Руководитель программы по анализу данных OSIsoft Мишель Одазима рассказал на портале InformationWeek о том, почему анализ данных — это не только средство для сокращения расходных статей, но и метод, который открывает новые возможности для расширения бизнеса и получения дополнительного дохода.
Именно понимание ценности аналитики данных, сопоставления фрагментированных битов информации и закономерностей помогло компаниям, история которых насчитывает многие десятилетия, удержаться на плаву. Так, в
Такие программы позволяют сотрудникам предприятий, начиная с инженеров и заканчивая маркетологами и ИТ-специалистами, получить доступ к значимым данным и использовать их по назначению. Открытость данных можно назвать в числе ключевых показателей успешности предприятия. В недавнем исследовании IBM говорится, что непрозрачность данных является самой большой проблемой для 70% топ-менеджеров. При этом эффективность работы с данными не гарантирована даже при подключении оборудования и других фондов предприятия к алгоритмам анализа.
По информации исследовательской компании CrowdFlower, эксперты по данным (data scientist) уделяют их анализу менее половины своего времени, большую его часть отнимает подготовительная работа или управление данными (data management): сбор, организация и стыковка данных. Значение предварительных операций по подбору данных сложно переоценить. В исследовании CrowdFlower говорится, что именно их качество является для большинства экспертов основным препятствием для развития проектов в области искусственного интеллекта.
Важность управления можно проиллюстрировать на пилотном проекте «Mill of the Future» организации International Paper. Он задуман с целью перехода от анализа исторических данных к прогнозной аналитике, которая обеспечивается движком машинного обучения — он умеет работать не только с уже накопленной информацией, но и с данными, которые фиксируются в режиме реального времени. По словам возглавляющего проект инженера-химика Рика Смита, количество тегов данных, с которыми работает интеллектуальный движок, за три года удвоилось — с 5 до 10 тыс.
Он сообщил, что инженерам удалось подружить разнородные данные с ИИ таким образом, что теперь последнему требуется гораздо меньше времени на их обработку. Для того, чтобы ИИ понимал, какие данные первостепенной важности, а какие вторичные, инженеры применили для его обучения методику под названием «процесс познания». Но сбор категоризированных данных — это только первый шаг, поскольку для успешной обработки данных требуется стратегический подход. Он предусматривает условия, по которым данные будут классифицироваться и анализироваться, и в конечном счете определяет, какую пользу они должны принести. Этот подход действует одинаково во всех сферах экономики, но не все компании одинаково успешно его применяют.
Например, компании Vermont Electric Power потребовался почти год для налаживания стратегии по сбору данных с ее интеллектуальных счетчиков. Это время ушло на то, чтобы выстроить каналы сбора и анализа данных потребления электроэнергии в разрезе магистральных подстанций. Этот проект в итоге вылился в отдельную компанию, которая занимается анализом эффективности потребления электроэнергии.
Caterpillar в свое время вместе со своими дилерами взялась за весьма сложную задачу — подключить тяжелую технику к единой сети. При этом компания выбрала тактику «выжженной земли» — несмотря на географическую удаленность и условия эксплуатации без внимания не должен был остаться ни один ее актив, будь-то карьерный самосвал или экскаватор. Caterpillar хорошо понимала, что если она не займется технической диагностикой и удаленным обслуживанием реализуемой ею техники, то этим займется какая-то другая компания. В итоге сбор данных о техническом состоянии машин (расход топлива, коэффициент загрузки машины, ее состояние, информация о планируемом времени обслуживания), грамотный менеджмент данных и аналитика позволили Caterpillar открыть новый источник дохода. Ею стала дочерняя компания CatConnect, которая продает специализированное аппаратное и программное обеспечение для сбора и анализа данных с любого оборудования производителя.
Как предприятиям выбрать правильное направление на пути к цифровой трансформации? Сперва следует заняться подбором команды, которой доверено внедрение цифровой трансформации. Этот коллектив должен состоять из сотрудников бизнес-подразделений, операционного отдела и ИТ-департамента и должен курировать большинство направлений бизнеса. Как вариант — опора на самое успешное с точки зрения управления данными направление бизнеса. Оно послужит прототипом для других направлений.
Данным вообще следует уделить особое внимание. Как только объединенная команда добьется, что их поток начнет представлять определенную ценность, к делу должны подключиться ИТ-сотрудники и операционисты — их задача сделать эти данные общедоступными (задача ИТ) и приступить к их освоению (команда операционистов). Для правильного управления операционными данными компании должны консолидировать IoT-данные в операционное «ядро», что позволит их анализировать и использовать в режиме реального времени. Такой подход обеспечивает бóльшую видимость и прокладывает мост между операционными данными и корпоративными системами данных, повышая их доступность.
Руководители должны учитывать различный уровень знаний в области аналитики данных внутри команды. Первые цифровые проекты должны нести не столько экономическую выгоду, сколько расширять кругозор, поэтому руководителям нужно ввести в бизнес-план проектов не только KPI для бизнес-целей, но и KPI обучения новым навыкам. Приступая к сбору и анализу данных, команда почти наверняка столкнется с бóльшим количеством проектов, чем она сможет освоить.
Обычно высший приоритет присваивается проектам, которые приносят ожидаемый доход, но не стоит сбрасывать со счетов опыт, поэтому из двух одинаковых проектов, которые предлагают аналогичную доходность, лучше всего выбрать тот, который наделяет команду опытом — он пригодится ей в будущем. Как правило, инициативы в области аналитики данных задумываются для снижения расходных статей, но иногда из них произрастают новые бизнес-проекты, которые сулят получение дохода.
Универсального рецепта для обнаружения новых источников дохода не существует, есть только предпосылки — тщательное управление данными, скрупулезный анализ, планирование и выверенное руководство персоналом.
Кстати арахисовая паста в шоколаде, которая продается под торговой маркой Reese, может не быть результатом хорошо продуманной маркетинговой стратегией. У ее создателя, Чарльза Ричарда Риза, было 16 детей, поэтому не исключено, что они устраивали в его кондитерском цеху различные эксперименты. Так или иначе, но после того, как разразилась Вторая мировая война, Риз изучил данные о продажах и из-за ограниченного доступа к другим кондитерским ингредиентам был вынужден сосредоточиться на производстве арахисовой пасте с шоколадом. Другими словами, изучение данных приводило к новым источникам дохода еще задолго до появления машинного обучения и ИИ.
