26 февраля 2025 г.

«Цифровизация», «большие данные», «машинная аналитика» — эти и многие другие привлекательные своей прогрессивностью термины звучат в последние полтора десятка лет едва ли не на каждом мало-мальски касающемся организации бизнес-процессов мероприятии, от регулярного совещания на уровне отдела до крупной отраслевой конференции. А что на деле? Как выяснили недавно в Gartner, в реальности с адаптацией стильных, модных цифровых инструментов — точнее, с оценкой реальной выгоды от такой адаптации — всё обстоит далеко не так радужно, как на слайдах презентаций. И это в глобальном масштабе, — на отдельных страновых рынках всё может оказаться ещё интереснее.

Исследователи опросили 504 главы подразделений, занятых в различных компаниях сбором и аналитикой данных (chief data and analytics (D&A) officers) — прежде всего, из стран Северной Америки и Западной Европы, разумеется, — и выяснили, что лишь 22% из этих специалистов в полной мере отслеживают, как именно работа возглавляемых ими служб влияет на бизнес компании в целом. То есть — определяют, собирают, обрабатывают некие метрики, на основании которых можно объективно судить о воздействии того или иного внедрённого инструмента цифровизации на бизнес-процессы, — а затем корректируют, отталкиваясь от полученных выводов, свою политику.

Объясняется ли столь малая распространённость отлаженного инструментария для обратной связи отсутствием интереса соответствующих менеджеров к цифровизации — проще говоря, тем, что на должности D&A officers руководством назначены не те люди? Вовсе нет: для более чем 90% респондентов за последние год-полтора привязка деятельности возглавляемых ими подразделений к реальной ценности, которую они создают для компании, сделалась важнейшим критерием их деятельности. Иными словами, чем активнее в целом развивается технический прогресс (и, в частности, системы искусственного интеллекта, которые как раз с точки зрения аналитики отменно хороши, — это к их способности генерировать нечто новое имеется изрядно претензий), тем острее ощущают специалисты по собору и анализу данных, что их работа для ведения основного бизнеса компаний крайне существенна.

Так почему же так низок процент D&A-подразделений, сумевших разработать и внедрить адекватные системы оценки своей эффективности? Всё дело, как свидетельствуют результаты опроса Gartner, в непростом характере самой задачи: 30% его участников признали, что испытывают неимоверные сложности с обработкой и аналитикой собранной информации, а также с оценкой влияния своей деятельности на бизнес-процессы компании в целом. Между намерением руководителей групп сбора и аналитики данных делать свою работу как следует, с одной стороны, и фактической её реализацией, указывают эксперты, — зияющая пропасть: по меньшей мере треть этих управленцев даже не рассматривает разработку и внедрение операционной модели для оценки собственной эффективности как свою непосредственную задачу.

Строго говоря, формально они правы: странно доверять некоему подразделению разработку инструмента, которым его же деятельность будет измеряться в плане эффективности, — при таком подходе у исполнителя непременно возникнет соблазн откалибровать создаваемый барометр так, чтобы тот всегда показывал «ясно». И уже один только факт, что проведённый Gartner опрос выявил обсуждаемую проблему, говорит в пользу искреннего осознания D&A-управленцами всей сложности ситуации, в которой они оказались, — раз проблема обозначена и проговорена, значит, замолчать её, выставляя себя в выгодном свете, большинство опрошенные не пытается.

Значимость обнаруженной экспертами неудобной ситуации со сбором и анализом больших данных в реальных компаниях подчёркивает тот факт, что ещё в 2023 г. тот же Gartner оценивал объём мирового рынка ПО для бизнес-аналитики в 150 млрд долл. США, а сегодня он с очевидность ещё крупнее. Положение дел усугубляется тем, что теперь старший менеджмент требует от подчинённых внедрения уже ИИ-инструментов, которые обходятся в среднем заметно дороже прежних аналитических систем вследствие своих крайне высоких аппаратных требований, — а как оценивать эффективность работы новых средств аналитического производства, когда и с существующими-то далеко не всё понятно? При этом цена вопроса здесь значительно выше, особенно учитывая, что при развёртывании on-premises система искусственного интеллекта потребует недюжинных инвестиций в «железо», а при переносе корпоративных данных в облако существенно возрастают риски их компрометации и/или несанкционированного использования (для обучения тех же самых новых ИИ-моделей, в частности).

Вполне вероятно, что в погоне за модными трендами «цифровизации» и «больших данных» многие компании — и D&A-управленцы из их состава — упускают из вида давно известную концепцию «информации — данных — знания», которая подразумевает, что сами по себе «сырые» данные большой ценности не представляют — как необогащённая руда, только что добытая из шахты. Обработанные, организованные, структурированные данные, соотнесённые с контекстом вопроса, для решения которого они привлекаются, превращаются в несущую уже некое содержание информацию — которая чаще всего и предоставляется аналитическими подразделениями вышестоящему начальству в виду красивых графиков и пространных таблиц.

Однако информация сама по себе тоже мало чего стоит, — как и обогащённая руда непригодна напрямую для изготовления различных изделий. Чтобы получить в итоге некий продукт, нужно предварительно выплавить из руды металл, — то есть из информации добыть знание; понимание изучаемого процесса или системы на уровне, допускающем более эффективное (чем до получения этого самого знания) решение связанных с ней вопросов. А знание не формируется, увы, даже самым изощрённым ПО для бизнес-аналитики, в том числе привлекающим возможности ИИ, — оно может появиться лишь в голове человека, который аккумулирующет весь свой предшествующий опыт в данной области и преломляет его в соответствии с новой, только что поступившей информацией. Возможно, с появлением сильного ИИ (general AI), который будет способен самостоятельно ставить перед собой задачи и сам же изыскивать пути их реализации, всё изменится, но пока человек, наделённый как экспертизой, так и полномочиями для исполнения принятых решений, — необходимое звено, венчающее эту цепочку.

Так что же, выходит, бизнес-аналитика в целом и не нужна? Если бы из отчёта Gartner удалось понять, в какой мере успешное овладение такого рода цифровым инструментарием помогло (и помогло ли?) соответствующим компаниям оказаться успешнее своих конкурентов, можно было бы дать обоснованный ответ на этот вопрос. Но в целом и так понятно, что для разбирающегося в своём деле, ответственного и решительного руководителя хорошо обработанные данные, то бишь высококачественная информация, полученная в том числе машинным способом, — важный и ценный актив, на основании которого могут предприниматься более обоснованные и эффективные действия, чем в его отсутствие.

С этой точки зрения для участников ИТ-канала нынешнее не слишком блестящее положение дел с оценкой заказчиками работоспособности имеющихся у них аналитических инструментов открывает дополнительные возможности. Притом переквалифицироваться в бизнес-консультантов не нужно, — достаточно совместно с клиентом, вникнув в его рабочие процессы и поняв, какой информации на каких этапах ему не хватает для своевременного принятия правильных решений, наладить автоматизированный цифровой канал извлечения такой информации из наверняка уже и так аккумулируемых в больших количествах данных. Далее руководству компании-заказчика останется обратить эту информацию в полезные для себя знания, — и выйти с их помощью на новый уровень как собственной личной экспертизы, так и рыночной конкурентоспособности.

Источник: Максим Белоус, IT Channel News