От данных к знаниям

То, чем занимаемся мы, также называется неверно. Обычно употребляют термин "информационные системы" или "управляющие информационные системы", но я считаю, что старое название "обработка данных" намного точнее отражает то, что мы делаем. И информационный век следует называть веком данных.

Как ни обидно это признавать, но мы слишком увлеклись управлением данными о разного рода транзакциях и слишком мало внимания уделяем преобразованию этих данных в знания. Мы говорим об этом уже долгие годы, но в действительности происходит это крайне редко. Ситуация напоминает Англию XVI века, когда сэр Томас Грэшем, английский финансист, изложил свой закон. Обычно его формулируют так: "Плохие деньги вытесняют хорошие", то есть обесцененные деньги вытесняют из оборота полноценные.

Сегодня мы можем сформулировать информационный закон Грэшема: "Плохие данные о транзакциях вытесняют хорошее знание". Дело не в том, что плохи сами данные (их качество - непременное условие превращения данных в знания). А в том, что сосредоточиваясь на данных, мы исключаем более ценные формы информации, что, конечно же, большой пользы не приносит. В своем стремлении удостовериться, что работа сотрудников и поставщиков оплачена, заказы аккуратно принимаются, а дебеты и кредиты соответствующим образом заносятся в главную бухгалтерскую книгу, мы забываем об анализе и интерпретации тенденций в данных и необходимости действовать с учетом этих знаний. Все нужные технологии для этого есть. Чего же не хватает?

Некоторые данные о знаниях

Какие есть доказательства этой, на первый взгляд, странной гипотезы? Приведу два небольших замечания и два серьезных размышления. Первое соображение связано с системами планирования корпоративных ресурсов (ERP, enterprise resource planning). Недавно я закончил исследовательский проект, финансируемый корпорацией SAP. Во время его реализации я попытался найти доказательства того, что большие объемы новых данных, которые генерируются подобным программным пакетом (интегрированным, многофункциональным, работающим в оперативном режиме и охватывающим множество операций), используются для изменения процессов управления и принятия решений. Другими словами, я хотел понять, преобразуются ли эти данные в знания. В некоторых корпорациях, например Amerada Hess, Dow Chemical и Microsoft, так оно и было.

Здесь хорошо налажен процесс информирования сотрудников и менеджеров о наличии таких данных, а также ведется их обучение созданию хранилищ или киосков данных и организационных структур, позволяющих анализировать данные и действовать в соответствии с полученными результатами.

Но удачных примеров крайне мало. Когда я спрашивал менеджеров, что они делают с данными, полученными из систем SAP R/3, они, как правило, либо говорили, что этот вопрос следует задать года через два, либо заявляли, что сейчас основное внимание уделяют правильной организации базовых процессов и обработки транзакций. Боюсь, правда, что к тому моменту, когда у них дойдут руки до использования данных, придет время ставить R/4 или даже R/5. Или добавлять новый модуль R/3 для управления работой уборщиц.

Второе соображение касается использования данных о клиентах. Предприятия накапливают огромное их количество в системах обработки транзакций, но мало что с ними делают. Но многие организации до сих пор испытывают серьезные трудности из-за того, что данные о клиентах распылены между множеством систем, качество же этих данных, а также организационная политика в решении этого вопроса оставляют желать лучшего. Еще один момент, усугубляющий ситуацию, - это то, что в организации скапливается слишком много таких данных.

Группа, которая разрабатывает хранилище данных клиентов, выясняет у каждого сотрудника, какие именно данные ему нужны, а потом объединяет их в огромное хранилище. В результате хранилище получается настолько большим, что найти в нем нужные данные и разобраться в них становится крайне сложно. Эквивалент данных клиентов в системах SAP, о которых мы говорили выше, возникает, когда компании устанавливают системы управления активами потребителей для поддержки продаж и транзакций обслуживания. Эти системы могут быть использованы для поддержки разного рода инициатив в области управления знаниями, таких как решение проблем клиентов, передача знаний о клиентах и продуктах в другие подразделения организации для анализа тенденций. Вместо этого они применяются для переадресации заявок на оказание сервисных услуг.

Теперь о некоторых примерах недостаточно активного преобразования данных в знание. Возьмем, в частности, данные, накапливаемые в розничных магазинах. Некий директор ИС сети гастрономов, который с большим пиететом относился к использованию информационных технологий, сообщил мне по секрету, что его компания анализирует самое большее 2% собираемых данных. Недавно я узнал, что сеть гастрономов решила аннулировать собранные данные. Раньше они хранились годами в надежде, что когда-нибудь их проанализируют. Но этого так и не случилось.

Что касается данных о Web-транзакциях - здесь примерно та же история. Я разговаривал с дизайнером Web-узла одной из крупных фирм, работающих в области информационных технологий. Он рассказывал об изменениях, произошедших со узлом за известный период, в частности о появлении таких возможностей, как потоковое аудио и видео, фреймы и так далее. На вопрос, анализировал ли он когда-нибудь данные о транзакциях с тем, чтобы выяснить, что же посетители действительно делают на узле, он ответил: "Ну конечно. Мы выяснили, что большинство людей на первой же странице запускают поиск, поэтому увеличили размеры этой кнопки". Вот так и происходит распространение знаний о Web-транзакциях.

Кроме того, есть еще основополагающие данные о финансах и кадрах. Первое приложение для бизнеса было разработано в 1953 году сотрудниками General Electric; это была программа расчета платежных ведомостей. С тех пор мы используем различные варианты обработки финансовых данных и данных управления кадрами.

Как показало недавнее исследование компании McKinsey & Co., большинство компаний крайне мало уделяют внимание решению вопросов, касающихся уровня квалификации своих сотрудников. Они не знают, какие именно специалисты им требуются и что умеют свои сотрудники. Такое положение недопустимо. Один из руководящих сотрудников корпорации Ford отметил, что они купили ПО PeopleSoft не для обработки базовых операций управления кадрами, а чтобы получать знания по кадровым вопросам для управления персоналом, планирования передачи знаний и общего анализа кадровых проблем и принятия решений. Почему этого не делают другие?

Если что-то и упущено, то явно не технология

У нас хватает технических средств для преобразования данных в знания. Фактически уже лет двадцать мы занимаемся подобными вопросами; за это время сменилось не одно поколение аналитических технологий. Иногда мне кажется, что со временем меняются только названия. Смотрите, были системы поддержки принятия решений, затем появились исполнительные информационные системы, потом OLAP/ROLAP/MOLAP и, наконец, хранение и добыча данных. Я ничего не перепутал?

Питер Кин, один из зачинателей движения поддержки принятия решений, недавно заметил, что поддержка принятия решений ужасно напоминает ему работу с хранилищами данных. Сотрудница одной компании с гордостью заявила, что в ее организации используется добыча данных. На вопрос, какую же технологию они применяют, она сказала: "Технология называется SPSS". Это значит, что я начал заниматься добычей данных в 1975 году! Так что жаловаться на отсутствие технологий не приходится: не хватает чего-то еще.

Так чего же? Несмотря на то что в области информационных технологий много чего есть, здесь не хватает важного компонента - квалифицированных людей. Вам требуется высокопроизводительное оборудование и способные решать нужные задачи программы, но не хватает "человеческого обеспечения". Вы можете спросить, какова же должна быть архитектура этого "человеческого обеспечения", чтобы успешно решить задачу преобразования данных в знания? Честно скажу, что пока не знаю, поскольку я только начал изучать эту важную тему в рамках нового исследования. Однако точно известно, что в этот процесс всегда вовлечены следующие группы специалистов.

• Ряд "ведущих ученых", к примеру, кандидат наук в области статистики, который может не только сообщить алгоритм поиска данных, но и растолковать менеджерам полученные результаты.
• Руководители компании, которые понимают потенциал анализа данных и поддерживают усилия по созданию хранилищ или киосков данных с тем, чтобы затем извлечь реальную пользу для бизнеса.
• Аналитики и менеджеры среднего звена, которые знают, какие именно данные имеются и как к ним обратиться.
• Специалисты по информационным технологиям, которые представляют себе целостную картину и пытаются создать в пользовательской организации условия, при которых данные применяются для решения бизнес-задач.

К примеру, в Dow Chemical глава отдела стратегического планирования руководил проектом, цель которого состояла в том, чтобы выяснить, как использовать данные SAP R/3 в новых процессах генерации отчетов. Отдел информационных технологий взаимодействовал со своими пользователями с тем, чтобы создать несколько киосков данных, ориентированных на функции и процессы. Возможно, самое главное - это то, что 5 тыс. человек, от рабочих на производстве до сотрудников отдела исполнительного директора, изучали структуры данных, технологии доступа и инструментальные средства анализа.

Что касается специалистов по ИТ, трудности, возникающие при преобразовании данных в знания, - еще один довод в пользу того, что необходимо расширять наш кругозор. Мы должны сосредоточить свои усилия не на получении хорошей технологии или даже хороших данных, а на том, чтобы помочь организации правильно использовать информацию в своих процессах управления и в бизнесе, чего бы это ни стоило. Лучше всего нашу функцию называть не "обработкой данных или информационной службой", или информационными технологиями, а, скажем, функцией "получения конкурентных преимуществ на основе информации" или отделом "лучших решений и операций". Чтобы оправдать эти названия, необходим колоссальный объем "сырых" данных превратить в знания.