Рынок BI в мире и в России: ключевые тенденции

Высокие темпы роста рынка бизнес-аналитики объясняют разными причинами. Наряду с естественной потребностью в анализе данных, накапливаемых современными ERP-системами, которыми сегодня оснащена большая часть предприятий, мощным стимулом является также возникновение и развитие самых разных информационных технологий. Эти технологии сулят огромные возможности, но восприятие каждой из них рынком идет с разным темпом. Мы выделили ряд прогнозов, сделанных международными экспертами относительно наиболее ожидаемых в 2014 г. направлений развития бизнес-аналитики, и попросили экспертов из ведущих компаний высказать свои соображения по каждому из них. Важно, что эти высказывания помогут нам составить определенное представление об актуальности нижеприведенных тезисов не только для мирового, но и для российского рынка бизнес-аналитики. Итак, прогнозы…

1. Прекратится ажиотажный спрос на “яйцеголовых” специалистов по углубленному анализу данных разной природы (data scientists). Их функции столь же успешно будут выполнять квалифицированные менеджеры, снабженные современными программными инструментами.

“Этого не случится никогда, — категорически возражает руководитель направления Big Data компании ФОРС Ольга Горчинская. — У менеджеров и аналитиков разные функции: data scientist исследует данные, строит сложные математические модели, выполняет статистические исследования, а менеджеры и другие бизнес-пользователи по результатам применения этих моделей принимают эффективные и обоснованные решения. Аналитики превращают сырые данные в ценную информацию, а бизнес-пользователи являются ее потребителями. Чтобы научиться исследовать и анализировать данные различной природы, требуются глубокие знания в области математики, статистики и информационных технологий, необходимо владение аналитическим инструментарием для проведения статистических исследований и многое другое. Так что тезис очень спорный и скорее всего будет как раз наоборот”.

Сходной позиции придерживается и руководитель продаж Big Data Solutions представительства IBM в странах Центральной и Восточной Европы Сергей Лихарев. Он полагает, что несмотря на существование новых инструментов для квалифицированных менеджеров, которые призваны облегчить построение сложных аналитических моделей, спрос на data scientists в нынешнем году останется высоким. А по мнению руководителя продаж платформы приложений и облачных сервисов Microsoft в России Станислава Семененко, в нашей стране впору говорить скорее о зарождении такого спроса, а не о его спаде. В отличие от ситуации на западных рынках отечественные data scientist фактически подстраиваются под задачи бизнеса на ходу, и связано это с тем, что здесь пока нет готовых программ обучения соответствующим прикладным методам анализа.

Руководитель Центра экспертизы аналитических решений “SAP СНГ” Светлана Архипкина отмечает, что дефицит специалистов с хорошей математической подготовкой породил новый класс систем data mining, рассчитанных на бизнесменов, а не математиков. “Тенденция упрощения работы с программными продуктами очевидна: они становятся понятнее и дружелюбнее для бизнес-пользователей, не имеющих специальной ИТ-подготовки, — соглашается с ней заместитель генерального директора компании “Прогноз” по развитию бизнеса Сергей Шестаков.

По мнению же руководителя отдела маркетинга “Манго Телеком” Алексея Бессарабского, все зависит от решаемой задачи: для одних специалисты по статистическому анализу необходимы, для других эффект достигается технологическими мерами. Там, где нужно получать ответ мгновенно, например, в информационно-аналитических сервисах таких коммуникационных бизнес-приложений, как виртуальная АТС, виртуальный call-центр, облачная CRM, нужны не “яйцеголовые” математики, а аналитические приложения реального времени.

“Сегодня по-прежнему очень востребованы сложные бизнес-задачи, требующие серьезных профессиональных знаний и глубокого понимания информационных процессов в организации, — напоминает директор по развитию бизнеса “SAS Россия/СНГ” Антон Заяц. — Это такие задачи, как кредитный скоринг или целевой маркетинг. Для их решения нужно строить большое количество сложных аналитических моделей, применять их, оптимизировать и ставить на “рельсы автоматизации”. Для построения этих моделей действительно нужны профессиональные специалисты-аналитики, спрос на которых будет только возрастать”.

2. Необходимость организации коллективной работы, в которую вовлекаются люди, находящиеся вне периметра корпоративной ИС, заметно повысит востребованность облачных BI-сервисов. Новый толчок получит концепция социального предприятия (Social Enterprise).

“Когда мы рассказываем про современную аналитическую систему, мы всегда говорим о том, что она должна предоставлять необходимую и актуальную информацию в нужном формате, в нужном месте, в нужное время, — рассуждает Светлана Архипкина. — Если вы находитесь внутри периметра корпорации, то все эти условия соблюдаются, но сегодня люди зачастую находятся за пределами указанного периметра. В этом случае они должны позаботиться о том, чтобы информация была у них с собой, но тогда трудно соблюсти ее актуальность. Облачные BI-сервисы решают эту проблему наиболее простым способом”.

По мнению Сергея Шестакова, облачные сервисы, в том числе аналитические, — это идеальное решение для небольших компаний и территориально-распределенных организаций. Они позволяют экономить ресурсы на обслуживании офиса и его ИТ-инфраструктуры. Но передавая свои данные внешним агентам, компании несут риски, поэтому для крупного бизнеса по-прежнему предпочтительнее хранить и обрабатывать данные на собственных серверах.

“Совместная работа таких сотрудников сама по себе не увеличивает спрос на BI, спрос растет на коммуникационные инструменты и средства коллективной работы, — уточняет Алексей Бессарабский. — Но если бизнесу нужны именно BI-инструменты, то эффективнее использовать облака. Это даст доступ к данным из любой точки и позволит гибко формировать временные рабочие коллективы для решения тех или иных задач. А вот концепция социального предприятия несколько иная, напрямую с облачными BI-сервисами она не связана”.

3. Возможность быстрого развертывания хранилищ данных произвольного объема на облаках послужит мощным стимулом для широкого использования технологий Big Data.

По мнению Сергея Лихарева, это во многом будет зависеть от готовности заказчиков отдавать данные в облако и от доверия к облачным технологиям в принципе. Технически подобная возможность быстрого развертывания хранилищ данных произвольного объема есть уже сейчас.

“Это утверждение спорно, — считает Станислав Семененко. — Безусловно, облачные хранилища представляют собой некий (но не основной) стимул для входа в задачи Big Data, поскольку позволяют снизить издержки на первых этапах проектов. Главным же преимуществом является быстрота развертывания различных облачных сервисов, использующих, в частности, технологии анализа больших данных. Вероятен и другой сценарий: когда есть потребность в резком увеличении объемов данных в локальных системах, а аппаратных возможностей для этого нет”.

По мнению Сергея Шестакова, если сверхбыстрая обработка больших массивов данных в облаке будет доступной по цене, это повысит популярность облаков. Алексей Бессарабский уточняет, что такая модель в первую очередь хороша для разовых, пробных, оценочных проектов Big Data. Здесь гибкость облачных хранилищ и возможность попробовать новые методы анализа без значительных инвестиций дают очень много. Что касается регулярных, повторяющихся исследований, то облачные хранилища пока не в полной мере отвечают требованиям корпораций. В основном из-за высоких издержек. А так как любой барьер на пути внедрения информационно-аналитических сервисов может оказаться критичным именно для малых предприятий, использование облачных технологий Big Data для сбора данных, относительно простой их обработки и подготовки удобных отчетов в компаниях СМБ, вполне разумно.

“Такая тенденция существует, но массового характера она не имеет, — сетует Антон Заяц. — Есть отдельные организации, которые “скачали себе весь Интернет” и как-то его обрабатывают. Например, сообщество операторов связи Weve в Великобритании: его участники поняли, что у них накапливается много полезных данных о перемещении людей (геолокации), и стали делиться этой информацией с другими организациями, причем не просто сырой информацией, а результатами анализа. По сути Weve принципиально изменил подход к маркетингу”.

4. Существенное развитие получат аналитические системы с развитыми функциями самообслуживания.

Станислав Семененко согласен, что будущее за технологиями, которые позволят справляться с количеством, разнообразием и скоростью накопления данных и которые могли бы использоваться людьми, не являющимися уникальными специалистами в области анализа данных. Microsoft положила этот принцип в основу стратегии “демократизации” инструментов для работы с данными.

“Корпоративная система не всегда обеспечивает все запросы пользователей, особенно в тех случаях, когда частью информации пользователь владеет в индивидуальном порядке или когда данные находятся в пределах отдельного департамента, — дополняет Светлана Архипкина. — А для определенных аналитических задач бывает нужно привлекать информацию как из корпоративной системы, так и из локальных источников. Ждать, пока последняя попадет в корпоративную систему, слишком долго. В этот момент и возникает необходимость в системе с развитыми функциями самообслуживания”.

Сергей Шестаков напоминает, что подход Self-service наиболее естественно реализован в продуктах категории Data Discovery, которые хотя и обладают меньшей функциональностью и гораздо более ограниченными возможностями по кастомизации и адаптации, зато легки в настройке и просты в использовании. Они имеют удобный интерфейс и простую, понятную для пользователя логику, предоставляют возможность интерактивной работы с метриками, поиска по запросам на естественном языке, помогают организовать совместную работу (возможность поделиться отчетом, оставить комментарии).

По мнению Алексея Бессарабского, в ряде задач нужно ясно понимать суть используемых алгоритмов, уметь интерпретировать полученные результаты, решать, можно ли считать подтвержденной ту или иную гипотезу. В этих случаях о самообслуживании говорить не приходится. А вот облачные аналитические системы для предприятий СМБ могут строиться только на началах самообслуживания. Иначе их развитие будет ограничено, они окажутся слишком дорогими и недостаточно гибкими для компаний подобного масштаба.

5. Опережающими темпами будет расти спрос на прогнозную аналитику.

Как считает Ольга Горчинская, методы, алгоритмы и инструменты такой аналитики существуют уже давно, но широкого использования до сих пор не находили. Одна из причин — отсутствие достаточных объемов данных для статистических исследований. Сейчас на волне повышенного внимания к большим данным растет интерес и к этим технологиям. Интерес этот вполне обоснован, поскольку применение к огромным массивам разнородных данных методов визуализации, агрегирования и классического бизнес-анализа мало что дает. И уже сейчас интерес начинает трансформироваться в спрос, который будет расти.

“Мы видим это уже сегодня, и дальше тренд будет только усиливаться, — соглашается Сергей Лихарев. — Решения класса NBA [Next Best Action], прогнозирование состояния оборудования и инфраструктуры, все эти задачи сейчас привлекают пристальное внимание заказчиков, и прогнозная аналитика является ключевым компонентом подобных систем”. По мнению Станислава Семененко, традиционно основными потребителями прогнозной аналитики являются три отрасли: финансы, телеком и ритейл. На протяжении ряда лет там получили распространение подходы к описательным методам аналитики. Сегодня же наблюдается новый тренд — анализ данных по мере их поступления, например, при уточнении банковской скоринговой модели для предоставления кредита на основе информации из соцсетей. Или определение шаблонов поведения потребителей на основе изучения интернет-активности. Светлана Архипкина убеждена, что сегодня компаниям уже недостаточно формировать стандартные отчеты о клиентах, говорящие только о том, кто они и сколько товара покупают. Нужно уметь прогнозировать, как клиенты будут вести себя в той или иной ситуации по мере развития бизнеса компании.

“Спрос на решения по моделированию и прогнозированию уже сегодня превышает по темпам роста общие показатели рынка бизнес-аналитики, — сообщает Сергей Шестаков. — В качестве примера можно привести систему моделирования и прогнозирования ситуаций в области обеспечения безопасности дорожного движения, созданную для МВД России. Обрабатывая данные по условиям, причинам, факторам и участникам ДТП, она позволяет выявлять причины концентрации происшествий на тех или иных участках”.

Алексей Бессарабский подходит к этой теме более скептически: “Спрос на предиктивный анализ будет расти быстро, но это в основном отложенный спрос, связанный с тем, что раньше для проведения такого анализа инструменты были недостаточно удобными. Для большинства предприятий прогнозная аналитика все-таки кардинально не меняет способ ведения бизнеса”.

Антон Заяц выделяет три направления развития прогнозной аналитики. Во-первых, это аналитика традиционная, применяемая, например, в маркетинговых коммуникациях с клиентами. Но она станет более многогранной: специалист сможет определить не просто “кому и что предложить из существующего набора продуктов и услуг”, а и “как предложить”, “по какому оптимальному для клиента каналу”, “в какой момент” и т. д. Во-вторых, в связи со сбором все большего количества разнообразных данных, все шире будут использоваться технологии углубленного анализа текстов (text mining), а для обнаружения и предотвращения мошенничества найдут применение передовые способы распознавания образов, например, лиц мошенников на фотографии или в потоковом видео. Наконец, третье направление связано с появлением совершенно новых задач и областей знания, таких как прогнозное управление надежностью в производственных процессах при использовании сложного оборудования (Predictive Asset Maintenance).

6. Аналитические процедуры все чаще будут запускаться не автономно, а встраиваться непосредственно в бизнес-процессы.

По мнению Сергея Лихарева, это именно то, к чему стремятся заказчики: сделать результаты анализа частью операционных бизнес-процессов, доставить аналитику в точки взаимодействия с клиентом, сделать ее доступной по всем каналам. “Технологически классические BI-инструменты уже позволяют это делать, — добавляет Ольга Горчинская. — Появился даже термин “активная аналитика”, который означает не только автоматический запуск аналитических процедур, но и более глубокую их интеграцию с бизнес-процессами предприятия. Однако на практике это мало используется. Прежде всего по причине “ИТ-незрелости” заказчиков, их слабой информированности о том, какие преимущества может дать прямое встраивание аналитического инструментария в бизнес-процессы”. Алексей Бессарабский убежден, что встраивание BI в бизнес-процессы позволит добавить в рабочий процесс аналитическую составляющую и обработку событий реального времени. Это справедливо как для корпоративного сектора, где аналитические процедуры естественным образом вписываются в архитектуру SOA, так и для предприятий СМБ, которые смогут использовать “встроенную” аналитику, реализованную в виде облачных сервисов.

7. При всей наглядности дашбордов они не способны в полной мере характеризовать состояние бизнеса, если не связаны с внешним контекстом. Вследствие этого потребуются новые более содержательные способы предоставления результатов анализа.

“Как бы то ни было, дашборды на сегодняшний день представляют собой наиболее правильный инструмент для оценки состояния бизнеса, — возражает Станислав Семененко. — Но ключом к успеху является отображение на них именно тех показателей эффективности, которые непосредственно влияют на данный бизнес в текущий момент времени при текущей рыночной ситуации. Именно эта задача должна быть приоритетной для data scientist”.

“На наш взгляд, эту задачу вполне можно решать и в рамках концепции дашбородов, — соглашается Сергей Шестаков. — Мы включаем в них как основные показатели деятельности компании по различным направлениям (финансы, экономика, производство, эффективность дочерних компаний, HR), так и наиболее существенные факторы внешней среды (ключевые макроэкономические индикаторы, ситуация в регионах присутствия, информация о конкурентах, показатели финансовых рынков и курсы валют)”.

8. В некоторых видах бизнеса мобильные приложения станут основным способом обращения к корпоративным аналитическим функциям.

“Сейчас наблюдается объективный тренд, когда почти любой запрос на построение аналитической системы стал включать в себя блок требований по мобильной доступности, — констатирует Станислав Семененко. — Раньше этого не было. Мы видим активный интерес к “мобильному бизнес-анализу” у компаний, работающих на рынках страхования, аудита и консалтинга, интернет-торговли. Стали появляться отдельные запросы на мобильные дашборды и иные сценарии использования. Например, не только на классические ключевые показатели маржинальности по территориям, но и на визуализацию планов проектов, бюджетов капитальных ремонтов, отчетности по внутренним аудитам. Впрочем, есть и сдерживающий фактор: требования служб безопасности”.

По мнению же Сергея Шестакова, мобильный интерфейс наиболее подходит для представления результатов, ключевой аналитики, но не для углубленной работы с данными. Мобильная аналитика по-прежнему будет востребована топ-менеджментом компаний, а также другими сотрудниками, желающими получать доступ к BI-системе с целью просмотра отчетов, анализа ситуации на лету в любое время и в любом месте. “В первую очередь это будет нужно для ускорения реакции руководителей или дежурного персонала на те или иные события, — уточняет Алексей Бессарабский. — Например, руководитель отдела продаж на отдыхе или в командировке сможет контролировать показатели работы подразделения и принимать оперативные меры, если что-то идет не так. Но все же основным способом обращения к корпоративной аналитике мобильные приложения, думаю, не станут”.

9. Для оценки правильности своей продуктовой и маркетинговой политики компании все чаще будут обращаться к инструментам исследования контента социальных сетей.

“Технологически сбор и анализ контента социальных сетей значительно продвинулся в последние годы, — полагает Сергей Лихарев. — На мой взгляд, те компании, которые научились анализировать социальный контент, как минимум стараются учитывать результаты этого анализа в работе над маркетинговыми кампаниями. Не стал бы утверждать, что многие организации уже в полной мере используют возможности социальных сетей для формирования продуктовой и маркетинговой политики, но те примеры, которые появляются в прессе или презентуются на различных семинарах и конференциях, часто впечатляют”. По мнению Светланы Архипкиной, в случае переноса ИТ-инфраструктуры компании в облако этот вид контента очень легко будет использовать благодаря облачному происхождению самих социальных сетей.

10. Интерес к технологиям Big Data будет расти, но широкого применения средств анализа неструктурированных данных в 2014 г. ожидать не приходится.

Алексей Бессарабский в целом соглашается, что интерес будет расти, но взрыва не произойдет. По мнению же Антона Заяца, напротив, именно сейчас имеет место бум, когда все крупные организации начинают активно использовать неструктурированные данные, например, для обогащения информации о клиентах и встраивания ее в операционные процессы принятия решений, такие как кредитный скоринг и целевой маркетинг. Сергей Шестаков, отдавая должное перспективам Big Data, обращает внимание на то, что здесь есть два типа задач: повышение скорости выполнения операций (когда мы хотим, чтобы вместо суток у нас все считалось за секунду) и создание неких принципиально новых алгоритмов, работающих на больших объемах и разнородных типах данных. Сергей Лихарев полагает, что ситуация во многом зависит от конкретного рынка и наличия технологий лингвистического анализа неструктурированных данных на языке региона, для которого делается прогноз. Там, где неструктурированную информацию на родном языке можно эффективно анализировать, проекты будут уже в 2014 г.

11. Появление “Интернета вещей” (Internet of Things) существенно повысит требования к производительности средств бизнес-анализа и к широте их функциональности.

“Это вопрос скорее для футуролога, — иронизирует Антон Заяц. — Пока данное явление не стало массовым, рано говорить о далеко идущих последствиях и о том, как и для чего здесь будут использоваться инструменты бизнес-анализа”. На взгляд Станислава Семененко, говорить о том, что “Интернет вещей” может уже сегодня стать драйвером ИТ-рынка, преждевременно. Ведь “Интернет вещей” — это в первую очередь огромный массив данных, которые должны передаваться, поступать и обрабатываться в режиме реального времени. В этой связи с точки зрения технологий следует рассмотреть три аспекта. Первый — это сетевая инфраструктура. Передача больших объемов данных требует высокой пропускной способности канала, а также отличного качества покрытия. Следующий аспект связан с вычислительной способностью той инфраструктуры, в которую поступает информация и где она обрабатывается. Третий необходимый аспект — это приложения, которые обрабатывают данные в режиме реального времени. Причем в случае с “Интернетом вещей” речь идет об обработке и анализе огромнейших массивов самых разнородных данных, то есть о Big Data. С учетом сказанного трудно говорить, является ли “Интернет вещей” драйвером развития этих направлений или же, наоборот, развитие телекоммуникационных каналов, распространение облачных вычислений и технологий больших данных дают толчок для развития “Интернета вещей”. Скорее это процесс обоюдосторонний.

По мнению же Ольги Горчинской, появление “Интернета вещей” повысит требования не столько к производительности, сколько к функциональности, поскольку придется решать задачи несколько иного порядка, а какого именно — пока не совсем ясно. И речь идет не только об анализе как таковом, но и о создании специализированных средств для работы с “машинными” данными, которые очень отличаются от привычной нам информации. Сергей Лихарев соглашается лишь с той частью прогноза, которая связана с производительностью, а не с функциональностью, поскольку “Интернет вещей” — это дополнительные, подчас гигантские объемы информации, которые генерируются с огромной скоростью. Следовательно, как только в контур анализа попадут машинно-генерируемые данные, требования к производительности аналитических платформ сразу вырастут.

12. Бизнес ждет, что программные средства смогут не только анализировать данные, но и предлагать варианты для принятия решений.

“По нашему наблюдению бизнес этого не особенно ждет, — возражает Ольга Горчинская. — Даже существующие возможности BI-инструментов в части анализа используются им очень ограниченно. Каждый раз приходится убеждать и показывать, что это даёт и зачем это нужно. Руководитель скорее обратится к чьему-то экспертному мнению, попытается использовать свой практических опыт, нежели поверит тому, что выдал некий “черный ящик”. Ведь модели, которые предварительно автоматически формируются на основе статистики, не всегда вербализуемы в виде понятных правил, часто это просто абстрактные конструкции типа нейронных сетей”.

По мнению Станислава Семененко, в данном прогнозе содержится слишком общее утверждение. Есть ряд задач, в которых автоматизированные средства могут предлагать адекватные варианты действий: подбирать контекстную рекламу на основе профилирования клиентов, выносить предварительное решение о выдаче кредитов на основе скоринговых моделей, отфильтровывать потенциально мошеннические транзакции и т. д. В других случаях руководители российских компаний предпочитают полагаться на человеческий опыт и не склонны в сложных вопросах доверять вариантам решений, которые сформированы программным путем.

А Сергей Шестаков приводит конкретный пример реализации указанного подхода в виде оптимизационной модели, разработанной для датской железнодорожной компании Banedanmark. Здесь на основании множества переменных (загруженность железнодорожного полотна, износ его элементов, бюджетные возможности, экономические факторы и т. д.) система строит долгосрочный (на 50 лет) прогноз и выдает рекомендации по оптимальному плану ремонта и замены оборудования.

13. Следует ожидать больших изменений в средствах представления и визуализации результатов анализа.

“Следует, — подтверждает Ольга Горчинская. — Сейчас широко используется бизнес-графика, но для углубленной и предиктивной аналитики понадобятся совсем другие виды представления. Такую “научную” визуализацию поддерживает язык статистических исследований R, который становится все более популярным. Мы привыкли к статическим картинкам, но в будущем, наверное, появится и “аналоговая” визуализация. Это будет своего рода кино, которое ориентировано не столько на рациональное логическое мышление (вычисления, сравнения чисел и т. п.), сколько на интуитивное восприятие и получение общего образа”.

Сергей Лихарев ожидает появления большого количества интересных решений, связанных с геоинформационной аналитикой, поскольку такой способ представления результатов анализа очень нагляден и позволяет человеку быстро принимать качественные решения на основе визуального восприятия аналитики, наложенной на карту. Алексей Бессарабский добавляет, что пользователям нужна возможность быстро оценить результаты анализа (часто в режиме реального времени), чтобы принять правильное решение. И здесь развитые средства представления и визуализации результатов анализа очень важны.

***

Так уж получилось, что обсуждаемых в данном обзоре прогнозов тринадцать — “чертова дюжина”. Число довольно подозрительное и не очень счастливое, поэтому вполне возможно, что далеко не все прогнозы верны и сбудутся. Тем интереснее было обсудить их именно сегодня.