В процессе внедрения систем бизнес-аналитики (Business Intelligence, BI) в различных компаниях я неоднократно сталкивался одними и теми же проблемами. Часто оказывалось, что ни ИТ-специалисты, ни бизнес-пользователи не понимают, как правильно развертывать и применять подобные системы. Знания ИТ-специалистов и ожидания заказчиков основаны на опыте работы с OLTP-системами (Online Transaction Processing — оперативная обработка транзакций).

Погоня за целостностью данных и оценка BI-технологий часто мешают внедряемым BI-системам решать поставленные перед ними задачи.

К внедрению OLTP- и BI-приложений нельзя подходить с одной меркой. OLTP-приложения обычно рассчитаны на обработку миллионов транзакций на протяжении многих лет. С приложениями бизнес-аналитики, напротив, бывает, что они используются лишь раз — для принятия делового решения. OLTP-системы не смогут поддерживать обработку огромного числа транзакций, если не обеспечена очень высокая целостность и точность данных, а в BI-системах требуются более обобщенные данные, в которых допустима не столь высокая точность. Решения о покупке OLTP-технологий основываются на показателях производительности работы и сокращении стоимости транзакции; к вложениям в BI-систему подходят, руководствуясь критерием окупаемости инвестиций (ROI).

Пример из книги Пола Вестермана (Paul Westerman) Data Warehousing: Using the Wal-Mart Model (Morgan Kaufmann, 2000) иллюстрирует, какие ИТ-практика и менталитет пользователей необходимы для внедрения систем бизнес-аналитики. Бизнес-пользователей спросили, что бы они предпочли: развернуть полную ошибок и подверженную сбоям систему BI или подождать, пока не устранят все неполадки. Наиболее популярным ответом оказалось решение разворачивать подверженную сбоям BI-систему, потому что она позволит информированно принимать решения! Подобное отношение немыслимо, если речь идет о выборе OLTP-системы.

Чтобы взглянуть на изучаемый вопрос в другом свете, обсудим различие между макро- и микроэкономическими данными. Макроэкономические данные важны для правительственных организаций всех уровней — на их основании принимаются решения, например, о том, сколько следует построить дорог и других важных элементов инфраструктуры. ля принятия подобных решений вполне достаточно приблизительных данных о населении: например, «полтора миллиона жителей». Нет никакого смысла собирать точные цифры, чтобы выяснить, что в стране ровно 1 523 121 житель. Получение таких детальных данных обходится слишком дорого. Но даже если вы пойдете на издержки и получите такие подробные данные, они никогда не будут точными из-за динамической природы самой измеряемой системы: факты рождения и смерти в процессе измерения и после него делают 100%-ную точность недостижимой. В обычных системах бизнес-аналитики, чтобы получить важную для бизнеса информацию, используются данные макроэкономического уровня. Однако ИТ-профессионалы, работающие с OLTP-системами, приучены очищать данные до почти 100%-ной точности.

В процессе своей работы BI-системы обобщают данные из многих OLTP-систем. В большинстве случаев транзакция сильно изменяется, пройдя через многие системы, отвечающие в компании за такие функции, как продажи, маркетинг, ввод заказов, выставление счетов, управление дебиторской задолженностью, обработка претензий по гарантиям и возврат товаров. Транзакция может инициироваться в базе данных потенциальных клиентов, а завершиться в любой из множества систем компании. Простое извлечение данных из этих систем на произвольном этапе обработки и введение их в BI-систему чревато искажением информации. Транзакция находится в постоянном движении. С точки зрения учета данные из различных OLTP-систем никогда не сойдутся друг с другом. Многие проекты внедрения BI погрязают в бесплодных попытках очистить данные еще до начала внедрения самой системы. Мне пришлось участвовать во многих проектах, в которых ИТ-группа донкихотски воевала с ветряными мельницами очистки данных.

Специалисты в предметной области, разбирающиеся в данных, могли бы легко остановить эту погоню за призраками, но их редко включают в группу администраторов БД, ответственных за извлечение, преобразование и загрузку оперативных данных в хранилище данных. Но именно специалисты в предметной области и в статистике должны определять, какой требуется уровень очистки и интеграции данных, чтобы система приносила выгоду бизнесу. Часто ли вы включали в свою команду по внедрению BI-системы специалиста по статистике? Именно у него есть опыт и знания, чтобы определить тот уровень очистки данных, который обеспечит нужную BI-системе точность.

Но натура ИТ-профессионалов не позволяет им загружать в систему недостаточно точные данные. Такой подход — это главный камень преткновения для ИТ-специалистов при разработке и развертывании систем бизнес-аналитики. Кроме того, следует научить пользователей относиться к BI-системе как к средству, совершенно отличному от привычных систем, и в этом немалую роль должны сыграть сотрудники ИТ-отдела.

Бизнес-аналитика сейчас находится на перепутье. В прошлом специалисты по BI-средствам входили в команду поддержки хранилищ данных, а BI-функции были прерогативой опытных пользователей и аналитиков. На нынешнем конкурентном рынке BI-системы все чаще используются непосредственно менеджерами и компаниями, входящими в состав распределенных предприятий. Пропагандируемый в этой статье подход основан на моем личном опыте оказания помощи компаниям, которые хотели бы извлечь конкурентные преимущества из использования BI-систем.

Но прежде чем перейти к предмету разговора, коротко рассмотрим три общих типа BI — это нужно для дальнейшего рассказа о том, как успешно разрабатывать, развертывать и извлекать выгоду для бизнеса из систем бизнес-аналитики.

Что такое BI? Три типа BI-систем

BI-системы объединяют данные из внутренних и внешних источников и генерируют на их основе аналитическую информацию, благодаря которой бизнес-пользователи могут принимать решения быстрее и лучше. В целом существуют три категории BI-систем: ретроспективные, аналитические и предсказательные. Можно проиллюстрировать эту классификацию, используя метафору автомобиля. Ретроспективные BI-средства похожи на зеркало заднего обзора. Информация для принятия решений основывается на анализе данных о прошлых операциях — обычно она поступает из OLTP-систем и из хранилища данных.

Ретроспективный анализ позволяет лицу, ответственному за принятие решения, видеть, какие действия в прошлом дали положительный результат, а какие — нет. Например, основываясь на данных о прошлых продажах, компания, занимающаяся розничной торговлей, может определить оптимальный набор товаров для конкретного магазина. С точки зрения внедрения это самый простой тип BI-систем, если только BI-группа не завязнет в очистке огромных объемов данных.

Аналитические BI-системы обычно предусматривают итеративный процесс. BI-система нужна для анализа сведений, поступающих из источников данных (иногда в реальном времени), и генерирования информации для принятия решений. Подобные системы создаются методом проб и ошибок. Это очень похоже на вождение автомобиля — управляя им, водитель руководствуется показаниями окружающих его систем (спидометра, руля и т.д.). В частности, аналитическая BI-система может помочь региональному менеджеру сети розничных магазинов ежедневно корректировать цены и политику скидок, основываясь на сведениях о продажах и уровне запасов. Но этот процесс в компании должен быть серьезно проработан на тот случай, когда на основе предоставленных BI-системой данных принимаются ошибочные решения. Вместо того, чтобы искать виноватого, следует пересмотреть порядок анализа, выявить причину неправильной рекомендации, устранить ее и использовать систему дальше.

Последний тип — это предсказательные BI-системы. На рис. 2 они сопоставлены фарам автомобиля. BI-системы объединяют и анализируют данные из внутренних и внешних источников, чтобы выдать аналитическую информацию о будущих событиях. Эти сведения применяются для принятия упреждающих, ориентированных на будущее решений, например, для прогнозирования спроса на продукцию компании в следующем году. Подобные показатели могут определяться на основании статистического анализа макроэкономических данных — это хороший показатель для оценки сбыта продукции фирмы. Внедрять предсказательные BI-системы, которые основываются на внешних источниках данных, достаточно просто. А для систем, которые выполняют прогноз на основании прежних данных, компании нужен специалист-статистик, который определит необходимый уровень очистки данных.

Описанные типы BI-систем никоим образом не являются взаимоисключающими. Во многих компаниях элементы прогноза легко перемешиваются с ретроспективой или аналитикой. Представленная классификация облегчает менеджерам задачу расстановки приоритетов при работе над новым BI-проектом. Если проект охватывает весь спектр BI-решений, рекомендуется разделить всю функциональность на три описанных выше категории, а затем расположить составляющие проекта в соответствии с ожидаемыми выгодами для бизнеса и сложностью реализации. В следующем разделе я покажу, что прежде чем создавать BI-систему, абсолютно необходимо проанализировать соотношение выгод и затрат.

Генератор дохода, а не центр затрат

Помимо очистки данных и сложностей интеграции, есть и другие различия между BI- и OLTP-системами. Эти различия обусловлены тем, какой метод применяется для обоснования финансирования проекта, внедрения и поддержки работы системы. Менеджеры должны знать об этих различиях, если они действительно хотят получить выгоду от развертывания BI-систем.

Относитесь к BI-технологиям так же, как к инвестициям в производство. BI-системы обычно служат для принятия решений, которые способны привести к серьезным финансовым последствиям для компании. Информация, предназначенная для поддержки принятия решений, должна предоставляться вовремя, до истечения «срока годности». Пример с крупной сетью розничных магазинов из предыдущего раздела хорошо иллюстрирует ретроспективные BI-средства. Менеджеру по закупкам может потребоваться анализ доходности продаж для определенной категории товаров (например, телевизоров с большой диагональю) за предыдущий год. Эти сведения он предполагает использовать для переговоров с производителями телевизоров о снижении цен на их изделия. Если такая информация в принципе может сэкономить 3—4 млн долл., то эта сумма должна стать единственным критерием, на основании которого будет приниматься решение о приобретении BI-системы — даже если на ее своевременную установку вместе с нестандартными для компании инструментальными средствами придется потратить 1,5 млн долл.

В описанной ситуации важно, чтобы аналитическая информация была доступна на момент начала переговоров. Стройная полнофункциональная система, установленная через несколько месяцев после завершения переговоров, не обеспечит бизнесу никаких преимуществ. Сеть магазинов Wal-Mart ориентируется на такие средства(некоторые после внедрения системы отбрасываются), которые позволяют вовремя установить BI-систему и не приводят к снижению показателей окупаемости инвестиций. Затраты на разработку решений для бизнес-аналитики и их внедрение учитываются так же, как и инвестиции в материальные ценности, здания и оборудование. Подобные инвестиции выполняются исключительно на основании анализа выгод и затрат. Материальные активы амортизируются и заменяются по истечении срока использования. Чтобы BI-системы приносили выгоду, к ним нужно относиться так же.

Компании слишком часто подходят к BI-системам с меркой совокупной стоимости владения (total cost of ownership, TCO), которая на самом деле применима только для OLTP-систем. Идея TCO связана со стандартизацией аппаратных средств, ПО и платформ разработки приложений с целью снижения TCO. Такой подход предполагает, что информационные технологии — это центр затрат. Но ведь системы бизнес-аналитики (при условии, что за ними стоит надежный расчет выгод и затрат) повышают доходность.

Инструментальные средства для создания BI-системы в конкретном проекте следует выбирать исходя из легкости их использования — это обеспечит быстрое развертывание и избавит от необходимости отправлять сотрудников на обучение. Большое число проектов BI зашли в тупик из-за того, что их создатели старались выбрать наиболее многосторонние и элегантные в техническом отношении средства, в точности соответствующие корпоративным стандартам — это пережиток тех времен, когда концепция TCO была наиболее популярна. Так как ключевой показатель для BI-систем — это быстрота установки, громоздкие интегрированные инструментальные средства, требующие обстоятельного изучения и поддержки ИТ-специалистами, оказываются непродуктивными. Приобретайте лишь необходимые инструментальные средства и после успешной реализации проекта считайте их расходуемым материалом. Это может показаться ересью, но с ними следует поступать так же, как и с другими материальными ценностями.

Успех-убийца

Успешные системы бизнес-аналитики обладают способностью «пожирать» ИТ-отделы, ведь в отличие от OLTP-систем (о которых после развертывания обычно можно забыть) они требуют частых доработок (нередко даже ежедневных или еженедельных). Если система успешна, менеджеры интенсивно используют ее для принятия решений и улучшения работы компании. Они неизбежно захотят больше аналитической информации и потребуют вносить в систему изменения, дополнения и усовершенствования, которые позволят улучшить ведение бизнеса. Заранее позаботьтесь о персонале, основной задачей которого будет поддержка BI-системы, — если система окажется удачной, она будет расти и быстро развиваться.

Прислушивайтесь к мнению пользователей и определяйте их ожидания

Для успешного описания, разработки и внедрения BI-системы необходимо взаимодействие на уровне, необычном для ИТ-отдела. На этапе разработки системы очень важно сотрудничество со специалистами в предметной области, которые могут точно определить степень очистки данных, способ интеграции, а также выгоды создаваемого решения для бизнеса. Последние в дальнейшем определяют остальную часть проекта.

Осознание возможных преимуществ BI-системы для бизнеса заставляет пользователей терпеть частично функционирующую систему, которая действительно обеспечивает материальную выгоду в отличие от «элегантного» решения, которое можно отложить на потом. Очень важно постоянно напоминать пользователям о санкционированных способах использования BI-системы. Получив положительный опыт работы с BI-системой, менеджеры могут почувствовать себя с ней уверенно и начать использовать ее для поиска оперативных данных, точность которых в этой системе зачастую оказывается недостаточной.

Некорректное использование BI-системы способно свести на нет преимущества проекта, который при других обстоятельствах оказался бы успешным. Допустим, что специалист отдела маркетинга использует упомянутую ранее BI-систему для получения информации об общем объеме продаж с разбивкой по магазинам. Эта информация доступна и нужна менеджеру по закупкам для переговоров с производителями телевизоров. Точные цифры продаж должны храниться в финансовой системе, которая также учитывает возвраты, претензии по гарантии и другую информацию для представления точных сведений о продажах. Понятно, что данные BI-системы не совпадут с информацией, представленной финансовой системой. При публичном обсуждении этих данных специалист по маркетингу может оказаться в неловком положении и обвинит «тупую BI-систему» в неточности информации. Очень быстро пойдет слух о том, что на BI-систему нельзя полагаться. Такое случается чаще, чем вам кажется. Поэтому нужно непременно напоминать бизнес-пользователям о том, как надлежит применять BI-систему, и (это даже важнее) о том, для чего ее применять нельзя.

Перестаньте мыслить категориями OLTP

Раздраженный задержками при внедрении BI-систем, руководитель ИТ-отдела крупной производственной фирмы жалуется: «Ко времени, когда моя ИТ-команда развернет элегантную, интегрированную и надежную BI-систему, которая соответствует корпоративным стандартам, наш бизнес может прекратить свое существование». Это проблема, с которой сегодня сталкиваются ИТ-отделы. Мы продемонстрировали свою способность создавать OLTP-системы, которые обрабатывают миллионы транзакций и при этом сокращают общие затраты. В состоянии ли мы перестроить свой образ мыслей, чтобы создавать BI-системы, которые помогают фирмам вести бизнес и увеличивают их доходность и прибыльность?

Рэм Редди (Ram Reddy) — автор книги Supply Chains to Virtual Integration (McGraw-Hill, 2001), президент Tactica Consulting Group (http://www.tacticagroup.com), консалтинговой компании, специализирующейся в области технологий и бизнес-стратегий. С ним можно связаться по e-mail: ramreddy@tacticagroup.com.