Если данные называют «новой нефтью», то умение «очистить» их и превратить в действенную интеллектуальную силу можно считать ключом к реализации заложенного в них потенциала. В стремлении повысить эффективность бизнеса и найти новые способы обслуживания клиентов ИТ-руководители оперируют инструментами прогнозного анализа, внедряют алгоритмы машинного обучения и занимаются тестированием других решений в «боевых» условиях.

Прекрасно понимая, что, добившись сокращения затрат и роста доходов, они смогут повысить свою роль в глазах высшего руководства и совета директоров, ИТ-директора стараются сейчас уделять технологиям, поддерживающим науку о данных, больше внимания. К концу лета 2017 года мировой оборот средств бизнес-анализа и управления большими данными, по оценкам IDC, увеличился по сравнению с 2016 годом на 12,4% и достиг 150,8 млрд долл. Ожидается, что по итогам года коммерческие закупки оборудования, программного обеспечения и услуг, направленных на поддержку больших данных и средств их анализа, превысят 210 млрд долл. По словам аналитика IDC Дэна Вессета, решения анализа больших данных становятся ключевым условием цифровой трансформации различных отраслей и бизнес-процессов по всему миру.

Однако у этих гигантских расходов есть и обратная сторона: эффективность большинства проектов анализа данных не поддается измерению. Унаследованные системы и бюрократия бизнес-структур приводят к разобщенности данных и ухудшению их качества. А ИТ-директора вынуждены думать о том, как восполнить дефицит специалистов, которые нужны для манипулирования данными и проникновения в их суть. Битва за таланты идет ожесточенная, и, несмотря на рост числа университетских аналитических программ, пока не удается быстро удовлетворить потребность в квалифицированных кандидатах.

Тем не менее на конференции CIO100 Symposium, где лучшие руководители ИТ-служб получали награды за свою деятельность, было представлено немало примеров успешной реализации проектов анализа данных. Наиболее успешные ИТ-директора делились извлеченными уроками и полезными советами со своими коллегами.

Merck: Внедрение системы анализа данных

Компания MSD (Merck&Co), превратившаяся в глобальную фармацевтическую организацию с оборотом в 40 млрд долл. и представленная уже в 140 странах мира, активно искала способы более эффективного использования данных, собираемых ее системой ERP и основными средствами автоматизации производства и управления запасами. Но, поскольку у инженеров Merck от 60 до 80% времени уходило на получение доступа к данным и их обработку, об оперативном достижении бизнес-целей речи уже не шло.

Как призналась руководитель производственной ИТ-службы компании Мишель Алессандро, данные в качестве жизнеспособного, постоянного и ценного актива не рассматривались. В компании хотели сформировать культуру, благодаря которой удавалось бы тратить меньше времени на перемещение данных и получение отчетности, а основное внимание уделять использованию собранной информации и получению важных для бизнеса выводов.

Искусство анализа данных: взгляд изнутриВ результате в MSD была создана система хранения данных MANTIS (Manufacturing and Analytics Intelligence), которая включала в себя размещаемые в оперативной памяти базы данных и инструменты с открытым исходным кодом, обрабатывавшие структурированные и неструктурированные данные, в том числе текст, видео и информацию социальных медиа. Важно отметить, что система проектировалась таким образом, чтобы бизнес-аналитики, не имеющие хорошей технической подготовки, могли легко просматривать данные с помощью программ визуализации. В то же время у ученых по данным была возможность получать доступ к информации, задействуя сложные инструменты имитации и моделирования. Система MANTIS помогла компании сократить время и затраты на реализацию аналитических проектов на 40%. Немаловажно также то, что на 30% сократилось среднее время, затрачиваемое на выполнение новых заказов, и на 50% уменьшились расходы на хранение запасов.

Извлеченные уроки. Ключом к успеху стала реализация аналитического проекта на заводе в Юго-Восточной Азии, где удалось добиться наибольшей окупаемости. Успешное использование здесь MANTIS послужило примером и для других регионов. Кроме того, в компании поняли, что не стоит пытаться откусить больше, чем сумеешь прожевать. С экспериментами в области искусственного интеллекта и машинного обучения для анализа затрат на производственные процессы в компании явно перестарались. И дело здесь было не в недостаточной поддержке со стороны руководства или в отсутствии перспектив. В MSD просто не смогли заставить все это работать.

 

Dr. Pepper Snapple Group: Машинное обучение и контекстная релевантность

На протяжении многих лет сотрудники продающих подразделений Dr. Pepper Snapple Group, пытаясь проторить дорогу к крупным розничным сетям наподобие Wal-Mart и Target, носили с собой толстые папки с клиентскими данными и информацией о продажах и торговых предложениях. Сегодня вместо толстых папок они берут с собой планшет iPad, в котором содержатся все необходимые сведения о магазинах, которые следует посетить, об актуальных предложениях для розницы и о других важнейших параметрах. Как отметил ИТ-директор Dr. Pepper Snapple Group Том Фарра, новые решения помогли приемщикам заказов стать интеллектуальными торговыми представителями, вооруженными всей необходимой для работы информацией.

Платформа MyDPS оснащена средствами машинного обучения и другими аналитическими инструментами для выдачи рекомендаций и формирования ежедневных оперативных заданий, которые отображаются на экране сразу после запуска приложения. Сотрудники видят, в какой степени их работа соответствует ожиданиям, как выполняются планы, где наблюдается отставание и каким образом можно скорректировать выбранный курс.

Извлеченные уроки. Чтобы проверить выдвинутую концепцию MyDPS, Фарра установил соответствующее программное обеспечение в четырех филиалах и предложил руководству через некоторое время посетить их. Выяснилось, что благодаря использованию MyDPS продажи выросли на 50%. После этого проекту окончательно был дан зеленый свет. «Система приносила результат и выдавала все, что требовалось для успешных продаж, – пояснил Фарра. – Однако важно не только обеспечить проекту поддержку со стороны руководства, но и сформулировать желаемые цели и следить за их достижением».

Bechtel: Прорыв в области больших данных

Эксперты утверждают, что прирост производительности в строительной отрасли в результате доработки договоров, повышения квалификации сотрудников и более качественного выполнения работ на местах может достигать 50-60%. Компания Bechtel, соорудившая плотину Гувера, проложившая тоннель под Ла-Маншем и построившая другие уникальные сооружения, уже извлекает полезную информацию из данных, которые были собраны в различных областях ее бизнеса.

На встрече с коллегами из Wal-Mart, Boeing и Lockheed Martin ИТ-директор Bechtel Кэрол Цирхоффер попыталась получить представление о том, куда следует двигаться дальше. Компания уже создала ЦОД с озером данных общим объемом в 5 петабайт и приступила к проверке предложенной концепции. Использование технологии распознавания фотографий для классификации и пометки снимков в интересах клиентов помогло ей сэкономить 2 млн долл. Инструменты обработки естественного языка применяются при разборе претензий, предложений и договоров. На оценку и формирование планов ранее уходили дни и недели, а теперь требуется всего несколько часов. Аналитические средства используются в Bechtel и для удержания персонала – например, делается прогноз причин, по которым сотрудники могут оставить компанию. В компании также убеждены в том, что уже в ближайшее время ей удастся добиться серьезного повышения производительности труда.

Извлеченные уроки. Разобщенность данных и их низкое качество становятся дополнительными препятствиями в работе. Несмотря на то что Bechtel может анализировать большие объемы данных, качество этих данных необходимо повышать. «Нам нужен прорыв, благодаря которому удалось бы объединить разрозненные на сегодняшний день данные», – подчеркнула Цирхоффер.

RRD: Машинное обучение открывает путь к новому бизнесу

Несколько лет назад компания RRD, работающая в сфере маркетинговых коммуникаций и носившая ранее название R.H. Donnelley, открыла логистическое подразделение, которое первоначально занималось доставкой ее печатных материалов корпоративным клиентам и конечным потребителям. Со временем новое подразделение расширилось и стало осуществлять доставку самой разной продукции партнеров, начиная от стиральных машин и заканчивая кормом для собак. В конечном итоге оборот его достиг миллиарда долларов. В чем заключалась проблема? В поиске оптимальных тарифов на доставку в мире, где безусловными лидерами являлись FedEx и UPS.

Погодные условия, география, перевозчики и политический климат – все это оказывает влияние на стоимость услуг. «Необходимость прогнозировать переменные факторы заставила нас обратиться к машинному обучению и аналитике», – указал ИТ-директор RRD Кен О'Брайен. Набрав персонал и установив контакты с университетами, помогавшими в разработке алгоритмов, компания протестировала тысячи сценариев на 700 маршрутах, после чего точность прогнозов по уровню загрузки на ближайшие семь дней достигла 99%. Проект окупился менее чем за год, и сегодня бизнес, связанный с грузоперевозками, растет. Ожидается, что по итогам 2017 года бизнес заказных грузоперевозок вырастет с 4 млн долл. до 16 млн долл. Рост оборота составит 12 млн долл.

Извлеченные уроки. Новые проекты требуют высокой самоотдачи, и О'Брайен признает, что некоторые его коллеги из бизнес-подразделений на разных этапах реализации готовы были сдаться. Бизнес не привык доверять технологиям в тех процессах, которые ранее выполнялись главным образом на основе догадок и ощущений. Компании RRD удалось сформировать среду взаимодействия, в которой бизнес-подразделения и ИТ-служба рука об руку идут к достижению конечного результата.

Monsanto: Планирование посевной кампании с помощью машинного обучения

Не секрет, что фермеров мучает извечный вопрос: что, где, когда и сколько сажать? Гигант сельхозиндустрии Monsanto использует науку о данных для выдачи рекомендаций по проведению посевной кампании. Математические и статистические модели помогают определять наилучшее время и место для высаживания мужских и женских растений в целях оптимизации урожая и использования посевных площадей. «Алгоритмы машинного обучения обрабатывают 90 млрд источников данных всего за несколько дней, а не за недели и месяцы», – сообщил директор глобального аналитического ИТ-центра Monsanto Адриан Картье. В чем заключается выгода для бизнеса? В 2016 году Monsanto сэкономила 6 млн долл. и сократила площади посева на 4%.

Извлеченные уроки. Ключевым для Monsanto стало сотрудничество ИТ-службы с подразделениями, обслуживающими каналы поставок. «Экспертные знания наших коллег в области сельского хозяйства и цепочек поставок, объединенные с нашими знаниями математики и статистики, позволили существенно повысить эффективность работы компании, – указал Картье. – А появившиеся новые лидеры и энтузиасты в сфере цепочек поставок помогли организовать здоровое противодействие скептикам».

Pitt Ohio: Успех прогнозного анализа

«Отрасль грузоперевозок столкнулась сегодня с так называемым синдромом Amazon», – отметил ИТ-директор компании Pitt Ohio Скотт Салливан. Его компания с оборотом в 700 млн долл. привыкла забирать грузы и доставлять их клиентам на следующий день. Но, видя перед собой пример Amazon, клиенты все чаще хотят доставку в тот же день. И ожидают более подробной информации о доставляемых посылках.

Используя исторические данные, средства прогнозного анализа и алгоритмы, рассчитывающие в реальном времени вес груза, расстояние до конечной точки маршрута и другие параметры, Pitt Ohio может рассчитать время доставки с 99-процентной точностью. Компания надеется, что ей удастся увеличить оборот за счет повторных заказов (оцениваемых на сумму в 50 тыс. долл. в год) и снизить риски потери клиентов (составляющие, по ее оценкам, 60 тыс. долл. в год).

Извлеченные уроки. Проектом предусматривалось привлечение маркетологов, подразделения продаж и ИТ-службы. Все они проверяли и перепроверяли результаты, с тем чтобы гарантировать достижение поставленных целей. «У вас в четырех стенах находится множество самых разных данных, – подчеркнул Салливан. – Внедряйте инновации и ищите новые способы их использования».

– Clint Boulton.6 data analytics success stories: An inside look. CIO. September 5, 2017