Аналитика и большие данные должны приносить прибыль

страницы:

1 |   2 |  следующая

Задача BI

Основные задачи внедрения BI–это увеличение скорости доступа к данным и отчетам, оценка эффективности ключевых бизнес-процессов, возможность получения единой версии правды, детальный анализ информации и ее наглядная визуализация. Олег Костерин, директор InfoVizion, рассказал о предлагаемом его компанией BI-решении для розничных, дистрибуторских и производственных компаний. С его помощью можно управлять ассортиментной матрицей, ее ценовым позиционированием, выстроить эффективный процесс заказа товаров, получить аналитику по ключевым направлениям деятельности компании и оценить финансовые результаты.

Олег Костерин предложил участникам конференции перейти от внедрения традиционных BI-систем к созданию ситуационного центра компании. В нем должен накапливаться опыт идентификации бизнес-инцидентов. Там же должны происходить формирование регламентных задач по предотвращению инцидентов в системах управления, проверяться ключевые условия по бизнес-инцидентам, осуществляться мониторинг динамики бизнес-инцидентов и контроль исполнительской дисциплины по регламентным задачам.

«Организация, обладающая данными, может монетизировать их и получить конкурентное преимущество», — уверен Юрий Сирота, старший вице-президент, руководитель департамента анализа данных и искусственного интеллекта, руководитель центра компетенций BI банка «УралСиб». Он поделился с участниками конференции опытом организации работы с данными в банке. По его мнению, для решения этой задачи необходимо объединить роли Chief Analytics Officer (CAO) и Chief Data Officer (CDO) в одну. Он должен быть и генератором бизнес-инициатив, и продавцом идей и аналитических приложений заказчику, и ИТ-специалистом, и проектным менеджером, и стратегом, способным разложить цели организации на методологии и инструменты анализа и компоновки данных.

По мнению Юрия Сироты, успех развития аналитической компетенции зависит от того, насколько руководство организации и бизнес-подразделений разделяют стратегическое видение аналитической функции, как быстро аналитика начинает приносить реальную пользу, насколько точно создаваемые ИТ-решения отвечают потребностям бизнеса. Для этого используемые для анализа данные должны быть доступны и надежны. В компании должен существовать стэк инструментов по сбору, профилированию, аналитике данных и соответствующие компетенции для их правильной обработки. И, конечно, результаты аналитики должны быть интегрированы в бизнес-процессы.

Данные становятся одним из основных капиталов компании, уверен Эдуард Федечкин, ведущий эксперт по системам бизнес-аналитики «Терн». Речь идет не только об информации, содержащейся во внутренних ИТ-системах, но и о данных из внешних источников, например, ЕГРЮЛ, ЕГРИП, реестра недобросовестных поставщиков, картотеки арбитражных дел, базы данных ФССП и т.д. Компания предлагает воспользоваться сервисом TernAnalytics для комплексного анализа благонадежности контагентов.

С его помощью можно проанализировать историю компаний и их аффилированных структур, оценить финансовую устойчивость, оценить риски и оперативно отслеживать изменения ключевой информации. Также система дает возможность самостоятельного оперативного формирования произвольных аналитических сводок. TernAnalytics может быть интегрирована с внутренними источниками данных компании. К ней можно также подключать новые внешние источники данных.

Идеи и кейсы

Александр Евсин, заместитель руководителя ГКУ ЦОДД — начальник Ситуационного центра рассказал о роли больших данных в организации дорожного движения. Интеллектуальная транспортная система Москвы получает данные от более чем 2800 светофоров, 2156 камерам телеобзора, 177 дорожных табло, 1800 табло на остановках, 3000 радиолокационных детекторов движения и 1788 камер фотовидеофиксации. Каждые 20 сек в нее поступают данные с 33 тыс объектов городского транспорта, а также с такси и автомобилей каршеринга.

Обработка и анализ этих данных позволяет контролировать работу городского транспорта, оценивать пассажиропоток и формировать прогнозы движения в городе, а также заниматься его оптимизацией. Развитие технологий машинного обучение дает возможность оптимизировать работу светофоров и графики движения транспорта практически в режиме реального времени.

Большие данные уже перешли из разряда хайповых технологий в категорию решений, без которых сложно представить эффективно развивающийся бизнес. Сегодня основная задача состоит в том, как монетизировать такие решения. Своим опытом поделились участники организованной CNews Conferences конференции «Аналитика и большие данные 2019: как получить эффективное решение».

В ходе разработки BI-решений для обеспечения сервисных потребностей «Газпром Нефть» было создано множество разрозненных инструментов и отчетов. Каждый выполнял определенный перечень задач. Однако со временем такой подход перестал быть эффективным — потребовалась систематизация и классификация имеющихся данных, рассказал Антон Сметанников, руководитель направления инфраструктуры и сервисов «Газпром Нефть». В компании был создан единый инструмент «Айсберг», который объединил сервисные и инфраструктурные инструменты анализа и отчетности в одну структуру, в которой четко определена роль каждого уровня представления информации.

Антон Сметанников подробно рассказал о том, как создавалась система «Айсберг» и что она представляет собой в настоящее время. В ближайших планах создание единого хранилища данных и интеграция «Айсберг» со всеми связанными системами, а также развитие предиктивной аналитики и машинного обучения, которые позволят прогнозировать изменение основных сервисных показателей в зависимости от меняющихся потребностей бизнеса.

Об использовании аналитической платформы Atom на базе MS Power BI рассказала Варвара Новожилова, руководитель направления продуктов отчетности компании «Аэроклуб». В состав платформы входит единое хранилище данных, множество консолей и внутренних справочников компании; 9 кубов со статическими параметрами и расчетными показателями, а также глоссарии с описаниями, понятными не только ИТ, но и сотрудникам других департаментов. С платформой работают сотрудники практически всех подразделений и уровней — начиная от рядовых менеджеров по работе с клиентами и заканчивая руководителями компании.

Варвара Новожилова отметила ряд сложностей, которые возникают в процессе работы. Иногда процесс построения отчетности занимает 2–3 минуты, что не слишком удобно пользователям. Кроме того, освоить работу с платформой для некоторых сотрудников оказалось непросто. Однако, оно того стоит, уверена Варвара Новожилова.

Не только BI

О перспективах использования SSD в ЦОДах рассказал Игорь Макаров, менеджер по развитию бизнеса Toshiba Memory Europe GMBH. Компания является изобретателем flash-памяти. Сегодня Toshiba предоставляет корпоративным клиентам и центрам обработки данных все необходимые твердотельные устройства хранения данных. В начале апреля компания добавила в свое программное обеспечение KumoScale поддержку транспорта TCP. Это позволяет реализовать развертывание технологии NVM Express over Fabrics (NVMe-oF) в сети Ethernet.

KumoScale предоставляет доступ к устройствам хранения данных на основе флеш-памяти по сети центра обработки данных. NVMe over Fabrics соединяет вычислительные узлы с хранилищем NVMe через сеть ЦОД, сохраняет производительность и низкий уровень задержек обычного NVMe, использует RDMA с привязкой к различным транспортным протоколам. NVMe over Fabrics может быть использовано при создании блочных СХД для облачных IaaS/PaaS платформ, реализации масштабируемого интерфейса для интерактивных веб-сервисов, буфера для распределенных файловых систем HPC или быстрого дезагрегированного стоечного хранилища.

Игорь Макаров, менеджер по развитию бизнеса Toshiba Memory Europe GMBH: В начале апреля компания добавила в свое программное обеспечение KumoScale поддержку транспорта TCP

Анатолий Поляков, главный архитектор аналитических решений PwC Россия, посвятил свое выступление тому, как будет развиваться искусственный интеллект в ближайшие годы. Около 20% опрошенных PwC руководителей крупных компаний намерены развернуть решения на базе ИИ уже в 2019 г. Своими главными задачами они видят обеспечение надежности и безопасности ИИ, обучение сотрудников работе с такими решениями, управление конвергенцией ИИ с другими продуктами, оценку доходности инвестиций в ИИ и запуск в производство инициатив в сфере ИИ, прошедших пилотную стадию.

В списке основных направлений развития искусственного интеллекта в 2019 г. создание организационной структуры и подготовка кадров для работы с ИИ, внедрение надежных алгоритмов и проверенных данных для систем машинного обучения, разработка и реализация планов по увлечению дохода и прибыли с использованием ИИ и интеграция с существующими и новыми технологиями.

Илья Мунерман, директор «Интерфакс-ЛАБ», рассказал о скоринговых сервисах, которые активно развивает «Интерфакс» на базе данных системы «Спарк». Это индексы платежной дисциплины — Paydex, кредитные истории; данные о судебных решениях и исполнительных производствах, исковой нагрузке; данные о персонале компании, анализ налогового бремени и производительности; тендерная информация, рекомендательные системы, удельные показатели; данные о недвижимости, объектах интеллектуальной собственности; интернет-данные, новости и социальные сети, даркнет; транзакции и данные онлайн-касс; традиционные финансовые коэффициенты.

Короткая ссылка на материал: http://cnews.ru/link/a13891

страницы:

1 |   2 |  следующая

Полный текст статьи читайте на CNews