Ханс Лун, ученый из IBM, предложивший в 1958 году термин Business Intelligence, а затем аналитик Ховард Дреснер, через 13 лет введший этот термин в обращение, сделали большое дело, но при этом подложили своим последователям изрядную свинью, умудрившись запустить в оборот понятие, до сих пор не имеющее внятного определения ни в русском, ни даже в английском языке. Такая неопределенность привела к появлению противоречия, получившего название BI Paradox. Нам часто говорят, что BI поможет поднять эффективность наших предприятий, создать им конкурентные преимущества. Но не менее часто говорят о провале большинства инициатив, связанных с внедрением BI.
Чтобы убедиться в слабости формулировок, определяющих BI, достаточно прочесть соответствующую статью англоязычной версии Википедии, буквально каждая фраза которой вызывает сопротивление. В первой фразе говорится, что BI – это анализ данных, связанных исключительно с финансовой деятельностью предприятия. Во второй среди функций BI перечисляются все известные методы анализа, от подготовки отчетов до раскопок текстов и данных, область действия которых выходит за рамки финансовой аналитики. Наконец, в третьей фразе BI отождествляется с системами поддержки принятия решений (Decision Support System, DSS), что не соответствует действительности. Спасает то, что в той же Википедии имеется три десятка статей, посвященных определению отдельных направлений, для которых BI служит зонтичным термином. И тем не менее, что еще более парадоксально, по сей день, даже без точного определения, методы BI и поддерживающие их технологии бурно развиваются – сегодня это один из немногих островов благополучия в пострадавшем от кризиса мире ИТ.
Что такое BI?
К концу первого десятилетия нынешнего века внимание компьютерной общественности сосредоточилось на двух темах: BI и облака. Они занимают верхние места большинства рейтингов, публикуемых аналитиками, а экономисты активно обсуждают грядущие метаморфозы, связанные с этими двумя новациями. Логично, что на пике популярности этих тем возникли попытки скрестить их между собой, в результате получился Cloud BI или BI in a Cloud. Возникает естественный вопрос: существует ли такое образование, и если да, то что оно собой представляет?
Удачную попытку всесторонне ответить на этот вопрос еще в 2003 году предпринял Валерий Артемьев, статья которого в журнале «Открытые системы» до сих пор не потеряла своей актуальности, но накопленный с тех пор опыт позволяет представить BI не только как сумму технологий, но и как более абстрактное явление.
Уместна параллель между BI и письменностью как способом фиксации устной речи с помощью графических символов. Существуют разные виды письма (пиктографическое, иероглифическое, слоговое и алфавитное); автономно от них существует бесконечное множество технологий для письма – от каменных скрижалей до современных компьютеров. Но технологии нанесения символов на носитель не используются для объяснения того, что есть письменность: никому не придет в голову сказать, что письменность?– это применение графитового стержня, закрепленного в деревянной оболочке, для нанесения следов на поверхности. Между тем для объяснения BI такие попытки предпринимаются. Рассмотрим этот термин, исходя из его функций
и состава пользователей.
BI в контуре управления
На первый взгляд нынешнее приоритетное отношение к BI не требует сложных обоснований. Аналитики чаще всего говорят о способности BI «оживлять» бизнес, однако одного этого для объяснения успеха явно мало. Можно допустить, что завершился период господства кусочной автоматизации бизнеса такими отдельно взятыми средствами, как ERP, CRM, SCM и BPM, каждое из которых в свое время объявляли «серебряной пулей», но неизменно их привлекательность совпадала лишь с очередным периодом роста инвестиций в ИТ. Когда с деньгами становилось туго, возникала потребность в реальных технологиях управления, где BI занимает центральное место. Поэтому объяснить феномен BI лучше всего c позиций потребителей этой технологии.
Полвека назад, в 1960 году, математик-универсал Герберт Саймон, обладатель всех возможных наград и премий (Тьюринга – 1975 год, Нобелевская?– 1978-й, Национальная научная медаль США – 1986-й, фон Неймана – 1988-й и др.), опубликовал книгу «Новая наука управления решениями» (The new science of management decisions), где провел параллель между менеджментом в бизнесе и управлением техническими системами в том смысле, как его понимал Норберт Винер. В своем труде он показал, что для понимания сложной системы отношений и свойств окружающей среды предприятие должно использовать как организационные, так и количественные методы. Свою модель принятия решений Саймон построил на основе винеровской «Кибернетики» и изложенном в ней представлении об адаптивных системах. Работы Саймона признаны классическими, но ни один из современных проповедников BI на них не ссылается.
Предельно упрощая Саймона, можно сказать, что он уподобляет системы управления предприятием вместе с людьми, которые их используют, функциям регулятора в классической схеме управления по обратной связи. На вход регулятора поступают данные о внешнем мире и поведении управляемого объекта, на основе этих данных регулятор вырабатывает необходимое управляющее воздействие и передает его на органы управления. Если управляемая система и свойства окружающей среды достаточно просты и стабильны, то в качестве регулятора может быть использован прибор, а более сложные системы (электростанции, летательные аппараты) требуют присутствия человека. Отличие систем управления в бизнесе от технических состоит в том, что мера участия в них человека заметно больше, а технические средства выполняют вспомогательную роль.
Введение обратной связи в контур управления технических систем было открытием эпохи промышленной революции XVIII века, сначала обратная связь появилась в ветряных мельницах, затем в паровых машинах, а много лет спустя научное обоснование ее роли было дано Винером. В естественных системах (социальных, биологических, экономических) цепочка обратной связи была всегда, без нее невозможно их стабильное существование, но мы не догадываемся о ее присутствии. Обратную связь в своем бизнесе использовал первый торговец, осознавший существование спроса и сделавший выводы по итогам состоявшихся сделок.
Идея обратной связи постепенно доходит и до систем управления в бизнесе, правда в усеченном виде, например, совсем недавно появилось новое направление в управлении бизнесом, которое так и называется – управление предприятием по обратной связи (Enterprise Feedback Management, EFM). Термин EFM возник в 2004 году, его предложили компании, специализирующиеся на анализе потребительского спроса (Vavici, Clicktools). Сейчас на рынке EFM действует около десятка компаний, которые разрабатывают системы опросов, позволяющие получать объективные данные, интегрируя соответствующие приложения с системами управления отношениями с клиентами, системами управления персоналом и системами поддержки клиентов.
Процессы управления бизнесом много сложнее, чем любой технической системой, но и их условно можно представить в виде пяти основных этапов, цепочку которых можно рассматривать в контексте окружения для BI:
- обнаружение и детализация проблемы;
- постановка задачи и идентификация данных, необходимых для ее решения;
- анализ данных, в том числе пробный анализ (Exploratory Data Analysis, EDA), анализ, позволяющий построить гипотезы (Structured Data Analysis, SDA) и определить потоки данных, а также другие виды анализа;
- Business Intelligence – толкование данных, подготовка отчетов, построение моделей и выработка рекомендаций, прогнозов и предсказаний;
- принятие решений.
Таким образом, в цепочке обратной связи BI занимает место между различными методами анализа данных и принятием решений, из чего следует, что суть BI в преобразовании данных в информацию, которую уже можно использовать для принятия решений. Основная же задача BI состоит в агрегации, интеграции и интерпретации данных из разнородных источников, с тем чтобы превратить их в удобную для принятия решений информацию. В этом контексте между данными и информацией отношения чрезвычайно просты: на входе BI – данные, на выходе – информация, в других случаях отношения могут быть иными, но при обсуждении роли BI в цепочке обратной связи, входящей в систему управления предприятием, этого достаточно.
Таким образом, спрос на BI объясняется тем, что это важнейший компонент системы управления бизнесом.
Кому нужны средства BI?
Для появления спроса нужен конкретный потребитель. Книга Яна Эйреса, профессора эконометрики из Йельского университета «Суперсолдаты: думай числами – будешь умным (Super Crunchers: Why Thinking-by-Numbers Is the New Way to be Smart) дает ответ на вопрос, почему именно BI относится к тем немногочисленным сегментам ИТ-рынка, которые не пострадали от кризиса и даже развивались. Это конечный пользователь.
Данное издание стоит в одном ряду с бестселлерами Малькольма Гладуэлла («Озарение. Сила мгновенных решений»), Джеймса Шуровьески («Мудрость толпы») и Джозефа О'Коннора и Яна Макдермотта («Искусство системного мышления»). Все эти труды являются попытками так или иначе переосмыслить феномены современной экономики и перевести их на язык менеджмента. Эйрес сосредоточил свое внимание на сопоставлении старых методов принятия решений, основанных на опыте и интуиции, с современными методами, где приоритет отдается объективному математическому анализу данных. В книге приведены многочисленные доказательства того, что с появлением технологий для работы с большими объемами данных во многих случаях машинный анализ может быть эффективнее, чем интуиция человека. Однако подобное стало возможным вовсе не потому, что компьютеры стали умнее и появились какие-то необыкновенные алгоритмы. Машина все так же глупа, как много лет назад, но теперь она может обрабатывать больше данных, чем человек. Этот несложный вывод подтвердила игра в шахматы с суперкомпьютером, способным перебирать больше комбинаций, чем гроссмейстер. В любой из областей применение методов анализа данных делает принятие решений более эффективным, будь то медицина, подготовка элитных спортсменов или принятие решений в бизнесе. В таком случае BI становится оружием растущего класса бизнес-аналитиков – суперсолдат современного бизнеса.
Очень важно, что Эйрес не противопоставляет машину человеку, как это делали те, кто писал о поединке Гарри Каспарова с Deep Blue, он просто констатирует, что обработка больших объемов данных может повысить качество принятия решений. Странно то, что Эйрес не вспомнил о примечательной статье Ванневара Буша As we may think (сегодня я перевел бы это название «Мы можем думать и так»). Параллели между тем, что пишет он, и тем, что еще в 1945 году написал Буш, очевидны: даже в названии использованы однокоренные слова think и thinking. В определенной степени то, о чем пишет Эйрес, связано с работами Дага Энгельбарта по «усилению человеческого интеллекта» (Augmenting Human Intellect). На рис. 1, взятом из отчета, датированного 1962 годом, видно, как Энгельбарт представлял себе взаимодействие человека с машиной-помощником. Связь работ этих ученых с тем, что сейчас называют BI, очевидна: за нескладным, ничего не значащим маркетинговым названием Business Intelligence скрывается объективно существующее движение в том направлении, которое указали Буш и Энгельбарт.
BI и облака
Поначалу попытка объединить BI и обязательные для них хранилища данных с облачными технологиями может показаться противоестественной. Но, как видно из таблицы, самые современные технологии хранилищ оказываются идеологически близкими к облакам, например, благодаря применению масштабируемых архитектур типа Shared Nothing. Облака и современные хранилища строятся как распределенные системы с независимыми узлами при обеспечении доступа к ним по модели повременной оплаты (pay-as-you-go). Сервисная модель обеспечила предприятиям среднего и малого бизнеса доступ к системам BI, ранее применяемым только крупными компаниям. BI по запросу дает таким предприятиям относительную простоту использования, существенное сокращение затрат и сокращение сроков внедрения с полутора-двух лет до нескольких недель.
Полное и открытое облачное решение в области BI предлагают, например, четыре компании – RightScale, Jaspersoft, Talend и Vertica, объединившиеся в альянс с целью устранения взаимной конкуренции. Они надеются на успех, поскольку решение, построенное на принципе оплаты по мере использования, может быть доступно по цене практически любому предприятию или организации. Это предложение подойдет в первую очередь небольшим компаниям или подразделениям корпораций, в которых нет полноценных средств BI. Сами участники союза пока видят своими пользователями тех, кто нерегулярно проводит аналитические исследования или желает поэкспериментировать с BI.
На рис. 2 показано распределение функций между участниками союза по созданию открытого облачного BI-решения: RightScale предоставляет облачную платформу, Talend, Vertica и Jaspersoft осуществляют сбор данных, работу с ними в хранилище и собственно услуги бизнес-анализа.
RightScale относится к новой категории компаний, бизнес которых строится на обеспечении выполнения приложений на различных облачных платформах, что сегодня актуально в условиях отсутствия общепринятых стандартов на облачные инфраструктуры. Предложение от RightScale включает методы и лучший опыт внедрения приложений на разнотипных облачных платформах. Компания начала в 2006 году с Amazon Elastic Compute Cloud (EC2) и Amazon S3 (Simple Storage Service), затем обеспечила поддержку GoGrid и FlexiScale и в дальнейшем намеревается распространить свои услуги на Mosso и F5 clouds. Иначе говоря, RightScale дает своим потребителям единый и унифицированный доступ к облакам разных типов, скажем, на основе Windows в GoGrid и Linux в Amazon. Видное место на сайте RightScale занимает счетчик поддерживаемых серверов (сейчас на нем показатель, превышающий 1,1 млн). Платформа RightScale Cloud Management Platform существует в нескольких изданиях, от свободно распространяемого для разработчиков Developer Edition до Professional Edition.
ПО, поставляемое RightScale, использует старую идею макрокоманд, хорошо известную программистам на ассемблере. Но в данном случае макро –
не оболочка для какой-то повторяющейся последовательности команд, а более сложная структура, получившая название Deployment («развертывание»), которая включает все необходимые атрибуты виртуальных серверов ЕС2 или других физических платформ. Макро – это исполняемое описание или мгновенный снимок платформы, позволяющее выполнить описание в том или ином операционном окружении. В альянсе четырех компаний RightScale выполняет связующую функцию, создав набор макро для интеграции продуктов Vertica, Talend и Jaspersoft в единую систему.
Компания Talend, основанная во Франции в 2005 году, вошла в число ведущих поставщиков решений интеграции данных класса ETL (Extract, Load, Transform), а аналитики Gartner ставят ее на одно из первых мест в категории «визионеры». Компания относится к тем немногим, кто поставляет продукт в открытых кодах, ее основное решение – Talend Open Studio. В альянсе Talend обеспечивает подготовку и загрузку необходимых данных в хранилище, для этого Talend Cloud Execution Servers размещается в облаке с использованием RightScale Cloud Management Platform. Последовательность действий для запуска платформы RightScale выглядит так:
- подписка на сервисы Amazon EC2 или какого-то иного облачного провайдера и получение аккаунта у RightScale;
- создание в облаке сервера Talend Cloud Execution Servers из репозитория шаблонов Talend Repository, загрузка на сервер пользователя и настройка инструмента Talend Open Studio;
- настройка процедур ETL в облаке и дальнейшая работа под управлением Talend Administrator.
Компания Vertica, третий участник союза, известна лучше других благодаря участию в ней Майкла Стоунбрейкера, патриарха баз данных, создавшего не только СУБД Vertica, но еще и Ingres, Postgres, Streambase и Illustra. СУБД Vertica специально предназначена для аналитических приложений и, помимо организации данных по колонкам (о ней говорят чаще всего), отличается альтернативной техникой обновления out-of-place. Вообще говоря, существуют разные технологии обновления данных, в реляционных СУБД чаще всего используется классическая, in-place, – данные изменяются именно в том месте, где они были изначально записаны. При использовании метода out-of-place внесенные изменения записываются отдельно и связываются указателями и первичными записями, что эффективно в аналитических приложениях при работе с большими объемами данных. Однородность типов данных при организации по колонкам позволяет более эффективно использовать технологии компрессии и тем самым уменьшить нагрузку на ввод/вывод. И еще одно качество отличает Vertica – изначальная ориентация на кластеры и на платформы с массовым параллелизмом, поэтому она сама построена по архитектуре Share Nothing, предполагающей работу на распределенных системах с независимыми узлами. В такой системе не может быть «точки разногласия» – все узлы равны между собой. Все это делает Vertica желательным кандидатом на работу в облачной инфраструктуре. Последовательность действий для запуска Verica практически повторяет приведенную выше процедуру запуска платформы RightScale и отличается лишь последним шагом, предполагающим в днном случае подписку на сервисы Vertica.
Решение JasperSoft Business Intelligence Suite (JasperServer и Jaspersoft Analytics) имеет две редакции: открытую и профессиональную. Первая базируется на Linux или Windows, серверах приложений JBoss или TomCat, СУБД MySQL и каталоге Hibernate. Профессиональная версия поддерживает все коммерческие диалекты Unix, включая Mac OS X, а также несколько дистрибутивов Linux, коммерческие серверы приложений IBM WebSphere, BEA WebLogic и Oracle Application Server. На рис. 3 приведена архитектура JasperSoft Business Intelligence Suite.
В основе JasperSoft Business Intelligence Suite лежит JasperReports, а отличительная особенность пакета заключается в том, что он может быть оформлен как автономный (stand alone), если задействовать его собственные средства для сбора данных JasperETL. Другой вариант – встраивание в системы типа ERP или CRM. Имеется версия для использования провайдерами SaaS, которая способна выполняться во множестве экземпляров (out-of-the-box multi-tenancy). Эта способность («коммунальность») распространяется на аутентификацию, на управление метаданными, администрирование данных в базах со строчной и колоночной организацией. Для запуска JasperSoft Business Intelligence Suite необходимо оформить подписку на сервисы Amazon EC2 или иного облачного провайдера, получить аккаунт у RightScale на управление облачными структурами, выбрать шабон JasperServer в репозитории RightScale, а затем развернуть облачную версию JasperServer.
***
Традиционно системы BI имели дело со структурированными данными из относительно ограниченного пула корпоративных данных, что существенно сужает область действия поиска информации для принятия решений. Очевидно, что решения, принимаемые в современном бизнесе, должны базироваться на более широком информационном поле, учитывающем не только многочисленные неструктурированные данные (текстовые документы, письма, мультимедиа и т.п.), но и хранилища и источники данных вне компаний. Однако для расширения сферы влияния BI на все доступное информационное поле одной какой-либо системы, даже корпоративного уровня, недостаточно. Возможно, технологии BIaaS позволят не только крупным, но и средним компаниям охватить и обработать все необходимые для бизнеса источники данных.
Российские заказчики применяют BI-системы для анализа текущего состояния бизнеса, что в ряде случаев оказывается весьма важно для принятия правильных решений. Аналитические системы выполняют такие задачи, как: формирование регламентированной и корпоративной отчетности, выявление скрытых тенденций, прогнозирование и т.д. Сегодня растет понимание того, что системы бизнес-аналитики необходимо строить на хранилищах данных – OLTP-системы уже не справляются с возрастающими нагрузками. При этом в своих требованиях к BI-системам заказчики все чаще высказывают желание работать со свежими данными, не отказываясь тем не менее от анализа исторических данных. Бизнес больше не хочет ждать, пока данные поступят в хранилище, а затем появятся в отчетах. Исходя из этих потребностей сейчас все более актуальны хранилища «реального» времени, позволяющие данным появляться в хранилище с минимальной временной задержкой. Такие хранилища позволяют эффективно решать задачи оперативной отчетности и аналитики «реального» времени.
Еще одна тенденция – наличие в BI-системе «единого клиента». В организациях, как правило, функционируют несколько информационных систем (так, в банках часто кредиты и депозиты «ведутся» в одной системе, а пластиковые карты – в другой) и один и тот же клиент может присутствовать в нескольких системах. Если у компании нет системы управления мастер-данными (MDM), то после загрузки данных в хранилище произойдет дублирование и для устранения этой проблемы производители предлагают использовать специализированные MDM-системы. Но их функционал значительно больше, чем борьба с дублированием, поэтому стоимость таких систем достаточно высока. Кроме этого, некоторые из MDM-систем имеют сложности при работе с русским языком, поэтому часто задачу по созданию «единого клиента» приходится решать в рамках внедрения BI-системы.
Наиболее распространенные сегодня платформы для аналитических систем – BOBJ (SAP), OBIEE (Oracle) и CognosBI (IBM) – ориентированы на сотрудников всех уровней, от операционного персонала до руководителей любого ранга. В российских компаниях большой популярностью пользуются проактивные уведомления на электронную почту, например, в виде ссылки на информационную панель, отражающую ключевые показатели эффективности, причем чем выше должность руководителя, тем более агрегированная информация ему необходима.
Сегодня, когда компании всех масштабов и форм собственности стремятся к снижению издержек, нет сомнения в необходимости развертывания на предприятии BI-решений, однако крупные компании предпочитают предварительно настроенные индустриальные аналитические приложения от ведущих поставщиков. Плюсом таких решений является то, что эти аналитические приложения интегрированы с промышленными ERP- и CRM-системами и включают в себя лучшие практики ведения бизнеса. Средние отечественные компании ограничиваются пока набором отчетных форм по специфичным предметным областям.
С точки зрения технологий российские предприятия не сильно отличаются от зарубежных, и обычно выбор технологического решения зависит от его функциональности, опыта ИТ-специалистов заказчика и его финансовых возможностей. В России крайне редко применяются системы класса Open Source для аналитики и основная причина – отсутствие компаний, активно предлагающих такие решения на местном рынке.
Для среднего и малого бизнеса за рубежом активно продвигаются сервисные модели обслуживания, однако наши заказчики – крупные компании, для которых такая модель сегодня не применяется. Вообще говоря, нет такого понятия, как готовое аналитическое решение: каждое внедрение требует серьезной доработки под заказчика. Вместе с тем ведущие производители объявили о появлении версий своих аналитических систем, распространяемых по модели SaaS или On Demand, но в России они не получают широкого распространения. В стране все еще мало качественных каналов широкополосного доступа, достаточно низка степень автоматизации и высока доля нелицензионного ПО. Кроме этого, сама модель BIaaS еще недостаточно отработана и к ней имеется ряд вопросов: безопасность, особенно в свете закона о персональных данных; потери результатов работы в случае перебоев с доступом к Интернет; одинаковый для всех организаций функционал, без возможности кастомизации; регламент выполнения ETL-процессов заполнения хранилища данных огромными объемами данных.
– Антон Сергеев (asergeev@jet.msk.su), эксперт Департамента прикладных финансовых систем компании «Инфосистемы Джет» (Москва).
Еще два-три года назад аналитики-оптимисты довольно безапелляционно, но опрометчиво, как показала жизнь, утверждали, что ИТ-рынок вообще и рынок бизнес-аналитики в частности сложился и готов к принятию концепции Business Intelligence as a Service (BIaaS). Действительно, модель Software as a Service (SaaS), как таковая, имеет очевидные преимущества перед классической моделью распространения корпоративного ПО, она экономичнее, не требует установки и последующей поддержки ПО во внутренней среде, и т.п., однако нельзя забывать про специфические особенности BI. Конечно, уверенность аналитикам придавал успех в области SaaS, достигнутый Salesforce.com по части систем управления отношениями с клиентами (Customer Relationship Management, CRM); казалось логичным добиться того же с BI.
В то же время у менеджеров-практиков, оценивающих перспективы BIaaS в приложении к собственной работе, были не менее логичные аргументы против. Во-первых, Salesforce.com добилась успеха в сегменте малого и среднего бизнеса, а сегодня в большинстве своем пользователями BI являются крупные предприятия. Кроме этого известно, что ИТ-инфраструктуры большого бизнеса инертны и очень неохотно подвергаются радикальным переменам, а у малого еще нет заметных стимулов стать активными пользователями BI, пусть и в недорогой и удобной форме. Во-вторых, технологии SaaS еще недостаточно надежны и пока у пользователей нет доверия к их защищенности. Системы BI, в отличие от CRM, используют более чувствительные к утечке или раскрытию конфиденциальности данные, которые не все решаются вынести за корпоративные стены. Наконец, круг пользователей услуг CRM существенно шире, чем BI: сотрудники финансовых и маркетинговых отделов, отделов продаж, часто географически распределенных, а BI сегодня использует ограниченный круг экспертов, приближенных к высшему руководству компаний.
Технические специалисты также выражали свои сомнения в способности BIaaS преодолеть ряд потенциальных проблем. Системы BI имею дело с большими объемами разнородных данных – достаточна ли производительность систем, находящихся где-то в Web, чтобы не только обеспечить защищенность данных, но и физически передать требуемые объемы. Еще одно сомнение – готовность систем BI; к примеру, сорванный финансовый анализ может обернуться большими убытками. И последнее, будут ли храниться данные не менее надежно, чем при традиционной организации?
Все эти контраргументы тормозили развитие BIaaS вопреки мнению аналитиков-оптимистов, которые были вынуждены скорректировать свои прогнозы, как это сделали, например, сотрудники Gartner, опубликовавшие, менее года назад отчет Business Intelligence as a Service: Findings and Recommendations («BIaaS: полученные сведения и рекомендации»), в котором сформулировали причины пробуксовки распространения концепции BI по запросу:
• сегодня доход, получаемый от BIaaS производителями систем бизнес-аналитики, несопоставимо меньше, чем от продажи традиционных технологий;
• источник будущего роста бизнеса, связанного с BIaaS, следует искать в потребителях из среднего бизнеса;
• если разделить BI на две категории, на классическую (OLAP, отчетность, анализ, добыча данных) и прикладную (Web-аналитика, финансовая аналитика, анализ рисков, анализ угроз мошенничества, сравнительный анализ производительности), то у BIaaS больше шансов во второй;
• из четырех основных поставщиков решений BI (Microsoft, IBM, Oracle и SAP) только у SAP/BusinessObjects сейчас есть продукты класса On Demand, и ни один из трех оставшихся не присутствует в сегменте BIaaS, не анонсируя намерений предложить что-то в ближайшем будущем.
В качестве оправдания аналитики Gartner отмечают, что задержки в адаптации к модели SaaS отмечаются и в других областях, причем BIaaS, на долю которого приходится около 5% рынка, еще не самая отстающая. В сфере ERP доля SaaS-решений не достигает 1%, хотя для самого успешного здесь сегмента SCM (Supply Chain Management — «управление цепочкой поставок») доля SaaS-решений составляет свыше 30% рынка. Как бы то ни было, но неторопливая политика четырех мегавендоров, на которых приходится две трети всего бизнеса BI, оцениваемого в 6 млрд долл., оказывает непосредственное влияние на популярность модели SaaS в этой области. Для доминирующей на этом рынке четверки бизнес, связанный с BI, не является основным, хотя они далеко опережают крупнейших «чистых» производителей таких решений – Information Builders, MicroStrategy, Actuate, SAS Institute и др. – и инновационная активность в BI для них пока не критична.
Корпорация IBM в лице своего подразделения Business Analytics and Optimization Services Group, насчитывающего более 4 тыс. консультантов, наибольшее внимание уделяет системам корпоративного управления (Сorporate Per formance Management, CPM). В фокусе группы – задачи стратегического BI (forward-looking BI). С этой целью IBM развивает прогнозное моделирование (predictive modeling) и совершенствует средства добычи данных. Показательно, что в прошлом году ею был куплен известный поставщик аналитического ПО – компания SPSS, последняя версия продукта которой так и называется – PASW (Predictive Analytics SoftWare).
Компания Oracle после покупки Siebel и Hyperion получила возможность для поставки функционально полного стека продуктов Business Intelligence Enterprise Edition, функционал которого еще расширится с появлением аппаратно-программной системы хранилищ данных Exadata V2.
Microsoft действует в привычной для себя манере, пытаясь создать недорогую платформу для BI на базе SQL Server, SharePoint и Office. Первый включает средства для создания отчетов, ETL, аналитики и добычи данных, SharePoint 2010 – приборные панели (dashboard), средства для демонстрации показателей (scorecard), причем Excel в новой редакции получил еще более сильные аналитические инструменты, а Power Pivot позволяет теперь собирать сведения из разных источников. Кроме того ожидается появление SQL Server 2008 R2 Parallel Data Warehouse, продукта полученного в результате приобретения компании DATAllegro и предназначенного для параллельной обработки данных.
Компания SAP реализует модель BIaaS в продукте BusinessObjects XI, вошедшем в портфель ее решений после приобретения французской компании BusinessObjects в 2007 году, но имеются и классические версии SAP BusinessObjects Edge BI и SAP NetWeaver BusinessWarehouse, распространяемые по традиционной модели. Среди новинок модно отметить введение в BusinessObjects семантического уровня следующего поколения, позволяющего скрыть сложность структуры используемых данных, представив их в удобном для бизнес-пользователей виде. Можно отметить также базу данных, работающую в оперативной памяти, – NetWeaver Business Warehouse Accelerator, что позволяет ускорить работу хранилищ данных.
– Леонид Черняк
Для ряда отраслей ИТ экономический кризис обернулся подъемом – необходимость оптимизации бизнеса и поиска новых решений вызвали интерес к аналитическим информационным системам, позволяющим работать с большими объемами данных, разнообразными платформами и устройствами. Вместе с тем выход отечественной промышленности из кризиса происходит по довольно пессимистическому сценарию, что отражается и на недостаточно активном использовании российскими компаниями ИТ-средств, в частности методов бизнес-аналитики для получения новых знаний и принятия решений на базе интегрированных, а не традиционных, часто противоречивых и не связанных между собой массивов данных. По нашему мнению, для того чтобы переломить негативные тенденции, отечественным предприятиям необходимо по-новому взглянуть на основные бизнес-процессы и предпринять всё возможное для их оптимизации.
Применение технологий бизнес-аналитики становится актуальным тогда, когда количество объектов управления на предприятии (например, клиентов, поставщиков, счетов и т.п.) превышает сотни тысяч, а на предприятии уже автоматизированы ключевые бизнес-процессы. В России традиционно много крупных компаний со сложной региональнораспределенной структурой, соответственно потенциал для внедрения систем бизнес-аналитики во многом определялся именно степенью и качеством первичной автоматизации, которая сильно варьируется в разных отраслях. Кризис существенно снизил интерес к многолетним и «тяжелым» ИТ-проектам, к числу которых как раз и принадлежат многие BI-проекты. Кроме этого, финансовый эффект от таких проектов сложно достоверно оценить, поэтому многие из них были заморожены. Вместе с тем у отечественных компаний появился интерес к проектам, приносящим измеримую выгоду, например, в виде сохранения или увеличения выручки от клиентов.
Для телекоммуникационных операторов и банков актуальными, по нашим наблюдениям, сегодня становятся решения из области аналитического CRM: автоматизация бизнес-процессов планирования и проведения целевых маркетинговых кампаний, углубленный анализ поведения клиентов и т.п. Как показывает опыт сотрудничества компании SAS с операторами «большой тройки», экспертиза наших ведущих отечественных телекоммуникационных компаний в области аналитики находится на весьма высоком уровне. Компании осознали, что наибольший эффект от развития новых направлений, таких как событийный маркетинг и анализ социальных сетей, достигается при их тесной интеграции с «традиционными» инструментами (добыча данных, ведение интегрированных хранилищ данных и т.д.).
В последние пять лет в России наблюдается спрос на прогнозную аналитику, но в меньшей степени, чем в западных странах. В первую очередь эффективность такой аналитики оценили операторы мобильной связи – конкуренция заставляет их сегодня бороться уже не столько за абонентов, сколько за прибыльность. Инструменты продвинутой аналитики помогают принимать взвешенные решения по предоставлению наиболее подходящих предложений для каждого из десятков миллионов клиентов. Сегодня многие операторы, работающие на массовым рынке, считают целевой маркетинг ключевым направлением своей коммерческой стратегии: по разным оценкам экспертов, у лидеров российского рынка мобильной связи дополнительная выручка от целевого маркетинга измеряется миллиардами рублей в год.
Относительно новая для отечественного рынка технология анализа социальных сетей (Social Network Analysis, SNA) сегодня находится в стадии апробации местными операторами связи. Как известно, оператор имеет минимум информации о своем абоненте – владелец договора на услуги связи и их потребитель часто оказываются разными людьми. Однако оператор знает круг общения своего абонента и имеются математические методы выявления и анализа таких сообществ абонентов. Кроме того, не нова и идея «вирусного маркетинга» (рекомендация друга как лучшая реклама), которую можно использовать для продвижения тех или иных услуг. Тем не менее пока применение SNA находится в зачаточной стадии, причем российским операторам здесь вряд ли удастся воспользоваться западным опытом. Главная проблема состоит в порядке использования этих методов – здесь требуется четко понимать, какие именно предложения уместно продвигать через выявленное сообщество. Опыт компании SAS свидетельствует о том, что успех использования технологии SNA зависит от ее увязки с конкретной бизнес-задачей – наибольший эффект достигается при интеграции с традиционными инструментами бизнес-анализа.
Отечественные банки также все больше интересуются инструментами прогнозной аналитики – сейчас им приходится принимать болезненные решения относительно выдачи кредитов и разработки стратегии взаимодействия с заемщиками. В решении этих задач они полагаются на исторические данные, которые аналитика переводит в набор правил.
Несмотря на то что рынок решений бизнес-аналитики был слабо затронут экономическим кризисом, основная проблема, сдерживающая более широкое использование соответствующих инструментов в России, – отсутствие реальной конкуренции в ряде отраслей национальной экономики.
– Владимир Скудин (Vladimir.Skudin@rus.sas.com) – руководитель проектов компании SAS Россия/СНГ (Москва )
На известной кривой хайпа, отражающей закономерность изменения отношения потребителей к технологиям от их зарождения до массового распространения, BIaaS в 2009 году была на «подъеме» на первой фазе кривой, характеризуемой большой неопределенностью. Показательно, что у данной технологии еще нет даже общепринятого названия: помимо BIaaS можно встретить SaaS BI, On-Demand BI, Subscription based BI, Platform based BI, Grid Computing BI, Hosted BI, BI in the Cloud, BI Service и еще несколько других. Показательно и еще одно типичное обстоятельство: обычно на этапе подъема кривой хайпа технологии развивают начинающие компании, и данный случай не исключение: из около сотни компаний, так или иначе связанных с BI, продукты, предлагаемые по технологии BIaaS, имеются в портфеле не более чем у 20%, из них крупная лишь одна – SAP со своей системой BusinessObjects XI.
В 2010 году концепция BIaaS будет быстро набирать популярность. В пользу этого мнения, помимо обычных аргументов о снижении стоимости и рисков, связанных с внедрением сложных систем, говорит успех компаний, сделавших ставку на создание систем, специализированных на определенный класс приложений. У этих систем своя ниша, они не конкурируют с комплексными системами, охватывающими различные аспекты деятельности предприятия. Главное, такие системы удачно согласуются с облачными решениями и позволяют предоставить доступ к информации широким сообществам работников, а не только избранным аналитикам крупных компаний. Можно привести следующие аргументы в пользу расширения сферы применения технологий BIaaS:
- усиление специализации систем, называемых Insight as a Service (подобрать перевод для слова insight в данном контексте непросто: «озарение», «догадка», «проникновение в суть предмета», «улавливание отношений» и т.д.);
- восприятие BIaaS-решений как готовых к использованию и не требующих посторонней помощи инструментов, включающих в себя лучшие примеры накопленного опыта в тех или иных прикладных областях;
- адаптируемость BIaaS-решений к набирающей популярность технологии корпоративных коллажей (mashup), позволяющей интегрировать данные, поступающие из разных источников, в том числе извне межсетевых экранов;
- развитие социальных сетей, заставляющее принимать во внимание сведения, публикуемые в источниках, поддерживаемых технологиями Web 2.0 (вики, блоги и др.) позволяющие собирать множество мнений и использовать эффект «мудрости толпы»;
- принятие спецификаций SAS-70 Type II в качестве обязательной, способное оказать положительное влияние распространения BIaaS-решений (сейчас этот стандарт на аудит используется депозитарными, клиринговыми и процессинговыми организациями для повышения доверия клиентов к внутренним системам и процессам).
Противоположный пример демонстрирует компания 1010data, образованная ветеранами ИТ, имеющими многолетний опыт работы на Уолл-стрит. Созданная ими система 1010data имеет узкую специализацию и предназначена для работы с ипотечными ценными бумагами, а функции BI в ней сводятся к анализу данных по заемщику. Но подход к решению этой задачи оказался неожиданно фундаментальный – в компании была разработана собственная СУБД Tenbase, способная работать с большими объемами данных. Один из ее разработчиков, Адам Якобс, опубликовывал статью «Патологии больших данных», переведенную на русский язык Сергеем Кузнецовым. Почти аналогичный подход предложила компания IQubz, бизнес которой объединяет все виды деятельности, связанные с организацией приема делегаций, от резервирования отелей до приемов.
Пока еще сложно утверждать, но вполне возможно, что будущее BIaaS связано еще с одним новорожденным *aaS – DaaS (Data as a Service), то есть с моделью динамической доставки провайдером клиенту данных по подписке. Она была предложена в 2008 году физиками Друвом Бансалом и Филипом Кремером с целью создания рынка данных, а с 2009 года первой здесь начала работать созданная ими компания InfoChimps. С недавнего времени Microsoft тоже предлагает подобное решение Dallas на основе Windows Azure; комментаторы считают, что корпорация стремится побыстрее занять место центров обмена информацией, играющих роль своего рода информационных клиринговых палат. Примерно в том же духе действует и Amazon.
– Леонид Черняк
Различия между Business Intelligence и Decision Support System в большей степени определяются не столько спецификой технологий, сколько особенностями пользовательских сообществ.
Проблемы современного развития ИТ убеждают в том, что пришла пора оставить в прошлом упоение технологиями и обратиться к таким забытым понятиям, как кибернетика и автоматизированные системы управления. Механизм обратной связи позволяет системам любого типа оставаться в состоянии равновесия, не только стабилизируя процессы, но и развивая их.
Термин Business Intelligence существует сравнительно давно, однако у нас он мало употребляется из-за отсутствия адекватного перевода и четкого его понимания, что, впрочем, характерно и для Запада.
В 1945 году вышла статья As We May Think, описывающая электронно-механическое устройство Memex (MEMory EXtension), призванное дать человеку инструмент для усиления его мыслительных способностей.
Известно, что компьютерную мышь изобрел Даг Энгельбарт; менее известно, что она входила в комплект рабочей станции, и совсем за кадром осталось то, что все это были лишь шаги к осуществлению мечты сделать из компьютера интеллектуальный инструмент, подчиненный воле человека.
