В цифровой век объём данных растёт по экспоненте. Компаниям нужно уметь оперировать ими, анализировать их, строить прогнозы. Никита Лашин, управляющий партнер Планум, рассказал о современных тенденциях в сфере работы с данными.
IaaSSaaSPaaS: Многие говорят про Data-driven подход. Это реально полезная технология или не более чем маркетинговые слова? Используется ли у вас?
Никита Лашин: Главная цель современных аналитических платформ — поддержка data-driven подхода. По сути, средства автоматизации, например, платформы для планирования и бюджетирования, такие как Планум, созданы для облегчения и ускорения работы с данными. А значит предполагают, что в организации уже есть практика работы со структурированной информацией, но с ростом ее объемов простые методы перестают быть эффективными, и здесь на первый план выходят специализированные инструменты.
Ведь, что такое data-driven? Это подход, при котором принятие решений строится на базе анализа фактов и статистических данных, а не на экспертном мнении или интуиции. Основное преимущество data-driven подхода состоит в том, что с ростом детализации данных увеличиваются шансы на выявление скрытых от человеческого взгляда факторов, а значит можно принять более эффективное управленческое решение.
На практике data-driven реализуется по-разному — от простых Excel-таблиц до полноценных OLAP-систем. Часто у клиентов уже есть цели и набор метрик, по которым они ориентируются достигнута цель или нет. Здесь наша задача и задача интегратора – помочь клиенту посмотреть на достижение цели со всех сторон и предоставить эффективный инструмент, который масштабируется вместе с бизнесом.
Например, data-driven подход может уже существовать в каком-то виде в таблицах Excel. У клиента уже есть набор финансовых метрик в отчетах, по которым он смотрит исполнение бюджета, скажем, конкретного проекта. И когда клиент работает с 2-3 небольшими проектами, то аналитику можно проводить и в рамках Excel таблиц. Но когда проектов становится десятки, а объём информации, связанной с бюджетами, резко растёт, а также появляется необходимость быстрой консолидации данных в единую отчетность, таблицы перестают справляться. В такой ситуации требуется более мощный и удобный инструмент для консолидации и анализа.
Именно здесь себя оправдывают платформы на базе технологий OLAP-кубов, которые позволяют структурировать большие массивы данных и быстро получать результаты для управленческих решений.
IaaSSaaSPaaS: Чем привлекателен OLAP? Можно ли обойтись плоскими таблицами?
Никита Лашин: Зависит от объема данных. Если данных немного, то можно обойтись и плоскими таблицами, так называемыми реляционными базами данных. Но когда мы возвращаемся к большому объему данных с множеством признаков и параметров, то OLAP-куб становится наиболее удобным инструментом.
Сама технология OLAP-кубов развивается уже более 40 лет, и за это время был наработан огромный опыт оптимизации работы и хранения данных.
Что это значит для пользователя? Например, в компании есть отчетность, включающая множество срезов данных: торговые точки, их географию, даты продаж, категории продукции, цены, распределительные центры, даты отгрузки и т.д.
Каждый из этих параметров можно детализировать: торговые точки — по адресу, городу, региону, категории продукции – по наименованию, типу и виду продукции, наличию собственной торговой марки, и промо-акций и прочему.
В бизнесе важно не просто проанализировать продажи в общем, а понять выгодно или нет иметь собственную торговую марку по конкретной продукции, либо какая длительность промо-акции должна быть у конкретного товара, чтобы увеличить оборачиваемость складских запасов, но и сохранить рентабельность.
Вот для решения этих задач и требуется многомерная аналитика по нескольким срезам информации, с возможностью как обобщения, так и более глубокого погружения в данные. Именно такую гибкость в оперативном режиме обеспечивают OLAP-кубы.
IaaSSaaSPaaS: А какие есть возможности для роботизации (применения RPA-систем) в процессах бюджетирования?
Никита Лашин: RPA обычно применяют для локальных задач, связанных с имитацией действий пользователя: поиск данных в документах, копирование информации с сайтов, формирование и рассылка писем. Такие сценарии помогают убрать рутинные шаги из ежедневной работы.
В нашей практике автоматизация бюджетирования на базе платформы Планум включает как элементы RPA, так и «классическую» интеграцию. Например, для согласования бюджетов удобно использовать роботизированную рассылку писем ответственным сотрудникам. А вот загрузка курсов валют или интеграция с системами учета выполняется через API — это уже автоматизация и интеграция с внешними источниками данных, а не роботизация в чистом виде.
И RPA, и автоматизация решают общую задачу: минимизировать ручные операции и дать возможность специалистам сосредоточиться на стратегических вопросах, а не на рутинных действиях.
IaaSSaaSPaaS: Сейчас есть мода на участие ИИ во всех бизнес-процессах. Чем конкретно может помочь ИИ в системах бюджетирования? Используете ли вы ИИ?
Никита Лашин: В платформе Планум мы используем два направления, связанных с ИИ и машинным обучением.
Первое — это подключение ML-моделей для прогнозирования. Система поддерживает сценарии, когда аналитики подключают модели на Python с использованием библиотек анализа данных. Это позволяет строить прогнозы с учётом множества факторов: сезонности, динамики продаж, колебаний курсов валют или длительности промо-акций. Такой подход помогает компаниям точнее планировать и управлять рисками.
Второе направление — ИИ-помощник. Он упрощает взаимодействие пользователя с системой: например, формирует резюме по выбранным данным (например, выделяет ключевые тренды), подсказывает шаги при работе с моделью и т.д.
Таким образом, в Планум ML-модели расширяют возможности аналитики, а ИИ-помощник делает работу пользователей удобнее и доступнее.
IaaSSaaSPaaS: Нужна ли встроенная аналитика, или лучше интеграция с BI-системами, или аналитика вообще не столь важна?
Никита Лашин: Аналитика, конечно, важна. Она позволяет посмотреть на данные под разным углом, в разных срезах информации, а также идентифицировать те или иные факторы, которые могут оказать влияние на будущие показатели компаний.
Мы придерживается многомодульного подхода, когда каждая объемная задача решается в отдельном модуле или системе. Конечно, комплексные бизнес-системы могут, на первый взгляд, оказаться удобнее, поскольку используют единый источник данных. Однако на длинной дистанции, когда у компании появляются дополнительные бизнес-аналитики, которые требуют перегруппировки статей, ввода новых переменных – отдельные системы показывают большее преимущество. Они позволяют не вносить изменения в единое хранилище данных, а модифицировать данные непосредственно в самой системе.
При этом BI-система не может полностью заменить систему для планирования, поскольку ПО для BI-аналитики разработано для сбора информации из разных источников и визуализации уже существующих данных. Системы для планирования, как Планум, предоставляют более широкие возможности по обогащению и трансформации данных, моделированию, прогнозированию, сценарному анализу и формированию отчетности план-факт. То есть, если резюмировать, то системы планирования помогают рассчитать нужные показатели, а BI-системы – их визуализировать в удобной форме.
В этом случае бизнесу важно найти баланс и построить удобную ИТ-архитектуру.
РЕКЛАМА. erid: CQH36pWzJqLRA2dgMwGL8dGJLXQxzrKBFxGAtp4w7aQXfj; ООО «ПЛАНОМЕТРИКА»; ИНН 7751254386; ОГРН 1237700328690
