Из чего она состоит, почему речь идет не только о партнерской сети, а именно об экосистеме и какие задачи с ее помощью будет решать компания, рассказал генеральный директор Visiology Иван Вахмянин.

- Компания уже четыре года на рынке. Почему сейчас возникла потребность в формировании партнерской экосистемы? И что вы вкладываете в понятие «экосистема»?

Партнерская сеть, а более широко, партнерская экосистема возникает тогда, когда происходит качественный скачок в развитии компании. Сначала надо доказать рынку, что наше решение нужно, дальше возникает входящий спрос, затем объемы рынка становятся больше, чем сама компания в силах обработать, и вот тогда появляется необходимость в партнерской экосистеме. Именно это произошло с нами сейчас.

Мы как компания не работаем изолированно. Мы должны быть открыты миру, а мир должен видеть пользу в нас. Под экосистемой мы понимаем людей, которые так или иначе получают выгоду от того, что с нами работают. И это должно быть взаимовыгодное сотрудничество.

Первый компонент этой экосистемы – традиционная партнерская сеть. Раньше мы договаривались с партнерами индивидуально, но сейчас, когда число партнеров значительно увеличилось и интерес к сотрудничеству с Visiology продолжает расти, мы сформировали единую схему взаимодействия с ними.

- То есть востребованность платформы Visiology на рынке уже такова, что вы сами перестали справляться с ее продвижением?

Дело даже не в продвижении. Самое узкое место у нас – это внедрение системы. Мы изначально строили компанию так, чтобы своими силами заниматься только разработкой продукта, а внедрение передавать партнерам. Но если раньше для этого было достаточно возможностей нашего якорного партнера, компании Polymedia, то теперь требуется все больше партнерских ресурсов для внедрения.

- Какая сейчас партнерская сеть у Visiology, какие планы по ее развитию?

Мы начинали с компанией «Форс», много работаем с BI Partner. Недавно подключились такие компании, как «Промышленные инновации», «Системный софт», «Фактор-ТС». На сегодня у нас порядка 10 партнеров, и мы планируем дальнейшее расширение сети.

Наши партнеры двух типов – крупные системные интеграторы и реселлеры, ориентированные на продвижение более дешевой версии системы компаниям среднего бизнеса. Это второе направление мы будем развивать, но основной фокус остается на внедрении платформы Visiology на крупных предприятиях, которые демонстрируют очень большую потребность в бизнес-аналитике.

Ключевые задачи, в которые мы сейчас максимально вкладываемся, это поддержка и обучение партнеров. Их мы предоставляем партнерам бесплатно. Мы стремимся к тому, чтобы у партнера были все условия качественно делать свою работу.

- В каких отраслях Visiology чувствует себя уверенно, а какие вы намерены активно осваивать в ближайшие годы?

Уверенно мы себя чувствуем в госорганизациях, особенно в региональных, там уже много внедрений нашей платформы. Перспективы видим в промышленности, где пока низкое проникновение бизнес-аналитики, но очень большая потребность.

- Давайте поговорим о других компонентах вашей партнерской экосистемы.

Мы ищем новые форматы взаимодействия. Один из них – инициатива ViClub по сотрудничеству с независимыми экспертами. Сейчас многие профессионалы с высоким уровнем компетенции хотят работать не на компанию, а на себя, а у наших заказчиков есть потребность в гибком подходе к решению своих задач. Вместо того чтобы создавать целый отдел под разовую доработку системы, они смогут привлекать на временную работу нужных им специалистов из пула ViClub.

Мы видим большую перспективу в таком подходе.

- Но эти люди должны подтверждать свои компетенции, чтобы вашим заказчикам захотелось иметь с ними дело...

Это находится под нашим контролем. Мы начинаем взаимодействие с такими экспертами, предлагая решение своих задач, часто исследовательских и, конечно, без данных заказчиков, поскольку для нас безопасность данных – высший приоритет. После такого «тестирования» становится понятно, что это за специалист, можем ли мы его приглашать на проекты к заказчикам.

При этом мы не платформа, как «Яндекс.Такси», и не зарабатываем на транзакциях. Наша задача – создать легкодоступный ресурс по внедрению платформы Visiology.

- Тогда в чем ваша выгода от ViClub?

Выгода опосредованная. Если человек реализовал несколько задач на нашей платформе, хорошо в ней разбирается, то когда через год он начнет работать в крупной компании и перед ним встанет вопрос, какую BI-систему внедрять, он с большой вероятностью выберет ту, которую хорошо знает.

- Достаточно уникальная модель. Вы ее сами придумали или есть аналоги?

Аналоги есть, но не в BI. Мы стараемся брать идеи и из других отраслей.

- На данный момент ViClub – в бета-версии или это полноценно работающий механизм?

У нас уже есть пул людей, готовых к решению задач. Но это все равно в какой-то мере «бета», потому что концепции еще предстоит трансформироваться.

Пока в ViClub около 20 человек. Но поскольку, по моим оценкам, все сообщество BI в России насчитывает от 5 тыс. до 15 тыс. опытных специалистов, в таком пуле и не будет тысяч участников. Это десятки хороших профессионалов.

- Еще один компонент системы – ViLabs. Какая здесь идея?

И у нас, и у наших заказчиков постоянно возникают идеи улучшений в системе. Цикл реализации инновационной идеи довольно длинный – идентифицируем потребность, придумываем решение, реализуем, встраиваем в платформу, при этом тестируя новую функцию на уровень качества и безопасности. Только после прохождения всех этапов можно предъявить результат заказчику. И тут выясняется, что он получил не совсем то, что хотел.

С помощью ViLabs мы надеемся радикально упростить этот процесс. Фактически мы открываем наш R&D – будем показывать, как ведется работа над такими идеями, и собирать обратную связь. Каждый заказчик сможет сказать, что вот это, например, крутая разработка, сделайте ее побыстрее, а вот это нам не надо. Мы не будем зря тратить ресурсы, а заказчики получат действительно нужную функциональность. Единственный риск, что конкуренты будут копировать наши идеи. Ну и пусть, нам не жалко.

- А какое место у партнеров в этой инициативе?

Партнер для нас — тоже клиент. Чаще всего именно партнеры делают доработки в системе и потому являются одним из самых мощных источников обратной связи.

- И все-таки конкуренты – реальная проблема. Есть ли ограничения доступа к ViLabs или это совершенно открытая «песочница»?

Мы понимаем, что, если открыли идею партнерам, то все конкуренты ее увидят, если захотят. У компании есть выбор. Либо полностью закрыться, но тогда ты обречен тратить время неэффективно, либо быть открытым, но столкнуться с обострением борьбы за лидерство. Мы выбираем второй путь.

- Visiology пока сама недалеко ушла от стартапа. Тем не менее не планируете ли вы привлекать к ViLabs стартапы, как это сейчас практикуют крупные компании в поисках инновационных идей?

Для того чтобы строить экосистему стартапов, нужны большие финансовые возможности. Мы к этому пока не готовы, да и нет необходимости. У нас нет недостатка в идеях, есть нехватка ресурсов.

За счет ViLabs мы рассчитываем оптимизировать свои ресурсы. Это взаимовыгодный подход – мы не тратим время на ненужные разработки, а заказчики быстрее получают необходимые им улучшения платформы.

- Еще один компонент экосистемы – это бизнес-обучение. Зачем оно компании – разработчику программной платформы?

Время от времени мы видим, что заказчик покупает систему, а потом она лежит на полке. Это очень печальный факт, но проблема чаще всего не в платформе, а в том, что заказчик не понимает, какую ценность она может дать его бизнесу. Мы готовы делиться опытом, как правильно применять бизнес-аналитику, как создать в компании команду data-driven. В этом задача бизнес-обучения, реализовать которое мы, конечно, не сможем без поддержки образовательных партнеров.

Сейчас мы предлагаем в сотрудничестве с преподавателями Московской международной высшей школы бизнеса МИРБИС двухдневные корпоративные тренинги: первый день – лекционный, второй – деловая игра.

- Какие планы по развитию экосистемы Visiology?

Я предполагаю, что формат нашей экосистемы будет меняться. Идеи, которые мы сейчас обсуждали, достаточно новые и еще потребуют «тонкой настройки». С другой стороны, они уже показали свою эффективность, поэтому мы готовы представить их широкому рынку.

Но самое важное – мы сейчас в целом фокусируемся на экосистеме, потому что видим, что от этого зависит наш успех.

Компания Visiology, российский разработчик одноименной аналитической платформы, второй год подряд организует в конце осени конференцию для своих заказчиков и партнеров. В этом году конференция прошла под названием ViRush, которое, по заявлению организаторов, станет отныне брендом этого мероприятия. В нем отсылка и к названию компании, и к «визуализации», возможности которой в Visiology относят к ключевым преимуществам платформы, и к русскому слову «вираж». Как отметила на открытии конференции Елена Новикова, руководитель группы компаний Polymedia (в нее входит и Visiology), компания действительно претерпевает важный поворот в своем развитии, связанный с изменениями, происходящими на российском рынке аналитических решений.

Этот рынок растет, причем быстрее, чем в мире, отмечают в Visiology. В компании приводят данные собственного анализа структуры рынка, согласно которым наибольшая доля расходов приходится на хранилища данных, аналитические базы данных и решения в области управления данными, но инструменты BI и продвинутая аналитика – области интересов Visiology – отличаются заметной динамикой.

Но главное изменение, на которое обратила внимание Новикова, состоит в том, что отечественные заказчики не просто испытывают потребность в аналитике – они, как правило, уже не начинают проект без предварительной оценки, какой эффект такие решения могут дать их бизнесу.

«Мы прошли пик завышенных ожиданий и период разочарований и переходим на плато продуктивности. К руководству российских организаций приходит понимание, что внедрение бизнес-аналитики как таковое управленческих проблем не решает. Нужны изменения в подходах к управлению компанией, то есть цифровая трансформация, а выбор аналитической платформы должен предваряться детальным анализом, какой возврат на эти инвестиции в результате получит компания», — подчеркнула Новикова.

В Visiology также отмечают заметный рост интереса к отечественным BI-платформам. По словам Ивана Вахмянина, генерального директора Visiology, только в 2019 году в компании почувствовали реальную востребованность импортозамещения, и это связано не только с санкционными рисками. Западные вендоры аналитических систем делают ставку на облачную реализацию, а это далеко не всегда устраивает местных заказчиков. Еще одним фактором в пользу отечественных разработок являются более гибкие возможности кастомизации.

«Бизнес живет в условиях постоянных изменений, и это требует частых изменений в системе. Когда разработчик близко и с ним можно обсудить любые идеи, это становится большим плюсом», — заметил Вахмянин.

По оценкам Polymedia, в ближайшие три-пять лет объем рынка импортозамещения ПО в России значительно вырастет. «Это огромный рынок, российской компании есть где развиваться, и мы видим для Visiology надежное будущее», — констатировала Новикова.

Развитие в компании уже не сводят только к совершенствованию своей платформы. «В этом году мы осознали, что вокруг Visiology формируется экосистема, и это направление станет стратегическим в 2020 году», — рассказал Вахмянин. Помимо традиционных партнеров – интеграторов и реселлеров (партнерская сеть компании сейчас создается), экосистема Visiology будет охватывать сообщество специалистов по аналитике данных, экспертов по внедрению BI-систем и партнеров в сфере образования.

В компании создано отдельное бизнес-направление ViLabs, которое будет заниматься выработкой и тестированием инновационных идей в области анализа данных с активным вовлечением сообщества. Еще один компонент экосистемы Visiology – платформа ViClub для привлечения независимых экспертов к доработкам BI-систем у заказчиков. Что касается образовательных инициатив, то компания планирует дополнить обучение по технологиям аналитики корпоративными бизнес-тренингами, задача которых – дать заказчикам понимание, для чего и как применять анализ данных в бизнесе. Такая программа сейчас разрабатывается в сотрудничестве с бизнес-школой МИРБИС.

Компания Qlik решила провести ребрендинг своей  облачной платформы бизнес-аналитики. Это стало возможным благодаря серии приобретений, кульминацией которой стала покупка за 560 млн долл. компании Attunity, что позволило встроить в платформу Qlik возможности интеграции данных.

На ежегодной конференции Qlik Qonnections генеральный директор компании Майк Капоне заявил, что объединение в одной платформе источников данных и инструментов для их подготовки и анализа позволило сформулировать уникальное аналитическое предложение.

«Мы представляем единственную в отрасли всеобъемлющую платформу обработки данных», – провозгласил он.

Заявление Капоне о том, что Qlik является единственным вендором, переводящим данные «из необработанного в готовый вид», наверное, может быть оспорено конкурентами, в том числе, Microsoft и Tableau, но вице-президент Qlik по отраслевым решениям Дэвид Болтон настаивает на том, что предложения компании действительно уникальны.

«Tableau ориентируется в первую очередь на бизнес-аналитику в режиме самообслуживания – вот основной принцип этой компании, – указал он. – В ее решениях данные доставляются на инструментальную панель, после чего проходят визуализацию и попадают к пользователям, но при этом процесс сбора данных, репликации и организации потоков от источников не меняется. Нужны другие продукты. И в этом плане мы уникальны, поскольку можем предложить полный спектр открывающихся возможностей. Что касается Microsoft, они могут конкурировать с Qlik Sense, предоставляя что-то вроде Power BI или средств визуализации. Но и здесь возникает та же проблема. Для анализа данных нужны хранилища, киоски данных и, наверное, гиперкубы OLAP. Это сложный и дорогостоящий путь, поскольку в одной точке нужно собрать массу различных технологий. Для реализации возможностей, которые появляются у нас с Attunity, требуется множество инструментов, в том числе и не имеющих отношения к Microsoft. И этим мы отличаемся от конкурентов».

Стратегия приобретений

Когда в 2016 году инвестиционная компания фонд Thoma Bravo предложил за Qlik примерно 3 млрд долл., предшественник Капоне на посту генерального директора Ларс Бьорк уверял акционеров, что у новых владельцев есть «прекрасный план долгосрочных инвестиций в выдающиеся технологии». И в январе 2018 года, после того как Капоне пришел на смену Бьорку, это обещание было выполнено.

За время пребывания Капоне в должности генерального директора Qlik совершила серию из трех приобретений, кульминацией которых стала покупка Attunity за 560 млн долл. Инструментарий интеграции данных было добавлено к средствам управления и каталогизации данных, полученным Qlik после покупки в 2018 году компании Podium Data, являющейся ныне подразделением Qlik Data Catalyst.

По словам ведущего аналитика Forrester Бориса Эвелсона, сделка с Podium Data помогла Qlik вступить в борьбу с мощными конкурентами, предложив полностью интегрированную платформу бизнес-аналитики и ETL.

«Это служит еще одним доказательством тенденции, согласно которой покупатели средств бизнес-аналитики все чаще ищут полнофункциональные платформы и решения, а не отдельные компоненты BI и ETL, которые затем приходится интегрировать», – подчеркнул он.

В начале текущего года, после приобретения компании Crunch Data, разработавшей чатбот, который использует для диалога с пользователями технологии обработки естественного языка, Qlik добавила к своей платформе диалоговые средства анализа. Понимание того, как люди говорят и пишут, играет ключевую роль в деле демократизации данных. По оценкам Gartner, к 2020 году 50% аналитических запросов будет генерироваться поисковыми системами, средствами автоматической обработки естественного языка, голосом или полностью автоматически.

Приобретение трех компаний позволило Qlik утверждать, что теперь в ее распоряжении имеется полнофункциональная платформа обработки данных, охватывающая процесс интеграции данных, управления, каталогизации и анализа в рамках единой системы, которая собирает разрозненные данные вместе и обеспечивает соблюдение ужесточаемых нормативных требований.

В Qlik надеются, что активизация спроса поможет компании заработать на волне аналитического бума. По оценкам Dara Bridge Market, в период с 2018-го по 2026 год рынок бизнес-аналитики ждет подъем с нынешних 20,4 млрд до 42,6 млрд долл.

Варианты развертывания

Капоне заверил клиентов, что несмотря на движение софтверной отрасли в сторону SaaS, Qlik продолжит поддерживать и другие варианты развертывания. Все они будут доступны в рамках единой модели лицензирования Qlik по подписке.

«Наш бизнес ориентирован в первую очередь на облачные технологии и SaaS, но хочу четко заявить: одним только облаком он не исчерпывается, – заметил Капоне. – Мы не отказываемся от мультиоблачной архитектуры. Если вы хотите осуществлять развертывание на своей территории – прекрасно. Если хотите использовать для развертывания частное или публичное облако – замечательно. Если хотите полностью развернуть все в нашем облаке – великолепно. Мы будем поддерживать любое сочетание, которое вы пожелаете».

Капоне пообещал, что Qlik поможет клиентам масштабировать системы и перемещать их в облако по своему собственному графику.

«Мы хотим делать все это не просто для вас, а вместе с вами, – подчеркнул он. – В конечном итоге переход в облако неизбежен. Думаю, никто из присутствующих в зале не будет спорить с тем, что все больше и больше дел, все больше и больше решений принимается в облаке. Но это вовсе не значит, что вы должны переместиться туда в одночасье».

Аналогичное отношение Капоне выразил и к будущему продукта «управляемой аналитики» QlikView. Хотелось бы, чтобы со временем клиенты переходили к инструментарию самообслуживания Qlik Sense, но у компании нет намерения заставить их совершить соответствующий переход прямо сейчас.

Чтобы упростить процесс перехода, в Qlik представили стратегию унифицированного лицензирования для QlikView и Qlik Sense, связи от Qlik Sense к QlikView, лицензирование с двойным использованием и поддержку функционала QlikView в Qlik Sense.

«Хочу, чтобы вы поняли: мы уже предлагаем то, что устраивает нас в наибольшей степени, и уделяем этому самое серьезное внимание, – добавил Капоне. – Но наша позиция остается неизменной: вести с вами дела мы будем так, как это хочется вам».

Компании тратят на аналитику очень много, приобретая самые разнообразные решения, и сложившуюся ситуацию многие описывают как гонку аналитических вооружений. Однако практика показывает, что эффект пока маловат. Нельзя сказать, что мир радикально изменился, компании стали больше зарабатывать, а клиенты – получать качественный сервис. И естественным образом возникает вопрос, поднятый на Teradata Форум 2018: туда ли движется рынок аналитических решений?

«В цифровой экономике данные стали активом: компании так же от них зависят, как и от наличия остальных ресурсов. Однако насколько эффективно используются данные в реальности?», — задал вопрос Андрей Алексеенко, генеральный директор Teradata в России. Исследование, недавно опубликованное Teradata, показывает, что компании явно остаются недовольными: инвестиции в аналитику далеко не всегда приводят к получению необходимых ответов на вопросы бизнеса. Более того, 74% руководителей говорят, что аналитические решения слишком сложны, и они не могут ими пользоваться.

Получается, что приобретаемая «аналитика» не способна удовлетворить потребность компаний в информации. У сотрудников компаний существуют свои предпочтения, у них различные потребности и возникающие вопросы, они используют то, что есть у них под рукой. Руководители, в свою очередь, поддерживают общее мнение о том, что ни один аналитический продукт не является совершенным. Как следствие, у компаний возникает масса лоскутных решений, именно рост их числа и приводит к процветанию рынка аналитических систем.

«С этим надо заканчивать, пора прекратить кормить этого вечноголодного монстра», — резюмировал Алексеенко. В Teradata продвигают подход Pervasive Data Intelligence реализованный в платформе Vantage, и обещают, что именно он позволит наконец докопаться до ответов.

«Для нас данные давно стали ценнейшим активом, мы верим в то, что данные клиентов – наше стратегическое преимущество», — заявил Кен Дрейк, старший директор по защите данных Blizzard Entertainment. Дрейк знает, о чем говорит: у Blizzard 25 млн клиентов, и ежедневно компания обрабатывает 16,5 млрд событий, объем которых составляет 750 Тбайт.

Как подчеркнул Дрейк, все люди разные, и поэтому не стоит относиться к ним одинаково. Компаниям необходимо понимать своих клиентов, их мотивацию и происходящие у них изменения. Аналитика сама по себе не имеет ценности: мало констатировать факты, она должна влиять на бизнес-результат, изменять исход ситуации.

Стивен Бробст, технический директор Teradata, выделяет два принципиально разных направления: «атакующую» (offensive) и «оборонительную» (defensive) аналитику. Они подразумевают различные типы стратегии компании – атаку на конкурентов и рост бизнеса или избежание ненужных потерь и соответствие требованиям регуляторов. Как следствие, требуется совершенно разная стратегия управления данными, и это становится ключевой задачей директоров по данным.

Атакующий стиль подразумевает фокус на гибкости: быстрота принятия решений, инновации для увеличения прибыли. Типичные цели в этом случае – рост выручки, повышение лояльности, управление кампаниями, приобретение клиентов. Защитный вариант предполагает максимальный контроль: избегание необязательных рисков, управление издержками. В этом случае среди целей чаще всего встречаются соответствие регуляторным требованиям, выявление мошенничества, защита данных и удержание клиентов. Разнятся и ключевые заинтересованные лица. Если в первом случае это директора по маркетингу и продажам, то во втором – финансовый директор и директор по безопасности.

Как и в любом спорте, нужен баланс защиты и нападения, чтобы действительно быть успешными. И у большинства компаний-лидеров появляются гибридные аналитические стратегии, которых в Teradata называют бимодальными BI.

Леонид Ткаченко: «Мы создали модель, которая может автоматически в любую секунду рассчитать лояльность каждого из 60 млн абонентов с точностью 70-80%»

Леонид Ткаченко, директор департамента Big Data компании МТС, по собственному признанию, об атакующих и защитных аналитических конструкциях не задумывался. Однако это не помешало его департаменту за три года существования достичь чистого экономического эффекта на сумму 3,5 млрд руб. Ткаченко поделился несколькими наиболее показательными проектами, позволившими показать, что умелое использование данных действительно способно на многое. Одним из них стало выделение на основе поведения абонентов «критиков», недовольных каким-либо аспектом обслуживания, с последующей их конвертацией в лояльных клиентов. Еще одним интересным проектом стало психотипирование клиентской базы и интеграция полученной модели во все каналы обслуживания. Третьим примером является повышение продаж недавно приобретенных порталов Ticketland и «Пономиналу». В МТС прекрасно знают, кто и какие мероприятия посещал, и способны делать персональные предложения, имеющие огромные показатели отклика.

Как согласились большинство выступавших, в успехе компаний все сильнее растет роль исследователей данных (data scientist). Между тем, далеко не каждый из них — «настоящий», хотя сейчас в ИТ-отрасли очень много людей, так себя называющих. Компаниям, претендующим на лидерство, приходится больше остальных инвестировать в свое будущее, уделяя огромное внимание привлечению и удержанию нужных экспертов.

Александр Тимчур, архитектор аналитических решений Hitachi Vantara, рассказывает о том, для чего нужна самостоятельная подготовка и анализ данных, в каких отраслях она будет полезна и какие флагманские решения существуют сегодня на рынке.

— Насколько актуальна тема аналитики данных по модели самообслуживания (Self-Service Data Preparation) для заказчиков в России и СНГ?

Данная тема стала актуальной в России чуть менее двух лет назад. Мы отстаем от Европы и Северной Америки в среднем на год-полтора, что по меркам введения подобных инноваций очень мало. Раньше отставание России и СНГ в новых ИТ-темах составляло 3-4 года.

В основном мы получаем запросы на подобные проекты от заказчиков из финансового сектора, это банки и страховые компании. Также самостоятельной подготовкой и анализом данных интересуются ретейл-компании и телеком-операторы. Есть запросы и от государственного сектора.

— Какие бизнес-задачи помогает решать модель самообслуживания? Какие преимущества получают компании?

Во-первых, анализ данных по модели самообслуживания позволяет сократить финансовые затраты на услуги, связанные с подготовкой обогащенных и очищенных витрин данных, по которым строится аналитика, и самой прикладной аналитики — инфопанелей, отчетов, аналитических кубов. Во-вторых, Self-Service Data Preparation сэкономит время на подготовку и выполнение полноценного проекта по аналитике. Сейчас, во время финансового кризиса по всему миру, в том числе и в России, у заказчиков возникают трудности с оперативным поиском бюджета под внезапно появившуюся задачу — неважно, будет ли задача решаться внутри компании или внешним подрядчиком. Экономия же времени при выведении нового продукта на рынок или реагирование на внешние вызовы, в том числе и на вызовы безопасности, являются еще более важной задачей, нежели экономия денежных средств.

Александр Тимчур: «Во-первых, анализ данных по модели самообслуживания позволяет сократить финансовые затраты на услуги, связанные с подготовкой витрин данных и прикладной аналитики. Во-вторых, Self-Service Data Preparation сэкономит время на подготовку и выполнение полноценного проекта по аналитике»

Если говорить о преимуществах, то для разных компаний они могут быть разные. Типовой кейс, который встречается в банках, — это подготовка аналитики для руководства в рамках входной задачи. Например, анализ рисков, когда требуется выполнить совместный анализ информации из разноплановых внутренних и внешних источников данных при условии, что форматы этих данных с течением времени меняются. При обычном подходе факт изменения любого из форматов входящих данных приводит к неработоспособности всей аналитики.

Сложнее всего бывает, когда активно используется аутсорсинг, ведь формальная передача задачи внешнему подрядчику, ее выполнение и приемка — все это требует немалых затрат времени. Типичные для аутсорсинговых компаний проекты, включающие в себя подготовку технического задания заказчиком, реализацию и тестирование всего проекта внешними подрядчиками, а также совместная передача в промышленную эксплуатацию объекта могут занимать от нескольких месяцев до полугода и более. Применение подхода с самообслуживанием, когда задача будет решена сотрудниками ИТ-отдела компании, может сократить этот срок буквально до одной-двух недель.

— В чем разница между подготовкой данных (Self-Service Data Preparation) и аналитикой (Self-Service Analytics), реализуемых по модели самообслуживания?

В полном смысле аналитика данных по модели самообслуживания включает в себя и задачи по созданию витрин или наборов данных (datasets), то есть разработку процессов по очистке, преобразованию и обогащению данных, полученных из различных источников. Вы можете возразить, что есть корпоративное хранилище данных (КХД), где эти задачи уже решены. Но дело в том, что не у всех организаций КХД внедрено, к тому же жизнь стала многообразнее, и хранилище данных теперь не «единая версия правды», а всего лишь один из источников информации. Кроме хранилища у заказчика обычно присутствуют пользовательские «песочницы» данных или озера данных — с массивной информацией (как правило, неочищенной), которая тоже нужна в работе, но не «заслужила» централизованного размещения в КХД. В случае если инструмент неспособен решать указанные задачи пользовательского ETL, задача сужается, и Self-Service Data Preparation превращается в Self-Service Analytics.

— Почему обсуждение этой темы затрагивает такие системы, как SAP ERP и SAP BW?

Мы говорим об особом выделении задач интеграции аналитики данных платформ SAP ERP/BW в корпоративный ландшафт, потому что форматы хранения данных в этих системах сложны по своей природе. Они частично закрыты и недоступны. В частности, предметные сущности распределены по десяткам именованных акронимами таблиц и обычным пользователям совершенно непонятны.

— Как компании решают задачи интеграции и аналитики SAP-данных за пределами SAP-систем?

Есть несколько подходов. Как правило, реализуются специализированные выгрузки данных из SAP-систем, и вся последующая интеграция аналитики строится на основе этих выгрузок. Выгрузки осуществляются при помощи специализированных процедур на внутренних языках SAP, для которых необходим квалифицированный разработчик. Еще часто производят выгрузку данных через Microsoft Excel, то есть используют методы, созданные при внедрении SAP. В этом случае необходимы ручные процессы при интеграции SAP-данных с не-SAP-данными. Сложности здесь возникают, с одной стороны, в дорогих и постоянно занятых разработчиках, с другой — в ручных процессах «наколеночной сборки».

— Чем отличается подход Hitachi Vantara?

Наше предложение заключается в следующем: к возможностям пользовательского ETL и анализа данных по модели самообслуживания, реализованным в нашей платформе Pentaho Enterprise, мы добавляем простую в использовании интеграцию платформы с SAP-системами. Наш партнер компания IT-Novum разработала специализированный модуль для извлечения данных как из SAP-приложений, так и из BW-систем. Этот модуль использует SAP-метаданные для отображения SAP-сущностей в формате, понятном обычным пользователям и аналитикам. Благодаря этому работа с SAP-системами по модели самообслуживания и обогащение данных SAP-контура данными внешних систем или пользовательских «песочниц» и озер данных становится достаточно несложной и быстрореализуемой.

Еще в XVII веке Джон Драйден писал: «Жаждущему найти жемчужину придется нырнуть глубже». Эти слова прекрасно описывают суть аналитики данных, несмотря на то что автор и представить не мог при жизни что-либо подобное. Рассказываем, насколько глубоко компаниям нужно погружаться в аналитику данных в поисках необходимой информации.

В зависимости от потребностей своего бизнеса компании выбирают, насколько глубоко им следует погружаться в анализ данных

Существует четыре типа аналитики, и чем сложнее аналитика, тем эффективнее станет работа организации. Описательная аналитика берет за основу уже случившиеся факты. Так, например, руководитель медучреждения знает, сколько пациентов было госпитализировано в прошлом месяце; розничный торговец в курсе среднего еженедельного объема продаж; производитель на базе анализа ежемесячной выручки решает, на какой категории продуктов необходимо сфокусироваться.

Однако описательная аналитика лишь оперирует фактами, взятыми из одного или нескольких источников. Она может указать, что что-то идет не так, что-то работает неправильно, но, констатируя факты, не сообщает об их причинах, как это делает диагностическая аналитика .

Данный вид аналитики сравнивает накопленные данные с другими данными посредством более сложных алгоритмов, и в результате пользователь получает ответ на вопрос, почему произошло так, а не иначе. Благодаря диагностической аналитике стало возможным подробное изучение проблем, определение слабых мест и выявление закономерных цепочек событий, что помогает компаниям досконально разобраться в причинах конкретных проблем.

Предсказательная, или прогнозная аналитика сообщает о том, что может произойти или в каких объемах. Для выявления тенденций, групп сходных событий, исключений и для прогнозирования будущих тенденций она использует результаты описательной и диагностической аналитики.

«Несмотря на то что данный тип аналитики стал весьма ценным инструментом для прогнозирования и предоставляет многочисленные преимущества, важно понять, что прогнозирование — это в первую очередь оценка, точность которой в значительной степени зависит от качества данных и стабильности ситуации, — рассказывает Александр Тимчур, архитектор аналитических решений Hitachi Vantara. — А для этого требуются тщательная предварительная обработка данных, точный отбор признаков и непрерывная оптимизация прогнозной модели на "живых" данных, что обеспечивается за счет качественной экосистемы сопутствующих программных продуктов. Например, такие задачи решает интеграция предсказательных моделей (неважно, разработанных на компонентах Pentaho MI или open-source-инструментах Python/R) в промышленные процессы при помощи Pentaho Data Integration/Machine Orchestration. Компоненты Pentaho Business Analytics позволяют анализировать и визуализировать данные по нескольким измерениям, выявляя ценную информацию без помощи ИТ-специалистов компании».

Предсказательная аналитика помогает, например, телекоммуникационным компаниям идентифицировать тех абонентов, которые, скорее всего, сократят свои расходы или перейдут на обслуживание к другому оператору, и, соответственно, вовремя провести целевые маркетинговые акции во избежание потери клиентов. На основе анализа и прогнозирования объемов денежных потоков команда может взвесить риски инвестирования в расширение своей компании.

Предсказательная, или прогнозная аналитика активно используется на промышленных предприятиях, а также в транспортных компаниях. Например, программные системы Pentaho для интеграции и аналитики помогли компании Caterpillar Marine увязать между собой информацию, представленную в самых разрозненных форматах, для выявления скрытых взаимосвязей в работе разных механизмов судна и влияния внешней среды. Caterpillar Marine получила возможность учитывать те внешние факторы, которые почти не использовались в анализе ранее: показатели температуры топлива и двигателя, давления и частоты вращения, значения текущего местоположения судна, погоды, волнения и углов движения по отношению к волне.

Александр Тимчур: «Компоненты Pentaho Business Analytics позволяют анализировать и визуализировать данные по нескольким измерениям, выявляя ценную информацию без помощи ИТ-специалистов компании»

«Находящаяся на корабле локальная система каждые 15 минут отправляет информацию в дата-центр на суше, — продолжает Александр Тимчур, — Здесь разнородные данные при помощи компонентов Pentaho Data Integration приводятся в унифицированный формат и загружаются в аналитическую систему, которая обеспечивает их масштабируемое согласование и передачу в инструменты предсказательной аналитики на базе открытого ПО, а также инфопанели и отчеты компании».

Цель рекомендательной аналитики — предложить, как именно следует поступать для устранения потенциальной проблемы или, например, как в полной мере использовать перспективную тенденцию. С помощью этого типа аналитики компании могут определить ассортимент дополнительных товаров для расширения списка покупок, изучив поведение клиентов и историю продаж, или изменить план обслуживания электропоездов для снижения частоты выхода их из строя.

Этот ультрасовременный тип аналитики требует не только накопленных архивных данных, но и получения адекватной внешней информации с помощью статистических алгоритмов, применяемых в процессе анализа. Кроме того, рекомендательная аналитика использует также машинное обучение, что делает ее достаточно сложной для реализации и управления. Поэтому, прежде чем принять решение о применении рекомендательной аналитики, компания должна оценить требуемые усилия, возможности и ожидаемую выгоду.

Какую аналитику выбирает бизнес?

Чтобы определить преобладающий тип аналитики данных, обратимся к недавним исследованиям по этой теме. В международном обзоре «Крупные решения» (Global Data and Analytics Survey: Big Decisions) приводятся результаты опроса более 2 тыс. руководителей, которые выбирали категорию, лучше всего описывающую процесс принятия решений в их компаниях. Кроме того, важно было выяснить, на какой тип аналитики больше всего полагаются респонденты. По результатам опроса в категории «редко принимаемые решения» доминировала описательная аналитика с показателем 58%, в категории «управление данными» список возглавила диагностическая аналитика (34%), прогнозный и рекомендательный типы расположились довольно близко: 29 и 28% соответственно.

Результаты этого исследования продемонстрировали, что на разных этапах развития компаний появляется потребность в аналитике разных типов. Фактически компании, которые стремятся к осознанному принятию решений, находят описательную аналитику недостаточной, прибегают к диагностической, а после и к прогнозной аналитике.

В ходе того же опроса обнаружилась еще одна интересная тенденция. Все руководители хотят, чтобы принятие решений осуществлялось быстрее, а сами решения были эффективнее. Это означает, что все большее количество организаций стремится к постепенному увеличению доли интеллектуальной аналитики. Еще одно исследование тенденций бизнес-аналитики за 2017 год, проведенное BARC, подтверждает эту гипотезу: 2800 руководителей отметили всевозрастающую важность интеллектуальных аналитических средств и интеллектуального анализа данных.

Подводя итоги, можно сказать, что компании выбирают, насколько глубоко им следует погружаться в анализ данных в зависимости от потребностей своего бизнеса. Описательная и диагностическая аналитика предлагают оперативный подход, прогнозная и рекомендательная аналитика позволяют пользователям принимать решения. Современные тенденции свидетельствуют о том, что ситуации, в которых компаниям необходим углубленный анализ данных, возникают все чаще. Вот почему организации по всему миру заинтересованы в качественных программных продуктах, позволяющих узнать бизнес со всех сторон и принять грамотные решения.

В начале 2010-х пермская компания «Прогноз» в своей области, создания решения для визуализации данных и углубленной аналитики, вошла в число мировых лидеров. Она попадала в списки Software 500 и в магические квадранты Gartner. Ее продуктами пользовались крупнейшие российские и западные организации (см «Прогноз на аналитику», Computerworld Россия, 1 октября 2013). Однако кризис, в частности, скачок курсов доллара и евро в 2014 году, подорвали финансовое здоровье компании.

Спасителем российских BI-решений стал холдинг Inline Technologies Group, который в конце марта 2016 года заключил с «Прогнозом» соглашение о стратегическом сотрудничестве, а в декабре — приобрел, фактически, все права и на продукты «Прогноза» и на их продвижение, включая право формировать партнерскую сеть. Для работы с продуктами «Прогноза»в холдинге выделили специализированную компанию «Форсайт».

В январе 2017 года вышла новая версия версия флагманского продукта «Прогноза» — Prognoz Platform 8.2 (спустя два года после версии 8.1), а в апреле «Форсайт» провел первую партнерскую конференцию, на которую собрал нынешних и потенциальных членов экосистемы «Прогноза», на которой были представлены стратегия «Форсайта», планы по развитию продуктов и партнерской сети, ряд проектов на базе продуктов «Прогноза».

Сейчас, по словам Владимира Комова, генерального директора «Форсайта», текущая ситуация с бизнесом в целом стабильная — удержаны ключевые заказчики, как коммерческие, так и в госсекторе, с рядом из них ведутся переговоры о новых проектах. Что до причин кризисной ситуации, в которой оказалась пермская компания, то, по мнению Комова, ее руководство допустило две стратегических ошибки.

Во-первых, компания не перешла на вендорскую модель, оставшись одновременно и разработчиком, и консультантом, и интегратором. Это приводило к столкновениям «Прогноза» и его партнеров в проектах. Кроме того, как интегратор «Прогноз» нес на себе все риски; скажем, госструктуры, с которыми пермская компания много сотрудничала, часто получают начинают тратить средства в четвертом квартале. Соответственно,три квартала проекты ведутся на свой страх и риск, на заемные средства, «а это дает -20% к марже».

«Форсайт» собирается стать вендором в «западном» смысле слова, передав проекты партнерам, оставив за собой консалтинг и работу с теми клиентами, которые, невзирая на цену, намерены работать только с вендором.

Вторая ошибка — чрезмерная экспансия (в свое время «Прогноз» открыл офис даже в Замбии). Иметь в своих клиентах МВФ и Африканский банк развития, конечно, престижно, но накладно. По оценке Комова, суммарные, рублевые и валютные, долги «Прогноза» составляют 6 млрд руб. (при курсе 60 руб. за доллар), при том что оборот компании у составил в 2015 году около 3 млрд. Крупнейший кредитор — Европейский банк реконструкции и развития, которому «Прогноз» задолжал около 30 млн долл.

В настоящее время идут переговоры о реструктуризации долгов, завершение которых ожидается в течение месяца-двух и позволит, в частности, принять на работу разработчиков «Прогноза», которые пока формально работают на аутсорсинге.

Разумеется, коллизии последних лет не прошли даром. Немалая часть разработчиков и внедренцев «Прогноза» разошлась по рынку, но, как полагает Комов, в этом есть и положительная сторона — сама собой создалась экосистема из компаний, в которых работают специалисты, знающие продукты «Прогноза» и умеющие их внедрять.

Сейчас партнерская сеть «Форсайта» состоит из полутора десятков компаний, около десятка соглашений на подходе. Среди них много известных интеграторов — «Крок», Digital Design, Инфосистемы Джет», Softline, AT Consulting. Ожидается, что к 2018 году в партнерской сети будет около полусотни компаний: системные интеграторы, занимающиеся внедрением типовых решений на основе Prognoz Platform; ресселеры, продающие лицензии на эти решения; технологические партнеры (разработчики ПО, технологии которых применяются при разработке собственных решений компании) и OEM-партнеры (разработчики ПО, которые расширяют функционал своих программных продуктов, используя Prognoz Platform).

Интеграторов планируется поделить на три категории, к каждой из которых будут свои требования по количеству сертифицированных специалистов и осуществленных проектов.

Что касается развития продуктов, то новые версии многих из них должны будут появиться уже в этом году. Так, в четвертом квартале выйдет Prognoz Platform 9, среди ее обещанных новшеств — средства гибкой настройки аналитических панелей, усовершенствованные средства обработки данныхв памяти, интеграция с решениями SAP, средства администрирования через веб-интерфейс.

Версия 9.1, которую планируется выпустить в следующем году, будет иметь средства для самостоятельного анализа и подготовки данных конечными пользователями, сможет работать в работать в облаке и на различных мобильных платформах, в ней появятся средства бизнес-аналитики реального времени, настройка на множество источников данны, упрощена работы с хранилищем данных, новые возможности по администрированию и настройки платформы под конкретного пользователя.

Также партнерам обещан «Конструктор» для разработки прикладных функциональных решений на базе Prognoz Platform, который обеспечит создание гибких, легкомодифицируемых решений, которые будут «бесшовно» переходить на новые версии «платформы».

Все эти планы потребуют существенного увеличения штата компании. Так количество специалистов в области разработки и поддержки вырастет с нынеших ста с небольшим до 300 человек в 2018 году (у «Прогноза» их было около 200 вместе с аутсорсерами). Всего же в развитие бизнеса в 2017 году планируется вложить от 500 млн до 1 млрд руб.

Как заявил Валерий Панкратов, генеральный директор SAS в России и СНГ, выступая в ходе традиционного форума компании, более половины прибыли ей приносят банки, достаточно сильны позиции SAS и в телекоме. Ретейл, госсектор и транспортная отрасль пока относительно новые направления и требуют довольно больших усилий для продвижения на рынке.

За прошлый год SAS реализовала в России 51 проект. Из недавних контрактов особо выделяется соглашение с «Роснефтью», заключенное несколько месяцев назад.

Говоря о технических новшествах, Панкратов отметил, что разработчики SAS уже в четвертый раз в истории переписывают ядро системы. «Эпоха мэйнфреймов, а затем и клиент-серверной архитектуры прошла. Сейчас наблюдается тенденция перехода в облака и к распределенным вычислениям, а также потребность в обработке Больших Данных. Все это заставляет менять архитектуру решений», — пояснил он.

Нынешний форум стал одним из самых масштабных по количеству представленных вертикалей, с которыми работает компания. Некоторые из них, к примеру аналитика для муниципального управления и розничной торговли, впервые появились в программе мероприятия. Тем не менее основную массу, как обычно, составили выступления финансовых организаций.

Все чаще ведутся проекты по переходу с высокопроизводительного оборудования старшего класса на кластеры, собранные из массовых систем. Например, банку «ЮниКредит» потребовалось перевести на такую платформу хранилище данных для подготовки регуляторной отчетности.

«Да, мы ввязывались в проект, реализуемый на базе ранее неопробованных нам технологий, но были готовы рисковать и делить риски с поставщиком», — подчеркнул Вячеслав Мамаев, руководитель ИТ-проектов банка «ЮниКредит».

На тот момент хранилище было развернуто на платформе из двух крупных серверов. Их время восстановления в случае инцидентов составляло 24 часа. Чтобы удовлетворить жесткие требования регулятора к предоставлению информации, необходимо было повысить надежность, сократив время восстановления до одного часа и полностью исключив потерю данных. Этот проект стал первым промышленным внедрением SAS Grid Manager в России. В результате перевода хранилища на кластерное решение удалось достигнуть необходимых показателей предоставления регуляторной отчетности, одновременно оптимизировав стоимость закупки и поддержки оборудования.

Александр Любимов, начальник отдела управления клиентскими отношениями «Райффайзенбанка», рассказал о выстраивании маркетинговой деятельности. Еще не так давно в банке использовался «самодельный» аналитический CRM-инструментарий на базе офисных приложений.

Следовало повысить эффективность продаж, уйдя от «ковровой бомбардировки» клиентов. Кроме того, из-за недостаточной актуальности информации, содержащейся в хранилище данных, предложения не вполне соответствовали реальности, что снижало лояльность клиентов.

Решить проблему удалось с помощью нового хранилища, повысившего оперативность используемой информации, а также систем SAS Marketing Automation и SAS Marketing Optimization. В эти системы переведена вся маркетинговая активность.

Отдельным направлением использования аналитических решений становится борьба с различными видами мошенничества. Как признал Сергей Горелов, руководитель проектов «Уралсиба», ситуация в страховой отрасли далека от идеала. Более 15% страховых выплат приходится на мошеннические обращения, и, чтобы компенсировать ущерб от деятельности преступников, компании вынуждены повышать стоимость полисов на 10-15%. При этом три четверти портфеля договоров «Уралсиба» приходится на массовые виды автострахования. Это огромный объем договоров, которые невозможно отследить вручную.

«Нигде на прежних местах работы я не видел глубокой аналитики. В основном были ручные процессы, не позволяющие эффективно вести мониторинг», — сказал Горелов. Между тем есть клиенты, которые приходят в страховые компании регулярно, как за зарплатой, инсценируя происшествия. Автоматизация выявления мошеннических действий с помощью решений SAS стала стратегически важной задачей. При этом речь идет о создании большого количества специфичных моделей, охватывающих все сценарии мошенничества, включая внутренние инциденты с участием собственных сотрудников.

Маркетинг в реальном времени

Компании уже давно изучают активность клиентов в Сети, хотя и предпочитают не афишировать этого. Как отметил Степан Ванин, старший консультант по аналитическим решениям SAS, в первую очередь внимание при этом обращают на историю поисковых запросов и посещенных страниц, а также на данные из профилей в социальных сетях.

Уже появилась масса проектов, заключающихся в обогащении данных о клиентах при помощи внешних источников с целью повышения эффективности маркетинговых акций. Например, если человек посещает сайт туроператора, то, вполне вероятно, он собирается в отпуск и ему можно предложить кредитную карту, а если регулярно занимается экстремальными видами спорта, то может быть заинтересован в страховании здоровья. Конечно же, многие из таких данных быстро «протухают», их актуальность длится от нескольких дней до буквально нескольких часов. Компании, пытающиеся в полной мере соответствовать запросам клиентов, должны проводить чрезвычайно оперативный маркетинг, близкий к реальному времени.

Есть и более изощренные схемы, в которых используются сведения, не являющиеся открытыми. Например, объединяя данные клиента банка с его биллинговой историей, можно радикально повысить достоверность скоринговых моделей.

У «ВымпелКома» сейчас находятся на пилотной стадии проекты по скорингу с несколькими известными российскими банками. О перспективах их коммерческой эксплуатации пока говорить рано.

«Есть виды данных, которыми не обладает никто, кроме мобильных операторов», — уверена Екатерина Линкевич, руководитель службы управления проектами Big Data «ВымпелКома». Она подчеркнула, что предоставление услуг скоринга возможно только по тем абонентам, которые дали согласие оператору связи на обработку и передачу персональных данных. Все финансовые организации, заинтересованные в получении скорингового балла от оператора связи, при заполнении документов на кредитную заявку должны учитывать наличие согласия клиента на то, чтобы «ВымпелКом» проводил обработку его персональных данных с указанной целью.

Надо отметить, что персональные данные и информация об оказываемых услугах финансовым организациям не передаются. Банкам сообщается исключительно обобщенный скоринговый балл, полученный в результате анализа данных об абоненте и оказанных услугах. О модели «данные как сервис» аналитики говорили уже довольно давно, однако лишь сейчас она становится реальностью.

Виммер провел аналогию с лягушкой, которая выпрыгнет и спасется, если ее бросить в горячую воду, но погибнет, если воду с лягушкой медленно нагревать. Для сохранения жизнеспособности компаниям нужна немедленная цифровая трансформация.

За последние несколько лет мир радикально изменился: все отрасли эволюционируют в сторону большего использования окружающих данных. Apple Watch неожиданно становятся «умными» конкурентами для легендарных швейцарских часов, а смартфоны – для банков. Как следствие, данные превращаются в стратегический актив. Компаниям нужна в буквальном смысле аналитическая фабрика, способная поддержать их потребности в информации.

В Teradata планируют интегрировать все существующие и будущие решения в единую аналитическую экосистему, создав лучший в своем классе инструмент для анализа всех видов данных. При этом озвучиваются три стратегические цели проводимых работ: простота, выбор и гибкость. Под простотой понимается доступность решений для широкого круга пользователей, так называемая «аналитика с человеческим лицом». Выбор подразумевает наличие разных инструментов для анализа различных категорий данных и решения различных бизнес-задач, а гибкость – широкие возможности внедрения, включая облачную модель.

Компания достаточно активно ведет себя на рынке. Среди ее последних приобретений за 2014 год числятся Revelytix, занимающаяся управлением данными, Hadapt — разработчик решений для Hadoop, а также консалтинговая компания Think Big, специализирующаяся на проектах Больших Данных. В рамках форума были анонсированы два решения: Think Big Dashboards Engine и комплекс Data Warehouse Appliance 2800. Первое позволяет быстро формировать отчетность с использованием информации из «озер данных» на базе Hadoop, а второе реализует потребности в скоростной аналитике с помощью обработки данных в оперативной памяти.

Большой интерес вызвали выступления на конференции нескольких крупных заказчиков Teradata.

«Сопоставление внутренних и внешних данных порождает взрыв информации», — отметил Суреш Пиллай, глава департамента клиентской аналитики eBay. По его мнению, именно так и появляются Большие Данные, позволяющие компаниям изучать наблюдаемые тенденции.

Разумеется, успех интернет-ретейлера определяет «последний клик», приведший к покупке, однако компанию должен интересовать весь путь покупателя, который также полон интереснейшей информации. Иногда в поисках причинно-следственных связей приходится опускаться на уровень кликов, разбираясь в истории покупки. Аудитория eBay так широка и разношерстна, что концентрироваться на какой-либо ее части нельзя. Надо работать со всеми, но по различным правилам, определяя значимые для каждого сегмента факторы.

Как подчеркнул Пиллай, Большие Данные позволяют дойти в персонализации предложений до каждого конкретного клиента, отслеживая ключевые события в их жизни. Например, «не заметив» у человека рождения ребенка, компания теряет массу возможностей для дополнительных продаж и обеспечения его лояльности.

Обычно компании строят модель оттока клиентов, несложно оценить и вероятность продажи товара конкретному клиенту. Но гораздо труднее выстроить систему рекомендаций, «угадав» готовность клиента сделать покупку продукта другой категории. Эта задача в eBay успешно решается с помощью машинного обучения. Однако, предупреждает Пиллай, доверить машине абсолютно все нельзя, работа для эксперта всегда найдется. «Думая о науке, не забывайте об искусстве», — призвал он.

Испанскому филиалу Vodafone аналитические технологии помогли завоевать более твердые позиции во время передела рынка. В 2012 году начался «конвергентный бум» — массовый рост рынка конвергентных услуг, создав для компании немало проблем. Занимая хорошие позиции в мобильном сегменте, она не могла то же сказать об охвате клиентов фиксированной связью. Одним из шагов на пути исправления этой ситуации стало поглощение компании Ono, специализировавшейся на проводных соединениях, и последовавшее слияние клиентских баз.

«Главной целью усилий стало сокращение оттока при одновременном повышении ценности клиентов. Это потребовало скоординированной работы нескольких департаментов», — сказал Франсиско Азорес, руководитель департамента по управлению ценностью клиентов Vodafone Spain. Для заполнения пробелов в собственных знаниях использовались данные из трех внешних источников. При этом критически важно было рассматривать информацию о клиентах в контексте семьи – именно это давало возможности поддерживать продажи конвергентных услуг. Далее производилась сегментация домохозяйств, после чего формировались маркетинговые кампании, жизненный цикл которых был полностью автоматизирован. Новые тарифы с включенным контентом помогли стабилизировать ценность клиентов и радикально сократить их отток.

Как признал Азорес, гораздо большего эффекта можно достичь, если объединить клиентские данные с информацией об их текущем местоположении, – это даст возможность предлагать принципиально новые сервисы. Пока весь вопрос в том, чтобы получить от клиентов разрешение использовать подобные данные.

Анонсированная в сентябре многоплатформенная система Qlik Sense предназначена для самостоятельной визуализации и исследования данных, в том числе и на мобильных устройствах. Таким образом Qlik целенаправленно идет по пути создания инструментов, делающих анализ данных проще и доступнее для самых разных категорий пользователей.

Средства легкой визуализации, быстрого создания информационных панелей и интерактивного построения отчетов помогают снизить зависимость бизнес-пользователей от ИТ-службы, которая часто перегружена растущим потоком запросов на создание новых отчетов и не всегда успевает их выполнять. Благодаря централизованным управляемым библиотекам данных, параметров и объектов аналитические приложения в Qlik Sense создаются путем перетаскивания объектов, и у пользователя нет необходимости настраивать связи между ними или писать SQL-запросы. При этом можно быстро загружать и комбинировать собственные данные из нескольких источников. Предполагается, что пользователи смогут применять собственные подходы к извлечению знаний из множества источников и восполнять возможные пробелы, возникающие при использовании других BI-инструментов.

Qlik Sense стал вторым флагманским продуктом компании, созданным на базе механизма ассоциативного индексирования данных. Ассоциативное индексирование позволяет исследовать скрытые взаимосвязи между данными из множества источников, которые недоступны при использовании запросов или иерархических моделей. Как утверждают разработчики, интеллектуальный поиск, интуитивные исследования и визуализация в Qlik Sense ускоряют процесс принятия решений. Кроме того, продукт дает возможность легко обмениваться данными на мобильных устройствах и создавать «повествования» – презентации с наглядным процессом поиска решений. В ходе интерактивной презентации пользователь может переходить на уровень данных в приложении, чтобы сразу получать ответы на возникающие вопросы.

Система предназначена для работы в мобильной среде, полноценный доступ ко всем функциям обеспечивает унифицированный клиент на базе HTML5 с сенсорным интерфейсом. Кроме того, в решение заложены возможности интеграции данных, очистки, преобразования и объединения множества разрозненных источников данных без необходимости прибегать к дополнительным инструментам или внешним хранилищам. Версию Qlik Sense для десктопов можно скачать бесплатно как для домашнего использования, так и для применения в небольших компаниях.

«Традиционные BI-системы не помогают пользователям самостоятельно находить ответы на свои вопросы», – заявил Винсент Петерс, региональный вице-президент и управляющий директор Qlik. По его словам, новое решение компании для BI-самообслуживания поможет бизнес-пользователям самостоятельно выявлять скрытую ценную информацию.

Одно из первых в России приложений на базе Qlik Sense построила исследовательская компания Frank Research Group, которая является OEM-партнером Qlik. Бесплатное приложение «Банковская аналитика» содержит наглядную и интерактивную статистическую информацию из открытых источников по всем российским банкам и позволяет неподготовленным пользователям сравнивать банки по таким показателям, как доля рынка и темп роста бизнеса, портфель и его динамика. Приложение помогает отслеживать новостной фон любого банка в режиме реального времени, а также анализировать новости прошлого года. При нынешней нестабильности в банковском секторе такая помощь в выборе подходящего банка для размещения средств или при проверке устойчивости своего банка может оказаться как нельзя кстати. Каждый график и диаграмма в приложении интерактивны, то есть пользователь видит не статичные данные, а может в них углубиться и обнаружить скрытые закономерности.

Если cистема Qlik Sense предназначена для самого широкого круга пользователей, то первый популярный BI-продукт компании, QlikView, намечено превратить в платформу, позволяющую быстро создавать сложные приложения бизнес-анализа, адресованные главным образом профессионалам в аналитике. По мнению представителей разработчика, эти два продукта могут использоваться в рамках одной компании для решения разными группами пользователей тех или иных бизнес-задач.