Интервью TAdviser c партнером AT Consulting, директором блока BI Андреем Нугмановым
Андрей Нугманов, партнер AT Consulting, директор блока BI, в интервью TAdviser рассказал о том, в каком направлении движется отечественный рынок BI и какие перспективы имеют технологии Big Data в России.
Как вы оцениваете текущее состояние российского рынка BI? В каком направлении движется рынок?
Андрей Нугманов: Несмотря на кризис, российский рынок BI в целом позитивен – в 2015 году мы оцениваем его в 10–12 млрд рублей. AT Consulting является крупнейшим игроком с точки зрения услуг по внедрению, развитию и поддержке BI-решений. На своем примере мы можем констатировать заметное увеличение спроса в 2016 году по сравнению с 2015 годом. За полгода у нашего блока BI появилось семь новых клиентов, представляющих различные индустрии, такие как производство, ритейл, энергетика, финансы и перевозки. Как говорил Фред Смит: «Вам непременно придется проводить инновации, если перед вами будет стоять проблема выживания». Без инвестиций в аналитику сложно, а порой невозможно выбрать правильный курс для развития.
За последние два года рынок сильно изменился, если говорить о правилах игры. Компании, которые чисто потребительски относятся к своему бизнесу, уходят. Сейчас недостаточно быть просто партнером, предоставляющим качественные сервисы по разумной цене, – рынок требует большего. Нужно садиться в одну лодку с клиентом, брать весло и грести, совместно принимая имеющиеся вызовы. Если ты не заполняешь все свободные ниши, если не проявляешь гибкость, то тебе находят замену. Твердость в достижении цели и гибкость в выборе формата взаимодействия – текущая парадигма успеха.
Какие основные задачи сегодня решают BI-технологии?
Андрей Нугманов: Мы видим три основных задачи: обеспечение прозрачности бизнеса, оптимизация бизнеса, создание новых цифровых продуктов.
Задача обеспечения прозрачности наиболее классическая по своей сути. Но сейчас необходимо подходить к ее решению на качественно ином уровне. Особенно это актуально для крупных госкорпораций и холдингов в части сбора коммерческой информации – финансовой и логистической. В состав таких корпораций входит большое количество различных организаций, каждая из которых в каком-либо виде уже решила задачу формирования отчетности, как правило, в ручном или полуручном режиме. Переход на следующий уровень зрелости подразумевает полностью автоматизированный сбор отчетной информации по единой методологии и в кратчайшие сроки. Это исключает любые манипуляции с данными и позволяет своевременно принимать обоснованные решения.TAdviser выпустил новую карту «Цифровизация банков»
Это наиболее актуально для промышленного, энергетического, добывающего и государственного секторов. В данном случае используется весь перечень BI-технологий для сбора и визуализации информации, включая Big Data. Правда, не как источник новых знаний, а как недорогое средство хранения разнородной информации.
Задача оптимизации бизнеса также не нова, но и она сейчас проходит стадию существенных изменений и является основным драйвером роста рынка. Большинство айтизависимых компаний в телекоме, финансах, ритейле выбрали курс трансформации в Data Driven парадигму бизнеса. На смену классическим хранилищам приходят платформы Data Management, умеющие в режиме реального времени собирать огромные объемы информации, проводить аналитику и формировать правила для цифровых платформ, обеспечивающих коммуникации и взаимодействие с клиентами.
На чем делается акцент? Прежде всего, это максимально полный сбор информации о клиентах и ее верификация из всех доступных для интеграции источников. Взгляд на 360 градусов, открывающий уникальные знания для построения новых сервисов и совершенствования текущих. Кроме того, повышение эффективности основного бизнеса предприятия с помощью оптимизации внутренних процессов. Например, повышение целевых продаж путем увеличения процента откликов на предложения благодаря более четкому профилированию клиента и работе в режиме Just in Time, борьба с мошенничеством, удержание клиентов, планирование развития сети (офисных и торговых помещений, банкоматов, сетевого оборудования), повышение качества и снижения затрат на коммуникации с клиентами. Наконец, это построение умного производства. Ряд промышленных и энергетических компаний приступили к тестированию возможности использования продвинутой аналитики для определения технологических параметров производственных линий, обеспечивающих снижение брака или увеличение срока бесперебойной работы оборудования.
Ключевой стек технологий составляют Big Data, Machine Learning, in-memory processing, online streaming. Big Data используется как средство оптимизации расходов для хранения увеличивающихся объемов информации, а в связке с решениями Machine Learning – для добывания новых знаний и верификации информации.
Третья большая задача, которую можно решать с помощью BI, это создание новых цифровых продуктов для потребителей. В их основе лежит торговля знаниями, которые получены с помощью глубокого анализа информации. Это рынок, который зарождается сейчас в России, и на нем доминируют интернет-компании. Выходят новые игроки, как правило, из телекоммуникационного и финансового секторов. Для этого рынка наиболее важны следующие направления: геоаналитика, скоринг, цифровая реклама (с использованием RTB). Причем фокус смещается с клиентов классического B2C-рынка на B2B и B2G.
Государственным органам необходимо знать о потоках перемещения граждан для оптимального развития инфраструктуры. Коммерческие организации планируют развитие своей розничной сети, оптимизируют логистику, планируют наружную рекламу и так далее. Банки при выдаче очередного кредита используют информацию об абоненте для расчета его платежеспособности и т.п. Рекламные компании предлагают информацию, релевантную текущим потребностям потенциального клиента. И все это возможно благодаря покупке знаний о том, кто их клиенты, где и когда они бывают, что им интересно именно в данный момент. Операторы связи становятся провайдерами таких знаний и выводят на рынок новые продукты, причем в строгом соответствии с законами, защищающими персональные данные клиентов. В этом процессе используются все технологии, описанные выше. Причем ряд интернет-компаний создает аналитические продукты самостоятельно, а телеком и финансы инвестируют в различные стартап-команды для вывода новых продуктов и решений.
Что можно сказать о перспективах Big Data в России?
Андрей Нугманов: В секторе «нового BI» – анализа больших данных, процессинга событий и принятия решений в реальном времени – стек СПО активно теснит продукты традиционных вендоров. Оно развивается в свете обновленного видения функциональных требований к BI и технологически во многом догнало проприетарный стек.
Открытый код, транспарентность развития, правовая чистота и доступность, гарантированная и не замкнутая на одного вендора поддержка, толерантность к оборудованию, высочайшая популярность СПО, в первую очередь среди молодых и перспективных специалистов, – все это становится причинами активного вытеснения и вымывания «старого» проприетарного стека из традиционных ниш. Вендоры пытаются если не оседлать волну, то хотя бы не быть погребенными ею. Кто-то открывает код и переходит на СПО-модель бизнеса, пытаясь возродить интерес у публики, а значит и у лидеров мнений в среде покупателей, к своим традиционным продуктам. Другие активно интегрируются с крупными поставщиками сервисов по поддержке стека Hadoop, стараясь снизить стоимость владения своими традиционными продуктами за счет использования открытых возможностей Big Data и достичь синергетических эффектов гибридного решения.
Клиент не всегда готов сразу платить за лицензии вендору и пытается самостоятельно протестировать технологию, понять степень ее применимости и набрать необходимую экспертизу для дальнейшей эксплуатации. Выбор СПО позволяет обеспечить быстрое внедрение интересующей функциональности без лицензионных платежей и – благодаря отсутствию закупочных процедур – в минимальные сроки. Каких-то серьезных препятствий в развитии данных технологий у клиентов мы не видим. И экспертиза присутствует на рынке, и как минимум есть внятный бизнес-кейс, обеспечивающий сокращение операционных затрат на хранение значительных объемов информации.
С точки зрения технологий, мы видим, что на первый план выходят решения использующие In-Memory Data Grid (IMDG). Hadoop позволяет собрать разнородную информацию и хранить. Теперь пришло время следующего шага – проводить сложные аналитические расчеты в онлайн-режиме. Классические MPP-платформы уже не могут обеспечить быстрой реакции по причине наличия операций чтения и записи на диски и специфики операционной среды. Также важен и вопрос стоимости таких технологий.
Мы видим, что для серьезных аналитических задач все чаще применяются in-memory решения. Они обеспечивают возможность высокопроизводительного параллельного выполнения запросов на сильно нагруженных аналитических системах для обслуживания тысяч пользователей в режиме высокой доступности.
106