Никита Лашин, Планум — о Data-Driven, OLAP и других подходах работы с данными

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.

Никита Лашин, Планум - о Data-Driven, OLAP и других подходах работы с данными
Никита Лашин, управляющий партнер Планум

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.

Читайте также  ТОП-7 платформ для бюджетирования 2024: рейтинг и обзор наилучших решений

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.

Читайте также  Планум: обзор системы бюджетирования от компании Планометрика

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.

Читайте также  Расширяем контур бюджетирования при помощи продукта «Форсайт. Аналитическая платформа»

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

Оцените статью
( Пока оценок нет )
Поделиться с друзьями
IaaS SaaS PaaS
Добавить комментарий