Текст книги "Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики"

Одна из самых распространенных ошибок, которую я видел в организациях, пытающихся внедрить большие данные в свои аналитические процессы, состоит в подходе к большим данным как совершенно отдельной и самостоятельной проблеме. Многие компании даже создают специальные подразделения, занимающиеся только большими данными{19}19
  На основе статьи в моем блоге для Международного института аналитики от 9 августа 2012 г., озаглавленной «Стратегическая ошибка касательно больших данных» (“A Strategic Mistake with Big Data”). См. http://iianalytics.com/2012/08/a‐strategic‐mistake‐with‐big‐data/. Эта тема также рассматривается в моей книге «Укрощение больших данных».


[Закрыть]. А некоторые доходят вплоть до того, что открывают в Кремниевой долине офисы, призванные заниматься реализацией проектов в области больших данных. Однако такой подход может встретиться с трудностями, поскольку большие данные всего лишь один из аспектов общей корпоративной стратегии управления данными и аналитикой. Необходима единая согласованная стратегия, охватывающая все данные, большие и малые, как это проиллюстрировано на рис. 2.5 и 2.6.

Давайте рассмотрим историческую параллель, которая наглядно показывает, почему отсутствие единой стратегии управления данными и аналитикой может привести к проблемам. Когда электронная коммерция уже достигла зрелости, многие ретейлеры все еще рассматривали ее не в качестве аспекта своих стратегий розничного бизнеса, а как совершенно новое направление деятельности. В результате многие из них создавали специальные подразделения электронной коммерции, иногда даже придавая им статус отдельных юридических лиц. Эти отдельные организации создавали собственные цепочки поставок, иерархии продуктов, политику ценообразования и т. д.

Теперь перенесемся в сегодняшний день. Те же самые ретейлеры сейчас желают, чтобы их бизнес воспринимали как единое целое, включая традиционные стационарные магазины и электронную коммерцию. Более того, они хотят обеспечить потребителям плавное переключение между различными каналами торговли. Однако, для того чтобы объединить в некоторых случаях совершенно несовместимые системы, ретейлерам требуются миллионы долларов инвестиций и годы работы.

Разработайте общую стратегию в области данных и аналитики

Вы должны рассматривать большие данные как один из аспектов общей стратегии управления данными и аналитикой. В противном случае вы столкнетесь с теми же проблемами, с которыми сегодня сталкиваются ретейлеры, изначально не включившие электронную коммерцию в свои стратегии розничной торговли.

10–15 лет тому назад ретейлеры справедливо признали, что электронная коммерция имеет свою специфику. Но им также нужно было бы признать, что ее следовало вписать в их общую стратегию розничной торговли. Если бы они развивали электронную коммерцию в интеграции с основным бизнесом, то это немного растянуло бы процесс поначалу, зато в долгосрочной перспективе сэкономило бы много денег и времени.

Убедитесь, что ваша организация не совершает ту же ошибку в отношении больших данных. Потратьте время на то, чтобы продумать, как большие данные могут быть интегрированы в вашу общую стратегию управления данными и аналитикой. Это важный момент, поскольку ни один источник данных сам по себе не способен обеспечить оптимальные результаты. Сочетание различных источников данных – единственный способ извлечь из них максимальную ценность. Например, для того чтобы составить представление о потребителе, нужно совместить данные о продажах и поисковых запросах в веб-браузере, демографические данные и другие.

Если же организация внедрит отдельные системы и процессы для больших данных, не подумав о необходимости интеграции, ей будет гораздо труднее добиться в итоге искомой оптимизации. Компании должны стремиться создать единое аналитическое окружение, которое позволяет его пользователям осуществлять любой тип анализа с использованием любого типа и объема данных в любой момент времени. Далее в книге мы подробнее рассмотрим, как создать такое окружение. Читателям, желающим больше узнать о том, как получить максимальную отдачу от использования больших данных в маркетинге, я рекомендую прочитать книгу моей коллеги Лайзы Артур «Маркетинг на основе больших данных: как эффективнее привлечь потребителей и извлечь ценности» (Big Data Marketing: Engage Your Customers More Effectively and Drive Value){20}20
  Lisa Arthur, Big Data Marketing: Engage Your Customers More Effectively and Drive Value (Hoboken, NJ: John Wiley & Sons, 2013).


[Закрыть].

Одна из шумно разрекламированных концепций касательно больших данных связана с якобы новым миром, создаваемым набором нереляционных инструментов, которые не опираются на реляционные базы данных и не используют SQL в качестве первичного интерфейса. Аббревиатура SQL расшифровывается как «язык структурированных запросов», и на протяжении многих лет его называли «языком бизнеса». Нереляционнные наборы инструментов не используют SQL эксклюзивно либо вообще его не используют. Приверженцы нереляционного подхода считают, что возникла потребность в дополнительных языках, поскольку SQL во многих компаниях был практически единственным языком бизнеса. В конце концов почему бизнес не может быть многоязычным? Он и должен быть таковым. Более того, он должен был быть таковым с самого начала.

Давайте сразу же разоблачим роковое заблуждение. Дело в том, что нереляционная аналитика – далеко не новая концепция. Когда я начинал свою карьеру аналитика, реляционных баз данных в мире бизнеса еще не существовало. Как и не существовало SQL. Поэтому всю аналитику мы выполняли с помощью нереляционных методов. Например, я обычно использовал инструменты из SAS (системы статистического анализа). Для специалистов вроде меня язык SQL действительно был новинкой. Со временем мы поняли, что SQL лучше подходит для определенных видов задач и обработки. Но всегда встречались и такие виды обработки, которые профессиональные аналитики по-прежнему осуществляли вне окружения SQL.

Сегодня же, с появлением больших данных, организации вновь открыли для себя ценность обработки вне контекста SQL в тех случаях, когда это имеет смысл. Оказалось, что источники больших данных гораздо чаще, чем источники традиционных данных, оправдывают использование нереляционных технологий. Однако многие компании зашли слишком далеко и постарались втиснуть всю обработку в парадигму SQL. Это было ошибкой; организациям действительно необходимо включать в свой набор различные подходы. Просто вы должны знать, что нереляционные технологии были доступны всегда. И дело не в том, что в течение 2010-х гг. не существовало никакой необходимости в нереляционной обработке. Скорее компании слишком сильно сконцентрировались на SQL. Можно ожидать, что в будущем SQL останется доминирующим подходом для анализа данных, а нереляционная аналитика станет применяться в специфических целях.

Огромный сдвиг во взглядах на большие данные

После того как на протяжении нескольких лет предсказывалась скорая смерть SQL, сегодня нереляционные платформы стремятся дополниться интерфейсами SQL. В этом нашли отражение не только огромный сдвиг во взглядах, но и реальные потребности бизнеса.

Организациям следует внедрять набор нереляционных инструментов когда это уместно, но ни в коем случае нельзя предполагать, что при этом отпадет необходимость в использовании наряду с ними и SQL. Ведь так легко впасть в противоположную крайность, и многие организации сегодня подвергаются риску поступить именно так. Но, хотя в течение нескольких лет многие эксперты провозглашали смерть SQL, вследствие массовой перемены мнений сейчас возникло сильное движение за внедрение функциональности в стиле SQL в широкий спектр нереляционных платформ, таких как Hadoop. В очередной раз мы возвращается назад в будущее. Подробнее об этом тренде и о том, как правильно выбрать тип обработки, мы поговорим в пятой и шестой главах.

Многие люди жалуются мне на то, что большие данные их подавляют. Существует так много новых источников данных и так много новых возможностей применения этих данных, что организации попросту не знают, как с ними справиться и с чего начать. Прежде чем отчаиваться, подумайте о том, что большие данные следуют той же кривой зрелости, что и любой новый источник данных{21}21
  На основе статьи в моем блоге для Международного института аналитики от 11 июля 2013 г., озаглавленной «Аналитика больших данных не должна быть Диким Западом» (“Big Data Analytics Doesn’t Have to Be the Wild West”). См. http://iianalytics.com/2013/07/big‐data‐analytics‐doesnt‐have‐to‐be‐the‐wild‐west/


[Закрыть]. Такова жизнь, что, когда появляется новый источник данных, он всегда представляет собой вызов. Люди не знают в точности, как наилучшим образом использовать эти новые данные, какие метрики создать на их основе, какие проблемы с качеством данных могут возникнуть, и т. д. Однако с течением времени работа с этим источником нормализуется.

Много лет назад, когда я со своей командой впервые занялся анализом данных с точек продаж (point‐of‐sale, POS), мы тоже не знали, как лучше их использовать в целях анализа покупательского поведения и улучшения результатов в бизнесе. О том, чтобы применить к POS-данным операционную аналитику, мы тогда и помыслить не могли. У нас было множество теорий и идей, но ни одна из них на тот момент не была проверена на практике. Разумеется, мы не располагали никакими стандартизированными подходами к вводу, подготовке и анализу этих данных. Со временем в процессе регулярного анализа POS-данных все эти аспекты были стандартизированы. Сегодня использование POS-данных считается простым делом и применяется для решения широкого круга задач.

Не отчаивайтесь

Новые источники данных всегда пугают, когда мы впервые начинаем их анализировать. Но со временем наше понимание их крепнет, и нам становится удобно с ними работать. Такой же процесс вызревания произойдет и с большими данными. Ситуация с ними кажется более пугающей, чем обычно, только лишь потому, что нам приходится одновременно иметь дело со множеством новых источников.

Организациям предстоит пройти одним и тем же путем познания каждого нового источника данных (см. рис. 2.7). Принципиальное отличие сегодняшней ситуации состоит в том, что в прошлом организация получала доступ к действительно новому и уникальному источнику данных раз в несколько лет, тогда как в эпоху больших данных она может получить доступ сразу ко множеству таких источников.

Сегодня перед профессиональными аналитиками может стоять задача одновременно наладить анализ в таких областях, как взаимодействие в социальных сетях, взаимодействие по обслуживанию клиентов, веб-поведение клиентов, сенсорные данные и т. д. Иногда требуется использовать все эти данные в одном аналитическом процессе. В таком случае множественные новые источники, следующие кривой зрелости, применяются все вместе. Сделать это гораздо сложнее, чем в случае с одним лишь новым источником. Ситуация усугубляется тем, что необходимо представлять себе не только как обращаться с каждым источником данных, но и как соединить их вместе (мы обсуждали это выше),

Помните, что работа с новыми данными всегда сложна и всегда поначалу пугает. На этом пути вам всегда придется преодолевать ухабы, но неизбежно со временем процесс ввода и анализа данных будет в основном стандартизирован – и станет для вас простым делом. Затем вы сможете перейти к следующему новому источнику данных. Именно так произойдет и уже происходит с большими данными сегодня.

Наконец в этой главе мы рассмотрим, насколько велика зрелость больших данных и устойчивы взгляды на них в различных точках земного шара{22}22
  На основе статьи в моем блоге для Международного института аналитики от 11 июля 2013 г., озаглавленной «Глобальная природа больших данных и аналитики» (“The Global Nature of Big Data and Analytics”). См. http://iianalytics.com/2013/02/the‐global‐nature‐of‐big‐data‐and‐analytics/


[Закрыть]. Ведь одни организации находятся впереди, а другие отстают в циклах внедрения и развития больших данных. Тем не менее, объехав несколько континентов и пообщавшись со множеством банков, страховых компаний, ретейлеров, государственных учреждений и т. д., я обнаружил, что все они сталкиваются фактически с одними и теми же проблемами. Несмотря на особенности местных рынков, определяемые законами и обычаями, фундаментальные проблемы бизнеса отличаются постоянством. Кроме того, люди в большинстве своем считают, что в других отраслях и в других частях света ситуация куда лучше, чем в их организации, хотя зачастую это совсем не так.

Математика, статистика, аналитика и данные не пользуются особым языком и не принадлежат особой культуре. Они универсальны по своей природе. График тренда в Китае выглядит точно так же, как график тренда в Испании, и основан на одинаковой информации. Средние значения вычисляются в Индии точно так же, как и в Германии. Запись транзакции в Японии содержит точно такую же информацию, как и запись транзакции в Бразилии. Утверждение о том, что большие данные представляют собой уникальную проблему для какой-либо отрасли или страны, является ошибочным за очень редкими исключениями.

Ваша организация может отставать не на столько, на сколько вы считаете

Организации по всему миру сталкиваются с очень похожими проблемами в области больших данных. Однако организации часто считают, что в своей отрасли они попали в число отстающих, и точно так же считают организации в той же отрасли, но в другом регионе мира. Несмотря на то что каждый считает себя отстающим, во многих случаях реальное отставание гораздо меньше, чем предполагается.

Подумайте над тем, чтобы наладить сотрудничество с другими похожими организациями где угодно в мире. Благодаря социальным сетям сегодня это сделать легко. Вполне может оказаться, что другая организация сталкиваются со сходными проблемами. Разумеется, нет смысла пытаться наладить конструктивный диалог со своим прямым конкурентом. Но вы можете найти организацию на другом конце земного шара, которая не представляет для вас конкурентной угрозы. Обмен информацией и усвоенными уроками будет выгодным для обеих сторон.

С какими бы трудностями ни сталкивалась ваша организация при внедрении больших данных, вы можете быть уверены в том, что многие другие организации проходят через то же самое. Со временем для всех этих проблем будут найдены решения, которые станут общеизвестными и общедоступными. Включение больших данных в операционную аналитику превратится в намного более легкую и стандартную процедуру. Организации необязательно стремиться во что бы то ни стало стать первопроходцем, но ей не следует и дожидаться полного решения проблем. Догоняющее развитие не приведет к выигрышу.

Наиболее важные положения этой главы:

• Не беспокойтесь насчет определения больших данных. Гораздо важнее определить, какие именно данные, будь то большие или малые, необходимы вам для аналитики. Важно не определение, а результаты!

• Всегда начинайте с конкретных бизнес-проблем. Не внедряйте технологии больших данных только лишь для того, чтобы заявить об этом.

• Несмотря на чрезмерную шумиху и нереалистичные краткосрочные ожидания, большие данные останутся с нами. Точно так же как пузырь доткомов не означал, что у Интернета не было огромного потенциала, так и пузырь больших данных не означает отсутствия огромного потенциала у больших данных.

• Что делает большие данные настолько захватывающими, так это новая информация, которая в них содержится. Новая информация почти всегда побеждает новые алгоритмы.

• Не используйте большие данные только для улучшения существующих аналитических процессов. Ищите способы, при помощи которых большие данные позволят решить старые проблемы с новой точки зрения или решить совершенно новые проблемы.

• В ближайшие годы будьте готовы к стремительному росту ажиотажа вокруг Интернета вещей, а также к пересмотру своей политики по отношению к сохранению данных, чтобы справляться с грядущими потоками малоценных данных.

• Разнообразие больших данных, по сравнению с традиционными, гораздо проблематичнее, чем их «огромность».

• Большие данные требуют масштабирования не только при обработке и хранении, но и в параметрах касательно пользователей, параллелизма, управления рабочей нагрузкой и безопасности.

• Большие данные должны стать компонентом общей стратегии управления данными и аналитикой. Большие данные не могут эффективно работать сами по себе.

• После нескольких лет предсказаний о скорой смерти SQL сегодня нереляционные платформы стремятся дополниться интерфейсами SQL. В этом находят отражение не только огромный сдвиг во взглядах, но и реальные потребности бизнеса.

• Хотя сегодня большие данные могут казаться подавляющими, они следуют той же кривой зрелости, что и другие источники данных. Большие данные довлеют над нами сильнее ввиду количества новых источников данных, которые все разом стали нам доступны.

• Большинство организаций во всех отраслях и странах мира считает, что они далеко отстали в области больших данных. На самом же деле немногие организации вырвались далеко вперед, соответственно и немногие далеко отстали.

Глава 3
Операционная аналитика в действии

В этой главе мы обратим внимание на различные примеры операционной аналитики в действии. Они ясно показывают, что в будущем организации сосредоточатся не просто на увеличении старой традиционной аналитики, а на применении новыми способами разных типов аналитики. Аналитика, которой организации занимались годами, сейчас становится необходимым, но недостаточным условием работы во все большем числе отраслей и контекстов. Для того чтобы добиться успеха в будущем, организациям придется выйти за пределы традиционной пакетной аналитики. Иными словами, сделать последнюю операционной.

Одним из главных изменений, которые операционная аналитика позволяет осуществить организации, является возможность резко активизировать свои действия. В некоторых случаях аналитика может быть очень простой, в других – весьма изощренной. Описанные в этой главе примеры охватывают весь диапазон случаев, однако во всех них красной нитью проходит свидетельство о том, что операционная аналитика позволяет организации действовать на упреждение, а не реагировать на уже возникшие обстоятельства. Тем самым она позволяет избежать проблем, а там, где сделать это невозможно, операционная аналитика позволяет решать возникающие проблемы оперативно и в автоматическом режиме.

Итак, давайте рассмотрим ряд примеров, иллюстрирующих как очень простые, так и весьма необычные случаи применения операционной аналитики. Примеры изложены в произвольном порядке, без учета затронутой области и уровня сложности анализа. Читатели обратят внимание на то, что многие из них связаны с использованием датчиков, т. е. имеют отношение к теме Интернета вещей, о которой мы говорили во второй главе и которой посвящена значительная часть операционной аналитики.

Одна из областей, где потребители заметят наибольшие изменения в связи с внедрением операционной аналитики, – это их повседневные взаимодействия с организациями. На протяжении многих лет организации стремились всё более персонализировать свои продукты, услуги и маркетинг. Операционная аналитика позволит далее развивать кастомизацию и персонализацию. Следующие примеры дают представление о ее потенциале.

Давайте обратимся к компании Walt Disney Company. В течение многих лет она осуществляет весьма сложный анализ поведения посетителей своих парков развлечений – стремится понять их предпочтения и шаблоны с целью улучшения обслуживания. В том числе Disney вкладывает много ресурсов в изучение передвижения посетителей по паркам и в изучение воздействия этого потока на своих гостей.

В прошлом, опираясь на имеющиеся данные, Disney была вынуждена рассматривать толпу как единичный объект. Другими словами, толпа изучалась как отдельный объект большого размера, находящийся в постоянном движении. Например, утром эта масса людей могла сосредоточиться на одной стороне парка, а в течение дня постепенно перемещаться на другую сторону. Однако введение технологии MagicBand («Волшебный ремешок») позволило компании произвести революцию в своем подходе к управлению потоком посетителей и их восприятием{23}23
  См.: “Unlock the Magic with Your MagicBand or Card” на https://disneyworld.disney.go.com/plan/my-disney-experience/bands-cards/


[Закрыть]. Данные с MagicBand могут быть использованы как для традиционной, так и для операционной аналитики с целью улучшения обслуживания.

MagicBand – это браслеты со встроенным радиочастотным микрочипом. Disney использует эту технологию, чтобы изменить восприятие посетителей. Начать с того, что посетителям больше не нужно носить с собой билет и кредитную карту. MagicBand – это и есть билет, который дает гостям возможность делать покупки в любом из магазинов и ресторанов парка, а также приобретать билеты Fast Pass («Быстрый проход») для аттракционов. Fast Pass позволяют гостям посещать аттракционы в указанное время без длительного ожидания в очереди.

MagicBand не только облегчают передвижение по парку, но и позволяют компании изучать трафик посетителей на гораздо более детализированном уровне. Вместо того чтобы рассматривать толпу как единый объект, Disney может рассматривать гостей как индивидов, демонстрирующих уникальное поведение. Это дает возможность выделить различные пути людей по парку. Некоторые предпочитают прокатиться на одном-двух аттракционах, после чего сделать перерыв, перекусить, отдохнуть и только потом отправиться на следующий аттракцион. Другие посещают один аттракцион за другим без перерывов. Компания может использовать эту информацию, чтобы управлять шаблонами трафика, добиваясь более равномерного распределения посетителей по парку.

Например, посетителей могут предупреждать о том, что в той или иной части парка наблюдается меньшее скопление народа, чем там, где они находятся сейчас. Или же, если очереди удлиняются, гостей могут поощрить к продлению перерыва, предложив им закуски со скидкой. Разумеется, анализ перемещения толпы может выходить за рамки операционной аналитики, но это уже другая тема.

Благодаря информации, поставляемой MagicBand, Disney также смогла изменить взаимодействие со своими гостями до и во время посещения парка. Давая возможность получать Fast Pass, используя браслет, компания позволяет посетителям тратить меньше времени на стояние в очереди. Тем самым она соблазняет их провести больше времени в магазинах и ресторанах, чтобы они потратили там больше денег. Таким образом, анализируя перемещение гостей по парку и управляя им, Disney способна не только значительно улучшить их восприятие, но и заработать дополнительную прибыль. Люди могут даже не замечать влияния этих технологий, а просто порадуются тому, что им не приходится стоять лишний час в очереди, – и могут потратить этот час на перекус и приобретение очередного сувенира. Все довольны.

Чем больше аналитики, тем лучше восприятие

По мере того как организация собирает все больше информации о наших с ней взаимодействиях, она способна лучше подстроиться к нам. Благодаря запуску процессов операционной аналитики, которые в текущем режиме учитывают все наши последние действия, организация может как персонализировать, так и улучшить восприятие ее нами.

Когда посетители желают воспользоваться функциями MagicBand, например на подходе к кассе или анимированному персонажу, сотрудники парка узнают, кто перед ними. Это легко сделать благодаря устройствам, которые считывают с браслетов уникальные идентификаторы. В нижеприведенном примере косвенно затрагивается неприкосновенность личной жизни, о чем мы подробнее поговорим в шестой главе, а сейчас сосредоточимся на том, как MagicBand может воздействовать на посетителей.

Представьте себе маленького ребенка, который впервые посещает Диснейленд. Одно из самых потрясающих впечатлений для него возникнет, когда к нему подойдет принцесса или Микки Маус и заговорит с ним. Благодаря новым браслетам, при приближении к ребенку Микки Мауса его помощник с помощью планшета считает идентификатор с браслета ребенка и получит на экране примерно следующую информацию: «Это Джон Смит. Он из Атланты, штат Джорджия. Здесь он празднует свой девятый день рождения. Он очень любит конфеты “Мишка Гамми”». Скрытый анализ позволит определить, какие специальные предложения можно сделать, исходя из информации, известной о ребенке и его семье. Эти детали помощник может прошептать на ухо Микки.

Теперь представьте, насколько будет потрясен ребенок, если к нему подойдет Микки и вместо простого «Привет, как дела?» произнесет: «Привет, Джон! Как здорово видеть тебя здесь! Тебе пришлось проделать длинный путь из Атланты, и я очень рад, что ты решил отпраздновать свой день рождения с нами! Если ты сейчас зайдешь вон в ту кондитерскую, то сможешь выбрать там себе подарок – пакетик “Мишки Гамми”. Просто скажи, что это я послал тебя к ним, и ты получишь свои сладости да еще с улыбкой впридачу!» Если теперь семья пойдет в кондитерскую, то кассир увидит на своем терминале предложение бесплатно выдать пакетик сладостей и быстро выполнит операцию. Такая персонализация совершенно изменит восприятие парка ребенком и его семьей.

В этом случае не требуется очень сложная аналитика. Тем не менее аналитический процесс должен определить, кто и какие предложения должен получить, а также гарантировать, что другие многочисленные персонажи в тот же день не сделают аналогичное предложение и что семья не попытается получить бесплатный пакетик еще раз. Обновление информации о гостях должно происходить очень быстро. Такая простая аналитика, опирающаяся на детализированные и быстро обновляемые данные, способна сильно повлиять на восприятие посетителей.