Традиционную аналитику сложно назвать оперативной. Выгрузка данных, их обработка в Excel, визуализация в Power Point отнимает кучу времени у сотрудников и заставляют руководителей нервно ждать готового отчета, особенно в пятницу, особенно вечером. Современные технологии, в частности такие как DWH (Data Warehouse - дословно склад данных, или хранилище), приходят бизнесу на помощь, ускоряя цикл "переваривания" данных. Кому и зачем нужен сегодня DWH - читайте в этом материале.
Зачем нужен DWH?
Работу DWH можно представить в виде конвейера, на вход которого подают замусоренные и разрозненные данные из различных информационных систем, а на выходе получают "красивые" таблицы, готовые к визуализации при помощи системы бизнес-анализа (например, Power BI / Tableau / Qlik).
Внутри DWH происходит объединение, очистка данных, их подготовка к выдаче аналитику в виде так называемых витрин данных, представляющих собой аналитические таблицы. Эти таблицы содержат те показатели, которые требуются аналитику для создания дашборда.
Пример данных на выходе в DWH (не годится для аналитики)
Пример данных на выходе DWH (годится для аналитики)
Для получения аналитических таблиц исходные таблицы объединяют по различным ключам.
Например, по ключевому полю company_id в одной таблице, выбираются данные о названии компании - в другой. Таким образом в результирующей таблице находится не условный код компании, а её понятное для человека наименование.
Пример дашборда на основе аналитической таблицы
Работы по проектированию и разработке DWH осуществляют соответственно архитекторы и разработчики хранилищ данных.
После подготовки аналитических таблиц и разработки дашборда, он (дашборд) не требует трудозатрат на актуализацию, поскольку может автоматически обращаться к DWH по заданному расписанию.
Кому нужен DWH?
Первое что нужно сделать принимая решение о внедрении DWH, так это оставить все иллюзии об экономии фонда оплаты труда (ФОТ). Даже если в результате успешного внедрения хранилища данных в вашем бизнесе получится высвободить ручной труд аналитиков, этот ФОТ будет с избытком перекрыт трудовыми затратами специалистов по поддержанию работы самого хранилища.
Второе что нужно сделать - оценить свои возможности. Проект внедрения полноценного DWH вряд ли обойдется дешевле, чем ~ 10 млн.р. для бизнеса среднего масштаба. Безусловно, есть множество деталей проекта, которые могут увеличивать, или снижать чек, но порядок цифр - такой.
Основными преимуществами от DWH могут стать:
- высокая скорость поддержки принятия управленческих решений;
- осознание бизнеса как единого целого;
- получение возможности принимать контринтуитивные решения.
1. Скорость принятия решений
Если ваш бизнес чувствует на себе постоянное давление "скоростных" конкурентов, то внедрение DWH может стать решающим фактором для выживания на рынке.
Например, известны случаи, когда за время оценки окупаемости инвестиционного проекта по строительству завода российским бизнесом, китайские бизнесмены успевали построить аналогичный завод и вывести его на окупаемость.
Если бы у российской компании были подготовленные данные, то скорость оценки проекта, наиболее вероятно, - возросла.
2. Осознание бизнеса как единого целого
Разрозненные информационные системы позволяют менеджерам фокусироваться на отдельных процессах и явлениях бизнеса. Однако проблемы могут возникать не только внутри процессов и явлений, но и на стыке между ними. Консолидация всей управленческой информации внутри DWH позволяет получать новые срезы данных, не учитываемые и не осознаваемые ранее. Это помогает менеджерам питаться новыми идеями развития.
В том случае, если бизнес испытывает сложности с осознанием кадровых, финансовых, бюрократических и т.п. проблем - DWH может быть полезен, так как он позволит сопоставлять различные данные и показатели в динамике и поможет выявить закономерности в них.
3. Возможность принимать контринтуитивные решения
Принятие решений менеджером лишь на основе интуитивного опыта может быть ошибочным. Человеческая интуиция не учитывает всего массива управленческих данных, в т.ч. о состоянии рынка, состоянии конкурентов, финансового состояния бизнеса и т.п.
Выделять знания и зависимости из большого массива данных позволяют модели машинного обучения, однако они требуют подготовленных и актуальных данных. Без DWH "кормить" модели будет попросту нечем, поскольку традиционные учетные информационные системы внутри бизнеса не годятся для таких целей. Подробнее о жизненном цикле моделей можно почитать тут.
Резюмируя, можем отметить следующее:
- Крайне маловероятно, что DWH потребуется вам в рамках малого бизнеса, так как инвестиционные затраты вряд ли окупятся экономией на фонде оплаты труда аналитиков, занятых ручным трудом;
- DWH может помочь вам, если рынок очень быстрый и динамичный, а решения без аналитической подготовки принимать не получается;
- DWH может стать ключевым конкурентным преимуществом, если вы ищете контринтуитивные решения в большом объеме данных, накопленных вашим бизнесом.
Если материал был вам интересен и/или полезен, не забывайте подписываться на канал и поощрять авторов лайками.
