Business Intelligence (трудности внедрения)
Несмотря на очевидные преимущества BI-систем для крупных организаций, многие руководители избегают их внедрения. Однако, те, кто решается оптимизировать работу компании таким образом, сталкиваются с некоторыми проблемами. Незнание этих проблем зачастую заканчивается большим количеством трудоёмкой работы, высокими затратами на поддержание системы и отсутствием ощутимой пользы. В статье перечислены и разъяснены основные трудности, с которыми сталкиваются организации, принимающие решение о внедрении BI-систем.
Неудобство решения для пользователей
Внедрение новой информационной системы нередко вызывает недовольство ряда сотрудников, проявляемое по следующим причинам:
- сложность в освоении;
- представление данных в новом, не соответствующем привычному виде;
- недостаточная скорость обновления данных;
- отсутствие собственного критерия классификации в новой системе.
В данном случае, решением является сотрудничество пользователей с технологическими экспертами, а также уверенность внедряющей стороны в том, что данные собираются в нужном и удобном виде для пользователей. Также IT-службе необходимо убедиться в том, что при необходимости пользователь может углубиться в данные и найти ответ на любой вопрос.
Проблемы, вызванные синхронизацией данных
Имея децентрализованную систему обработки данных, многие сотрудники организации в своих целях составляют прогнозы и рассматривают варианты событий, подставляя в собственные информационные таблицы прогнозируемые, не соответствующие действительности значения. Разумеется, данные изменения не применяются при сдаче отчётов и анализе реальных, сложившихся ситуаций. При внедрении BI-системы такие изменения немедленно вносятся в общую базу данных, вследствие чего могут быть приняты другими сотрудникамии за достоверные.
Проблемы качества данных
Система Business Intelligence должна основываться на абсолютно точных, достоверных, полных и актуальных данных, иначе она становится очередным препятствием, которое необходимо преодолеть (или проигнорировать), чтобы принять хорошее бизнес-решение.
Данную проблему невозможно решить раз и навсегда, за качеством поступаемой информации нужен постоянный контроль.
Переоценка возможностей продукта
Менеджмент организации зачастую полагает, что дорогостоящее приобретение BI-системы принесёт результаты, сопоставимые с затратами на её приобретение и поддержку. Это верное ожидание, однако некоторые руководители склонны считать, что такая инвестиция решит все существующие проблемы в аналитике деятельности компании и других сферах.
Следует понимать, что даже идеально внедрённая BI-система будет способна выполнить только заложенные в неё функции. Решением данной проблемы может являться объективное сопоставление функциональности планируемого к приобретению BI-решения с корпоративными потребностями и ожиданиями.
Отсутствие чёткого плана внедрения BI-продукта
Зачастую BI-система появляется в организации с целью решения какой-либо конкретной задачи. Затем, с ростом производственных мощностей, область применения BI расширяется и охватывает всё больше процессов в компании. Имеет смысл учитывать темпы развития организации и распространять влияние BI-системы пропорционально им, иначе возможно появление существенных пробелов в автоматизации деятельности компании, на ликвидацию которых уйдёт много времени и средств. Несвоевременный подход не позволит внедрённому BI-решению окупиться и стать полноценным инструментом в руках сотрудников компании.
Также необходимо обеспечивать единообразие BI-продуктов во всей компании во избежание лишних усилий для решения одних и тех же задач на разных платформах.
Привлечение аутсорсинговых компаний
Решение об отдаче части функциональных забот на аутсорсинг — в целом верная стратегия, которой придерживаются многие руководители. При таком подходе следует помнить, что сторонним компаниям нельзя доверять профильные и тактические аспекты деятельности организации. BI-система же относится именно к тактическим инструментам, поэтому отдать её внедрение и развитие сторонней компании — значит отдать на аутсорсинг свою стратегию.
Gartner: Почему многие проекты бизнес-аналитики проваливаются
В марте 2020 года аналитическая компания Gartner обнародовала некоторые результаты исследования, в котором рассказала о причинах провала многих проектов в области бизнес-аналитики (BI), а также дала несколько советов ответственным за эти внедрения руководителям.
Как пишет издание CRN в номере от 5 марта 2020 года, технологии бизнес-аналитики и управления большими данными (Big Data) остаются сферой роста для партнерского канала, поскольку клиентам нужны программные решения, сервисы и опыт для внедрения и использования умных технологий для бизнеса, чтобы лучше понимать своих заказчиков и улучшать свои операционные показатели. Но BI-проекты часто терпят неудачу, и вот почему, по мнению Gartner:
- Производители стремятся продавать узкоспециализированные решения в области аналитики, что приводит к фрагментированным, нишевым проектам внедрения, использующим лишь тактические возможности вместо выработки оптимальной стратегии с широким охватом.
- Интернет вещей требует иных знаний и навыков, нежели традиционные проекты бизнес-аналитики. Не имея планов набора специалистов по интернету вещей, организации не смогут успешно использовать IoT-данные и создавать интеллектуальные устройства следующего поколения.
- Некоторые компании пытаются подменить технологию обучением, предоставляя «простые в использовании» и «интуитивно понятные» инструменты бизнес-анализа своим бизнес-пользователям, чтобы они могли сами анализировать данные, не принесет желаемых деловых результатов.
- Всё большее значение приобретает управление аналитикой, но его нельзя осуществлять в отрыве от управления данными.
В Gartner дают несколько рекомендации ИТ-руководителям и менеджерам, ответственным для реализацию BI-проектов. Во-первых, аналитики направлять обучению внедрению инструментов аналитики и аналитических процессов на понимание того, когда и зачем они будут использоваться, а не на то, как использовать конкретные инструменты.Чекап для искусственного интеллекта: зачем и как тестировать ИИ-решения? 
Также эксперты считают необходимым оценивать уже имеющиеся приложения обработки данных, аналитики и бизнес-процессов — возможно, они включают достаточно средств машинного обучения для намеченных вами сценариев использования.
Ещё один совет — продумывать вероятные сценарии использования Интернет вещей в компании и соответствующие требования к аналитике при взаимодействии с бизнес-стратегами и архитекторами корпоративных приложений. Чаще всего проблемой будет понять, как обеспечить обработку потоковых данных от датчиков, но возможны и более сложные сценарии, что потребует встраивания аналитической технологии непосредственно в устройства на границе IoT.
Кроме того, в Gartner рекомендуют расширять управление данными, включив в него управление аналитикой. Не следует выстраивать управление аналитикой как самостоятельный процесс. Сделайте приоритетом согласованный бизнес-результат для конкретного бизнес-кейса или деловой цели.
По прогнозам Gartner, к 2022 году технологии расширенной аналитики будут распространены повсеместно, однако лишь 10% аналитиков будут задействовать весь их потенциал. К этому времени 40% проектов разработки и оценки моделей машинного обучения будут осуществляться в продуктах, в которых основной целью не является машинное обучение.
Также аналитики ожидают, что к 2023 году 90% среди 500 крупнейших в мире компаний объединят управление аналитикой в более широкие инициативы по управлению данными и аналитикой, а к 2025-му порядка 80% потребительских и промышленных товаров, содержащих электронику, будут выполнять аналитические процессы прямо на устройстве.[1]
См. также
Примечания
