книги / Управление развитием организации подходы, методы, инструменты

Процесс управления данными может быть весьма разнообразным. Зависит от многих факторов: бизнес-модели организации, организационной структуры, сектора экономики. Но в этом процессе есть общие функции, которые существуют независимо от специфики бизнеса и его структуры. Речьидетотдесятиобластяхзнанийвобластиуправленияданными:

1.Архитектура данных.

2.Проектирование данных.

3.Хранение данных.

4.Безопасность данных.

5.Интеграция данных.

6.Управление контентом.

7.Управление справочниками.

8.Бизнес-анализ на основе данных.

9.Метаданные.

10.Качество данных

Каждая из областей знаний может быть рассмотрена с позиции ее описания, целей управления, бизнес-процесса и инструментов (методы, программные продукты, метрики). Подробное описание каждой области знаний управления данными изложено в своде знаний по управлению данными, поэтому мы не будем подробно на этом останавливаться.

Итак, в заключение рассматриваемого раздела резюмируем. Процессы управления данными взаимосвязаны и нуждаются в согласовании, чтобы сотрудники различных служб могли извлекать выгоду от их использования. Рассмотренные на различных уровнях абстракции фреймворки позволяют применить различные подходы к управлению данными. Взгляд на управление данными с различных углов зрения позволяет более глубоко проникнуть в суть процесса управления данными и получить более качественное представление об этой деятельности, разработать дорожную карту по оптимизации процесса и координации всех субъектов организационной структуры предприятия.

Оподходах к интеграции Big Data

всуществующую среду управления

Мы с вами наблюдаем как IT-отрасль опережает прогнозы аналитиков, а запросы бизнеса опережают IT-возможности. Для нас уже очевидно, что IT-отрасль из обслуживающей превратилась в драйвер бизнеса, становится локомотивом, который формирует концепт бизнеса,

121

определяет требования к компетенциям, вектор развития. Эта ролевая трансформация накладывает на менеджмент определенную ответственность. Это – с одной стороны, а с другой стороны, если посмотреть на происходящее с позиции бизнес-аналитика и специалиста по проектированию бизнес-архитектур, то видим, как принято говорить, две новости: хорошую и очень хорошую. Хорошая новость заключается в том, что вместе с ролевой трансформацией ИТ-направлений меняются биз- нес-процессы. Мы получаем качественно новую киберфизическую систему управления, где на первое место выходят:

Интернет вещей с огромным количеством данных;

облачные вычисления с нейронными сетями, которые наконецто получили практическое применение;

людей сменяют роботы, причем речь идет не только о железных,

ав большей степени софтверных новых работниках.

Это была хорошая новость, а очень хорошая новость заключается в том, что эти трансформации бесконечны, и так будет всегда! Это нужно понимать и быть к этому готовыми.

Не получиться правильно донастроить сервисы под новые задачи функциональных заказчиков, чтобы локомотив помчал нас в счастливое будущее. Эта модель уже в прошлом. Нужен новый подход к управлению. И чем скорее осуществится реализация, тем выше будет живучесть нашей организации. И еще хотелось бы отметить, что эффект от преобразований будет все меньше и меньше, а скорость этих преобразований все выше и выше. Об этом писал наш соотечественник Николай Дмитриевич Кондратьев ещё в начале XX века в своем труде «Большие технологические циклы и влияние их на конъюнктуру». Он обосновал существование больших циклов и влияние их на хозяйствующую систему путем структурных преобразований, обновление технологической базы, организационно-структурных изменений.

Как же построить новую модель управления?

Опять же с позиции аналитика и бизнес-архитектора решения есть,

ипоявились они не вчера.

Вначале 2000-х годов появился BPM, и был сделан колоссальный задел на эту тему, но, как говорится, в те времена «телега оказалась впереди кобылы». Такие решения, как:

 язык общения между функциональными заказчиками и ИТ-спе- циалистами;

122

методология спринтового управления проектами – Agile;

технологии быстрых разработок;

управление организационными изменениями;

low-Cod-платформы, предложенные бизнесу, не получили широкого применения.

Но сейчас есть возможность вооружиться этими инструментами и подходами. Деятельность по управлению большими данным, если описать

еекрупными мазками, т.е. системообразующими процессами, должна выглядетьтак:

1.Необходимо обеспечить поступление достаточной и выверенной информации. Обеспечить бесперебойный обмен данными между различными участками производственной системы. И достигается это за счет внедрения специальных информационных систем (PLM, BIM, CAD, SCADA, ERP, MES и т.д.). Особое внимание в этих классах информационных систем уделяется MES-системам, которые при правильной организации процесса управления данными позволяют получить максимальный экономическийэффектотоперационногопланированияпроизводств.

2.Необходимо обеспечить безопасный сбор, хранение и передачу данных. Данные могут быть с различными структурами и неструктурированными: временные ряды с датчиков, результаты аудитов и испытаний, история управляющих взаимодействий, автоматизированные или пользовательские решения.

3.Необходимо обеспечить структурирование данных для аналитической работы. Данные необходимо подвергнуть обработке на предмет специфичности, прослеживаемости и связанности, создать возможность прямого доступа к данным аналитиков в режиме On Day.

4.Далее разработка и встраивание решений и рекомендаций на базе технологий искусственного интеллекта в производственный процесс. Подключаем сервисы по сквозной аналитике, используем методы поиска решений c помощью искусственного интеллекта и математического моделирования для выявления скрытых закономерностей, направленных на оптимизацию техпроцессов, запускаем системы интеллектуальной видеоаналитики для процесса контроля правильности сборки изделия.

5.И заключительным этапом необходимо провести организационноструктурные преобразования для управления большими данными. Созда-

ются отдельные службы во главе с CDO (Chief Data Officer) и CDS (Chief Data Scientist). В их ведении находятся специалисты по данным, архитекторы, аналитикииспециалистыпоразличнымрешениямвобластиданных.

123

Это концептуальный подход к управлению большими данными, а начинать нужно с малых дел. Консалтинговая компания Gartner предлагает реализовать подход управления данными путем концентрации внимания персонала на новом фокусе – данные. Исходя из этого фокуса, отвечать на вопросы: какие технологии реализовывать и какими структурами этим управлять.

Мы часто наблюдаем такое поведение в компаниях, когда менеджмент, имея сервисы аналитики в информационных системах класса ERP, таких как SAP, Oracle, параллельно организуют локальные службы управления данными. На самом деле это общая мировая тенденция, об этом говорит и Gartner и предлагает решения для управления этим поведением. Также Gartner описывает как трансформируются компании. Если раньше менеджмент смотрел на управление сточки зрения трех сущностей – люди, процессы, технологии, то теперь появился новый фокус – данные. Как правильно концентрировать внимание людей на этом фокусе, какими технологиямиреализовывать, какиевопросынужноподниматьвэтомподходе.

Аналитические домены Gartner – это последовательный путь от BI (Business Intelligence) к AI (Artificial Intelligence) (рис. 4.3).

Рис. 4.3. Аналитические домены Gartner

Эти домены можно использовать для:

оценки уровня зрелости аналитики;

для понимания пробелов и возможности;

для формирования моделей компетенций и организационных решений.

Информационный портал – это этап зрелости, на котором компания стремится гармонизировать свои данные и перейти к единой отчетности на едином портале. На данном этапе компания должна нау-

124

читься управлять нормативно-справочной информацией, создавать снимки данных, автоматизировать отчетность. Если первый этап не пройти, то второй будет недоступен.

Селф-сервис – это следующая ступень развития организации, на которой формируются инструменты для самообслуживания. Функциональные пользователи умеют подключаться к кубам данных (On Line Analytical Processing OLAP), умеют пользоваться моделями и витринами данных, обладают технологиями по разработке метрик и их визуализации, самостоятельно разрабатывают аналитические представления данных. И вслед за этим этапом для компании становится доступен новый уровень развития аналитики и управления данными – этот этап называется «исследовательская лаборатория».

По данным Gartner, большинство компаний застревают на промежуточном пути между 2-м и 3-м этапами. Дело в том, что переход на третий этап требует специальной подготовки, его нужно планировать, так как появляются новые инструменты, компетенции, технологии. На этом этапе особое значение принимает такое свойство данных, как качество. Написать алгоритмы на Python или R несложно, но чтобы заработал искусственный интеллект, нужно обеспечить его необходимым качеством и инструментарием.

Gartner приводит примеры того, как амбициозный менеджмент пытается в лоб решить задачи по запуску искусственного интеллекта или машинного обучения на предприятии. Набираются команды разработчиков, создаются алгоритмы, а далее в промышленной эксплуатации обнаруживаются некачественные данные и, как следствие, потеря доверия к данным, распускаются команды, набираются новые и т.д. по циклу, а дело в том, что эта область не является ближайшей областью развития для предприятия. Одно дело – «на коленке» написать скрипты, другое – создать работоспособную систему.

Аналитическая лаборатория (или продвинутая аналитика) – технология автоматического либо полуавтоматического изучения данных или контента с помощью техник, обычно не реализуемых бизнесаналитикой, с целью получения глубинных знаний, подготовки прогнозов, выработки решений. Включает в себя:

разработку данных;

машинное обучение (зрение);

сопоставление (корреляция) и прогнозы (аппроксимация);

125

семантический анализ;

анализ тональностей высказываний;

сетевой кластерный анализ;

многомерная статистика;

анализ графов;

имитационное моделирование;

обработка событий;

нейронные сети.

Искусственный интеллект – это четвертый домен Гартнера, в котором становятся доступными такие технологии, как:

1.Искусственный интеллект (ИИ) – класс технологий первого уровня, способный самостоятельно выполнять задачи, для которых ранее требовались люди. У искусственного интеллекта могут быть вариации его представления:

автоматизированный интеллект – помогает в решении простых, рутинных и стандартных задач;

вспомогательный интеллект – помогает людям выполнять задачи быстрее и эффективнее;

расширенный интеллект – помогает принимать правильные решения в сложных стрессовых ситуациях.

2.Машинное обучение – класс технологий второго уровня, разновидность ИИ, дает машинам, не будучи явно запрограммированными, способность учиться на примерах.

3.Глубокое обучение – класс технологий третьего уровня, на котором реализуются специальные техники машинного обучения, посредством имитации поведения мозга человека, что позволяет машинам тренироваться для выполнения задач.

Каждая ступень развития аналитических компетенций имеет привязку к определенным технологиям (рис. 4.4).

На первой ступени развития появляются такие роли, как специалист помоделированиюданных, BI-разработчик, распорядительданными, также выделяется роль – ответственный за качество данных. На данном этапе у предприятия в инструментальном арсенале управления данными появляются BI-системы, OLAP, сервисы по обмену и публикации отчетов. Совещанияпроводятсясиспользованиемдашбордов.

На второй ступени развития усложняется организационная структура. Появляются в подразделениях аналитики. Появляются должности,

126

отвечающие за координацию всех заинтересованных лиц в использовании данных и разработку моделей данных, способную обеспечивать качественными данными потребителей. Появляются политики у области управления данными, новые регламенты процессов и системы мотивации сотрудников, работающих с данными. С точки зрения инструментального обеспечения появляются витрины данных, на основе которых аналитики строят собственные кубы различных уровней управления (стратегического, функционального, операционного).

Рис. 4.4. Модель компетенций в разрезе аналитических доменов

На третьей стадии развития компания (переход от бизнесаналитики к искусственному интеллекту) появляются разработчики искусственного интеллекта, архитекторы данных, руководители проектов по разработке данных. В организации появляется потребность в развитии технологии IoT (Internet of Thinks), в индексации видеопотоков, находят широкое применение датчики, регистрирующие физические параметры объектов системы. В информационных технологиях появляются распределенные системы хранения больших данных.

На четвертой стадии человека в области аналитики заменяют софтверные роботы. Данные поступают из различных источников (социальные сети, открытые данные, потоковые видео и аудио данные и др.). Обработка этих данных осуществляется программным способом, без привлечения человека. Доверие к данным определяется специальными математическим и алгоритмами.

127

Аналитический конвейер работает по принципу усложнения решаемых задач. Вначале управление реализуется на основе структурных источников из 1–2–3 систем и файловых хранилищ, далее подключаются внешние источники и открытые данные, затем неструктурированные данные и видеоаналитики, а также аналитики различных сервисных приложений.

Всегдавстает вопрос о том, гдехранить данные? Ответ на него неочевиден и кроется в нескольких плоскостях рассмотрения данного вопроса: экономическойцелесообразности, безопасностиикачестваданных.

Если смотреть на ранние этапы развития аналитических компетенций предприятия, то, очевидно, что потребителей этих сервисов будет немного, обычно начинается все с экономических и финансовых, а также плановых служб, у которых, как правило, структурированные данные защищенные системными ограничениями и позволяющие довольствоваться ограниченным количеством показателей. При этом затраты на управления этим подходом ограничиваться 1–2 лицензиями необходимого программного обеспечения (ПО) и зарплатой одного разработчика. В этом случае файловые приложения для хранения данных, кубов и моделей – хорошее решение: недорого и просто в обслуживании.

Но далее, когда объем превысит несколько сотен гигабайт и количество источников превысит два-три десятка, а пользователи исчисляются сотнями, тобезтрансформацииИТ-ландшафтаданнуюзадачунерешить.

О новых компетенциях для управления данными

По данным опроса директоров предприятий и руководителей направлений, опубликованном в журнале Garvard Business Review в июне 2019 года, определено, что 70 % всех инициатив по цифровой трансформации (DT) не достигают своих целей. Основная причина – это низкая культура обращения с данными на предприятиях. Означает ли это, что на предприятиях нет соответствующих специалистов? Нет, конечно же, причина в другом. Чтобы «большие данные» начали генерировать доход для предприятия и технологии по работе с Big Data, стали интегрироваться в операционную и стратегическую деятельность, нужны новые сотрудники, а если точнее, то новый набор компетенций. Этот набор компетенций условно можно условно определить как треугольник базовых компетенций аналитика. Он должен включать в себя: 1. Бизнес, 2. Технологии. 3. Разработки. Поясним эти сущности (рис. 4.5).

128

данных. Сформулировать требования к ИТ-инфраструктуре, определить требования для нормативно-справочной информации и критерии чистоты, валидности данных, сформулировать алгоритмы расчетов показателей. Разработать необходимые отчеты и найти скрытые закономерности в большом массиве данных, а также способен всем этим управлять.

Таблица 5.1

Организационная трансформация компании ГАЗПРОМ при внедрении подхода управления на основе данных

Во многих компаниях такие специалисты есть и находятся в соответствующих выделенных подразделениях. Но! Это и есть проблема! Сотрудник, который хорошо разбирается в определенной предметной области, на-

130