Юрий Бондарь_sap_1

Бизнес-аналитика является одним из наиболее перспективных направлений IT-рынка; она развивается несмотря на общий небольшой спад. Именно в инструментах аналитики представители бизнеса ищут возможность повысить эффективность производства и предложить клиентам новые сервисы.
Цифровизация экономики привела к существенному росту неструктурированных данных, которые при правильном подходе способны принести дополнительную выгоду их владельцам. О возможностях построения новых моделей развития с помощью инструментов бизнес-аналитики рассказал в интервью журналу We&WorldEconomics заместитель генерального директора SAP СНГ Юрий Бондарь.

Юрий, скажите, как развивался рынок бизнес-аналитики в 2016 году, чему уделяла главное внимание ваша компания и что нового принесет 2017 год?
Я бы сказал, что в 2016 году наша компания занималась, прежде всего, просветительской работой: мы рассказывали нашим клиентам не просто об аналитических проектах, но и о новых трендах – прескриптивной и прогнозной аналитике, машинном обучении и искусственном интеллекте.
При этом уже в прошлом году мы отметили выраженный интерес к инструментам визуализации и хранения данных. Многие наши заказчики инвестировали свои средства в реализацию этих проектов на своих предприятиях.
Думаю, что по итогам 2017 года мы увидим значительный рост прогнозных сценариев, поскольку большинство заказчиков накопили данные и пришли к пониманию того, что анализ этих данных может принести дополнительные выгоды для компании. Следовательно, появится много проектов в сфере больших данных и сценариев, основанных на их анализе. Все это будет работать на основе машинного обучения, например, с использованием нейронных сетей. Мне кажется, что рынок будет двигаться именно в этом направлении.
Мы в этом году вывели на рынок несколько новых решений, связанных с машинным обучением. Одно из них –«invoice matching» — позволяет автоматизировать разнесение банковских выписок, что сильно упрощает труд бухгалтера по клирингу документов. Еще одно решение –«CV matching». Его ценность поясню на конкретном примере. Скажем, в крупной нефтяной компании работает более 50 тысяч человек; в среднем ротация сотрудников такого предприятия составляет 10-15% от общей численности персонала. Иначе говоря, предприятию приходится нанимать от трех до пяти тысячи человек за год, рассматривая при этом несколько кандидатур на каждую из вакансий. Наше решение облегчает подбор резюме машинным способом, помогает снизить затраты на поиск специалистов.
Организации из каких отраслей проявляют максимальную заинтересованность в проектах, связанных с внедрением аналитических решений?
Потребность в бизнес-аналитике появляется у тех отраслей, где есть данные (хотя они сейчас есть практически везде). В первую очередь, это сервисные компании (B2C-сегмент), которые работают непосредственно с людьми: розничная торговля, банковский сектор, транспорт. Данные в этих отраслях накапливаются не просто на ежедневной, а на ежеминутной основе.
С другой стороны, капиталоемкие индустрии также не отстают во внедрении бизнес-аналитики. Сейчас идет процесс активной трансформации бизнеса: компании начинают по-новому осознавать свои цели и задачи, менять и оптимизировать внутренние процессы. А успешность любых преобразований напрямую зависит от того, насколько хорошо организации «анализируют себя».
Например, крупные горно-металлургические или нефтегазовые компании рассматривают прогнозные ремонты и прогнозное качество как одну из основных составляющих успешного процесса трансформации. Если мы с вами можем спрогнозировать ремонт, то соответственно, сможем оптимизировать ремонтную программу. Так мы снизим объем затрат, необходимых для поддержания оборудования в исправном состоянии, и не потеряем производственные мощности. С другой стороны, если предприятие будет поддерживать качество продукции на высоком уровне, то оно сможет удовлетворить заказчиков и, тем самым, одержать победу в конкурентной борьбе.
Какие решения предлагает SAP в области бизнес-аналитики, какими преимуществами они обладают?
Можно условно разделить все решения в области бизнес-аналитики на два больших сегмента. Первый сегмент — это решения, отвечающие на вопрос «что?», то есть – что мы анализируем? Здесь речь идет об инструментах, направленных на сбор сырых данных из первоисточников и на агрегацию информации.
Второй сегмент представляют собой решения, отвечающие на вопрос «как?», а именно: как мы будем из этих данных извлекать полезную для компании информацию? Как мы должны их обработать, чтобы полученное знание было ценным для бизнеса?
К первой группе можно отнести бизнес-хранилища (BusinessWarehouse). SAP представил в этом году как раз такое хранилище – SAPBW/4HANA. Оно позволяет собирать огромный объем информации и обрабатывать ее в режиме реального времени за счет in-memory технологий.
На вопрос «как?» отвечает целый набор решений SAP: это и решения для визуализации данных на базе SAP BusinessObjects, и прогнозные сценарии на базе SAP Predictive Analytics, и сценарии планирования и финансовой консолидации на базе SAP Enterprise Performance Management. Речь идет о целом наборе различных инструментов, направленных на решение разных задач, будь то планирование, визуализация или прогнозирование.
Мы пошли по пути создания платформы для анализа данных. То есть, помимо того, что мы представили рынку способ сбора данных и инструменты для этого, мы также разработали платформу, которая охватывает сразу все компоненты. Таким образом, каждое отдельное решение может представлять ценность для бизнеса как само по себе, так и являясь составной частью целостной системы.
Как ваши клиенты могут подсчитать экономический эффект от внедрения аналитической системы?
Понятие «экономический эффект» в подобных проектах можно рассмотреть с разных сторон. Первая — это когда менеджмент компании может напрямую оценить пользу от внедрения системы, выраженную в конкретных показателях. Например, уменьшение складских остатков или оптимизация логистической цепочки. Это простые и понятные результаты, которые можно рассчитать. Но они зависят не столько от самой аналитики, сколько от степени эффективности системы сбора информации. Если у вас нет информации, то и нужного эффекта вы достичь не сможете.
Второй подход – это когда решения приносят такой результат, которого мы не ожидаем. Приведу пример. Российская нефтехимическая компания «Башнефть» в рамках своей программы лояльности на заправочных станциях реализовала систему «NextBestOffer». Она работает так: вы, будучи участником программы лояльности, приобретаете топливо или покупаете что-либо в магазинах заправочной станции, и система при повторном посещении магазина анализирует ваш профиль и историю ваших покупок и на основании полученных данных делает вам на кассе персональное предложение. В результате значительно повышается объем продаж. Я выделяю эти эффекты в отдельную группу, потому что они могли быть не запланированы изначально.
Что мешает компаниям реализовать проекты в сфере аналитики?
На мой взгляд, существуют две причины, из-за которых проекты в сфере бизнес-аналитики могут столкнуться с рядом сложностей. Во-первых, это некачественные, недостоверные или неполноценные источники данных. Часто бывает так, что в компании есть транзакционные системы, собирается определенный объем проверенной информации, но ее не всегда достаточно, чтобы сформировать полноценную картину деятельности предприятия. Как результат – начинают вводиться приближенные значения, и ценность имеющихся данных теряется.
Во-вторых, компаниям мешает отсутствие культуры использования аналитических решений. Для того, чтобы инструменты аналитики заработали и начали приносить ощутимую пользу компании, ими, с одной стороны, необходимо пользоваться ежедневно, а с другой – применять полученный результат в принятии управленческих решений. Для этого требуется новый тип руководителя, который понимает широкие возможности, открывающиеся благодаря бизнес-аналитике.Таких руководителей пока не так много.
Может ли проект в сфере аналитики быть быстрым и иметь срок окупаемости?
По поводу скорости. Все проекты, связанные с анализом данных, внедряются намного быстрее, чем транзакционные. Потому что транзакционные системы направлены на построение процесса взаимодействия между людьми. Как правило, в этот процесс вовлечена вся компания. В аналитические проекты вовлекается меньшее количество сотрудников: в основном, те, кто принимает управленческие решения. Поэтому, если в компании собирается достоверная, непротиворечивая и полноценная информация, то построение системы анализа данных может быть выполнено в прогнозируемый временной промежуток.

Юрий Бондарь_sap_2

С другой стороны, как я уже сказал, культура использования аналитики в работе требует особого подхода. К примеру, начиная аналитический проект, сначала вы вовлекаете в него пилотную группу руководителей, состоящую из 3-5 человек. Именно эти люди первыми начинают использовать эту технологию. Потом в проекте задействуется более широкий круг людей, которые заинтересованы в нем в меньшей степени, но они видят результат, полученный их коллегами. Таким образом, можно оценить возможности аналитики, основываясь не на абстрактных предположениях, а на опыте, полученном непосредственно в вашей компании.
Можно ли сказать, что кризис сделал развитие аналитики одной из стратегических бизнес-задач?
Сегодня многие понимают, что аналитика необходима для большого бизнеса. В некоторых отраслях это осознают лучше, для других пока характерна некая инертность. Впрочем, это зависит не столько от характера конкретной индустрии, сколько от руководителя компании. Это очень важно. Если есть заинтересованный человек, который хочет добиться результатов и готов к инновациям, то аналитические проекты будут иметь успех.
У SAP в Азербайджане около 30 компаний-клиентов. Многие из них используют элементы нашей аналитической платформы.
Какие тенденции, по вашему мнению, определяют внедрение аналитических решений в Азербайджане?
Я считаю, что экономику Азербайджана сильно стимулируют к инновациям внешние факторы. Это и стоимость нефти, и довольно непростая экономическая ситуация в регионе. Да, это отрицательные внешние обстоятельства, но, в то же время, они открывают новые возможности. Именно в этот момент люди начинают всерьез задумываться о том, что именно необходимо изменить и где находится точка эффективности. Когда все замечательно, предприниматель, скорее, заинтересован в экспансии, чем в развитии внутренних ресурсов. Аналитика хороша тем, что позволяет лучше разобраться в своих возможностях и повысить свою эффективность.
Расскажите, пожалуйста, о значении больших данных. Имеют ли они смысл без бизнес-аналитики?
Большие данные — это всего лишь данные. Вопрос полноты получаемой информации, безусловно, существенен, но нужно также понимать, что стоит за этими данными и откуда они получены. Добавлю, что важны не только большие данные, но и готовность инфраструктуры обеспечить этим данным постоянное обновление и пополнение. Нельзя ограничиваться лишь сбором данных. Нужно, чтобы данные двигались, жили, отображая реальную картину бизнеса, иначе система анализа не даст никакого эффекта: представьте, что мы бы сейчас стали анализировать большие данные, например, за 2014 год и строить на них прогнозы на 2018 год.
Что нового появится в бизнес-аналитике в перспективе?
Мы выделили пять основных направлений, которые, на наш взгляд, будут популярными в ближайшие три года.
Первое — это использование инструментов машинного интеллекта и машинного обучения для трансформации бизнес-процессов в компаниях.Такие решения могут коренным образом трансформировать обучение студентов или внутрикорпоративные процессы. Некоторые профессии, например, экономист или бухгалтер, могут стать менее востребованными или быть востребованы по-иному. Рутинные операции уйдут — их заменит машинное обучение. А молодых людей надо будет обучать новым профессиям, которых пока нет. Может быть, это будет соцпсихолог системы машинного обучения, который будет ставить ей правильные задачи.
Второе — это «блокчейн» (цепочка блоков транзакций, технология надежного распределенного хранения достоверных записей, по большому счету, о чем угодно). Это может быть история реестров, которые не подлежат изменениям. Эта технология может сильно повлиять на структуру принятия решений в компаниях и схему взаимодействия между разными предприятиями, в банковской сфере и в сфере работы государственных органов.
Третье направление – это виртуальная и дополненная реальность, технологии, которые уже сейчас меняют мир, в том числе и сферу аналитики. Это не что иное, как цифровой образ реального мира, дополненный информацией в режиме реального времени.
Четвертый тренд — интернет вещей. Он, казалось бы, довольно понятный, многие о нем слышали, но при этом вдумайтесь, насколько сильно он меняет процесс сбора данных. Мы получаем данные непосредственно от того устройства, которое их породило, и благодаря этому у нас нет искажения информации в принципе. Таким образом, вся наша информация корректна и достоверна, что улучшает качество принятых на ее основе решений. Это значительно повышает ценность аналитики внутри компании.
Ну и пятое направление, которое сейчас набирает популярность, — это прескриптивная (предписывающая) аналитика. Раньше мы с вами аналитику получали в виде гипотезы, например, о том, что у нас будет двукратный рост, а в итоге рост составлял всего лишь 30%. Сейчас аналитика перестраивается, чтобы рассказать о том, как от этих 30% добраться до запланированного двукратного роста. А если такой рост невозможен, то аналитика поможет понять причины и предложит машинным образом скорректировать стратегию. Предписывающая аналитика начинает играть все более важную роль, и в нее вовлекается все больше людей.
Если говорить более простыми словами, то вспомните навигатор в телефоне. Программа навигации ведет вас в пункт назначения, и вы даже не задумываетесь о том, что это и есть прескриптивная аналитика! Приложение просмотрело все возможные варианты проезда и маршруты других пользователей системы, оценило ситуацию и предложило вам оптимальный вариант. Не вы выбрали маршрут, а машина. Вот к чему идет мир.

Гусейн Велиев