Перейти к основному содержанию

bavaria_x6_1200x120.gif


758 просмотров

Малый бизнес и большие данные

Екатерина Рехерт
Data Scientist в Kolesa Group

У малого и среднего бизнеса есть шансы начать работу с большими данными раньше, чем это сделают крупные компании.

В область IT я пришла из бизнес-экономического блока. Тогда я сделала для себя открытие: чтобы заниматься анализом данных, не обязателен технический бэкграунд. На начальном этапе задачу накопления данных прекрасно выполняет Excel. С этого я и начала, а позже изучила инструменты и языки программирования, позволяющие работать с разными источниками данных, на основе которых можно строить сложные модели анализа.

Сегодня много говорят и пишут о Big Data, Business Intelligence и Data Science. При этом мало кто понимает, как сделать первые шаги в этом направлении. Кажется очевидным, что лидерами внедрения этих инструментов должны стать крупные компании. Хочу убедить вас в обратном: гораздо больше шансов оцифровать свою деятельность и эффективно работать с данными у малого и среднего бизнеса. Постараюсь не просто объяснить – почему, но и дать конкретный рецепт, как от вороха Excel-файлов перейти к своему первому дашборду.

Все на сбор

Для начала давайте разберемся с двумя понятиями: Big Data и Business Intelligence. Big Data (большие данные) – объем данных, которые сложно обработать стандартными средствами. Это понятие весьма относительное, для малого бизнеса большими данными вполне может оказаться объем, превышающий максимальный размер Excel-листа (1,048 млн строк и 16,3 тыс. колонок). Возможно, 10 лет назад Kolesa Group так и начинали. Сегодня мы пользуемся инструментами вроде Google Big Query, который за несколько секунд способен обработать десятки терабайт. 

Business Intelligence – совокупность процессов и технологий обработки и визуализации данных с целью извлечь из них пользу в виде рекомендаций к принятию бизнес-решений.

Сделаю небольшое отступление. «Данные – это новая нефть» – такой вывод в 2017 году сделал журнал The Economist, одно из самых авторитетных изданий финансового мира. Это значит, что человечество научилось обрабатывать и извлекать ценные наблюдения из огромных объемов данных посредством технологий. Такие умения позволяют бизнесу обрести некую суперспособность, что-то вроде ночного видения в темном лесу. Пока другие бизнесмены пробираются по нему вслепую, вы имеете возможность уклоняться от препятствий, а также первым увидеть и заполучить добычу.

Звучит заманчиво. Так с чего мы можем начать работу с данными и их анализ? Главное – данные нужно начать собирать. Иначе вам нечего анализировать, пусть даже вы наняли самых дорогих специалистов. Как организовать сбор данных – тема отдельная и зачастую очень индивидуальная по отношению к конкретному бизнесу, раскрыть ее в каждом случае поможет инженер данных. И здесь мы возвращаемся к преимуществам, которые могут быть у МСБ перед большими компаниями.

Первое преимущество – это размер. МСБ гораздо проще внед­рить новые процессы по сбору и анализу данных, этим может заняться всего один человек или сам руководитель. Например, в Kolesa Group за несколько лет удалось внедрить, попробовать, понять ограничения и «выпилить» сразу несколько систем аналитики: от Grafana, ClickHouse и Google Analytics до Google Big Query, и все это вначале осуществлялось силами нескольких сотрудников, в том числе и менеджеров проектов. Повторюсь, работа с данными – вещь стратегическая, не стоит руководителю пренебрегать такими задачами. Второе – скорость принятия решений. Зачастую большие компании сдерживает большое количество ограничений по безопасности. Третье – цена ошибки, в малом бизнесе она дешевле. К тому же, если данные были обработаны неверно или внедрена не та стратегия, это можно быстро отследить и принять меры. Поэтому я настоятельно рекомендую малому и среднему бизнесу get your hands dirty with data и начать игру с данными.

Шаг за шагом

Допустим, сбор данных у вас в какой-то степени налажен и вы готовы начать их анализировать. Как это сделать? Для ответа на этот вопрос рекомендую использовать Gartner Analitic Ascedancy Model, которая хорошо помогает разложить все по полочкам. Первое, с чего стоит начать, – описательная аналитика, имеющая наименьшую сложность внедрения. Она даст понять, что у вас происходит, определит и измерит основные показатели KPI. Второй шаг – аналитика, помогающая понять, почему что-то происходит. Упала выручка, ушел крупный клиент – вы сможете понять, почему это случилось. Третий шаг подводит вас к предиктивной аналитике, позволяющей знать, что случится в ближайшем будущем. Это сфера Data Science, алгоритмов, глубокого анализа данных. На сегодняшний день Kolesa Group уверенно осваивают именно эту ступень, и работой с данными занимается уже команда из 16 специалистов – инженеры машинного обучения, специалисты по Data Science, продуктовые и риск-аналитики. Это удалось сделать благодаря скорости и подвижности, вряд ли такое быстрое развитие возможно в крупном банке или на заводе. Четвертый шаг ведет на уровень advanced, где возможно управление будущим бизнеса. К примеру, как нарастить выручку в следующем месяце на 50%. Для этого нужен самый зрелый уровень аналитики.

Построить свой дашборд 

Выбрать программу под себя вы можете, опять же опираясь на рекомендации Gartner. Это исследовательская компания, специализирующаяся на рынке IT. Ежегодно она выпускает так называемые «магические квад­ранты», куда попадают лучшие информационные продукты, в том числе и программы обработки данных. Последние 12 лет туда неизменно попадает Power BI от компании Microsoft. Это первая программа, которую я освоила профессионально, с тех пор являюсь ее проповедником. Это очень удобное решение для тех, кто хорошо знаком с Microsoft Excel – если вы разобрались с функцией ВПР, то разберетесь и с Power BI. Кроме того, если у вас есть корпоративная или студенческая электронная почта, вы уже сегодня сможете начать бесплатно использовать эту программу, загружать данные и строить аналитические дашборды. Да и платная версия не разорит малый бизнес – она обходится в 4 тыс. тенге в месяц на пользователя. Ну и последнее, однако не менее важное: Power BI может подключиться к десяткам источников данных, от Excel-файлов до SQL баз данных, Google Analytics и многих других. Конечно, Power BI – это не единственное решение на рынке. В рейтинге Gartner вы найдете и других лидеров рынка, например Tableau и Qlik. Однако эти и другие решения, на мой взгляд, не совсем актуальны для МСБ из-за высокой стоимости использования. 

И для примера реальный кейс внедрения BI в компании Wimmer Solutions, где я работала как BI-аналитик. Одно из направлений деятельности Wimmer – это IT-рекрутинг. Мною был создан Power BI отчет, собравший историю привлечения талантов через Wimmer. Благодаря этому отчету мы увидели, что одно из направлений обладает высоким процентом комиссии, то есть является высокодоходным. Однако компания никогда не фокусировалась на этом направлении. В результате было принято решение выделить сотрудника, который будет заниматься только этим направлением.

Соответственно, выручка и другие показатели пошли вверх. Благодаря внедрению BI компания осознала: есть тоненький золотой ручеек, но его можно сделать золотой жилой. В процессе операционной деятельности, не используя BI, очень сложно выявить подобные закономерности, а значит, бизнес теряет возможности и неэффективно распределяет ресурсы.

ГЛАВНАЯ_Gardners_Analytics.jpg

Комментарии Disqus
Андрюс Гудайтис

Почему рабочие так медленно работают?

Когда проходишь по производственным цехам, почти всегда глаз цепляется за «неуклюжую» работу рабочих – чересчур много лишних действий, всегда все чего-то ищут, куда-то ходят. Даже невооруженным глазом видно, что они могут сделать в два или даже в три раза больше работы, чем сейчас, и могли бы с меньшими усилиями заработать больше. Так откуда взять таких людей, чтобы старались заработать себе и компании, чтобы предлагали, как организовать работу, чтобы всем было бы лучше? Может, надо уволить и заново принять HR-персонал, чтобы нашли новых людей?


Алем Бектемиров

Nike против Adidas: кто победит?

Nike (Just do it) и Adidas (Impossible is nothing) – эти два гиганта полностью перевернули индустрию спортивной атрибутики и разделили мир на две части. Сегодня мы поговорим об этих двух компаниях и узнаем, каким же образом они добились таких результатов.


Максим Баженов

Какие сложности создает налоговый камеральный контроль для бизнеса

Камеральный контроль – это одна из форм налогового контроля, осуществляемого путем анализа налоговой отчетности и сведений о налогоплательщиках. Цель камерального контроля – выявить нарушения и предоставить налогоплательщикам возможность самостоятельно их устранить. Несмотря на такую цель, камеральный контроль может создать для налогоплательщиков ряд сложностей, что возможно из-за неясности некоторых положений Налогового кодекса и определенных процедурных моментов.


Евгений Щербенин

Как роботы с ИИ захватывают банковские процессы

Технологии искусственного интеллекта (ИИ) за последние несколько лет из сказки превратились в реальность. За те 20 лет, что я в IT-отрасли, появлялись и угасали многие тренды, однако не было столь стремительного прогресса, какой сегодня мы наб­людаем с ИИ. При этом технологии ИИ легко масштабируются на целые отрасли экономики, например финансовую. Мы считаем, что следующий этап эволюции банков – это роботизированный на ИИ банк без людей, и даже придумали ему имя для внутреннего пользования – RoboBank.


Талгат Камаров

Какие нормативы оживят казахстанский фондовый рынок?

С сообщением о создании нового Агентства по регулированию и развитию финансовых рынков у рынка ценных бумаг появился шанс на рывок в развитии. Прошлая эпоха регулирования рынка ценных бумаг прошла под знаком либерализации условий для компаний – эмитентов ценных бумаг, тогда были значительно упрощены и смягчены требования к выпуску и размещению компаниями на рынке ценных бумаг.