рекомендации, а человек решает, принять их или отклонить: смотрит на результаты анализа и принимает окончательное решение, на основании которого выполняются дальнейшие действия.

Определяющая характеристика № 4: операционная аналитика осуществляется в пределах «времени принятия решения». Во многих случаях оно соответствует реальному времени. В некоторых случаях аналитика применяется к входящему потоку, а не к хранилищу данных. Операционная аналитика не может позволить себе ждать до следующего сеанса пакетной обработки – она должна осуществляться немедленно, чтобы принять решение и исполнить его.

Добывать новые знания при помощи аналитики – это замечательно. Но после того как знания обнаружены среди данных, предстоит сделать важный шаг – наилучшим образом применить их аналитически. Разработать процесс, который будет воспроизводить новые знания, масштабировать их, а затем подкреплять ими решения – и все это почти в режиме реального времени, – очень трудно. Таким образом, центральная роль по-прежнему остается за человеком. Кто-то должен разрабатывать, выстраивать, конфигурировать и контролировать операционно-аналитические процессы. Компьютеры сами по себе не смогут принимать решения.

Важный момент, который стоит лишний раз подчеркнуть, состоит в том, что операционная аналитика представляет собой новую ступень эволюции аналитических технологий. Организация не может сразу же перепрыгнуть на уровень операционной аналитики, пока не овладеет мастерством традиционного пакетного анализа. Кроме того, как мы обсудим в шестой главе, операционно-аналитические процессы требуют тщательного тестирования перед запуском, поскольку автоматизированные плохие решения могут нанести серьезный ущерб. Прежде чем система начнет принимать миллионы микрорешений, необходимо убедиться в том, что они будут высокого качества.

Эволюция аналитики с течением времени хорошо отражена в концепции Аналитики 3.0, разработанной Международным институтом аналитики (International Institute for Analytics, IIA) и его руководителем научных исследований Томом Дэвенпортом. Я преподаю в IIA, поэтому мне посчастливилось участвовать в обсуждении концепции на начальных этапах ее разработки. Давайте рассмотрим, в чем именно она заключается, поскольку это позволит нам увидеть эволюцию операционной аналитики в более широкой перспективе. Знание того, что и как менялось в мире аналитики на протяжении его истории, поможет нам понять, почему операционная аналитика готовится занять господствующее положение.

Эпоха Аналитики 1.0 на протяжении многих лет охватывала все действия организаций в сфере аналитики. Я говорю об Аналитике 1.0 в прошедшем времени, поскольку организациям следует оставить этот подход в прошлом, если они этого еще не сделали. Как показано на рис. 1.1, Аналитика 1.0 в очень большой степени опиралась на описательную статистику и отчетность с редкими вкраплениями прогностической аналитики. Предписывающей аналитики тогда не существовало. Что касается данных в эпоху Аналитики 1.0, то они поставлялись почти исключительно из внутренних источников и были хорошо структурированы. Они включали все данные, связанные со сделками организации, информацию из систем управления предприятия и т. п. Хотя в то время эти данные считались невероятно большими и сложными для обработки, по сегодняшним меркам они являются относительно малыми и простыми. Данные собирались и хранились ИТ-отделом и предоставлялись по запросу. К сожалению, чтобы сделать данные доступными для анализа, ИТ-специалистам требовалось довольно много времени. Все это ограничивало широту и глубину применения аналитики, а также ее воздействие.

Что еще хуже, когда аналитики наконец-то получали эти данные, то, прежде чем приступить к анализу, им требовалось проделать еще массу дополнительной подготовительной работы. Дело в том, что в корпоративных системах данные редко хранятся в формате, пригодном для анализа. Выстраивание аналитического процесса требовало разного рода преобразований, агрегирования и комбинирования данных из различных источников. Все это еще больше увеличивало временной промежуток между моментом, когда ИТ-специалисты делали данные доступными, и моментом получения результатов. Таким образом, время в эпоху Аналитики 1.0 тратилось на сбор данных, а не собственно на анализ.