Этот вопрос всегда был неоднозначным даже для нас: для тех, кто разрабатывает озера данных для компаний вместе с интеллектуальной аналитикой (Business Intelligence — BI) .
BI — (от английского слова «intelligence»). Интересно, что первое использование термина было связано с получением данных для более выгодной торговли на финансовых рынках Европы в конце XIX века. Тогда Business Intelligence переводилось именно как бизнес-разведка. Со временем BI стал термином — зонтом, в который входит все, что связано с анализом бизнес данных.
- Первая сложность для оценки состоит в том, что BI cистема — это набор компонентов: от транзакционных баз данных до ETL процессов, от озер и хранилищ до отчетов/дашбордов, основанных на KPI методологии.
Современный BI состоит из 4 важных компонентов:
1. ETL процессы — сбор, трансформация, загрузка, оркестрация данных из первоначальных источников
2. Хранилища и озера данных — хранение данных в одном месте с моделью данных и агрегацией или без
3. Визуализация, дашборды, отчетность — доставка аналитики до бизнес пользователя в виде интерактивных панелей
4. Интеллектуальный анализ данных (Data Science) — методы статистики, анализа временных рядов и эконометрики для выявления закономерностей и прогнозирования будущих показателей.
- Вторая неопределенность (и наиболее сложная) заключается в том, что сценарии использования варьируются от компании к компании.
Итак, подходов к оценке ценности BI можно было использовать несколько:
- Можно было использовать исследования, заказанные вендорами BI систем. К примеру, исследование от Forrester по эффекту внедрения Power BI привело к выводу, что маржинальная прибыль компании вырастала на [2.5%]. Переведенный отчет от Forrester можно скачать тут
- Или переходить к анализу BAIN, сделанному в 2017 году, в котором говорилось, что компании с передовой аналитикой в 5 раз быстрее принимают решения, имея больше шансов на рост прибыли
- Можно было посмотреть на эффект, который дают системы показателей, такие как OKR или сбалансированная система показателей (Balanced Scorecard)
- Или на эффект, проверенный на собственном опыте: на кейсах похожих компаний в одной индустрии. Таких кейсов много как своих, так и сделанных самими компаниями.
Но гораздо важнее понять экономический подход к оценке ценности BI для компании.
Он появился относительно недавно и более подробно раскрыт в книге Билла Шмарзо "The Economics of Data, Analytics, and Digital Transformation: The theorems, laws, and empowerments to guide your organization’s digital transformation".
Мы проанализируем, как определить ценность BI для конкретной компании и, самое интересное, как ее можно максимизировать.
Для этого нужно пройти по ряду выводов, предложенных в книге, которые были подтверждены и нашим практическим опытом.
- Первый вывод: данные сами по себе не приносят большой добавочной стоимости.
Если проводить аналогию с нефтью, которую в свое время предложил The Economist, назвав данные «нефтью 21 века», то данные сами по себе ценны так же, как когда-то сырая нефть, которую использовали для инсоляции кораблей и не только. Почти все компании сегодня накапливают все большее количество данных, но без дополнительных инвестиций в их анализ, то есть используя их, как есть (максимум для мониторинга) , можно получить лишь малую долю их ценности.
- Второй вывод: высокая добавленная стоимость данных лежит в предсказательной аналитике.
Тут весьма кстати можно рассмотреть «Индекс зрелости Больших данных», предложенный в книге:
Многие компании остаются на первом этапе, так как переход на следующий уровень сложен, ведь это переход от ИТ подхода к экономическому подходу к данным.
Переход на экономический подход состоит из:
- Перехода от ИТ ментальности, где данные и аналитика используются для мониторинга за бизнесом, к бизнес ментальности, где данные используются для предсказания с высокой долей вероятности будущих события или трендов, чтобы начать к ним готовиться уже сегодня
- Перехода от высокой агрегации, чтобы снизить расходы на хранение, к анализу всех данных и поиску новых источников и уровней анализа
- Сбора не только структурированных, но и всех видов данных
- Более частого обновления данных и перехода на анализ в режиме реального времени.
Заметим, что наибольшая выгода к затраченным средствам идет от пунктов 1 и 2. Пункты 3 и 4 не всегда применимы без перестройки большого слоя ИТ архитектуры. Таким образом, именно бизнес-идеи позволяют получить намного более высокую добавочную стоимость от данных.
Возвращаясь к аналогии с нефтью, если ее переработать и очистить, то на выходе получаем более ценные виды ресурсов: от асфальта до бензина. Теперь после переработки нефть становится ценным сырьем и для укладки дорог, и для передвижения большинства видов транспорта.
- Третий вывод: инсайты должны быть созданы для специальных сценариев использования.
То есть сценарии использования диктуют, какие инсайты, аналитические профили и показатели нужны. Если компания понимает, что есть бизнес инициатива, которая при поддержке актуальной аналитикой, в том числе предиктивной, способна уменьшить расходы на X% или увеличить выручку на Y%, то именно через эту бизнес инициативу для бизнеса можно оценить стоимость BI системы.
Характеристики стратегической бизнес-инициативы:
- Критическая для успеха
- Задокументированная
- Кросс-функциональная
- Ведется старшим управленцем
- Измеримый финансовый результат (уменьшить, увеличить, оптимизировать)
- Время исполнения определено в следующие 12 — 18 месяцев
Также и стоимость разных нефтепродуктов сильно отличается в зависимости от сценариев их использования, как, к примеру, литр дизельного топлива или 98 бензина.
- Четвертый вывод: эффект мультипликатора будет возможен, если создать единое озеро данных для всех возможных сценариев анализа данных.
Сценарии использования могут меняться, и со временем становятся нужны новые источники данных, показатели и другие методы их анализа. Но если каждый раз делать отдельную инфраструктуру данных под каждый сценарий или набор сценариев, то компания не будет получать максимум выгоды от затраченных средств.
Это как строить НПЗ для каждого месторождения нефти, вместо их транспортировки в одно.
Именно соединяя данные в одно организованное и поддерживаемое озеро данных, компания может кратно увеличить доходность от первоначальных и последующих инвестиций. Новые сценарии использования смогут получить выгоду от уже собранных данных. К тому же, благодаря наличию собранных вместе данных, могут появиться новые сценарии их использования, которые ранее были невообразимо дороги. Теперь же стоимость создания новой аналитики резко падает.
Теперь, создав цифровой актив в виде озера данных, мы можем получить максимальную ценность из вложенных средств. И именно озеро данных можно считать активом компании.
Активы — это контролируемые компанией, полученные в результате прошлых событий ресурсы, от которых эта компания ожидает экономической выгоды в будущем (данная трактовка содержится в принципах МСФО).
Озеро данных будет приносить экономическую выгоду долгосрочно. И чем больше оно будет использоваться, тем выше будет становиться его надежность, точность и полнота, а значит, будет увеличиваться его стоимость для компании. Другими словами, озеро данных — это актив с растущей стоимостью, что делает его не совсем обычным в финансах.
Обычно стоимость актива по мере его использования падает. Но то, что называется амортизацией для материальных активов, не происходит с цифровыми активами.
Так озеро данных можно сравнить с таким важным нематериальным активом, как бренд компании.
- Последний вывод: аналитические модули еще раз мультиплицируют доходность от озера данных.
Решив задачу в одном департаменте, можно воспользоваться методом ее решения и для других отделов. В частности, озеро данных накапливает данные, а библиотека аналитических модулей накапливает методы решений. Это позволяет использовать собранные данные быстрее и лучше.
Аналитические модули - это составные, многократно используемые, непрерывно изучаемые аналитические активы, которые доставляют заранее установленные операционные и бизнес результаты. Они помогают решать детальные предопределенные бизнес проблемы: выявление аномалий, склонность потребителей совершать покупки, остаточный полезный срок эксплуатации активов, удержание теряющих интерес клиентов, техобслуживание по состоянию, оценка навыков машинистов и график оптимизаций.
Итак, мы обсудили, что:
- Инвестиции в анализ данных будут приносить экономическую выгоду в зависимости от сценариев использования
- Если строить единую инфраструктуру для такого анализа в виде озера данных, то мы снижаем затраты на следующие расходы по анализу данных и увеличиваем сценарии использования от добавления новых источников данных к уже собранным
- Озеро данных аккумулирует затраты и переводит их из операционных затрат в капитальные
- Затраты капитализируются, ведь они теперь идут не на одноразовую выгоду, а на создание актива — ресурса с долгосрочной выгодой
- Еще большую стоимость компания может получить, если будет вести библиотеку аналитических модулей.
Задача любого интегратора, в том числе и QompaX, состоит в том, чтобы изначально строить аналитическую инфраструктуру так, чтобы она росла в ценности для бизнеса тем быстрее, чем больше ее будут использовать.
Комментарий удален модератором