Close
Задать вопрос
Telegram
WhatsApp
Viber
Messenger
Skype
Mail
Phone
Кладбище данных или конкурентное преимущество
Информация в наше время является одним из наиболее ценных активов компаний. Используется ли этот актив компаниями? В лучшем случае используется на 10-20%. Достаточно ли этого? Тут нет однозначного ответа, руководство каждой компании решает это самостоятельно. Но сложно спорить с тем, что, чем больше компания знает о самой себе, о рынке, о клиентах, тем больше она имеет конкурентных преимуществ.

Откуда эти берутся данные, необходимые для получения знаний и что с ними потом делать?

Современные компании относительно неплохо научились накапливать информацию. Множество учетных систем позволяют это делать. Каждая компания имеет бухгалтерскую программу, некоторые имеют складскую, кто то имеет CRM систему. Всё это учетные программы. Основная их цель это корректно накапливать информацию. Такие программы, как бы они не были хороши, крайне слабо справляются с задачами анализа данных.

Итак, компания накопила множество данных. Что теперь? А теперь надо из этих данных извлечь знания, которые могут принести дополнительную выгоду предприятию. Направления, которые можно выделить в работе с данными, это - Интеллектуальный анализ данных (Business Intelligence) и Глубинный анализ (Data Mining). Что собой представляют эти направления?

Business Intelligence (BI), по определению аналитиков Gartner, это ряд инструментов, которые способны помочь бизнес-пользователям преодолеть море данных и выявить в нем полезную для компаний информацию. Интеллектуальный анализ данных может проводить практически любой специалист компании. Тут не требуются глубокие знания статистики или экономики. Что я имею виду? Скажем, маркетолог или товаровед, или специалист по продажам, или логист, или директор компании, получая удобные инструменты, может боле эффективно анализировать свою сферу деятельности. Проще говоря, инструменты Business Intelligence позволяют делать выборки, строить графики, создавать отчеты максимально быстро. Настолько быстро, чтобы это не тормозило ход мысли специалиста.

Кто-то мне возразит, что отчеты можно строить и в учетных системах. Бесспорно, однако, скорость построения отчетов в учетных системах и BI системах зачастую отличаются в разы, десятки и сотни раз. Некоторые вещи сложно передать словами, но по ощущениям работа с инструментами Busines Inteligence по сравнению с работой с отчетами, выдаваемыми учетными системами, это все равно, что пересесть с жигуля на, скажем, Audi последней модели.

Внедрение BI систем требует совместной работы ИТ специалистов и бизнес-пользователей. Задача бизнес-пользователей системы правильно сформулировать свои потребности, составить точное техническое задание, а задачи ИТ специалистов правильно их реализовать. Тут, зачастую, возникает проблема взаимопонимания. Дело в том, что в большинстве случаев бизнес-пользователи и ИТ специалисты не всегда понимают друг друга. Ход мыслей у них несколько отличный. Поэтому руководитель проекта разработки системы интеллектуального анализа должен быть своего рода "билингвом", т.е. человеком, который может разговаривать на языке бизнеса, маркетинга и на языке ИТ. Тогда вероятность успешной реализации проекта существенно повышается.

Примерами систем интеллектуального анализа данных могут служить такие продукты как: Microsoft SQL Server Analysis Services, Oracle BI Suite, QlikView, IBM DB2 OLAP Analyzer. Каждый из этих продуктов имеет свои плюсы и минусы. Сказать однозначно, что какой - либо из них лучше достаточно трудно. В каждом отдельном случае необходимо рассматривать условия, потребности и затем принимать решение о внедрения той или иной системы интеллектуального анализа.

Какой бы продукт BI Вы не внедрили, очевидными плюсами для компании будут:

  • скорость выполнения отчетов,
  • наглядная подача информации,
  • удобство пользования.


Data Mining - это анализ, требующий дополнительных навыков. Специалист должен обладать квалификацией сразу в нескольких областях: это и работа с большими массивами данных, и статистический анализ, и понимание бизнеса и бизнес задач. Найти такого специалиста компаниям достаточно сложно, однако оно того стоит, поскольку знания, полученные средствами Дата Майнинг приносят компаниям существенные повышения бизнес показателей. Увеличение показателей в разы не исключение, а скорее норма для Дата Майнинг анализа.

Что может анализировать специалист Дата майнинг? Тут простор достаточно широк, но что касается бизнеса, то тут основные задачи сформировались вокруг работы с клиентами и продажами. Вот примеры того, какие задачи решает Дата Майнинг:
  • ранжирование клиентов (выделение групп клиентов по ряду показателей, для акцентирования работы с каждой из групп),
  • сегментация клиентов (разбиение клиентов компании на однородные группы, выявление особенностей каждой группы и формирование предложений с учетом особенностей каждой группы),
  • анализ предпочтений (определение закономерностей в покупках клиентов для формирования предложений по кросс-селлингу и апселлингу),
  • анализ рекламных акций (выявление эффекта, оказанного проведенной акцией на бизнес),
  • прогноз продаж,
  • подготовка директ-маркетинговых предложений (определение групп клиентов, которые могут откликнуться на предложение и комбинации товаров, которые могут их заинтересовать),
  • удержание клиентов (выделение клиентов, которые склонны переключиться на конкурентов, чтобы своевременно предпринять меры по их удержанию),
  • и др.

Как видите, круг задач достаточно широк, причем каждая задача при успешной её реализации может приносить существенную выгоду компании.

Само собой, как и для решения большинства задач, для решения задач Дата Майнинг существуют свои инструменты. Платное программное обеспечение для Дата Майнинг достаточно дорогое. Стоимость платных продуктов исчисляется тысячами и десятками тысяч долларов. Наиболее известным продуктов для Дата Майнинг, пожалуй, можно назвать SPSS Modeler. Это продукт компании IBM. Не стоит путать его с продуктом той же компании SPSS Statistics. Так же, достаточно известным на территории бывшего СССР является Dеductor. Популярность продукта обусловлена тем, что это российская разработка и реклама данного продукта направлена, прежде всего, на страны СНГ и бывшего СССР.

Повторюсь, платные продукты достаточно дороги, однако существует ряд бесплатных аналогов. Аналоги мало в чем уступают и по некоторым параметрам даже превосходят платные продукты. Из бесплатных продуктов можно выделить KNIME, RapidMiner, Weka и другие. Они составляют достойную конкуренцию платным аналогам.

Итак, как мы видим, есть возможности и перспективы развития настоящей аналитики в компаниях. Хотя, стоит признать, что все еще самой актуальной проблемой остается вопрос дефицита специалистов. Однако я уверен, что со временем и он будет решен.
Made on
Tilda