Фарид Мадани: «Предложенный подход и инструментарий самообслуживания оказались настолько удобными для ряда бизнес-подразделений, что они за считанные недели внедряют его во многие свои бизнес-процессы»

Самостоятельное применение инструментов бизнес-аналитики становится сегодня для бизнес-пользователей все более распространенной практикой. Именно за счет «self-service BI» компании могут избежать последствий дефицита ограниченных ресурсов ИТ-подразделений и повысить оперативность разработки и ввода в эксплуатацию информационных-продуктов. В группе компаний «Деловые Линии» анализ данных силами бизнес-пользователей позволил обеспечить непрерывность производственных процессов, оперативное реагирование на возникающие проблемы и повышение эффективности процессов, обеспечивающих функционирование бизнеса. О причинах разработки инструментов самообслуживания поддержки аналитики и результатах их внедрения в бизнес рассказывает Фарид Мадани, генеральный директор ГК «Деловые Линии».

Как в компании развивалась работа с данными?

Работа с данными всегда была для нас одной из первостепенных задач: трудно оперативно анализировать огромные массивы информации. Раньше для корпоративных информационных систем действовали ограничения на глубину анализа данных — 2-4 недели, а для некоторых  подразделений — до двух месяцев, поэтому отчеты формировались относительно долго и имели недостаточную гибкость: ограниченное время на формирование отчета, лимит на количество выводимой информации и т. д.  Но главной проблемой было отсутствие консолидации данных в одной точке. Поэтому первым шагом в направлении автоматизации процессов работы с данными для нас стало развертывание корпоративного хранилища, отвечающего за консолидацию сведений из основных источников и формирование витрин данных для их последующего анализа, а также внедрение системы бизнес-аналитики. Данный пилотный проект стартовал в 2014 году, а следующим этапом стало развертывание озера данных, которое значительно расширило возможности по анализу данных, в том числе больших и неструктурированных массивов. Когда уже были внедрены основные компоненты консолидации и работы с данными, мы приступили к передаче функции анализа данных самим бизнес-пользователям — в компании появились инструменты для самостоятельной работы с данными («self-service BI»), которые развиваются и сегодня.

Какие задачи требовалось решать с помощью системы самообслуживания?

В логистических компаниях большинство решений принимается на основе  данных,  и со временем в ИТ-отдел, который, среди прочего, занимался разработкой отчетов и выгрузкой данных, стала выстраиваться очередь из запросов от бизнес-подразделений. Если же сотрудникам требовалось самостоятельно поработать с данными, то согласование доступа к ним занимало много времени. Это замедляло проверку бизнес-гипотез и принятие решений, от которых и зависит успех наших инициатив. Так назрела потребность внедрения сервисов самообслуживания, позволяющих оперативно получать доступ к нужной информации и самостоятельно проводить ее анализ.

Какие решения лежат в основе построенной системы?

Озеро данных на базе стека Hadoop, хранилище данных на решениях Microsoft, а в качестве систем бизнес-анализа используются QlikView и Power BI. На момент старта пилотного проекта отечественных аналогов, удовлетворяющих потребностям бизнес-аналитики в компании, не было.

Для эффективной работы пользователей с инструментами самообслуживания наш партнер — компания BIA Technologies — разработала специальные компоненты, которые позволили ускорить сбор данных, доступ и работу с ними. Например, появился коннектор BIA Tech Bridge, который обеспечивает быстрый сбор данных из учетных систем «1С». Кроме этого имеется инструмент DMT, позволяющий без написания кода получить данные в песочнице бизнес-пользователя, которым доступны сведения из корпоративных сайтов и внутренних источников: данные по клиентам, заказам на перевозку, остаткам и заказам на закупку и поставку расходных материалов, данные по загрузке сотрудников, сбор финансовой отчетности. Бизнес-пользователи создали сегодня практику прототипирования отчетов, систем планирования и производственных систем, не требующих оперативных данных.

Инструменты самообслуживания. Архитектура

 

 

Какова архитектура инструментов самообслуживания?

Это не одно решение, а целый инфраструктурный, программный и методологический комплекс. Сотрудник работает с «песочницей», в которой развернуты все компоненты для комфортной работы с данными. Она находится в защищенном контуре и соответствует необходимым требованиям информационной безопасности. Внутри «песочницы» есть необходимый инструментарий для анализа данных. Также имеется сервер публикации, на котором могут размещаться наборы данных, аналитические модели и отчеты, которые были разработаны самими бизнес-пользователями, если к ним требуется доступ другим сотрудникам.

Культура работы с данными...

Одна из самых сложных задач — вовлечь сотрудников в работу с данными. Для начала мы стали проводить мероприятия по ознакомлению коллег с возможностями инструментария и выгодами, которые дает сервис самообслуживания при решении бизнес-задач, по сравнению с прежними подходами. Для тех, кому была нужна помощь в освоении инструментария и ознакомлении с практикой анализа данных, мы разработали курсы, проводим обучение и ведем базу знаний. И, конечно же, мы обеспечиваем полную поддержку всем пользователям, которые занимаются самостоятельным анализом данных. Все это дает бизнес-эффект, а интерес к self-service BI растет.

Насколько вообще востребованы инструменты самообслуживания?

Мы видим, что сервисом пользуются. Об этом, например, свидетельствует постоянно растущее количество Power Users — так мы называем сотрудников, которые изучили инструментарий и используют его в своей повседневной деятельности. Регулярно растет и количество опубликованных отчетов и наборов данных, которые впоследствии могут быть доступны всем заинтересованным пользователям,  конечно,  с соблюдением всех требуемых соглашений по конфиденциальности данных.

Каких результатов удалось достичь?

Результатов много – начиная от публикации локальных отчетов, которыми пользуются сотрудники подразделений, до более глобальных решений компании. Например, силами бизнес-пользователей финансового департамента и подразделения маркетинга была создана модель, которая позволяет создавать целевые предложения для наших клиентов. Еще можно привести пример службы по работе с поставщиками, которая внедряет многие бизнес-процессы именно при помощи инструментов self-service BI.

Лично меня удивила скорость внедрения практики самостоятельного анализа данных в некоторые бизнес-подразделения – предложенный подход и инструментарий оказались настолько удобными для сотрудников, что они за считанные недели сами начинают его внедрять во многие свои процессы.

В целом, в конечном итоге, применение инструментов самообслуживания ведет к повышению уровня удовлетворенности наших клиентов благодаря контролю ключевых показателей, оперативному реагированию на инциденты и возникающие трудности в производственных процессах — все это обеспечивает своевременность поставок. Но, пожалуй, самый важный результат — рост вовлеченности бизнес-пользователей в работу с данными.

Как внедрение инструментария отразилось на финансовых показателях компании?

Можно говорить как о прямом, так и о косвенном эффекте. Например, службе по работе с поставщиками удалось, в частности, значительно оптимизировать затраты на закупку пиломатериалов. За счет более тонкой настройки процессов и распределения задач с помощью инструментария self-service BI в компании теперь не требуется увеличивать штат сотрудников для решения возникающих бизнес-задач.

Перспективы развития инструментария?

Сейчас мы сосредоточены на повышении качества данных — на основании неточных данных могут приниматься неудачные решения. Также мы смотрим в направлении онлайн-аналитики — особое место в нашей «дорожной карте» занимает предсказательная аналитика. И, безусловно, мы собираемся и дальше совершенствовать уже внедренные решения.

Николай Смирнов (nsmirnov@osp.ru) — главный редактор портала «Директор информационной службы», председатель оргкомитета премии Data Award (Москва).