Dataanalys i affärsanalys. Effektiv business intelligence och högkvalitativ dataanalys. Vem behöver dataanalys

Under årtiondena av att arbeta med stora kunder har Force samlat på sig stor erfarenhet inom affärsanalys och utvecklar nu aktivt big data -teknik. Olga Gorchinskaya, direktör för forskningsprojekt och riktningshuvud Big Data"Tvinga".

15.10.2015

Olga Gorchinskaya

Under de senaste åren har en generation ledare förändrats. Nya människor kom till företagsledningen, som gjorde karriär redan i informatiseringstiden, och de är vana vid att använda datorer, Internet och mobila enheter både i vardagen och för att lösa arbetsproblem.

CNews: I vilken utsträckning efterfrågas BI -verktyg? Ryska företag? Finns det några förändringar i tillvägagångssättet för affärsanalys: från "analys i Excel -stil" till användning av analytiska verktyg av högsta chefer?

Olga Gorchinskaya:

Idag är behovet av affärsanalysverktyg redan ganska stort. De används av stora organisationer inom nästan alla sektorer av ekonomin. Medelstora och små företag förstår fördelarna med att gå från Excel till dedikerade analyslösningar.

Om vi ​​jämför denna situation med den som fanns i företagen för fem år sedan kommer vi att se betydande framsteg. Under de senaste åren har en generation ledare förändrats. Nya människor kom till företagsledningen, som gjorde karriär redan under informatiseringstiden, och de är vana vid att använda datorer, Internet och mobila enheter både i vardagen och för att lösa arbetsproblem.

CNews: Men det finns inga fler projekt?

Olga Gorchinskaya:

I senare tid vi noterar en liten minskning av antalet nya stora BI -projekt. För det första spelar den komplexa allmänna ekonomiska och politiska situationen en roll. Det håller tillbaka starten på några projekt relaterade till införandet av västerländska system. Intresset för lösningar baserade på fri programvara försenar också starten av BI -projekt, eftersom det kräver en förstudie av detta programvarusegment. Många lösningar med öppen källkod är inte mogna nog att användas överallt.

För det andra har det redan funnits en viss mättnad på marknaden. Numera finns det inte många organisationer som inte använder affärsanalys. Och tydligen går tiden för aktiv tillväxt i implementeringen av stora företagsanalyssystem förbi.

Och slutligen är det viktigt att notera att kunderna nu flyttar sin betoning i användningen av BI-verktyg, vilket håller tillbaka tillväxten av antalet projekt vi är vana vid. Faktum är att ledande leverantörer - Oracle, IBM, SAP - baserar sina BI -lösningar på idén om en enda konsekvent logisk datamodell, vilket innebär att det innan man analyserar något är nödvändigt att tydligt definiera och komma överens om alla begrepp och indikatorer.

Tillsammans med de uppenbara fördelarna leder detta till ett stort beroende av affärsanvändare av IT -specialister: om det är nödvändigt att inkludera några nya data i övervägandet måste företaget ständigt vända sig till IT för att ladda data, harmonisera det med befintliga strukturer, inkludera den i den allmänna modellen, etc. etc. Nu ser vi att företag vill ha mer frihet, och för att kunna lägga till nya strukturer på egen hand, tolka och analysera dem efter eget gottfinnande är användarna redo att offra någon del av företagets konsekvens.

Så nu ligger fokus på lätta verktyg som gör att slutanvändare kan arbeta direkt med data utan att oroa sig särskilt mycket för företagets konsekvens. Som ett resultat ser vi framgångsrika framsteg för Tableaux och Qlick, vilket gör att vi kan arbeta i Data Discovery -stil och en viss förlust av marknaden av stora lösningsleverantörer.

CNews: Detta förklarar varför ett antal organisationer implementerar flera BI -system - detta är särskilt märkbart i finanssektorn. Men kan sådan informatisering anses vara normal?

Olga Gorchinskaya

Idag, verktyg som vi tidigare tyckte var för lätta för företagsnivå... Det här är lösningar i klassen Data Discovery.

Olga Gorchinskaya:

I praktiken använder stora organisationer ofta inte ett enda, utan flera oberoende analyssystem, var och en med sina egna BI -verktyg. Idén om en företagsövergripande analysmodell visade sig vara ett slags utopi, den är inte så populär och begränsar till och med främjandet av analytisk teknik, eftersom i praktiken varje avdelning, eller till och med en enskild användare, vill ha självständighet och frihet . Det är inget fel med det. När allt kommer omkring i samma bank behöver riskproffs och marknadsförare helt olika BI -verktyg. Därför är det ganska normalt när ett företag inte väljer en besvärlig enkel lösning för alla uppgifter, utan flera små system som är mest lämpliga för enskilda avdelningar.

Idag tar verktyg som vi tidigare tyckte var för lätta för företagsnivån ledningen. Det här är lösningar i klassen Data Discovery. De bygger på idén om enkelhet att arbeta med data, snabbhet, flexibilitet och en lättförståelig presentation av analysresultaten. Det finns en annan anledning till sådana verktygs ökande popularitet: företag upplever alltmer behovet av att arbeta med information om en förändrad struktur, generellt ostrukturerad, med en "vag" mening och inte alltid klart värde. I det här fallet krävs mer flexibla verktyg än klassiska affärsanalysverktyg.

"Force" har skapat den största i Europa och unik i Rysslands plattform - Fors Solution Center. Dess huvudsakliga uppgift är att föra den senaste Oracle -tekniken närmare slutkunden, att hjälpa partner i deras utveckling och applikation, att göra utrustning och mjukvarutestprocesser så tillgängliga som möjligt. Det är ett slags datacenter för att testa system och molnlösningar av partners.

CNews: Hur stor datateknik hjälper till att utveckla business intelligence?

Olga Gorchinskaya:

Dessa områden - big data och business intelligence - rör sig närmare varandra och enligt min mening är gränsen mellan dem redan suddig. Till exempel betraktas fördjupad analys som "big data", trots att den fanns före Big Data. Nu ökar intresset för maskininlärning, statistik, och med hjälp av dessa stora datateknologier är det möjligt att utöka funktionaliteten i ett traditionellt affärssystem som är inriktat på datorer och visualisering.

Dessutom har konceptet datalager utökats med hjälp av Hadoop -teknik, vilket har lett till nya standarder för att bygga företagslagring i form av datasjöar.

CNews: Vilka är de mest lovande uppgifter som stora datalösningar används för?

Olga Gorchinskaya:

Vi använder big data -teknik i BI -projekt i flera fall. Det första är när det är nödvändigt att förbättra prestanda för ett befintligt datalager, vilket är mycket viktigt i en miljö där företag snabbt ökar mängden information de använder. Att lagra rådata i traditionella relationsdatabaser är mycket dyrt och kräver mer och mer processorkraft. I sådana fall är det mer meningsfullt att använda Hadoop -verktyg, vilket är mycket effektivt på grund av dess arkitektur, flexibilitet, anpassningsbara till specifika behov och lönsamt ur ekonomisk synvinkel, eftersom det är baserat på en öppen källkodslösning.

Med hjälp av Hadoop löste vi i synnerhet problemet med att lagra och bearbeta ostrukturerad data i en stor rysk bank. I det här fallet talade vi om stora mängder data som regelbundet kommer med en förändrad struktur. Denna information måste bearbetas, demonteras, extraheras därifrån numeriska indikatorer, samt för att spara originaldata. Med tanke på den betydande ökningen av mängden inkommande information blev det för dyrt och ineffektivt att använda relationslagring för detta. Vi skapade ett separat Hadoop -kluster för bearbetning primära dokument vars resultat laddas in i relationslagret för analys och vidare användning.

Den andra riktningen är introduktionen av fördjupade analysverktyg för att utöka BI-systemets funktionalitet. Detta är ett mycket lovande område, eftersom det inte bara är förknippat med att lösa IT -problem, utan också med att skapa nya affärsmöjligheter.

Istället för att organisera speciella projekt för att genomföra fördjupad analys försöker vi utöka omfattningen av befintliga projekt. Till exempel för nästan alla system användbar funktionär prognosen för indikatorer baserade på tillgängliga historiska data. Detta är inte en så lätt uppgift, det kräver inte bara färdigheter i att arbeta med verktyg, utan också en viss matematisk bakgrund, kunskap om statistik och ekonometri.

Vårt företag har ett dedikerat team av dataanalytiker som uppfyller dessa krav. De genomförde ett projekt inom hälso- och sjukvården för bildande av lagstadgad rapportering, och dessutom genomfördes inom ramen för detta projekt prognoser för arbetsbelastning medicinska organisationer och deras segmentering efter statistiska indikatorer. Värdet av sådana prognoser för kunden är klart, för honom är det inte bara användningen av någon ny exotisk teknik, utan en helt naturlig utvidgning av analytiska förmågor. Som ett resultat stimuleras intresset för systemets utveckling, och för oss - nytt arbete. Vi implementerar nu förutsägande analysteknik i ett projekt för stadsförvaltning på ett liknande sätt.

Och slutligen har vi erfarenhet av att implementera stora datatekniker när det gäller att använda ostrukturerad data, främst olika textdokument... Internet erbjuder stora möjligheter med sina enorma volymer ostrukturerad information som innehåller användbar information för företag. Vi hade en mycket intressant upplevelse relaterad till utvecklingen av ett fastighetsbedömningssystem för ROSEKO på begäran Ryska samhället värderingsmän. För att välja analoga objekt samlade systemet in data från källor på Internet, bearbetade denna information med hjälp av språklig teknik och berikade den med hjälp av geo-analys med hjälp av maskininlärningsmetoder.

CNews: Vilka egna lösningar "Force" utvecklar inom områdena business intelligence och big data?

Olga Gorchinskaya:

Vi har utvecklat och utvecklar en speciell lösning inom området big data - ForSMedia. Det är en plattform för analys av sociala medier för att berika kundkunskap. Den kan användas i olika branscher: finanssektorn, telekom, detaljhandel - var de vill veta så mycket som möjligt om sina kunder.

Olga Gorchinskaya

Vi har utvecklat och utvecklar en speciell lösning inom området big data - ForSMedia. Det är en plattform för analys av sociala medier för att berika kundkunskap.

Ett typiskt användningsfall är att utveckla riktade marknadsföringskampanjer. Om företaget har 20 miljoner kunder, distribuera alla reklam på basen är orealistiskt. Det är nödvändigt att begränsa cirkeln av annonsmottagare, och målfunktionen här är att öka kundens svar på marknadsföringsförslaget. I det här fallet kan vi ladda upp grundläggande data om alla kunder (namn, efternamn, födelsedatum, bostadsort) till ForSMedia och sedan, baserat på information från sociala nätverk, lägga till ny användbar information till dem, inklusive intressekrets, social status, familjesammansättning, region yrkesverksamhet, musikaliska preferenser, etc. Naturligtvis kan sådan kunskap inte hittas för alla kunder, eftersom en viss del av dem inte använder sociala nätverk alls, men för riktad marknadsföring ger ett sådant "ofullständigt" resultat enorma fördelar.

Sociala medier är en mycket rik källa, även om det är svårt att arbeta med. Det är inte lätt att identifiera en person bland användare - människor använder ofta olika former deras namn, anger inte ålder, preferenser, det är inte lätt att ta reda på egenskaperna hos en användare baserat på hans inlägg, prenumerationsgrupper.

ForSMedia -plattformen löser alla dessa problem på grundval av stora datatekniker och gör det möjligt att berika kunddata och analysera resultat i massiv skala. Tekniker som används inkluderar Hadoop, R statistisk forskningsram, RCO språkliga bearbetningsverktyg, Data Discovery -verktyg.

ForSMedia -plattformen gör det mesta av gratis distributionsprogramvara och kan installeras på alla hårdvaruplattformar som uppfyller kraven för en affärsuppgift. Men för stora distributioner och med ökade prestandakrav erbjuder vi en specialversion som är optimerad för att fungera på Oracle maskin- och programvarusystem - Oracle Big Data Appliance och Oracle Exalytics.

Användningen av innovativa integrerade Oracle -komplex i stora projekt är ett viktigt område i vår verksamhet, inte bara inom analyssystem. Sådana projekt kommer att visa sig inte vara billiga, men på grund av omfattningen av de uppgifter som löses motiverar de sig själva fullt ut.

CNews: Kan kunder testa dessa system på något sätt innan de fattar ett köpbeslut? Levererar du till exempel testbänkar?

Olga Gorchinskaya:

I denna riktning tillhandahåller vi inte bara testställningar, utan vi har skapat den största i Europa och unik i Rysslands plattform - Fors Solution Center. Dess huvudsakliga uppgift är att föra den senaste Oracle -tekniken närmare slutkunden, att hjälpa partner i deras utveckling och applikation, att göra utrustning och mjukvarutestprocesser så tillgängliga som möjligt. Idén uppstod inte från grunden. I nästan 25 år har Force utvecklat och implementerat lösningar baserade på Oracle -teknik och plattformar. Vi har lång erfarenhet av att arbeta med både kunder och partners. I själva verket är Force Oracle kompetenscenter i Ryssland.

Baserat på denna erfarenhet, 2011, när de första versionerna av Oracle Exadata -databasmotorn dök upp, skapade vi det första laboratoriet för utveckling av dessa system, kallat det ExaStudio. På grundval av detta kunde dussintals företag upptäcka möjligheterna med nya Exadata -programvara och hårdvarulösningar. Slutligen, 2014, gjorde vi det till ett slags datacenter för testning av system och molnlösningar - det här är Fors Solution Center.

Nu presenterar vårt center ett komplett sortiment av de senaste Oracle -maskin- och mjukvarusystemen - från Exadata och Exalogic till Big Data Appliance big data -maskin - som faktiskt fungerar som testbänkar för våra partners och kunder. Förutom testning kan du få revisionstjänster här informationssystem, migration till en ny plattform, anpassning, konfiguration och skalning.

Centret utvecklas aktivt i riktning mot att använda molnteknik. För inte så länge sedan förfinades arkitekturen i centret på ett sådant sätt att det ger sina datorresurser och tjänster i molnet. Kunder kan nu dra nytta av prestandafunktionerna för självbetjäning för att ladda upp testdata, applikationer och test till molnet.

Som ett resultat kan partnerföretaget eller kunden ladda ner egna applikationer till vårt moln, testa, jämföra prestationsresultat och fatta beslut om att flytta till en ny plattform.

CNews: Och den sista frågan - vad kommer du att presentera på Oracle Day?

Olga Gorchinskaya:

Oracle Day är årets viktigaste händelse i Ryssland för företaget och alla dess partners. "Force" har upprepade gånger varit dess allmänna sponsor, och även i år. Forumet kommer att ägnas helt åt molnämnen - PaaS, SaaS, IaaS och kommer att hållas som Oracle Cloud Day, eftersom Oracle ägnar stor uppmärksamhet åt denna teknik.

På evenemanget kommer vi att presentera vår ForSMedia -plattform, samt tala om erfarenheten av att använda big data -teknik, projekt inom business intelligence. Och naturligtvis kommer vi att berätta om de nya möjligheterna i vårt Fors Solution Center när det gäller att bygga molnlösningar.

Business intelligence och dataanalys. Effektiv rådgivning är det som är nödvändigt för kvalitetsutvecklingen av alla företag. Lösa befintliga problem och kriser, förhindra potentiella, hitta sätt att öka vinster och effektivitet i allmänhet: allt detta ger dig högkvalitativ rådgivning.

Konsultprocessen är komplex, flerstegs, flernivå, det finns inget tydligt och universellt tillvägagångssätt för absolut alla företag: affärskontext, dess nisch, bransch, målgrupp, funktioner och mycket mer: allt detta påverkar hur affärsprocesser kommer att diagnostiseras. Naturligtvis föregås det sista skedet av rådgivning av många andra förprocesser, såsom uppgiftsförberedelse, beskrivning av affärsprocesser, affärsanalys, diagnostik av infrastrukturen i allmänhet och organisationens IT-infrastruktur, i synnerhet analyseras data och grunden för detta skapas ett antal rekommendationer .... Jag måste säga att det är business intelligence och dataanalys som - kritiska stadier i samrådsprocessen är det de som leder till lämpliga slutsatser, det är på grundval av en sådan analys som eventuella rekommendationer skapas.

Dataanalys och Business Intelligence: Hur implementeras?

Kvalitativ analys kan i detta fall inte undvika närvaro av några kvantitativa mätvärden. Det vill säga det är mycket önskvärt att någon form av automatisering infördes i företagets arbete - affärsprocesser, relationer med kunder, leverantörer, mellanhänder, så att arbetsflödet och alla andra processer också automatiserades. Det är med en högkvalitativ redovisning av alla processer som sker inom verksamheten som rapportering och ytterligare analyser underlättas mycket.

Hur kan du automatisera arbetsflöde, kundhantering och underlätta rapportering?

Det bästa alternativet skulle vara en exklusiv programvara utformad för att utföra en mängd olika uppgifter - från FB Consult. Du erbjuds kundhanteringssystem av hög kvalitet - olika typer av CRM utformade för olika affärssektorer, en effektiv lösning för dokumentkontroll - DocsVision, samt programvara som är lämplig för business intelligence och dataanalys, inklusive - och för att identifiera tvivelaktiga finansiella transaktioner - QlikView ... Genomförandet av sådana lösningar kommer att öka effektiviteten i ditt företag avsevärt.

Business Intelligence, eller BI, är en allmän term som innehåller en mängd olika programvaruprodukter och applikationer som skapats för att analysera organisationens primära data.

Affärsanalys som aktivitet består av flera relaterade processer:

• datamining (data mining),
• analytisk bearbetning i realtid (online analytisk bearbetning),
• hämta information från databaser (frågar),
• göra rapport (rapporterar).

Företag använder BI för att fatta välgrundade beslut, sänka kostnaderna och hitta nya affärsmöjligheter. BI är något mer än vanlig företagsrapportering eller en uppsättning verktyg för att få information från företagets redovisningssystem. CIO använder business intelligence för att identifiera ineffektiva affärsprocesser som är mogna för översyn.

Med hjälp av moderna affärsanalysverktyg kan affärsmän börja analysera data på egen hand och inte vänta på att IT -avdelningen ska generera komplexa och förvirrande rapporter. Denna demokratisering av tillgången till information gör det möjligt för användare att säkerhetskopiera sina affärsbeslut med verkliga siffror, som annars skulle baseras på intuition och slump.

Även om BI -system är tillräckligt lovande kan implementeringen kompliceras av tekniska och "kulturella" problem. Chefer måste tillhandahålla tydliga och konsekventa data till BI -program så att användarna kan lita på dem.

Vilka företag använder BI -system?

Restaurangkedjor (som Hardee's, Wendy's, Ruby Tuesday och T.G.I. Friday's) använder aktivt business intelligence -system. BI är oerhört användbart för dem att fatta strategiska beslut. Vilka nya produkter att lägga till på menyn, vilka rätter som ska uteslutas, vilka ineffektiva punkter att stänga, etc. De använder också BI för taktiska frågor som att omförhandla kontrakt med produktleverantörer och identifiera sätt att förbättra ineffektiva processer. Eftersom restaurangkedjor är mycket fokuserade på sina interna affärsprocesser och eftersom BI är centralt för att styra dessa processer, hjälper till att hantera företag, är restauranger, bland alla branscher, en del av en elitgrupp av företag som verkligen drar nytta av dessa system.

Business intelligence är en av nyckelkomponenterna i BI. Denna komponent är avgörande för ett företags framgång i alla branscher.

Inom sektorn detaljhandeln Wal-Mart använder dataanalys och klusteranalys i stor utsträckning för att behålla sin dominerande ställning inom sektorn. Harrah's har förändrat grunderna i sin spelkonkurrenspolicy, med fokus på kundlojalitet och analys av servicenivå snarare än att behålla ett megacasino. Amazon och Yahoo är inte bara stora webbprojekt, de använder aktivt business intelligence och en gemensam ”testa och förstå” metod för att effektivisera sina affärsprocesser. Capital One genomför årligen över 30 000 experiment för att identifiera målgrupp och utvärdera kreditkortförslag.

Var eller från vem ska BI -implementering börja?

Övergripande medarbetarengagemang är avgörande för framgången med BI -projekt eftersom alla som är involverade i processen måste ha full tillgång till information för att kunna förändra sitt sätt att arbeta. BI -projekt bör börja med högsta ledning, och nästa grupp användare bör vara säljare. Deras främsta ansvar är att driva försäljningen, och lönerna beror ofta på hur bra de gör det. Därför kommer de mycket snabbare att acceptera alla verktyg som kan hjälpa dem i deras arbete, förutsatt att det här verktyget är lätt att använda och att de litar på den information de får med dess hjälp.

Du kan beställa ditt pilotprojekt på affärsanalysplattformen.

Med hjälp av BI -system anpassar anställda arbetet med individuella och gruppuppgifter, vilket leder till mer effektivt arbete säljteam. När säljledare ser betydande skillnader i prestanda för flera avdelningar, försöker de föra de "släpande" avdelningarna till den nivå där de "ledande" fungerar.

När du har implementerat business intelligence i dina säljteam kan du fortsätta distribuera den på andra avdelningar i din organisation. En positiv säljarupplevelse hjälper andra anställda att gå över till ny teknik.

Hur implementerar jag ett BI -system?

Innan de implementerar ett BI -system bör företagen analysera mekanismerna för att anta ledningsbeslut och förstå vad informationschefer behöver för att göra dessa beslut mer informerade och omedelbart. Det är också lämpligt att analysera i vilken form chefer föredrar att ta emot information (som rapporter, grafer, online, i pappersform). Ett förtydligande av dessa processer visar vilken information företaget behöver för att ta emot, analysera och konsolidera i sina BI -system.

Bra BI -system bör ge användarna sammanhang. Det räcker inte att bara upprätta rapporter om hur försäljningen var igår och hur den var för ett år sedan samma dag. Systemet bör göra det möjligt att förstå vilka faktorer som ledde till exakt detta försäljningsvärde en dag och en annan - samma dag för ett år sedan.

Liksom många IT -projekt kommer BI -implementering inte att löna sig om användare känner sig ”hotade” eller skeptiska till denna teknik och som ett resultat av detta vägrar att använda den. BI, som implementeras för "strategiska" ändamål, borde i teorin i grunden förändra företagets funktion och beslutsprocessen, så IT-ledare måste noggrant närma sig användarnas åsikter och reaktioner.

7 steg för lansering av BI -system

1. Se till att dina uppgifter är korrekta (pålitliga och lämpliga för analys).
2. Genomföra omfattande användarutbildning.
3. Implementera produkten så snabbt som möjligt och vänja dig vid att använda den redan under implementeringen. Slösa inte mycket tid på att utveckla "perfekta" rapporter, eftersom rapporter kan läggas till när systemet utvecklas och användarens behov. Skapa rapporter som ger maximalt värde snabbt (användarna är på högsta nivå för dessa rapporter) och justera dem sedan.
4. Ta ett integrerat tillvägagångssätt för att bygga ditt datalager. Se till att du inte låser dig in i en datastrategi som inte fungerar i längden.
5. Innan du börjar, var tydlig med din ROI. Identifiera de specifika fördelarna du tänker uppnå och kontrollera dem sedan mot de faktiska resultaten varje kvartal eller var sjätte månad.
6. Fokusera på dina affärsmål.
7. Köp inte analysprogram för att du tror att du behöver det. Implementera BI med tanken att det finns mått bland dina data som måste erhållas. Samtidigt är det viktigt att ha åtminstone en grov uppfattning om var de exakt kan vara.

Vilka problem kan uppstå?

Det största hindret för framgång för BI -system är användarmotstånd. Andra potentiella problem inkluderar att sikta igenom stora mängder irrelevant information och data av dålig kvalitet.

Nyckeln till att få meningsfulla resultat från BI -system är standardiserade data. Data är en grundläggande komponent i alla BI -system. Företag måste städa upp sina datalager innan de kan börja extrahera den information de behöver och lita på resultaten. Utan datastandardisering finns det risk för felaktiga resultat.

Ett annat problem kan vara en felaktig förståelse av analyssystemets roll. BI-verktyg har blivit mer flexibla och användarvänliga, men deras primära roll är fortfarande att rapportera. Du ska inte vänta på dem automatiserad kontroll affärsprocesser. I alla fall, vissa förändringar i denna riktning är det dock skisserat.

Det tredje hindret för att omvandla affärsprocesser med hjälp av ett BI -system är företagens bristande förståelse för sina egna affärsprocesser. Som en konsekvens förstår företag helt enkelt inte hur dessa processer kan förbättras. Om processen inte har någon direkt påverkan på vinsten eller om företaget inte kommer att standardisera processer i alla sina divisioner kan implementeringen av ett BI -system vara ineffektiv. Företag måste förstå alla aktiviteter och alla funktioner som utgör en separat affärsprocess. Det är också viktigt att veta hur information och data överförs genom flera olika processer, och hur data överförs mellan affärsanvändare, och hur människor använder dessa data för att utföra sina uppgifter inom specifik process... Om målet är att optimera de anställdas arbete måste allt detta förstås innan ett BI -projekt startas.

Några av fördelarna med att använda BI -lösningar

Ett stort antal BI -applikationer har hjälpt företag mer än att få tillbaka sina investeringar. Business intelligence -system används för att utforska sätt att minska kostnader, identifiera nya affärsmöjligheter, visualisera ERP -data och snabbt svara på förändrade efterfrågor och optimera priser.

Förutom att öka tillgängligheten av data kan BI ge företagen fler förhandlingsfördelar genom att göra det lättare att bedöma leverantörs- och kundrelationer.

Inom företaget finns det många möjligheter att spara pengar genom att optimera affärsprocesser och beslutsprocessen i allmänhet. BI kan effektivt hjälpa till att förbättra dessa processer genom att belysa de misslyckanden de har gjort. Till exempel använde anställda på ett företag i Albuquerque BI för att identifiera sätt att minska mobiltelefonanvändning, övertid och andra återkommande kostnader, vilket sparar organisationen 2 miljoner dollar över tre år. Dessutom, med hjälp av BI -lösningar, insåg Toyota att det två gånger hade överbetalat sina operatörer för totalt 812 000 dollar år 2000. Genom att använda BI -system för att upptäcka defekter i affärsprocesser får företaget en bättre position, vilket ger en konkurrensfördel gentemot företag att använda BI är bara för att hålla reda på vad som händer.

• Analysera hur ledare fattar beslut.
• Fundera över vad informationschefer behöver för att optimera beslut om verksamhetsledning.
• Var uppmärksam på datakvaliteten.
• Tänk på prestandamätvärdet som har högsta värde för affärer.
• Ge sammanhang som påverkar din prestationsmätning.

Och kom ihåg att BI är mer än beslutsstöd. Med teknikens framsteg och sättet IT -ledare implementerar den har BI -system potential att förändra organisationer. CIO: er som framgångsrikt använder BI för att förbättra affärsprocesser ger ett mycket mer meningsfullt bidrag till sin organisation, ledare implementerar grundläggande verktyg upprättande av rapporter.

Baserat på material från www.cio.com

Tillgängligt arbete med Big Data med hjälp av visuell analys

Förbättra affärsintelligens och lösa rutinuppgifter med hjälp av information gömd i Big Data med TIBCO Spotfire -plattformen. Det är den enda plattformen som ger affärsanvändare ett intuitivt, lättanvänt användargränssnitt som möjliggör hela utbudet av analytisk teknik för Big Data utan behov av IT-proffs eller utbildning.

Spotfire -gränssnittet gör det lika bekvämt att arbeta med båda små uppsättningar data, och med flera terabyte stora datakluster: sensoravläsningar, information från sociala nätverk, försäljningsställen eller geolokaliseringskällor. Användare på alla färdighetsnivåer kan enkelt navigera meningsfulla instrumentpaneler och analytiska arbetsflöden helt enkelt genom att använda visualiseringar som grafiskt representerar aggregering av miljarder datapunkter.

Prediktiv analys är lärande-för-att-göra baserat på delade erfarenheter företag att fatta mer välgrundade beslut. Med Spotfire Predictive Analytics kan du upptäcka nya marknadstrender från insikter i business intelligence och vidta åtgärder för att minimera risken, vilket leder till bättre ledningsbeslut.

Översikt

Big Data Connectivity för High Performance Analytics

Spotfire erbjuder tre huvudtyper av analyser med sömlös integration med Hadoop och andra stora datakällor:

1. On-Demand Analytics-datavisualisering: Inbyggda, användarkonfigurerbara datakontakter som förenklar ultrasnabb, interaktiv datavisualisering
2. Analys i en databas (In-Database Analytics): integration med en distributionsberäkningsplattform som gör att du kan göra databeräkningar av vilken komplexitet som helst baserad på stora data.
3. In-Memory Analytics: Integration med en statistisk analysplattform som hämtar data direkt från vilken datakälla som helst, inklusive traditionella och nya datakällor.

Tillsammans representerar dessa integrationsmetoder en kraftfull kombination av visuell utforskning och avancerad analys.
Det gör det möjligt för affärsanvändare att komma åt, aggregera och analysera data från vilken datakälla som helst genom kraftfulla, lättanvända instrumentpaneler och arbetsflöden.

Stora datakontakter

Spotfire stora datakontakter stöder alla typer av datatillgång: in-datakälla, in-minne och on-demand. Spotfires inbyggda datakontakter inkluderar:

• Hadoop -certifierade datakontakter för Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill och Pivotal HAWQ
• Andra certifierade stora datakontakter inkluderar Teradata, Teradata Aster och Netezza
• Anslutningar för historisk och aktuell data från källor som OSI PI -sensorer

In-Datasource Distributed Computing

Förutom Spotfires praktiska visuella urval av operationer för SQL -frågor som har tillgång till data som distribueras över källor, kan Spotfire skapa statistik- och maskininlärningsalgoritmer som körs inuti datakällor och endast returnerar de resultat som behövs för att skapa visualiseringar i Spotfire.

• Användare arbetar med instrumentpaneler med visuell urvalsfunktion som har åtkomst till skript med hjälp av de inbyggda funktionerna i TERR-språket,
• TERR -skript initierar distribuerad datorfunktionalitet i interaktion med Map / Reduce, H2O, SparkR eller Fuzzy Logix,
• Dessa applikationer har i sin tur tillgång till mycket effektiva system som Hadoop eller andra datakällor,
• TERR kan distribueras som en avancerad analysmotor i Hadoop -noder som drivs av MapReduce eller Spark. TERR kan också användas för Teradata -datanoder.
• Resultaten visualiseras på Spotfire.

TERR för avancerad analys

TIBCO Enterprise Runtime for R (TERR) - TERR är ett statistikpaket för företagsklass som utvecklades av TIBCO för fullständig R -kompatibilitet genom att implementera många års erfarenhet företag i analytiskt system associerad med S +. Detta gör det möjligt för kunderna att fortsätta utveckla applikationer och modeller inte bara med öppen källkod R, utan också integrera och distribuera sin R -kod på en kommersiell, pålitlig plattform utan att behöva skriva om koden. TERR har högre effektivitet och pålitlig minneshantering, ger högre databehandlingshastighet på stora volymer jämfört med R -språket med öppen källkod.

Kombinerar all funktionalitet

Kombinera ovannämnda kraftfulla funktionalitet betyder att även för de mest komplexa uppgifter som kräver mycket tillförlitlig analys interagerar användarna med enkla, lättanvända interaktiva arbetsflöden. Detta gör det möjligt för affärsanvändare att visualisera och analysera data och dela analysresultat utan att behöva känna till detaljerna i dataarkitekturen som ligger till grund för affärsanalysen.

Exempel: Spotfire -gränssnitt för att konfigurera, köra och visualisera resultaten av en modell som definierar egenskaperna hos de förlorade lasterna. Genom detta gränssnitt kan affärsanvändare utföra beräkningar med hjälp av TERR och H2O (ett distribuerat datorramverk) genom att komma åt transaktions- och leveransdata lagrade i Hadoop -kluster.

Analytiskt utrymme för big data

Avancerad och prediktiv analys

Användare använder Spotfires visuella instrumentpaneler för att lansera en rik uppsättning avancerade funktioner som gör det enkelt att göra förutsägelser, skapa modeller och optimera dem direkt. Med hjälp av stora data kan analys göras inuti datakällan (In-Datasource), och endast returnera den aggregerade informationen och resultaten som behövs för att skapa visualiseringar på Spotfire-plattformen.

Maskininlärning

Ett brett utbud av maskininlärningsverktyg finns i Spotfires lista över inbyggda funktioner som kan användas med ett enda klick. Statistiker har tillgång till programkoden skriven på R -språket och kan utöka funktionaliteten som används. Maskininlärningsfunktioner kan delas med andra användare för enkel återanvändning.

Följande maskininlärningsmetoder är tillgängliga för kontinuerliga kategoriska variabler på Spotfire och på TERR:

• Linjär och logistisk regression
• Beslutsträd, slumpmässig skogsalgoritm, Gradient Boosting Machine (GBM)
• Generaliserade linjära (additiva) modeller ( Generaliserade additivmodeller)
• Neurala nätverk

Innehållsanalys

Spotfire tillhandahåller analyser och datavisualisering, varav en betydande del inte användes tidigare - det är ostrukturerad text som lagras i källor som dokument, rapporter, anteckningar CRM -system, webbplatsloggar, publikationer i i sociala nätverk och mycket mera.

Platsanalys

Skiktade kartor hög upplösningär ett bra sätt att visualisera big data. Spotfires rika kartfunktionalitet låter dig skapa kartor med så många referens- och funktionella lager som du behöver. Spotfire ger också möjlighet att använda sofistikerad analys medan du arbetar med kartor. Dessutom geografiska kartor systemet skapar kartor för att visualisera beteendet hos användare, lager, produktion, råvaror och många andra indikatorer.

(Business Intelligence).

Unga specialister bjuds in till seminariet som talare. framgångsrik karriär analytiker i högteknologiska företag, som Microsoft, IBM, Google, Yandex, MTS, etc. Vid varje seminarium får eleverna veta om några av de affärsproblem som löses i dessa företag, hur data samlas, hur analysproblem uppstår data, med vilka metoder de kan lösas.

Alla inbjudna specialister är öppna för kontakter, och studenter kommer att kunna kontakta dem för råd.

Syftet med workshopen:

• bidra till att överbrygga den befintliga klyftan mellan universitetsforskning och lösningen av praktiska problem inom dataanalys;
• underlätta utbyte av erfarenheter mellan nuvarande och framtida yrkesverksamma.

Seminariet hålls regelbundet vid fakulteten vid CMC MSU på fredagar kl 18:20 , publik P5(bottenvåning). Seminariedeltagande är gratis(om du inte har ett pass till Moskvas statsuniversitet, vänligen informera arrangörerna av seminariet i förväg för att skicka in deltagarlistan för skiftet).

Verkstadsprogram

datumet	Talare och workshopämne
10 september 2010 18:20	Alexander Efimov , Chef för den analytiska avdelningen för MTS Retail Network. Förutsäger effekten av marknadsföringskampanjer och optimerar butikssortimentet. Applikationssida: Optimering av sortimentet av uttag (dataproblem).
17 september 2010 18:20	Vadim Strizhov , Forskare vid Computing Center vid Ryska vetenskapsakademin. Bankkreditpoäng: Metoder för att automatiskt generera och välja modeller. Den klassiska och nya tekniken för att konstruera poängkort övervägs. Seminariet förklarar hur kunddata organiseras och hur man skapar den mest troliga poängmodellen som dessutom uppfyller kraven i internationella bankstandarder.
24 september 2010 18:20	Vladimir Krekoten , Marknads- och försäljningschef, mäklarhus Otkritie. Tillämpa matematiska metoder för att förutsäga och motverka kundchurn. Praktiska problem som uppstår i analysen övervägs. kundbas inom marknadsföring. Uppgifterna för klustering och segmentering av kunder, poängsättning av nya kunder, spårning av dynamiken i målsegmenten är inställda. Applikationssida: Clustering -klienter hos ett mäklarföretag (datauppgift).
1 oktober 2010 18:20	Nikolay Filipenkov , och om. Chef för kreditvärderingsavdelningen vid Bank of Moscow. Tillämpa matematiska metoder för att hantera kreditrisker i detaljhandeln. Några praktiska aspekter av poängmodeller konstruktion och riskbedömning övervägs. Applikationssida: Retail Credit Risk Management (Data Task).
8 oktober 2010 18:20	Fedor Romanenko , Sökkvalitetschef, Yandex. Historia och principer för rankning på webbsökning. Artikeln behandlar användningen och utvecklingen av informationshämtningsmetoder, från text- och länkarankning till maskininlärning till rankning i problemet med internetsökning. De grundläggande principerna bakom modern webbrankning anges i relation till sökmotorns framgångshistorier. Särskild uppmärksamhet ägnas åt inverkan av sökkvalitet på marknadsprestanda och det viktiga behovet att kontinuerligt arbeta för att förbättra den.
15 oktober 2010 18:20	Vitaly Goldstein , utvecklare, Yandex. Geografiska informationstjänster Yandex. Den berättar om projektet Yandex.Trafikstopp och andra geoinformationsprojekt Yandex, om var de ursprungliga uppgifterna för att bygga geoinformationssystem kommer ifrån, om en ny skalbar databehandlingsteknik, om konkurrensen mellan internetmatematik och vissa lovande utmaningar... Data tillhandahålls och en formell redogörelse för problemet med restaurering av färdkartor ges. Applikationssida: Skapa ett vägdiagram baserat på fordonsspårdata (datauppgift).
22 oktober 2010	Workshopen avbröts.
29 oktober 2010 18:20	Fedor Krasnov , VP för affärsprocesser och informationsteknologi, AKADO. Hur får jag kunddata?