• Новости
• Блоги
• Аналитика
• Новости компаний
• В СНГ и в мире
• Анонсы

С.Лихарев: Были случаи -- решение окупалось на этапе пилотного проекта

Оценка эффективности решений для работы с «большими данными» -- задача сложная, но решаемая. 

Читайте в полной версии Дискуссионного Клуба «ИКС» темы №1-2 «Кому и чем полезна Big Data?». Часть 7.

?«ИКС»: Сколько требуется времени компании, внедрившей решения в области Big Data, для получения положительного эффекта?

Сергей Лихарев, руководитель продаж IBM Big Data Solutions: 

Иногда это на удивление быстро происходит. Когда данные уже присутствуют в организации в разных источниках в пригодном для анализа виде, но не анализировались совместно по причине их значительного объема или недостаточной вычислительной мощности существующего хранилища, положительный, и, главное, монетизируемый эффект получается уже на этапе пилотного проекта в течение нескольких недель.

То же самое можно сказать о проектах, в которых заранее понятен потенциальный эффект от анализа определенных данных, но не было экономически эффективного способа их собирать и анализировать. В этом случае видимый положительный эффект тоже достигается быстро.

Сергей Знаменский, технический консультант, HP Россия:  

На данный вопрос не существует однозначного ответа, поскольку как уже говорилось, стратегия работы с «большими данными» индивидуальна для каждого предприятия, а именно она определяет набор технологических требований к аналитической системе. Кроме того, критерии оценки результатов внедрения аналитической системы также индивидуальны.  Поэтому временной диапазон оценки эффективности инвестиций  может быть от нескольких дней до нескольких месяцев и больше. 

Андрей Прозоров, ведущий эксперт по ИБ, InfoWatch:

В зависимости от компании и от прикладной системы, этот срок может быть от нескольких дней (если система позволяет выявлять какие либо мошеннические действия и реагировать на них) до нескольких лет. А некоторые системы могут и не принести положительного эффекта и оказаться простой тратой денег и времени. Такое тоже бывает. Чтобы этого избежать необходимо особенно ответственно и профессионально подойти к проектированию системы на ранних этапах.

Сергей Кузнецов, директор по технологиям Дивизиона Данных, IBS:

Все зависит от поставленной задачи и объемов проекта, некоторые технологии имеют достаточно короткий срок внедрения, например облачные технологии, другие могут подразумевать месяцы кропотливой работы, как, например, разработка и внедрение аналитической  системы. Если есть такая возможность, то внедрение необходимо проводить поэтапно, демонстрируя бизнес-эффект от проекта на каждом этапе.

Александр Хлуденев, заместитель генерального директора по перспективным технологиям, КРОК:

Наша практика внедрений показывает, что от одного до трёх месяцев нужно для того, чтобы проанализировать имеющиеся данные компании и понять, будет ли положительный эффект от реализации проекта. А дальше всё зависит от целей их использования и оперативности внутренних бизнес-структур компании.

Ирина Яхина, руководитель отдела технологических решений, Hitachi Data Systems в России и странах СНГ:

После организации правильной системы управления данными, положительный эффект от внедрения технологий для работы c Big Data может стать заметным практически сразу же. Новые решения в значительной степени ускоряют бизнес-процессы и дают возможность быстро реагировать на вызовы рынка. Это обусловлено задачами, которые решаются благодаря новым подходам к работе с данными – это снижение стоимости хранения и увеличение ценности самих данных. Стратегический подход к управлению позволяет максимально эффективно реализовать их возможности и бизнес-потенциал.

Виктор Сусойкин, директор по консалтингу Центра финансовых решений,  РДТЕХ:

Концепция BigData направлена на предоставление средств аналитической обработки информации, пусть разнородной и слабоструктурированной, пусть с большими объемами, но все же ее конечная цель - открыть новые возможности аналитической работы с большими объемами данных, извлечения из них знаний и принятия соответствующих управленческих решений. И в этой связи BigData, как и все предыдущие поколения средств сбора и аналитической обработки информации, не дает прямого экономического эффекта. Прежде всего, получаемый эффект - косвенный - от повышения качества и скорости процессов управления.

Сергей Дианов, руководитель отдела продаж систем бизнес-аналитики, Softline:

Здесь все зависит от конкретного проекта, от того, какие цели и задачи пытались решить при помощи внедрения подобных технологий. Многие ИТ-руководители озабочены как раз некоторой неочевидностью сроков окупаемости таких решений. С одной стороны, подобные проекты достаточно дороги, но с другой – как можно досрочно и с достаточной точностью оценить стоимость верного управленческого решения, на которое подобная информация напрямую может повлиять?

Дмитрий Бухаринов, ведущий аналитик отдел продаж систем бизнес-анализа, Softline:

Например, нефтяная компания Statoil использует Big Data для обработки фотографий таяния льдов, показаний с датчиков и т.д., за счет этого продлевается период добычи нефти, экономия составляет около $200 млн.

?«ИКС»: По каким критериям можно оценивать эффективность таких новых аналитических инструментов и их окупаемость?

Александр Хлуденев:

Технологии Big Data можно использовать в качестве инфраструктуры для решения задач различных подразделения компании -  маркетинга, департамента продаж, производства, ИТ, информационной безопасности и т.д. Важно просто выработать критерии оценки эффективности для каждого из сценариев применения, а они не универсальны. Например: снижение издержек, повышение лояльности клиентов, увеличение выручки, увеличение производительности процесса.

Сергей Кузнецов:

Зависит от бизнеса, но в целом, оценивать нужно по влиянию на основные экономические показатели деятельности компании – рост сбыта и прибыли, сокращение издержек и потерь, сокращение времени принятия решений, повышение управляемости, расширение продуктового предложения.

Сергей Лихарев:

Это рынок идей, а не инструментов. Идея обработки «больших данных» заключается в том, чтобы начать собирать данные, получить их,  обеспечить их хранение и анализ, визуализировать результат и сделать его доступным для принятия решений. Следовательно, критериями оценки эффективности ее реализации будет наличие готовых коннекторов к источникам данных, совокупная стоимость владения единицей данных (например, терабайтом), наличие языков высокого уровня для быстрой разработки приложений, встроенных аналитических функций, средств визуализации результатов анализа.

Если идея состоит в том, чтобы значительно увеличить количество аналитических моделей, используемых в компании, увеличить горизонт анализа, то эффективность будет измеряться в производительности аналитических инструментов и совокупной стоимости владения ими.

В нашей практике были примеры, когда решения окупались уже на этапе пилотного проекта просто за счет того, что позволяли провести анализ данных, который предыдущие технологии не были в состоянии закончить за сколько-нибудь разумное время.

Сергей Дианов:

В общих чертах эффективность внендрения оценить можно лишь по одному показателю: были ли достигнуты цели, которые ставились перед началом проекта? А самый важный показатель – это экономический эффект от внедрения.

Дмитрий Бухаринов:

Если после внедрения инструментов для анализа Big Data в банке ущерб от мошеннических действий снизился больше, чем было потрачено на внедрение, значит проект можно считать эффективным.

Другой параметр эффективности - рост удовлетворенности клиентов либо количество повторных обращений. Если же рассматривать эффективность с технической точки зрения, то можно выделить такие параметры, как время обработки аналитического запроса либо затраты на обработку определенного объема информации.

Ирина Яхина:

Одним из наиболее важных показателей является увеличение эффективности использования новых аналитических инструментов. Он подразумевает возможность хранить и иметь оперативный доступ к большому массиву данных, анализ которых позволяет принять быстрое и обдуманное бизнес-решение, снижая риск принятия решений вслепую. Помимо этого, правильный подход к настройке политик хранения и обработки данных позволяет оптимизировать финансовые затраты и минимизировать участие человека в этом процессе.

Сергей Знаменский:

Эффективность аналитических инструментов нового поколения, нацеленных на обработку «больших данных» , может быть оценена по технологическим показателям, в первую очередь по производительности агрегации и обработки данных, по показателям надежности хранения агрегированных «больших данных». Не менее важные критерии оценки - показатели экономической эффективности, такие, как стоимость владения аналитической системой, удельная стоимость агрегации и хранения единицы объема «больших данных». При этом экономические показатели эффективности аналитических инструментов нового поколения могут быть использованы для расчета их сроков окупаемости, которые индивидуальны и зависят от области применения и задач, решаемых каждой конкретной аналитической системой.

Андрей Прозоров:

Считать лучше всего в деньгах, это показательно и, в целом, правильно. Но это не всегда сделать возможно. Для одних систем можно посчитать снижение трудозатрат персонала, достигнутое благодаря автоматизации его деятельности. Для других, например, нашей DLP, советую оценить объем предотвращенного ущерба. В каждом случае необходимо применять свою собственную методологию расчета.

Денис Первушин, директор департамента бизнес-приложений Oracle, «АйТи»:

Эффективность использования решений класса BigData можно оценивать, исходя из тех же критериев, которые используются при оценке эффективности внедрения любых новых технологий на предприятии: сколько ресурсов (временных, человеческих) требуется для выполнения того или иного бизнес-процесса после внедрения? Стали ли процессы выполняться быстрее? Какое количество новых клиентов удалось привлечь (не потерять) благодаря тому, что информация теперь обрабатывается и анализируется более эффективно? Какие новые продукты смогла предложить компания рынку благодаря тому, что стала всесторонне подходить к вопросам анализа имеющейся у нее информации и смогла более четко выявить потребности различных групп клиентов?

Денис Андриков, заместитель технического директора по работе с заказчиками, «Открытые Технологии»:

Это вопрос сложный, так как анализ Big Data в большей степени полезен для государственных учреждений, а там эффективность оценивается не возросшей операционной прибылью, а скорее выходом на новый уровень межведомственного взаимодействия и, как следствие, минимизацией времени обработки запроса простых граждан и их уровнем довольства. Например, сейчас, по факту рождению ребенка для получения пособия нужно сначала оформить документы в роддоме, потом отвезти их в ЗАГС, там получить свидетельство о рождении ребенка, потом с этой справкой обратиться в Департамент по социальной защите населения, прикрепить туда документы с работы и только потом получить пособие. С внедрением же Big Data все это межведомственное взаимодействие будет происходить в автоматическом режиме, все данные будут напрямую обрабатываться и поступать в нужные Департаменты, а человеку просто через несколько дней «упадет» пособие на его социальную карту. Таким образом, эффект от внедрения данного решения на государственном уровне не столько экономический, сколько стратегический, или, если угодно, даже политический – повышение уровня жизни граждан и их уровня удовлетворенности государством. Как критерий же эффективности подобных внедрений я бы предложил следующий – «скорость реакции на событие» всех имеющих отношение к нему государственных служб и ведомств.

Подготовила Александра Крылова