Тренды в разработке инструментов для бизнес-аналитики
Что происходит в отрасли и как получить в ней работу.
Материал подготовлен при поддержке Avito
Новые технологии стремительно меняют мир — кейсов использования машинного обучения или интернета вещей сотни, если не тысячи. Такие же процессы происходят в бизнес-аналитике.
Выделяем ключевые тренды из исследования Gartner вместе с бизнес-аналитиками Avito, сайта, где ежедневно размещаются более 400 тысяч объявлений. И рассказываем, как стать частью его команды.
Использование ИИ (AI Foundation)
Что это: искусственный интеллект как основа инструментов для бизнес-аналитики.
41%
В исследовании речь идёт об «узком» применении ИИ, основанном на машинном обучении. Искусственный интеллект, способный выполнять сложные задачи наравне с людьми и динамически обучаться, — это всё ещё удел фантастов.
Однако ИИ, заточенный под выполнение конкретной задачи вроде управления автомобилем или создания впечатляющих фотографий — вполне реалистичная вещь. Компании всё чаще будут использовать его для достижения своих бизнес-целей.
Искусственный интеллект — не панацея. Это такой же инструмент, каким десять лет назад был Excel. В Avito мы руководствуемся прагматичным подходом: если задачу можно решить проще — будем её решать без ИИ.
Тем не менее, выстроить быструю работу с нагруженными сервисами, которым необходимо принимать умные решения, невозможно без машинного обучения.
Мы применяем их в рекомендательных и поисковых системах, для модерации объявлений и определения категории товара по фотографии.
Бизнес-аналитика для пользователей (Self-Service Business Intelligence)
Что это: инструменты бизнес-аналитики, которыми клиенты компании могут пользоваться сами.
70%
Традиционные модели доставки бизнес-аналитики всё хуже справляются с изменчивыми запросами клиентов. К тому же постоянно растёт объём данных и количество их источников. Для того, чтобы найти выгодные сценарии применения данных, клиенты пробуют разные подходы и методы.
Растёт спрос на простые и быстрые решения для самостоятельного поиска паттернов в имеющихся данных. Компаниям это нужно, чтобы их клиенты или сотрудники могли сами получать необходимые им аналитические данные.
Self-Service BI позволяет снабжать клиентов отчетностью и отвечать на базовые вопросы без привлечения команды аналитиков, что особенно важно, когда время на принятие решения сильно ограничено.
В идеале Self-Service BI должен выявлять и объяснять паттерны и отклонения в данных, предлагая пользователю дальнейшие пути анализа. Но это в будущем.
Сотрудники Avito могут сами получать ответы на стандартные запросы данных — для этого не нужно быть аналитиком и писать SQL-команды. Все отчеты сопровождаются комментариями наших аналитиков, что позволяет пользователям хорошо понимать данные, которые они используют.
Аналитикам это дает возможность больше заниматься решением бизнес-задач, а не рутинной выгрузкой информации.
Продолжительная адаптивная оценка рисков и степени доверия (Continuous Adaptive Risk and Trust Assessment)
Что это: стратегия по устранению уязвимостей в продукте.
99 дней и $4 млн
Обычно создатели приложений задумываются о безопасности на поздних этапах разработки, когда основа продукта уже готова. Согласно концепции Continuous Adaptive Risk and Trust Assessment (CARTA), специалисты по информационной безопасности включаются в разработку в самом начале и постоянно тестируют продукт на устойчивость к взлому.
Теоретически это позволяет защититься от большинства потенциальных угроз до релиза и значительно сэкономить на их последующем поиске.
CARTA полагается на машинное обучение и автоматическую аналитику. Рутинным поиском уязвимостей занимаются алгоритмы, а внимание людей сконцентрировано на самых опасных угрозах — так можно повысить уровень безопасности без найма дополнительных сотрудников.
Эффективность CARTA сильно зависит от реализации. Внедрение подобных систем всегда требует много усилий и времени для изучения бизнес-процессов и построения профиля организации. Поэтому пройдёт немало времени, прежде чем мы увидим эффективно работающие решения, основанные на CARTA.
Мы используем схожие подходы в областях, где объём информации и частота событий настолько велики, что обработать их другим способом трудно или неэффективно. Прежде всего, алгоритмы машинного обучения используются для защиты наших продуктов от атак из интернета.
Управляемая событиями архитектура (Event-Driven Architecture)
Что это: архитектура программного обеспечения, в основе которой лежат «события» — изменения состояния объектов.
80%
Управляемая событиями архитектура (EDA) позволяет создавать приложения, работающие в реальном времени. Простой пример: когда человек покупает телевизор, статус телевизора меняется с «продаваемый» на «проданный». Система продавца телевизоров считает изменение статуса «событием», на которое реагируют приложения в её составе.
Аналитические инструменты на основе EDA быстро реагируют на релевантные для компании «события». Затем их можно проанализировать и внести коррективы в операционную деятельность, если это необходимо.
В российском сегменте интернета пока мало решений для работы с EDA: они либо плохо работают, либо стоят слишком дорого. Поэтому такие системы пока что остаются уделом технологических гигантов — например, Amazon.
В Avito мы всегда использовали такой подход для мониторинга технического состояния инфраструктуры, а вот использовать статусы объектов или событий начали чуть больше полугода назад, — чтобы в рекомендациях был актуальный контент.
EDA помогает избежать ситуации, когда человек уже купил товар или передумал это делать, а баннеры с рекламой всё равно преследуют его по всему интернету. Система считывает текущие действия пользователя и понимает, стоит ли предлагать ему товар снова.
Avito ищет специалистов
Мы ищем аналитиков данных и специалистов по машинному обучению, которые готовы использовать в своей работе самые современные тренды.
Требования для аналитиков данных:
- Разбираться в SQL.
- Уметь анализировать данные с помощью Python (pandas/numpy/scipy/sklearn).
- Уметь презентовать результаты своих исследований.
- Разбираться в проблемах до их полного решения.
Требования для специалистов по машинному обучению:
- Уметь решать связанные с Data Science или Machine Learning проблемы с помощью Python 3.
- Знать методы построения рекомендаций, а также методы классификации, кластеризации, регрессионного анализа и работы с временными рядами.
В Avito всегда рады профессионалам, готовым придумывать новые идеи и решать сложные задачи. А когда потеплеет, всё это можно будет делать на верандах офиса в центре Москвы.
https://vc.ru/33289-vyruchka-avito-vyrosla-na-tret-v-2017-godu-do-15-5-mlrd-rubley ^_^