Гонка аналитических вооружений: вызовы времени для бизнес-аналитики

Бизнес меняется, а вместе с ним и подходы к аналитике. О том, какими должны быть аналитические системы нового поколения для управления бизнесом, рассказывает директор по консалтингу «Консист Бизнес Групп» Вячеслав Солопов.

Управлять Будущим, как в будущем

Пользователь садится за компьютер, имея некую задачу. Как правило, она заключается в регулярном просмотре одних и тех же отчётов, понимании, что в этих отчётах изменилось. На основании этих изменений готовятся либо аналитические выводы, либо аналитическая записка. В самом идеальном случае - четкая и структурированная презентация для принятия управленческих решений.

Внутри этого незамысловатого бизнес-сценария лежит вполне понятный технологический ИТ-ландшафт. Он состоит из интеграционного блока, системы преобразования данных, системы хранения, аналитического механизма и пользовательского интерфейса. Плюс - ум специалиста. Приходится проводить титаническую умственную работу и тратить много времени на анализ одной-двух ситуаций. Пока все жили в спокойном мире и двигались с одной и той же скоростью, это не влияло на бизнес и не было проблемой. Но…

Вызовом времени стало требование мгновенной всесторонней оценки динамики бизнес-ситуации в целом и конкретных событий в частности, с глубокой аналитикой причин и последствий развития ситуации, а также простым и понятным представлением результатов такой аналитики.

Требование мгновенности потребовало создания достаточно большого количества предварительных вычислений и реализации вычислений сразу в памяти (in memory). Требуется всесторонний анализ причин, помимо просто статистической информации. Необходим слой глубокой аналитики – системы показателей, которые позволяют детально проанализировать причины возникновения ситуации и найти основные факторы, благодаря или вопреки которым что-то случилось или не случилось.

Глубокая аналитика позволяет явно выделить успешные и проблемные зоны, показать серые области, оценить динамику этих изменений и расставить акценты на конкретных аспектах ситуации через систему меток на первичных и вторичных данных; мгновенно применить понятную инфографику; зафиксировать полученные отчеты, аналитику и выборки для последующего мгновенного использования, снабдить данные доступным описанием и все это сброшюровать в единую story для последующего обсуждения, которая, по сути, задает сценарий будущего обсуждения ситуации с учетом различных вариантов обсуждения.

Бутылочное горлышко

Сейчас мы наблюдаем самую настоящую гонку аналитических «вооружений» бизнеса. Но узкое место в этой гонке осталось неизменным – человек. Именно он - центральное звено принятия решения. Основная движущая сила и мощь новых быстрых аналитических механизмов снова попадает в это «бутылочное горлышко». Сам процесс преобразования бизнеса (или, как принято говорить, принятия управленческих решений) остался неизменным: человек зашёл в систему, посмотрел в новый понятный отчёт, сделал вывод и, как в старом добром анекдоте, «продолжил валить лес топором».

Преобразование информации в управленческое действие, и дальше – совершение этого действия, отслеживание обратной связи – осталось за рамками ИТ-систем. Нового качества управления не случилось, а это значит, что эффект от затрат, потраченных на гонку аналитических вооружений, будет минимальным. Силы были израсходованы почти впустую.

К счастью, в реальной жизни вакуум всегда заполняется. Проблемные места наполняются решениями. С появлением систем поддержки принятия решений, использующих искусственный интеллект, машинное обучение и цифровизацию процессов, принципы построения и использования аналитических инструментов в бизнесе стали меняться.

Как мы уже сказали выше, системы проводят предобработку данных на основе различных бизнес-сценариев и самостоятельно ищут нужные параметры для отслеживания и триггеры до того, как ситуация приобретет негативный характер. Системы научились “смотреть внутрь себя” и подсказывать управленческие решения до наступления событий. Внутри системы формируется свой собственный уровень уведомлений или событий, которые раньше делал аналитик. И задача аналитика теперь не столько искать данные, сколько помогать всем этим умным помощникам отличать важное от неважного, существенное от несущественного, а также помогать классифицировать.

Простой пример. Раньше аналитик говорил, что «я посмотрел на таблицы и графики, и, по моим прогнозам, у нас через три дня закончится товар». Сейчас то же самое делает система в автоматическом режиме. Аналитик же определяет, насколько триггер корректен и уже переключает внимание на локализацию ситуации.

Процесс локализации также становится автоматическим. После обработки уведомления система сама сформирует список последовательных действий для решения проблемы. Например, сформирует автоматический заказ, который аналитику (или менеджеру) достаточно просто проверить. Если он не сделает это в срок, то система отправит этот заказ тем поставщикам, кто поставлял этот товар компании, найдет новых потенциальных поставщиков товара в интернете и отправит запрос и им. Получит от них предложения, сравнит характеристики и предложит разместить заказ у определенного поставщика. Если менеджер попытается разместить товар у не самого дешевого поставщика, попросит его подтвердить указанное решение и после подтверждения направит инцидент аналитику для корректировки алгоритма и в службу безопасности компании. Дирижер в такой ситуации - именно аналитическая система.

Я называю это качество новых аналитических систем - proактивностью. Этому тренду развития аналитических систем уже несколько лет, хотя некоторые элементы появились достаточно давно. Так, принцип построения ERP-систем подразумевал наличие элементов планирования, что давало пользователям бОльшие возможности, чем просто учет товара и прогнозирование. Но именно развитие подходов и механизмов цифровизации процессов, открытая интеграция, серьезный скачок в качестве технологий искусственного интеллекта и машинного обучения позволяют получить такой кумулятивный эффект.

Важным параметром стала возможность цифровой экосистемы компании потреблять и обрабатывать данные из неограниченного количества источников, включать в себя цифровые двойники процессов. Аналитическая система должна быть готова к заполнению этих цифровых двойников противоречивыми, неполными данными из тех источников, которые ей в данный момент доступны. Она должна быть в состоянии работать даже на неполном объеме данных. Для этого система должна уметь распознавать ситуацию, когда данных в двойнике недостаточно, т.е. фактически проводить самооценку корректности данных и аналитического процесса.

Но самый главный критерий современной аналитической системы - помимо простого предоставления отчетов и аналитики она должна уметь формировать прогнозы, уведомления и предсказания, инициировать или останавливать бизнес-процессы на основе результатов аналитики. Чтобы это стало возможным, основные процессы должны быть переведены в цифру, иметь возможность внешнего управления или получения данных из аналитической системы. Это критически важный элемент построения экосистемы при реализации программ цифровизации.

Аналитики перестали работать только с прошлым и заниматься каждый раз анализом конкретной ситуации. Их задача — уметь составлять такой сценарий работы инструментов, который будет обеспечивать корректную с точки зрения акционеров и руководства компании реализацию бизнес-процесса.

Ловушки времени и цифровые двойники

Ключевой элемент функционирования аналитической системы - получение и загрузка данных. Чаще всего мы ищем и забираем в аналитическую систему данные, которые нам нужны прямо сейчас.

И здесь мы попадаем в ловушку времени. Принять решение мы должны мгновенно, взвесив это решение со всех сторон. Но на получение, загрузку, разбор данных нужно время, а его-то как раз уже нет. А это означает, что ваша система должна иметь доступ, собирать и обрабатывать все доступные вам данные. И да, у вас должен быть специальный аналитик данных, задача которого анализировать ваши текущие и перспективные бизнес-процессы, разбираться, какие субъекты и объекты в них участвуют, в какой среде или окружении происходят эти процессы, а дальше находить источники данных об этих средах, субъектах и объектах и правильно собирать их в систему.

Приведу простой пример. Если вы используете импортные комплектующие в своем производстве, то вам точно необходимы сведения о стоимости этих комплектующих у ваших партнеров и о курсах валют. Вы должны проводить мониторинг стоимости их акций на рынке, отслеживать новости, чтобы не пропустить важные изменения в их бизнесе и структуре, оценивать ситуацию на таможне и в логистике. Поначалу это кажется безумно дорогим, но правильно реализованный процесс позволяет получать эти сведения не так дорого, если сравнить стоимость с возможными проблемами и потерями.

Сделать это можно, изменив подход к работе с данными. Использовать цифровых двойников - цифровое описание среды, объекта, субъекта или процесса. Цифровое описание должно быть выполнено таким образом, чтобы любая система могла получить необходимый срез данных без участия человека. Важно, чтобы двойник не был оторван от ситуации, то есть постоянно актуализировался и проверялся на корректность. Именно это качество позволяет настраивать предварительные расчеты, следить за отклонениями и мгновенно отвечать на новые вопросы и проблемы.

Построение цифрового двойника стало возможным благодаря снижению стоимости получения и хранения информации. Раньше этого не делали в основном из-за стоимости и технологической сложности реализации этих процессов. Стоимость получения и хранения данных была катастрофической. Теперь компании могут позволить собирать информацию из разных источников, в том числе внешних.

Современная proактивная аналитическая система должна получать, хранить и обрабатывать все доступные данные, оперировать цифровыми двойниками тех объектов, с которыми она работает, заполняя при этом всю доступную информацию из абсолютно разных источников: будь то компания, организация и ее технологии сбыта, ее товары.

Мониторинг здоровья компании

Мы много слышим сегодня о проактивном мониторинге нашего собственного здоровья. Появились фитнес-трекеры, которые отслеживают параметры нашего организма и в случае обнаружения отклонений сообщают об этом. Такой же процесс должна обеспечивать ваша аналитическая система.

Мониторинг здоровья компании – это работа аналитической системы по ключевым триггерам и правилам с настроенной системой оперативных обновлений. И если раньше этот мониторинг вели десятки аналитиков, то теперь это единый инструмент экосистемы, в котором находится цифровая правда компании.

Рассмотрим пример из сферы водоснабжения.

Представьте, что у вас стоит система управления подачей воды Аквастоп. Примитивный Аквастоп работает следующим образом: он получает сигнал с датчика и перекрывает подачу воды в здание. Эти сигналы бывают ошибочными, и если у вас, например, собственное отопление, то такое перекрытие спасет от затопления, но приведет к замерзанию, так как в котел вода также перестанет попадать. Более правильное решение – уметь анализировать проблему на каждом направлении и перекрывать конкретные пункты подачи воды, и при этом передавать, например, на смартфон все параметры «здоровья» дома. Это позволит на уровне пользователя иметь возможность оценить ситуацию и отменить решение системы в случаях, когда срабатывание основной системы было ложным.

По такому же принципу аналитическая система должна проводить мониторинг здоровья компании. Система должна обладать слоем сервисов уведомлений, которые основаны на мониторинге параметров бизнес-процессов компании, слоем сервисов принятия решений и слоем управления цифровыми процессами. Такая архитектура аналитической системы позволяет реализовать цифровое управление бизнес-процессами, уведомлять обо всех возникающих отклонениях или штатных ситуациях и в случае необходимости привлекать сотрудника для решения конкретной проблемы.

Такие аналитические системы заменяют рутинную работу по анализу бизнес-ситуаций на полноценную диспетчеризацию бизнес-процессов компании.

Разные бизнесы под общим аналитическим зонтиком

Бизнес-модели давно перестали быть простыми и однородными. У собственников может быть множество активов, однако им постоянно нужно видеть эти бизнесы и желательно как можно более прозрачным и понятным образом. Построение аналитической экосистемы в данном случае аналогично тому, что мы описывали выше. Разница лишь в том, что, помимо частных цифровых двойников, строится еще и модель взаимосвязи между ними, чтобы понимать, как сейчас выглядит холдинг в целом.

Эта задача несколько сложнее, так как требует типизации объектов и субъектов на начальном этапе и определения некоторых правил стандартизации процессов, а вернее, параметров управления ими. Здесь многое зависит также от целей.

Если бизнес одного собственника или одного холдинга, то идея создания холдинга – это возможности получения дополнительной прибыли от взаимодействия организаций, снижение издержек и финансовый контроль над всеми организациями, которые в него входят. Финансово их, как правило, связывают в единое целое. При этом создается цифровой двойник каждого участника этого холдинга. У каждого есть свой сектор в аналитической системе, куда складываются данные самого предприятия из этого холдинга.

Когда собирается информация по бизнесам в холдинге, очевидно, что она стекается из разных систем. Затем строится единый цифровой двойник с множеством данных по одному бизнесу, а потом - двойник холдинга в целом, внутри которого можно «рассмотреть» двойника каждого бизнеса. Это дает возможность управления как холдингом в целом, так и конкретным бизнесом. Например, можно сравнить рентабельность схожих процессов в разных бизнесах или понять, что в двух разных бизнесах есть абсолютно одинаковые подразделения или процессы, которые можно было бы перенести на уровень управляющей компании. Такой подход может принести неожиданные решения и результаты.

Не стоит думать, что такую аналитическую систему можно получить в рамках одной платформы или одного решения. Это в корне неверная постановка вопроса. В случае с proактивной аналитикой важно понимать, что именно гибкость вашей системы и возможность мгновенно встроить новые компоненты (особенно элементы искусственного интеллекта, новые механизмы получения данных) также являются ключевой характеристикой создаваемой системы.