Эксперты напрямую связывают цифровую трансформацию предприятий с освоением Больших Данных, и прежде всего с технологиями их анализа. Считается, что уровень цифровизации бизнеса тем выше, чем сложнее аналитические алгоритмы, используемые организацией, и чем больше полезных знаний улавливают тонкие корпоративные фильтры из источников данных.
Ведущие мировые консультанты, такие как Gartner и Forrester, утверждают: наступает время прогнозной аналитики. Она позволит компаниям на основе глубокой статистической обработки и продвинутых инструментов моделирования максимально утилизировать сырые данные, обнаруживая в них скрытые закономерности бизнес-процессов. В Gartner, например, считают, что предприятия, применяющие прогнозную аналитику к Большим Данным, по темпам роста бизнеса обгонят своих конкурентов на 20%, поскольку смогут лучше понимать своих клиентов, персонализировать свои предложения для них, а значит, повысят продажи, одновременно снизив затраты на маркетинг и дистрибуцию.
Заманчиво. Так, может, ИТ-директорам поспешить к руководству с запросом об инвестициях в системы прогнозной аналитики? Эксперты предупреждают: у этой перспективной идеи есть свои ограничения.
Во-первых, инструменты прогнозной аналитики могут оказаться совершенно бесплодными. Действительно, простые методы анализа, например приоритизация или скоринг, предусматривают обязательное получение некоего результата от предпринятых действий с выбранными данными. Однако в случае прогнозной аналитики результата может не быть вообще. Например, компания на основе сложных алгоритмов смоделировала, как будут развиваться продажи после расширения ассортимента в выбранном клиентском сегменте, и аналитическая система предсказала рост. На деле же продажи остались прежними – ни роста, ни падения зафиксировано не было; прогноз трактовать невозможно. Обычно так происходит, если в организации изначально не определены факторы, которые действительно оказывают влияние на конечный результат. Выявить эти факторы, установить четкие критерии и цели прогнозирования, сформировать достоверные гипотезы применительно к конкретному бизнес-кейсу – это большая сложная работа. И лучше проделать ее до того, как будут потрачены средства на мощные аналитические инструменты и их интеграцию в системы бизнес-аналитики или Больших Данных.
Во-вторых, нужно учитывать проблему чистоты данных. Исследования IDC показали, что для потенциальных инноваций пригодны лишь 23% данных в организациях и на предприятиях. Остальное, по сути, представляет собой мусор, или, скорее, пустую руду. А все алгоритмы предсказаний очень чувствительны к чистоте данных, и если вы начнете анализировать мусор, то на выходе мусор и получите. Поэтому, прежде чем инвестировать в средства прогнозной аналитики, данные следует подвергнуть очистке. При этом нужно учитывать, что на основе данных принимаются вероятностные решения. Следовательно, и данным достаточно быть не абсолютно, а статистически достоверными. Вопрос – в оценке допустимой погрешности и в том, что погрешности накапливаются. На очистку может уйти не один месяц, также потребуются средства на оплату этих работ. Притом затраты должны быть обоснованы: стоимость очистки данных до нужной степени должна быть меньше прибавки ценности решения, принимаемого на основе данных особой очистки.
![]() |
Алексей Есауленко |
Окупятся ли при этом вложения в прогнозную аналитику в целом? Гарантий нет. И дело здесь не в выбранных подходах или качестве аналитических инструментов. Просто в каждой организации есть проблемы, лежащие буквально на поверхности, а есть те, что требуют глубинного анализа. В отечественной экономике большая часть проблем бизнеса все еще лежит на поверхности, и их решение способно немедленно улучшить эффективность бизнеса на десятки процентов. А вот анализ данных – это высший пилотаж. Он позволяет выявить что-то ценное в данных и поднять операционные показатели на единицы или десятые доли процента, когда нет других идей, как улучшить бизнес, когда основные бизнес-процессы в компании оцифрованы и требуют лишь тонкой настройки. Если же организация находится в начальной фазе цифровой трансформации, прогнозная аналитика вряд ли оправдает себя.