Процесс достижения предприятием успеха за счет внедрения технологических инноваций и инновационной деятельности связывают сегодня с понятием «дизайн организации», «организационный дизайн» (organization design, organizational design), обозначающим связь между состоянием предприятия и целями, которых оно намерено достичь. По сути, организационный дизайн представляет собой формальный, управляемый процесс интеграции персонала, информации и технологий, ориентированный на повышение потенциала организации. На изучение организационного дизайна направлена деятельность профессионального сообщества Organizational Design Community (ODC).

Несмотря на высокий интерес к технологиям Больших Данных, методики их внедрения еще недостаточно проработаны — это связано с тем, что такие проекты не являются лишь ИТ-проектами, а затрагивают еще и сферу управления предприятием, требуя новых подходов к построению бизнес-процессов и изменения квалификации сотрудников. С другой стороны, внедрение технологий, которые для организации или предприятия представляют собой инновацию, логично рассматривать с точки зрения организационного дизайна. Для понимания возникающих проблем требуется рассмотреть все аспекты работы с Большими Данными: область деятельности предприятия; его внутреннюю среду; зрелость технологий и ожидаемые результаты.

Область деятельности предприятия определяет задачи, для решения которых необходимы: новый инструментарий, метрики оценки его полезности и эффективности, возможности интерпретации и использования результатов аналитики. Каждая социально-экономическая область вносит значительную часть специфических требований к решению задач. В известной диаграмме Венна, составленной Дрю Конвеем для определения компетенций исследователя данных, важной частью является предметная компетентность (substantive expertise), поэтому любое внедрение Больших Данных в новую предметную область тесно связано с возникновением культуры использования этих технологий. Сегодня многие исследователи говорят о возникновении культуры Больших Данных. В основе этого процесса лежат не только растущие возможности по сбору и эффективной обработке практически любой информации, но и появление привычки использовать информацию из Интернета при решении как частных, так и производственных задач. Эта привычка также формируется активным использованием Сети как элемента образовательной среды.

Среди направлений работы организации, в которых существенна важность новых технологий, можно выделить следующие: принятие решений, стратегическое планирование, маркетинг и коммуникации, клиентские сервисы и взаимодействие с потребителем, управление финансами, исследования и разработки. Готовая к восприятию новшеств внутренняя среда организации является критическим условием для внедрения технологий Больших Данных — сегодня эти технологии внедрены в основном в крупных компаниях с развитой цифровой инфраструктурой и персоналом, обладающим высокими цифровыми компетенциями, в особенности в области аналитики и социальных сетей. Важной характеристикой этих компаний является также их высокий инновационный потенциал.

Зрелость технологий Больших Данных в организации определяется составом задач, для которых они используются, что, в свою очередь, сильно зависит от внутренней среды организации. В работе [1] предложено выделить пять уровней зрелости для бизнес-модели организации с точки зрения интегрированных групп задач, которые решаются на основе технологий Больших Данных: мониторинг бизнеса, анализ бизнеса, оптимизация бизнеса, монетизация данных, трансформация бизнеса. Интерес представляют высокие уровни зрелости. Так, уровень монетизации данных предполагает, что организация не только обладает высоким цифровым потенциалом для того, чтобы собирать и обрабатывать данные, но и способна создавать на этой основе новый цифровой продукт или услугу, опираясь на аналитику Больших Данных. Развитая аналитика Больших Данных создает базис для разработки стратегий развития предприятия, направленных на существенную трансформацию бизнес-моделей с точки зрения новых продуктов, услуг и рынков.

Наиболее важные перемены связаны с изменением управления данными в организации.

Учитывая разнообразие структуры Больших Данных, их содержания, характеристик источников, предполагаемого использования, необходимо опираться на применение существенно большего, по сравнению с традиционным, спектра инструментов и методов, а также на многоплатформность программных и аппаратных решений и тщательный подход к формированию персонала, ответственного за управление.

Особую сложность представляет управление потоковыми данными, поступающими в реальном времени. Задачи обработки в этом случае направлены на выявление в потоке значимой для решения задач информации и событий, сопоставление с существующей информацией и ее сохранение. Инструменты для обработки сложных событий (Complex Event Processing, CEP) позволяют настраиваться на особенности определенных потоковых данных, проводить корреляцию данных из многих источников, обеспечивая более высокую отдачу от их использования.

При работе с Большими Данными в организации важную роль играет создание новых регламентов и стандартов, отличных от используемых при работе со структурированной информацией предприятия, что позволяет обеспечить синергию существующего и нового подходов к аналитике.

Функции управления Большими Данными сегодня делегируются на предприятии различным категориям работников — например, в исследовании [2] приведены результаты опроса представителей компаний, имеющих опыт управления Большими Данными. Чаще всего эту работу выполняют архитектор данных и аналитик данных, далее следуют менеджер в сфере бизнес-анализа или менеджер хранилищ данных, а затем — администратор базы данных, системный аналитик или системный архитектор, разработчик приложений и т. п., вплоть до ИТ-директора.

Стоит отметить, что сегодня отмечается недостаток специалистов в области исследования данных, который в ближайшие годы будет только усиливаться [2]. Исследователь данных в сфере бизнеса должен обладать способностью интерпретировать полученные результаты различным заинтересованным лицам для разрешения существующих проблем. Это предполагает не только выявление проблем, но и определение степени их значимости для всего предприятия.

Компетенции специалиста в области исследования данных
Компетенции специалиста в области исследования данных

Требования к перечню необходимых компетенций аналитика в сфере Больших Данных еще только формируются . В общем виде компетенции специалиста по исследованию данных можно представить в виде диаграммы Венна (см. рисунок) [3]. Предполагается, что аналитические навыки включают знание как традиционной аналитики, которая объясняет, что происходит и почему, так и аналитики предсказательной и предписывающей. Последняя направлена не только на поддержку решений, но и на автоматизацию принятия решений.

Бизнес-навыки предполагают умение правильно формулировать вопросы к аналитике для решения бизнес-задач и производить отбор критериев для оценки результатов, а также знание существующих ограничений, методов принятия решений, способов обеспечения прозрачности применяемых механизмов и методов. ИТ-навыки включают знание технологий сбора, хранения и обработки данных. Важными являются компетенции в области высокопроизводительных вычислений и доставки данных.

Компетенции и навыки в области исследования данных связаны с пониманием свойств данных, их моделей, соответствующих аналитических методов, способов представления и интерпретации данных. В области пересечения находятся интегрированные компетенции, позволяющие решать задачи бизнеса на основе аналитики Больших Данных. Это компетенции, обеспечивающие способность находить нужные данные, понимать их, осуществлять управление ими в организации, находить на основе их исследования новые возможности и решения для организации.

По мнению многих авторов, сегодня специалистов с такими интегрированными компетенциями практически нет, и, как правило, на предприятии работает команда, совокупные знания которой охватывают компетенции идеального исследователя данных. Активно обсуждается, какая из схем — индивидуальная или командная — более эффективна для получения значимых для организации результатов при применении технологий Больших Данных. При командной работе возможны централизованные, распределенные или гибридные модели центров исследования данных [4]. В случае централизованной модели создается единый центр анализа и принятия решений для всей организации под управлением главного исследователя данных (Chief Data Scientist). При децентрализованной модели каждое подразделение имеет собственные аналитические инструменты и работает под управлением руководителя подразделения.

Большие Данные обладают высоким потенциалом для создания организационных, маркетинговых, продуктовых и процессных новаций, поэтому у предприятий связаны с ними большие ожидания, однако на пути их использования лежит немало барьеров. Появление и развитие методов управления Большими Данными направлено на осмысление и формулирование рекомендаций и методик их внедрения, использования и оценки их эффективности для организации.

Одним из главных условий является наличие в организации сильного лидера, обладающего знаниями в области Больших Данных, способного сформулировать задачи и создать команду для их реализации. Также важны: отбор релевантного задачам программного обеспечения; работа с персоналом; внедрение моделей бизнес-процессов, направленных на активную коммуникацию различных специалистов и использование новой аналитики для принятия решений. Не меньшее значение имеют общая культура компании, доверие к новым аналитическим инструментам и понимание их положительного влияния на работу организации.

***

Сегодня эмоциональные дискуссии о том, существуют или не существуют Большие Данные как отдельный вид научных знаний и программного инструментария, затихают, уступая место обсуждению практических задач использования открывающихся возможностей для различных сфер деятельности, методов формирования соответствующего дизайна и менеджмента организации.

Литература

  1. Bill Schmarzo. Big Data Business Model Maturity Chart. URL: https://infocus.emc.com/william_schmarzo/big-data-business-model-maturity-chart (дата обращения: 15.03.2015).
  2. Philip Russom. Managing Big Data. URL: http://www.sas.com/content/dam/SAS/en_us/doc/whitepaper2/tdwi-managing-big-data-106702.pdf (дата обращения: 15.03.2015).
  3. Vincent Granville. The Data Science Venn Diagram Revisited. Data Science Central. URL: http://www.datasciencecentral.com/profiles/blogs/the-data-science-venn-diagram-revisited (дата обращения: 15.03.2015).
  4. Data Science Team Building: The Power of Collaborative Analytic. Experfy. URL: http://www.experfy.com/blog/data-science-team-building-power-collaborative-analytics (дата обращения: 15.03.2015).

Светлана Мальцева (smaltseva@hse.ru) — профессор, НИУ ВШЭ (Москва). Статья подготовлена на основе материалов доклада, представленного на конференции «Большие Данные в национальной экономике» (грант РФФИ 14-07-20305г).

Купить номер с этой статьей в PDF