Бизнес‑аналитика становится все более востребованной в крупных компаниях благодаря накоплению данных, использование которых существенно повышает эффективность принятия решений на всех уровнях управления. Как перейти на российские системы BI, что нужно предусмотреть и какие новые технологии есть в этом направлении — в материале Антона Томилина, директора департамента аналитических систем R-Style Softlab.

Текущая ситуация на рынке и внедрения в крупных компаниях

Компании, которые продолжают использовать зарубежные BI‑системы, такие как Microsoft Power BI, Tableau, Qlik и Oracle BI, сталкиваются с отсутствием технической поддержки и возможными угрозами потери данных и кибербезопасности. Часть компаний вынуждены искать российские альтернативы, другая часть опасается недостаточной зрелости отечественных решений и возможных сложностей интеграции в существующие бизнес‑процессы. Однако на российском рынке уже достаточно вендоров, которые быстро «догоняют» зарубежные решения по функциональности и отвечают большинству запросов, связанных со стабильностью и надежностью.

Один из последних кейсов R‑Style Softlab — проект по внедрению BI‑аналитики в трейдинговой компании, работающей в сфере АПК. В рамках проекта стояли задачи автоматизации процессов мониторинга ключевых бизнес‑показателей и создания удобной системы отчётности. На момент старта клиент завершал внедрение системы 1С для централизованного учета и управления. При этом, несмотря на наличие новой системы, процесс формирования отчетов оставался трудоемким и требовал значительных временных затрат. В качестве BI‑системы было выбрано отечественное решение Visiology

Реализация проекта включала интеграцию с 1С, создание веб‑сервисов для получения данных из внешних источников, а также разработку дашбордов с графическими представлениями ключевых показателей бизнеса. Дашборды обеспечивают оперативный доступ к актуальной информации о фактических и плановых поставках, а также логистических процессах. В дальнейшем компания планирует расширять функциональность BI‑системы, включая внедрение голосового управления для доступа к дашбордам и создание кастомных виджетов для более детального анализа данных. В настоящее время проект продолжается.

Параллельно наша команда работала над пилотным проектом по миграции данных крупного агрохолдинга с Power BI на BI Visiology из‑за требований для компаний с государственным участием. В результате данного проекта заказчик протестировал функциональность BI Visiology v3.9 на собственных данных и сравнил возможности обеих систем. R‑Style Softlab работает также и с такими вендорами BI‑решений, как Luxms, Navigator, PIX BI и другими, предлагая клиентам пилотные тестирования и выбор решения, наиболее подходящего под потребности компании.

Важные аспекты внедрения BI‑решений

Основываясь на опыте внедрений для крупных заказчиков, мы сформулировали несколько ключевых особенностей, на которые нужно обратить внимание при подготовке к проекту по BI‑аналитике:

• Низкое качество управления данными

• Частичное отсутствие автоматизации ведения данных в источниках

• Постоянно меняющиеся требования

• Изменения в структуре данных

Низкое качество управления данными

Низкое качество данных в компании существенно затрудняет анализ и принятие решений. Часто одни и те же данные могут существовать в различных системах, а также дублироваться в таблицах Excel, что создает путаницу и возможность получения ошибочных выводов. В большинстве компаний ответственность за качество данных размыта, и если обнаруживается ошибка, это зачастую приводит лишь к внесению поправок в отчет, а не к исправлению первоисточника. Чтобы решить эту проблему, критически важно выделить ответственных лиц, которые будут следить за полнотой и качеством данных, обеспечивая более надежную и эффективную работу BI‑систем.

Частичное отсутствие автоматизации ведения данных в источниках

Многие компании продолжают использовать Excel для учета и сборки отчетности, в результате чего возникает высокая зависимость от ручного ввода данных. Это не только увеличивает риск ошибок, но и замедляет процесс обработки информации, что невозможно игнорировать в условиях роста операционных издержек и быстро меняющихся внешних условий рынка. Чтобы справиться с этой ситуацией, важным решением является проработка модели данных, что позволит значительно снизить объем ручного ввода и повысить точность и оперативность анализа. Автоматизация процессов ведения данных в источниках создает более структурированную и эффективную систему работы, что, в свою очередь, улучшает качество принимаемых решений.

Постоянно меняющиеся требования

В условиях динамичной бизнес‑среды требования к сбору и объему данных, а также к наполнению и расчету отчетных форм могут меняться довольно часто. Это создает дополнительные сложности на проекте. Для успешной работы необходима гибкость в подходах к аналитике и архитектуре данных. Готовность адаптироваться и решать нестандартные задачи позволит компаниям своевременно реагировать на изменения.

Изменения в структуре данных

Системы‑источники постоянно дорабатываются и модифицируются, что может привести к трудностям в интеграции новых данных. Кроме того, при смене BI‑системы могут возникнуть измененные требования к витринам данных, что дополнительно усложняет процесс анализа информации. Для решения этих вопросов необходимо выработать специальный архитектурный подход, учитывающий особенности систем, а также механизм мониторинга изменений в структурах данных и адаптации витрин, что позволит поддерживать актуальность и достоверность аналитической информации.

При выборе BI‑платформы необходимо учесть ряд критически важных аспектов, влияющих на ее эффективность и интеграцию с существующими системами. Прежде всего, следует рассмотреть, какие системы‑источники данных будут подключены к платформе, поскольку для разных источников могут потребоваться специализированные коннекторы или ETL‑инструменты, что потенциально увеличивает сложность интеграции. Другой важный вопрос — совместимость BI‑решения с операционными системами, такими как Windows или Astra Linux. Встроенное хранилище данных и его объем влияют на скорость обработки и анализа информации, также встроенное хранилище удобнее с точки зрения экономии времени и ресурсов на построение внешнего хранилища.

Больше, чем BI: технологии прогнозной аналитики, оптимизации процессов и автоматической работы с данными

Геоаналитика для сложных бизнес‑задач

Следующий шаг в применении технологий — решение сложных бизнес‑задач, например, по анализу влияния новых торговых объектов на соседние точки продаж или оценка зоны влияния торгового центра. Такого рода задачи решаются с помощью геоаналитики с применением искусственного интеллекта.

Для оценки привлекательности объекта анализируются такие параметры, как торговая площадь, количество сотрудников, средние цены на товарные группы. В зависимости от числа жителей локации, социодемографических характеристик, уровня дохода и интересов потенциальных покупателей прогнозируется уровень спроса и другие показатели, помогающие принять решение о запуске строительства объекта или открытии конкретного магазина.

Несколько проектов по решению данных задач с использованием российской аналитической платформы уже реализованы крупными заказчиками инвестиционной, строительной сферы, сферы энергетики.

Процессная аналитика и аналитика отдельных бизнес‑задач

Еще один подход при работе с данными внутри компании — Process Mining (процессная аналитика) и Task Mining (аналитика задач). Основная цель Process Mining — получить полное представление о бизнес‑процессах, выявить их узкие места, пробелы или несоответствия и оптимизировать их. Task Mining фокусируется на более узком звене — анализирует отдельные задачи и действия пользователей в задачах. В первом случае для анализа используются данные из логов информационных систем, таких как CRM, ERP, BPMS, ITMS и SCM. Во втором источниками данных являются элементарные действия пользователей — клики мышью, переходы между вкладками и другие.

Процессная аналитика широко применяется в банковской сфере, например, с помощью нее можно существенно повысить эффективность выдачи кредитов, определив, какие из этапов рассмотрения заявки можно ускорить. Российские платформы позволяют на основе собранных данных создавать визуальные модели процессов, отображающие, как фактически выполняются операции в компании.

Обработка неструктурированных данных

Интеллектуальная обработка и анализ текстовой информации (Text Mining) с использованием машинного обучения и алгоритмов находят широкое применение практически во всех стандартных бизнес‑процессах: закупки, работа с кадрами, правовая экспертиза, техподдержка и маркетинг и других. В общем виде Text Mining предоставляет возможности распознавания текста, выделения объектов, их классификации и категоризации, проверки на наличие определенных сведений. Данная технология позволяет эффективно управлять огромными объемами данных и создавать структурированные выходные данные из текстов любого вида.

Одним из примеров применения технологий Text Mining является интеллектуальный ETL‑процесс, направленный на анализ информации в ходе расследований. Используя разнообразные источники данных, включая текстовые файлы, таблицы и базы данных, система агрегирует информацию, выделяя объекты и их взаимосвязи и позволяя выполнять поисковые запросы на естественном языке. При обработке данных автоматически определяется, какие колонки содержат интересующие объекты и атрибуты, такие как ФИО, адреса и телефонные номера. Применительно к бизнес‑сфере тот же процесс нормализации и очистки данных обеспечивает соответствие корпоративным стандартам, что позволяет использовать информацию для задач управления персоналом, анализа технической документации, проверки требований и анализа рисков.