9.2 УРОВНИ И РЕЗУЛЬТАТЫ АНАЛИТИКИ
Типичные проекты в области анализа данных делятся на несколько этапов: данные оцениваются и отбираются, очищаются и фильтруются, визуализируются и анализируются, а результаты анализа в итоге интерпретируются и оцениваются. Трудоемкость этапов неодинакова. Львиная доля рабочего времени (принято считать, что 80−90%) уходит на поиск, извлечение, очистку данных (см. разделы 6.2 и 4.1) и подготовку их к анализу. Для удобства можно выделить ключевые этапы аналитического проекта, показанные на рис. 31.
Межотраслевой стандартный процесс интеллектуального анализа данных (Cross-Industry Standard Process for Data Mining, CRISP-DM) включает шесть этапов: понимание целей, начальное изучение данных, подготовка данных, моделирование, оценка, внедрение
Перед этапом анализа выделяется также процесс самостоятельной подготовки данных (Self-Service Data Preparation), цель которого — привести данные разной периодичности, форматов и качества в единый вид силами бизнес-пользователей. Отличие от стандартного сбора (интеграции данных) заключается в том, что подготовку делает не инженер данных, а сам бизнес-пользователь.
Аналитика помогает принимать обоснованные управленческие решения на четырех уровнях (табл. 6), каждому из которых соответствует определенный результат.
Big data, big outcomes: how analytics can transform public services and improve citizens' lives // EY.
Первый уровень — дескриптивный (описательный), когда мы можем описать прошлое и ответить на вопрос «Что произошло?». Это, например, элементы бухгалтерского учета или количество тех или иных записей в ИС, число жителей в разных районах области, количество автодорог на душу населения. По оценкам авторов, на этом уровне находится около 70% организаций, как государственных, так и негосударственных. Для большинства повседневных задач описательного уровня достаточно.
Второй уровень — диагностический; он отвечает на вопрос «Почему что-либо произошло?». На нем появляется собственно анализ, например ключевые показатели, рентабельность и аналитический финансовый показатель EBITDA в бухгалтерской отчетности; динамика изменения фактического населения региона по сезонам года, изменение удовлетворенности населения после введения каких-либо новых услуг. На этом уровне находится 15−20% организаций госсектора.
Рисунок 31
Этапы аналитического проекта
Предиктивная (прогностическая, предсказывающая) аналитика — это уже не просто анализ, но и построение различных моделей на основе данных, которыми располагает организация, — от простых регрессионных до более сложных на базе нейронных сетей. Предиктивная аналитика отвечает на вопрос «Что произойдет?».
О том, как работают предиктивные аналитические модели в современных организациях мира, см.: Сигель Э. Просчитать будущее. Кто кликнет, купит, соврет или умрет. М.: Альпина Бизнес Букс, 2014.
Центр ЦТ ФАУ «Главгосэкспертиза России» разрабатывает цифровые решения на основе дата-ориентированного подхода для отрасли строительной экспертизы. В ходе реализации нацпроекта «Цифровая экономика» создается Единая цифровая платформа экспертизы. В нее загружается в машиночитаемом виде вся предоставляемая на экспертизу документация, производится разметка данных, что позволяет применять аналитические методы и получать ответы на вопросы «Почему?», «Кто?» и «Какие действия предпринять?». Возможности цифровой платформы экономят время и средства при проведении экспертизы.
Центр ЦТ ФАУ «Главгосэкспертиза России» разрабатывает цифровые решения на основе дата-ориентированного подхода для отрасли строительной экспертизы. В ходе реализации нацпроекта «Цифровая экономика» создается Единая цифровая платформа экспертизы. В нее загружается в машиночитаемом виде вся предоставляемая на экспертизу документация, производится разметка данных, что позволяет применять аналитические методы и получать ответы на вопросы «Почему?», «Кто?» и «Какие действия предпринять?». Возможности цифровой платформы экономят время и средства при проведении экспертизы.
BIG DATA 2020: Главгосэкспертиза на единой цифровой платформе // Вестник цифровой трансформации CIO.RU.
Наконец, на прескриптивном (предписывающем) уровне руководители получают варианты решений анализируемой проблемы. Реализована такая аналитика может быть как в виде расчетов вероятности тех или иных событий при принятии определенного решения или поиска оптимума «затраты — доходы», так и в виде полноценных систем поддержки принятия решений. Лишь считаные проценты организаций в мире строят свою деятельность на предиктивной или прескриптивной аналитике.
«Издалека аналитические информационные панели могут выглядеть внушительно: какие-то цифры, графики. Но представьте, что это панель управления автомобиля — куча мелких цифр и диаграмм. Как вы будете им управлять? Хорошая аналитическая система должна включать прогноз, а не одни мертвые данные, показывающие, что произошло. Если у вас нет прогноза, вы не понимаете, как будет развиваться ситуация».
Илия Димитров, омбудсмен по вопросам развития цифровой экономики
Илия Димитров, омбудсмен по вопросам развития цифровой экономики
Следует учесть, что системы предиктивной или прескриптивной аналитики нуждаются в больших массивах данных, создание которых требует отдельных усилий и специальной инфраструктуры. Такого уровня аналитики легче достичь, если организации удается преодолеть «феодализм данных» (см. также раздел 4.5), когда данные хранятся изолированно в локальных базах отделов и департаментов, а их интеграция в единые наборы затруднена по административным или техническим причинам.
Развитию высокоуровневой аналитики способствует свободный обмен данными, накопление их в специальных хранилищах, постоянное обогащение данных. Кроме того, важно наличие метаданных (сведений об имеющихся данных), регламентов сбора, обработки и хранения данных.