/, Блог, Ресурсы/Зачем вообще нужны системы бизнес-аналитики

Зачем вообще нужны системы бизнес-аналитики

Проблема со специализированным софтом для бизнес-аналитики в том, что он стоит как самолёт — и нужен только тогда, когда у вас под боком есть большая-пребольшая компания с соответствующим объёмом данных. В целом сейчас на рынке не так уж много спецов, кто такие системы щупал, имеет опыт работы с ними и может толком сказать, что это, зачем оно надо и что даст после внедрения.

Оглавление

| Аналитика бизнеса

Визуализация в бизнес-аналитике очень важна. Например, концепт этих графиков отрисован совместно с Infographer.

 

Проблема со специализированным софтом для бизнес-аналитики в том, что он стоит как самолёт — и нужен только тогда, когда у вас под боком есть большая-пребольшая компания с соответствующим объёмом данных. В целом сейчас на рынке не так уж много спецов, кто такие системы щупал, имеет опыт работы с ними и может толком сказать, что это, зачем оно надо и что даст после внедрения.

 

Первое и главное применение бизнес-аналитики — это тупо в лоб уметь строить произвольные отчёты, пока руководители подразделений или члены совета директоров совещаются. Один из моих любимых примеров — с какого завода поставлять водку в магазины: с далёкого (дорогая логистика и 2 недели в дороге), но дешёвого по себестоимости производства или же с ближайшего (1 день), но дорогого?

 

Понятно, что можно поковыряться и ответить через неделю. Но чаще нужно более быстрое моделирование и не сотни разрозненных отчётов, а единая среда, где финансовый специалист может просто взять и получить необходимые данные без привлечения всего IT-отдела. Есть и ещё специфические задачи, которые решают эти и смежные системы. Сейчас расскажу.

Ещё типовые задачи

Вообще, сразу: мы говорим не о конкретных решениях, а о том, что может получить предприятие от внедрения Business Intelligence и связанных систем. Понятно, что когда данные начинают собираться и анализироваться, логично использовать их много где. Первый главный вопрос — это сбор данных, второй — методология того, что с этими данными делать вообще. Давайте начнём разбираться.

  • Итак, первое — подготовка отчётности. Тут всё довольно просто: BI выступает единым репозиторием данных для всех подсистем и умеет объединять их, обрабатывать в зависимостях и выдавать результат. Отпадает и вопрос проверки: если вы сводили когда-нибудь отчёт крупной производственной компании (под месяц так работы), то знаете, что 20 дней из 30 — это проверка, всё ли было сделано правильно. Потому что цена ошибки — хорошо если пара миллионов, и хорошо если рублей.
  • Вторая задача — обработка данных и нарезание регулярных отчётов для всех подразделений компании. Из самого необычного — мы использовали BI-систему для того, чтобы получать данные переписей населения, тоссить их, дополнять, восстанавливать, строить гипотезы, проверять, обрабатывать и резать тысячи отчётов для всех краёв, городов и деревень.
  • Третья задача — ускорение обработки. Раньше отчёт делался раз в месяц, а теперь в реальном времени (это для многих областей бизнеса очень-очень критичная разница).
  • Тот же класс систем используется для очистки данных Big Data и, как следствие, для общего сокращения операционных затрат, увеличения выручки и повышения конкурентоспособности бизнеса. В целом это делается за счёт того, что вы начинаете принимать более правильные решения. Математически обоснованные, как выше с водкой. Из примеров этого же класса задач — розница в США любит дополнение клиентских профилей (например, за счет поведения на сайте компании и любимых товаров, а также информации из соцсетей), чтобы потом, например, предлагать детское питание беременным школьницам. Говорят, продажи растут по этим предложениям от 1 до 10%. Банки присматриваются к транзакционной аналитике в реальном времени: заплатил за билет в Европу — банк сразу предложил тебе страховку. В отделениях идёт речь о распознавании лиц камерами наблюдения, сопоставлении их с базой лиц и профилей в соцсетях и построении оптимальных предложений на основе расширенной информации. В одной крупной розничной сети как минимум в нескольких больших магазинах известных воров распознают на входе автоматически по лицам с помощью видеоаналитики.

Конечно, если задача разовая — пожалуйста, спец из IT-отдела, скрипт — и решено. Если задача частая, но несложная — макрос в XLS. А вот для крупных территориально распределённых компаний, где та же логистика определяет рентабельность всего бизнеса, может быть до миллионов переменных на старте. Соответственно, SAS, SAP, Oracle, RapidMiner, Prognoz, Tableau, Qlik, Microsoft, Huawei, EMC, JDA, IBM и другие имеют для этого разные решения.

 

В России часто используются решения на базе опенсорсных продуктов, «заточенные» интегратором под конкретную компанию. Есть и SaaS-модели (например, из нашего облака одна производственная компания потребляет такой сервис для планирования производства и распределения сырья по производственным площадкам).

Оценка эффективности компании

Естественно, метазадача BI и связанных решений — оценка эффективности компании. Эффективность компании оценивается по некой модели, которая определяется рядом целевых функций.

 

Грубо говоря, есть данные, а есть методология оценки этих данных. И модель взаимосвязей различных компонент друг с другом.

 

Фактические значения данных мы собираем с помощью классических систем Business Intelligence. Для многих на этом BI и заканчивается — часто бывает проблемой банально совместить поставки и производство, потому что делаются они в разных местах и системах.

 

Далее данные загоняются в модель работы предприятия. Классическая методология — та же ССП — была создана ещё в 87-м году, и с тех пор не особо сильно менялась. В смысле, апдейты и форки в ассортименте, но принцип везде похожий. Если коротко, то деятельность компании можно разложить на 4 составляющие: финансовая часть, клиентская часть, кадры и резервы (то есть персонал) и стратегия развития. Даже госпредприятия оцениваются так же, только вместо прибыли там попадание в заданный бюджет.

 

Прелесть — в детализации. Дело в том, что когда компанию смотрят аудиторы или когда что-то обсуждается на совете директоров, обычно оценивается максимум 20 сведённых показателей вроде чистой выручки, оборота и т. п. Именно эти показатели уходят акционерам в отчётах и именно по ним даются рекомендации. Чтобы оценивать не на ощущениях — а для себя каждый день показатели в виде цифр.

 

А BI позволяет взять отчёт и не просто получить строчку «итого», как это делается обычно, а посмотреть, из чего каждый показатель складывается. А дальше — прикрутить к модели самые разные вещи, которые пересчитываются чуть ли не в реальном времени.

 

Показатели каскадируются до людей — и включается система мотивации. Например, если акционеры решили, что через 3 года прибыли должно быть больше на 20%, то легко построить состояние А и состояние Б. И модель перехода за 3 года из состояния А в вожделенное Б. В конце года (квартала, дня) можно посмотреть операционные показатели и понять, туда копаете или нет. Модель показателей может декомпозировать весь процесс перехода и будет стратегическая карта, как меняться. У каждого руководителя в плане будет стоять, что сделать.

 

Ещё раз: есть стратегия, в которой на макроуровне оговорено, что сделать. А есть автоматизация операционной деятельности — и мы можем работать с ней тоже.

Если линия Ганна направлена вверх, то имеем растущую тенденцию. Если цена располагается ниже линии Ганна, это означает, что рынок нисходящий, и нужно размещать позиции на продажу. И наоборот. В местах, где цена пробивает линию Ганна, можно ожидать смену рыночного тренда.

Зарисовки из жизни

Простой пример: в регионах отчёт собирается руками и отправляется в виде экспорта 1С. Разобраться, что там — настоящий тёмный лес, можно только сказать, хорошо или плохо. А что хорошо и что плохо — надо ехать и копать. Теперь мы даём инструмент для руководителя, чтобы там была вся операционная карта. Он сразу видит по отчётам, где хорошо и где плохо — и где требуется его вмешательство, смотрит весь учётный уровень до самого низа, если пожелает.

 

Вот ещё пример. Для компании есть показатели, которые спускает материнская западная компания, — это стратегия и операционные показатели. Есть системы мотивации руководителей, которые позволяют премировать тех, кто копает в нужном направлении. В прошлом году они решили спустить это до уровня каждого сотрудника — понадобилось мощное ИТ-решение. Плюс сделать связку между данными производственного цеха и сервисного — например, если произвели мало, в этом году обслуживается мало, и это не косяк сервиса, а реакция на реализованный объём производства. Мы готовили методологию проекта на стеке продуктов. Интеграция — визуализация — и приписка к расчёту зарплаты.

В рознице такие решения часто в конце концов выливаются в детализацию до сотрудников. Например, в аптеке над кассой с внутренней стороны может гореть «Сегодня надо продать ещё %N витаминов», и кассирша будет их всем радостно предлагать. Мол, витаминчики не забыли?

 

На глобальном уровне та же компания, которая возит к нам в Россию бананы, использует в своей Business Intelligence данные о прогнозе погоды на год. Серьёзно, на один год вперёд они пытаются предсказать, что будет с погодой. Им надо не по дням, а кластерно — и в результате они почти точно знают, сколько будут стоить бананы в следующем году в России.

 

В ещё одной компании используется система оценки кадров по ряду формализуемых показателей. Например, насколько уже «старше» человек среднего срока работы на этой должности, сливал ли данные налево, как шёл по проектам… В итоге две главные метрики — это «есть будущее» или «нет будущего». А вторая — отдельная — это угроза постам вроде вице-президента. А сотрудники быстро раскусили, что HR начинают самых «работящих» отправлять в Европу учить английский. Сами кадровики видят по каждому сотруднику прогноз его ухода. Вопрос, конечно, выбора правильной модели и сбора данных (те же системы пропусков позволяют получать информацию об опозданиях). Но в целом базы для всех этих монструозных комплексов давно заложены в ИТ. Нужно просто научиться ими пользоваться.

 

Важно отметить, что в России не всегда отличают процесс и человека. У нас любят искать с помощью BI виноватого. На Западе же сначала проверяют, правильный ли процесс. И если процесс правильный — уже тогда начинают думать о том, что кое-кто косякнул. Меняют процесс, а не человека. Это межкультурная разница вылилась, например, в то, что в одной компании босс внедрил BI только потому, что ему было тяжело увольнять людей (а они упирались по ТК только в путь). Сделали систему оценки показателей, которая сама в конце месяца распечатывала приказы на увольнение самым неэффективным. И правильно оформили всё это юридически.

Более конкретные примеры задач

Рассмотрим простой пример — поставщик объявил о повышении цен на всю продукцию на 10% начиная с 2015 года:

| Аналитика бизнеса

В качестве результата моделирования был получен оптимальный план закупок до конца 2014 года по каждой товарной позиции, обеспечивающий максимальную экономию с учётом будущего повышения цен и минимальные затраты на хранение и иммобилизацию активов в запасах.

 

Если бы ваш финансовый директор захотел получить what-if анализ (например, что случится, если нужно будет переключаться на другого поставщика — с известными параметрами), в теории это также можно сделать в BI или системе оптимизации логистики.

Второй случай — представим самую простейшую ситуацию. У компании есть распределительный центр (РЦ) и склад магазина, куда из РЦ нужно доставить товары. Товаров для простоты всего два — цемент и штукатурка. Известен недельный спрос магазина и объём мощностей, которые имеются в нашем распоряжении, — это фуры грузоподъёмностью 20 тонн. Все остальные справочные данные приведены на схеме ниже.

| Аналитика бизнеса
| Аналитика бизнеса

Перед нами стоит задача определения количества транспортных средств и их загрузки с целью максимизации прибыли (на самом деле критериев для оптимизации может быть множество — это и сокращение затрат, и минимизация времени доставки, и другие).

Выбранный нами критерий оптимизации формализуется в виде целевой функции:

| Аналитика бизнеса

Другими словами, мы хотим подобрать такие объёмы поставки и (количество упаковок каждого товара), чтобы получить максимальную прибыль от реализации товара.

 

Здесь — суммарная стоимость перевозки груза (в нашем примере фиксированная), но, вообще говоря, это необязательно. Нам также необходимо соблюсти ряд ограничений. Например, суммарный вес перевозимого фурой товара не должен превышать её грузоподъёмности. Суммарный объём поставки по каждому товару не должен превышать его спроса на этот товар (по условиям нашей задачи, в жизни это не всегда так). Есть и несколько моментов, понятных любому специалисту, но абсолютно безразличных компьютеру. Например, важно задать, чтобы объёмы поставок каждого товара были неотрицательными. Разумеется, количество упаковок товара должно быть целым числом. Дальше составляется и решается финальная система. Это классическое матпрограммирование, которое хорошо делать с помощью Matlab или дедушки Вольфрама.

 

Из наших исходных данных, мы выяснили, что вторая фура перевозит 18 000 кг товара, и доставка принесет 11 400 рублей чистой прибыли. Но при этом можно запустить what-if анализ и с удивлением узнать, что если в фуру в какой-то момент нечеловеческим усилием пихать 19 680 кг, ожидаемая прибыль составляет 13 300 рублей (на 1 900 рублей больше с учётом дисконта на профицитный товар). А это уже повод задуматься про используемый компанией автопарк.

Внедрения ССП (KPI и т. п.)

В банках, как правило, модель управления хорошо каскадируется с верхнего уровня. Там всё линейно, собирается много данных, и поэтому внедрение ССП даёт уменьшение бардака в филиалах. Легко масштабируется. Опыт есть, и методологию обычно приносит банк. Мы выполняем чисто технические и интеграционные работы.

 

В госсекторе вопрос сейчас в зачаточном состоянии, как и по многим другим областям автоматизации. Но структуры доросли до оценки персонала. Например, 2 с половиной года назад были спущены наборы метрик для всех подведомственных организаций. И сейчас эта тема актуальна. Ещё одна область — рейтингование вузов, там около 40 показателей эффективности. Здесь поступили просто: собрали данные по учебным заведениям, посчитали, а потом просто снесли неэффективные.

 

Подобные системы ССП у сотовых операторов и ретейла, у крупнейших производственных компаний. Нефтяники любят это, у них вся зарплата так считается.

 

Чтобы было понятно, как это работает с автоматизацией, а не как раньше, есть простой пример — раньше до 6 месяцев уходило на согласование целей для руководителей магазинов одной сети. На 17 уровнях. Сейчас — всего 1 месяц.

 

В другой компании 1 000 топов оценивали по множеству показателей. Получался отчёт на 17 страниц, с которым шли на ковёр, сколько каждый заработал. А руководитель решал: реально заработал или вычеркнуть. Всё решалось коврами: финансы приходили из систем учёта, переносились на бумагу, и так же — на коврах — давались плановые значения для показателей.

 

Ещё одно наше решение работает на прогнозах пассажиропотока и от этого выстраивает ровно то количество кассиров, которое нужно в смену, чтобы не простаивали, но и не работали на износ. Кстати, там ещё одна интересная штука — оценка очереди в кассу по видеоаналитике.

В целом на рынке

Несмотря на кризис и период перед ним, российский рынок систем бизнес-аналитики последние годы растёт (например, наше направление бизнес-аналитики КРОК по итогам 2014 года выросло почти в 1,5 раза, если считать в рублях). Объясняется это очень просто: нужно определять пути оптимизации бизнес-процессов, сокращения затрат, выявления новых стратегий развития бизнеса. Когда компания большая, цена внедрения решения заведомо меньше тех 8–13% эффективности, которые (исходя из мировой практики) можно выиграть.

 

В среднем бизнесе среди BI-решений пока актуальны больше те, что служат для формирования отчётности, нежели прогнозов. Хотя опенсорс постепенно проникает во все сектора бизнеса, и круг решаемых задач расширяется.

Почитать еще

| Аналитика бизнеса

Визуальные коммуникации

Большое количество исследований— это еще и большое количество отчетов и презентаций. При разработке исследований мы

Несколько видео о наших продуктах

| Аналитика бизнеса
Проиграть видео
Презентация аналитической платформы Tibco Spotfire
| Аналитика бизнеса
Проиграть видео
Отличительные особенности Tibco Spotfire 10X
| Аналитика бизнеса
Проиграть видео
Как аналитика данных помогает менеджерам компании
2021-02-04T18:44:10+02:00