Pendekatan analisis data analis bisnis. Tujuan Analisis Data

Setiap bisnis besar dan sebagian besar struktur menengah menghadapi masalah dalam menyediakan data yang tidak akurat kepada manajemen tentang keadaan perusahaan. Alasannya mungkin berbeda, tetapi konsekuensinya selalu sama - keputusan yang salah atau tidak tepat waktu yang berdampak negatif pada efektivitas transaksi keuangan. Untuk mengecualikan situasi seperti itu, sistem analisis bisnis profesional atau BI ( dari bahasa Inggris - Intelijen Bisnis). "Asisten" berteknologi tinggi ini berkontribusi pada pembangunan sistem kontrol manajemen dari setiap aspek bisnis.

Pada intinya, sistem BI adalah perangkat lunak analitik tingkat lanjut untuk analisis dan pelaporan bisnis. Program-program ini dapat menggunakan data dari berbagai sumber informasi dan menyediakannya dalam bentuk dan potongan yang nyaman. Akibatnya, manajemen mendapat akses cepat ke informasi yang lengkap dan transparan tentang keadaan perusahaan. Fitur laporan yang diperoleh dengan bantuan BI adalah kemampuan manajer untuk secara mandiri memilih dalam konteks mana untuk menerima informasi.

Sistem Business Intelligence modern bersifat multifungsi. Itu sebabnya di perusahaan besar mereka secara bertahap mengganti metode lain untuk mendapatkan pelaporan bisnis. Para ahli mengacu pada kemampuan utama mereka:

Koneksi ke berbagai database, khususnya, ke;
Pembentukan laporan dari berbagai kompleksitas, struktur, jenis dan tata letak dengan kecepatan tinggi. Dimungkinkan juga untuk mengatur jadwal untuk menghasilkan laporan sesuai jadwal tanpa partisipasi langsung dan distribusi data;
Pekerjaan transparan dengan data;
Menyediakan hubungan yang jelas antara informasi dari berbagai sumber;
Pengaturan hak akses karyawan yang fleksibel dan intuitif dalam sistem;
Menyimpan data dalam format apa pun yang nyaman bagi Anda - PDF, Excel, HTML, dan banyak lainnya.

Peluang sistem Informasi Analis bisnis mengizinkan seorang pemimpin untuk menjadi independen dari departemen TI atau asisten mereka untuk memberikan informasi yang diperlukan. Ini juga merupakan kesempatan besar untuk menunjukkan arah yang benar dari keputusan Anda, bukan dengan kata-kata, tetapi dalam jumlah yang tepat. Banyak perusahaan jaringan besar di Barat telah menggunakan sistem BI untuk waktu yang lama, termasuk Amazon yang terkenal di dunia, Yahoo, Wall-Mart dan lain-lain.Perusahaan di atas menghabiskan banyak uang untuk intelijen bisnis, tetapi sistem BI yang diterapkan membawa hasil yang sangat berharga. manfaat.

Manfaat sistem intelijen bisnis profesional didasarkan pada prinsip-prinsip yang didukung di semua aplikasi BI tingkat lanjut:

Visibilitas. Antarmuka utama perangkat lunak analisis bisnis apa pun harus mencerminkan indikator utama. Berkat ini, manajer akan dengan cepat dapat menilai keadaan di perusahaan dan mulai mengambil sesuatu jika perlu;
Kustomisasi. Setiap pengguna harus dapat menyesuaikan antarmuka dan tombol fungsi dengan cara yang paling nyaman untuk diri mereka sendiri;
Lapisan. Setiap kumpulan data harus memiliki beberapa bagian (lapisan) untuk memberikan tingkat detail yang diperlukan pada tingkat tertentu;
Interaktivitas. Pengguna harus dapat mengumpulkan informasi dari semua sumber dan dari beberapa arah secara bersamaan. Sistem harus memiliki fungsi untuk mengonfigurasi notifikasi berdasarkan parameter utama;
Multithreading dan kontrol akses. Dalam sistem BI, operasi simultan dari sejumlah besar pengguna harus diimplementasikan dengan kemampuan untuk mengatur tingkat akses yang berbeda.

Seluruh komunitas TI setuju bahwa sistem informasi intelijen bisnis adalah salah satu bidang pengembangan industri yang paling menjanjikan. Namun, implementasinya sering terhambat oleh hambatan teknis dan psikologis, pekerjaan manajer yang tidak terkoordinasi dan tidak adanya area tanggung jawab yang ditentukan.

Ketika berpikir tentang penerapan sistem kelas BI, penting untuk diingat bahwa keberhasilan proyek akan sangat bergantung pada sikap karyawan perusahaan terhadap inovasi. Ini berlaku untuk semua produk TI: skeptisisme dan ketakutan akan perampingan dapat merusak semua upaya implementasi. Oleh karena itu, sangat penting untuk memahami perasaan apa yang ditimbulkan oleh sistem intelijen bisnis pada pengguna masa depan. Situasi ideal akan muncul ketika karyawan perusahaan memperlakukan sistem sebagai asisten dan alat untuk meningkatkan pekerjaan mereka.

Sebelum memulai proyek penerapan teknologi BI, perlu dilakukan analisis menyeluruh terhadap proses bisnis perusahaan dan prinsip pengambilan keputusan manajemen. Bagaimanapun, data inilah yang akan berpartisipasi dalam analisis situasi di perusahaan. Ini juga akan membantu untuk membuat pilihan sistem BI bersama dengan kriteria utama lainnya:

Maksud dan tujuan penerapan sistem BI;
Persyaratan untuk menyimpan data dan kemampuan untuk mengoperasikannya;
Fungsi integrasi data. Tanpa menggunakan data dari semua sumber di perusahaan, manajemen tidak akan bisa mendapatkan gambaran holistik tentang keadaan;
Kemampuan visualisasi. Untuk setiap orang, analisis BI yang ideal terlihat berbeda, dan sistem harus memenuhi kebutuhan setiap pengguna;
Keserbagunaan atau spesialisasi yang sempit. Ada sistem di dunia yang ditujukan untuk industri tertentu, serta solusi universal yang memungkinkan Anda mengumpulkan informasi dalam aspek apa pun;
Menuntut sumber daya dan harga produk perangkat lunak. Pilihan sistem BI, seperti perangkat lunak lainnya, tergantung pada kemampuan perusahaan.

Kriteria di atas akan membantu manajemen membuat pilihan yang tepat di antara semua variasi sistem intelijen bisnis yang terkenal. Ada parameter lain (misalnya struktur penyimpanan, arsitektur web), tetapi ini memerlukan keahlian di bidang TI yang sempit.

Tidak cukup hanya dengan membuat pilihan, membeli perangkat lunak, menginstal dan mengkonfigurasinya. Keberhasilan implementasi sistem BI ke segala arah didasarkan pada aturan berikut:

Kebenaran data. Jika data untuk analisis tidak benar, maka ada kemungkinan kesalahan sistem yang serius;
Pelatihan komprehensif untuk setiap pengguna;
Implementasi cepat. Anda harus fokus untuk mendapatkan laporan yang tepat di semua lokasi utama, daripada melayani satu pengguna dengan sempurna. Menyesuaikan penampilan laporkan atau tambahkan bagian lain untuk kenyamanan, Anda selalu dapat setelah implementasi;
Sadari ROI pada sistem BI Anda. Efeknya tergantung pada banyak faktor dan dalam beberapa kasus hanya terlihat setelah beberapa bulan;
Peralatan harus dirancang tidak hanya untuk situasi saat ini, tetapi juga untuk waktu dekat;
Pahami mengapa implementasi sistem BI dimulai, dan jangan menuntut dari perangkat lunak mustahil.

Menurut statistik, hanya 30% eksekutif perusahaan yang puas dengan penerapan sistem BI. Selama bertahun-tahun keberadaan perangkat lunak analisis bisnis, para ahli telah merumuskan 9 kesalahan utama yang dapat mengurangi efisiensi seminimal mungkin:

Ketidakjelasan tujuan implementasi untuk manajemen. Seringkali, sebuah proyek dibuat oleh departemen TI tanpa keterlibatan erat para manajer. Dalam kebanyakan kasus, dalam proses implementasi dan pengoperasian, muncul pertanyaan tentang maksud dan tujuan sistem BI, manfaat dan kegunaannya;
Kurangnya transparansi dalam manajemen, pekerjaan karyawan dan pengambilan keputusan. Manajer mungkin tidak mengetahui algoritme untuk pekerjaan karyawan lapangan, dan keputusan manajemen dapat diterima tidak hanya atas dasar fakta yang kering. Hal ini akan menyebabkan tidak mungkinnya mempertahankan paradigma yang ada sebagai akibat dari implementasi sistem BI. Dan seringkali mendobrak budaya yang telah berkembang selama ini tata kelola perusahaan mustahil;
Keandalan data tidak memadai. Memasukkan informasi palsu ke dalam sistem analisis bisnis tidak dapat diterima, jika tidak, karyawan tidak akan dapat mempercayai dan menggunakannya;
Pilihan yang salah dari sistem intelijen bisnis profesional. Banyak contoh dalam sejarah, ketika manajemen menyewa organisasi pihak ketiga untuk menerapkan sistem BI dan tidak mengambil bagian dalam pilihannya, berbicara sendiri. Akibatnya, sistem diperkenalkan yang tidak memungkinkan memperoleh laporan yang diperlukan atau yang tidak mungkin untuk mengintegrasikan salah satu perangkat lunak yang ada di perusahaan;
Kurangnya rencana untuk masa depan. Keunikan sistem BI adalah bahwa itu bukan perangkat lunak statis. Tidak mungkin menyelesaikan proyek implementasi dan tidak memikirkannya. Ada banyak persyaratan dari pengguna dan manajemen mengenai perbaikan;
Transfer sistem BI ke organisasi pihak ketiga untuk mendapatkan dukungan. Seperti yang diperlihatkan oleh praktik, paling sering situasi seperti itu mengarah pada isolasi produk dan isolasi sistem dari keadaan sebenarnya. Layanan dukungan sendiri merespons lebih cepat dan lebih efisien terhadap umpan balik pengguna dan persyaratan manajemen;
Keinginan untuk menghemat uang. Dalam bisnis, ini normal, tetapi analitik BI hanya berfungsi jika memperhitungkan semua aspek aktivitas perusahaan. Inilah sebabnya mengapa sistem analisis mendalam bernilai tinggi paling efektif. Keinginan untuk menerima beberapa laporan tentang bidang yang diminati menyebabkan kesalahan data yang sering terjadi dan ketergantungan yang besar pada kualifikasi spesialis TI;
Terminologi yang berbeda di perusahaan. Penting agar semua pengguna memahami istilah dasar dan artinya. Kesalahpahaman sederhana dapat menyebabkan salah tafsir atas laporan dan indikator sistem BI;
Kurangnya strategi analisis bisnis terpadu di perusahaan. Tanpa satu kursus yang dipilih untuk semua karyawan, sistem kelas BI apa pun hanya akan menjadi sekumpulan laporan berbeda yang memenuhi persyaratan manajer individu.

Implementasi sistem BI merupakan langkah penting yang dapat membantu membawa bisnis Anda ke tingkat berikutnya. Tetapi ini tidak hanya membutuhkan suntikan keuangan yang cukup besar, tetapi juga waktu dan upaya setiap karyawan perusahaan. Tidak setiap bisnis siap menyelesaikan proyek secara kompeten untuk menerapkan sistem analisis bisnis.

Pada analisis informasi di Akhir-akhir ini mereka mengatakan begitu banyak dan begitu banyak sehingga orang akhirnya bisa bingung dalam masalah. Adalah baik bahwa banyak yang memperhatikan topik yang begitu mendesak. Satu-satunya hal yang buruk adalah bahwa dengan istilah ini setiap orang mengerti apa yang dia butuhkan, seringkali tanpa memiliki gambaran umum tentang masalahnya. Fragmentasi dalam pendekatan ini adalah alasan kesalahpahaman tentang apa yang terjadi dan apa yang harus dilakukan. Semuanya terdiri dari bagian-bagian yang terhubung secara lemah satu sama lain dan tidak memiliki inti yang sama. Anda mungkin sering mendengar ungkapan "otomatisasi tambal sulam". Banyak yang telah mengalami masalah ini berkali-kali dan dapat memastikan bahwa masalah utama dengan pendekatan ini adalah hampir tidak pernah mungkin untuk melihat keseluruhan gambar. Situasinya mirip dengan analisis.

Untuk memahami tempat dan tujuan dari setiap mekanisme analisis, mari kita pertimbangkan semua ini secara lengkap. Ini akan didasarkan pada bagaimana seseorang membuat keputusan, karena kami tidak dapat menjelaskan bagaimana sebuah pemikiran lahir, kami akan berkonsentrasi pada bagaimana hal itu mungkin untuk digunakan. Teknologi Informasi... Opsi pertama - pengambil keputusan (DM) menggunakan komputer hanya sebagai alat untuk mengekstrak data, dan menarik kesimpulan sendiri. Untuk mengatasi masalah semacam ini, sistem pelaporan, analisis data multidimensi, bagan, dan metode visualisasi lainnya digunakan. Opsi kedua: program tidak hanya mengekstrak data, tetapi juga melakukan berbagai macam pra-pemrosesan, misalnya, pembersihan, penghalusan, dan sebagainya. Dan untuk data yang diproses dengan cara ini, ini menerapkan metode analisis matematis - pengelompokan, klasifikasi, regresi, dll. Dalam hal ini, pengambil keputusan tidak menerima data mentah, tetapi data yang diproses secara serius, mis. seseorang sudah bekerja dengan model yang disiapkan oleh komputer.

Karena kenyataan bahwa dalam kasus pertama hampir semua yang sebenarnya terkait dengan mekanisme pengambilan keputusan ditugaskan kepada seseorang, masalah dengan pemilihan model yang memadai dan pilihan metode pemrosesan dipindahkan di luar mekanisme analisis, yaitu, dasar untuk membuat keputusan adalah instruksi (misalnya bagaimana Anda dapat menerapkan mekanisme untuk menanggapi penyimpangan), atau intuisi. Dalam beberapa kasus, ini cukup, tetapi jika pengambil keputusan tertarik pada pengetahuan yang cukup dalam, maka mekanisme ekstraksi data tidak akan membantu di sini. Diperlukan pemrosesan yang lebih serius. Ini adalah kasus kedua. Semua mekanisme prapemrosesan dan analisis yang diterapkan memungkinkan pengambil keputusan untuk bekerja pada tingkat yang lebih tinggi. Opsi pertama cocok untuk menyelesaikan tugas taktis dan operasional, dan yang kedua adalah untuk mereplikasi pengetahuan dan memecahkan masalah strategis.

Kasus yang ideal adalah menerapkan kedua pendekatan untuk analisis. Mereka memungkinkan Anda untuk menutupi hampir semua kebutuhan organisasi dalam analisis informasi bisnis. Dengan memvariasikan metodologi tergantung pada tugas, kami akan dapat memaksimalkan informasi yang tersedia dalam hal apa pun.

Skema umum pekerjaan ditunjukkan di bawah ini.

Seringkali, ketika menjelaskan produk yang menganalisis informasi bisnis, istilah seperti manajemen risiko, peramalan, segmentasi pasar digunakan ... Tetapi pada kenyataannya, solusi untuk setiap masalah ini direduksi menjadi penggunaan salah satu metode analisis yang dijelaskan di bawah ini. . Misalnya, peramalan adalah masalah regresi, segmentasi pasar adalah pengelompokan, manajemen risiko adalah kombinasi dari pengelompokan dan klasifikasi, metode lain juga dimungkinkan. Oleh karena itu, rangkaian teknologi ini memungkinkan Anda untuk memecahkan sebagian besar masalah bisnis. Faktanya, mereka adalah elemen atom (dasar) dari mana solusi dari masalah tertentu dirakit.

Sekarang kami akan menjelaskan secara terpisah setiap bagian dari rangkaian.

Sumber utama data harus database sistem manajemen perusahaan, dokumen kantor, Internet, karena itu perlu untuk menggunakan semua informasi yang mungkin berguna untuk membuat keputusan. Selain itu, kita berbicara tidak hanya tentang informasi internal untuk organisasi, tetapi juga tentang data eksternal (indikator makroekonomi, lingkungan yang kompetitif, data demografi, dll.).

Meskipun gudang data tidak menerapkan teknologi analisis, ini adalah dasar untuk membangun sistem analitis. Dengan tidak adanya gudang data, pengumpulan dan pengorganisasian informasi yang diperlukan untuk analisis akan memakan banyak waktu, yang sebagian besar akan meniadakan semua keuntungan analisis. Bagaimanapun, salah satu dari indikator kunci setiap sistem analitis adalah kemampuan untuk mendapatkan hasil dengan cepat.

Elemen skema berikutnya adalah lapisan semantik. Terlepas dari bagaimana informasi akan dianalisis, informasi itu perlu dipahami oleh pengambil keputusan, karena dalam kebanyakan kasus data yang dianalisis terletak di database yang berbeda, dan pembuat keputusan tidak boleh menyelidiki nuansa bekerja dengan DBMS. , maka diperlukan untuk membuat mekanisme yang mengubah domain istilah dalam panggilan ke mekanisme akses database. Tugas ini dilakukan oleh lapisan semantik. Diinginkan bahwa itu sama untuk semua aplikasi analisis, sehingga lebih mudah untuk menerapkan pendekatan yang berbeda untuk masalah tersebut.

Sistem pelaporan dirancang untuk menjawab pertanyaan "apa yang terjadi". Kasus penggunaan pertama: laporan reguler digunakan untuk memantau situasi operasional dan menganalisis penyimpangan. Misalnya, sistem menyiapkan laporan harian tentang stok produk di gudang, dan ketika nilainya kurang dari rata-rata penjualan mingguan, Anda perlu menanggapinya dengan menyiapkan pesanan pembelian, yaitu, dalam banyak kasus, ini adalah transaksi bisnis standar. Paling sering, beberapa elemen dari pendekatan ini telah diterapkan dalam satu atau lain bentuk di perusahaan (walaupun hanya di atas kertas), tetapi ini tidak boleh dibiarkan menjadi satu-satunya pendekatan yang tersedia untuk analisis data. Kasus penggunaan kedua untuk sistem pelaporan: menangani permintaan ad hoc. Ketika seorang pengambil keputusan ingin menguji setiap pemikiran (hipotesis), dia perlu mendapatkan bahan untuk dipikirkan, membenarkan atau menyangkal ide tersebut, karena pemikiran ini datang secara spontan, dan tidak ada ide pasti tentang informasi seperti apa yang akan dibutuhkan, diperlukan alat yang memungkinkan Anda dengan cepat dan mendapatkan informasi ini dalam bentuk yang nyaman. Data yang diekstraksi biasanya disajikan dalam tabel atau grafik dan bagan, meskipun representasi lain dimungkinkan.

Meskipun pendekatan yang berbeda dapat digunakan untuk membangun sistem pelaporan, yang paling umum saat ini adalah mekanisme OLAP. Ide utamanya adalah untuk mewakili informasi dalam bentuk kubus multidimensi, di mana sumbu mewakili dimensi (misalnya, waktu, produk, pelanggan), dan ukuran (misalnya, jumlah penjualan, harga pembelian rata-rata) ditempatkan di sel. Pengguna memanipulasi pengukuran dan menerima informasi di bagian yang diinginkan.

Karena kemudahan pemahamannya, OLAP telah menyebar luas sebagai mesin analisis data, tetapi Anda perlu memahami bahwa kemampuannya di bidang analisis yang lebih dalam, misalnya, peramalan, sangat terbatas. Masalah utama dalam memecahkan masalah peramalan bukanlah kemampuan untuk mengekstrak data yang diinginkan dalam bentuk tabel dan diagram, tetapi konstruksi model yang memadai. Kemudian semuanya cukup sederhana. Informasi baru diumpankan ke input model yang ada, melewatinya, dan hasilnya adalah ramalan. Tetapi membangun model bukanlah tugas yang sepele sama sekali. Tentu saja, Anda dapat memasukkan beberapa model yang sudah jadi dan sederhana ke dalam sistem, misalnya, regresi linier atau yang serupa, cukup sering inilah yang mereka lakukan, tetapi ini tidak menyelesaikan masalah. Masalah dunia nyata hampir selalu melampaui model sederhana seperti itu. Akibatnya, model seperti itu hanya akan mendeteksi dependensi eksplisit, yang nilai deteksinya tidak signifikan, yang tetap dikenal, atau akan membuat prediksi yang terlalu kasar, yang juga sama sekali tidak menarik. Misalnya, jika, ketika menganalisis harga saham di pasar saham, Anda melanjutkan dari asumsi sederhana bahwa besok harga saham akan sama dengan hari ini, maka dalam 90% kasus Anda akan menebak. Dan seberapa berhargakah pengetahuan seperti itu? Hanya 10% sisanya yang menarik bagi broker. Dalam kebanyakan kasus, model primitif memberikan hasil yang hampir sama.

Pendekatan yang benar untuk membangun model adalah dengan memperbaikinya selangkah demi selangkah. Dimulai dengan model pertama yang relatif kasar, perlu ditingkatkan seiring dengan akumulasi data baru dan model diterapkan dalam praktik. Sebenarnya, tugas membuat prakiraan dan hal serupa melampaui mekanisme sistem pelaporan, jadi Anda seharusnya tidak mengharapkan hasil positif ke arah ini saat menggunakan OLAP. Untuk memecahkan masalah analisis yang lebih dalam, seperangkat teknologi yang sama sekali berbeda digunakan, disatukan dengan nama Penemuan Pengetahuan dalam Basis Data.

Knowledge Discovery in Databases (KDD) adalah proses mengubah data menjadi pengetahuan. KDD mencakup masalah persiapan data, pemilihan fitur informatif, pembersihan data, penerapan metode Data Mining (DM), pasca-pemrosesan data, interpretasi hasil. Data Mining adalah proses menemukan pengetahuan yang sebelumnya tidak diketahui, non-sepele, praktis berguna dan dapat diakses untuk interpretasi dalam data "mentah", yang diperlukan untuk membuat keputusan di berbagai bidang aktivitas manusia.

Daya tarik dari pendekatan ini terletak pada kenyataan bahwa terlepas dari area subjek, kami menerapkan operasi yang sama:

Ekstrak data. Dalam kasus kami, ini membutuhkan lapisan semantik.
Hapus data. Penggunaan data "kotor" untuk analisis dapat sepenuhnya meniadakan mekanisme analisis yang digunakan di masa depan.
Ubah data. Berbagai metode analisis memerlukan data yang disiapkan secara khusus. Misalnya, di suatu tempat hanya informasi digital yang dapat digunakan sebagai input.
Untuk melakukan, pada kenyataannya, sebuah analisis - Data Mining.
Menafsirkan hasil yang diperoleh.

Proses ini diulang secara iteratif.

Data Mining, pada gilirannya, memberikan solusi untuk hanya 6 tugas - klasifikasi, pengelompokan, regresi, asosiasi, urutan, dan analisis varians.

Ini semua yang perlu dilakukan untuk mengotomatisasi proses ekstraksi pengetahuan. Langkah lebih lanjut sudah diambil oleh seorang ahli, yang juga merupakan pengambil keputusan.

Penafsiran hasil pemrosesan komputer adalah tanggung jawab orang tersebut. Hanya saja metode yang berbeda memberikan makanan yang berbeda untuk dipikirkan. Dalam kasus yang paling sederhana, ini adalah tabel dan bagan, dan dalam kasus yang lebih kompleks, model dan aturan. Tidak mungkin untuk sepenuhnya mengecualikan partisipasi manusia, karena hasil ini atau itu tidak memiliki arti sampai diterapkan pada area subjek tertentu. Namun, ada kesempatan untuk mereplikasi pengetahuan. Misalnya, seorang pengambil keputusan, dengan menggunakan beberapa metode, menentukan indikator mana yang mempengaruhi kelayakan kredit pembeli, dan menyajikannya dalam bentuk aturan. Aturan tersebut dapat dimasukkan ke dalam sistem penerbitan pinjaman dan dengan demikian secara signifikan mengurangi risiko kredit dengan menempatkan penilaian mereka pada arus. Pada saat yang sama, pemahaman mendalam tentang alasan kesimpulan ini atau itu tidak diperlukan dari orang yang terlibat dalam ekstraksi dokumen yang sebenarnya. Sebenarnya, ini adalah transfer metode, yang pernah diterapkan di industri, ke bidang manajemen pengetahuan. Ide utamanya adalah beralih dari metode satu kali dan tidak terpadu ke metode pipelined.

Semua yang disebutkan di atas hanyalah nama-nama tugas. Dan untuk menyelesaikannya masing-masing, Anda dapat menerapkan berbagai teknik, mulai dari yang klasik metode statistik dan diakhiri dengan algoritma belajar mandiri. Bisnis nyata masalah hampir selalu diselesaikan dengan salah satu metode di atas atau kombinasinya. Hampir semua tugas - peramalan, segmentasi pasar, penilaian risiko, penilaian kinerja kampanye iklan, nilai keunggulan kompetitif dan banyak lainnya - turun ke yang dijelaskan di atas. Oleh karena itu, dengan memiliki alat yang dapat memecahkan daftar tugas yang diberikan, kami dapat mengatakan bahwa Anda siap untuk memecahkan masalah analisis bisnis apa pun.

Jika Anda perhatikan, kami belum menyebutkan di mana pun tentang alat mana yang akan digunakan untuk analisis, teknologi apa, karena tugas itu sendiri dan metode untuk solusinya tidak bergantung pada toolkit. Ini hanyalah deskripsi dari pendekatan yang kompeten untuk masalah ini. Anda dapat menggunakan apa pun yang Anda inginkan, hanya penting bahwa seluruh daftar tugas tercakup. Dalam hal ini, kita dapat mengatakan bahwa ada solusi yang benar-benar berfitur lengkap. Sangat sering, mekanisme yang hanya mencakup sebagian kecil tugas diusulkan sebagai "solusi berfitur lengkap untuk masalah analisis bisnis". Paling sering, sistem untuk menganalisis informasi bisnis hanya dipahami sebagai OLAP, yang sama sekali tidak cukup untuk analisis lengkap. Di bawah lapisan tebal slogan iklan hanya ada sistem pelaporan. Deskripsi efektif dari satu atau lain alat analisis menyembunyikan esensi, tetapi cukup untuk memulai dari skema yang diusulkan, dan Anda akan memahami keadaan sebenarnya.

Pekerjaan yang dapat diakses dengan Big Data menggunakan analitik visual

Tingkatkan kecerdasan bisnis dan selesaikan tugas rutin menggunakan informasi yang tersembunyi di Big Data dengan platform TIBCO Spotfire. Ini adalah satu-satunya platform yang menyediakan pengguna bisnis dengan antarmuka pengguna yang intuitif dan mudah digunakan yang memungkinkan berbagai teknologi analitik untuk Big Data tanpa memerlukan profesional TI atau pelatihan.

Antarmuka Spotfire membuatnya sama-sama nyaman untuk bekerja dengan kumpulan data kecil dan kumpulan data besar multi-terabyte: pembacaan sensor, informasi dari jejaring sosial, tempat penjualan, atau sumber geolokasi. Pengguna dari semua tingkat keahlian dapat dengan mudah menavigasi dasbor dan alur kerja analitik yang bermakna hanya dengan menggunakan visualisasi yang secara grafis mewakili kumpulan miliaran titik data.

Analitik prediktif adalah pembelajaran di tempat kerja berdasarkan pengalaman bersama perusahaan untuk membuat keputusan yang lebih tepat. Dengan menggunakan Spotfire Predictive Analytics, Anda dapat menemukan tren pasar baru dari wawasan intelijen bisnis dan mengambil tindakan untuk meminimalkan risiko, yang mengarah pada keputusan manajemen yang lebih baik.

Ringkasan

Konektivitas Big Data untuk Analisis Kinerja Tinggi

Spotfire menawarkan tiga jenis analitik utama dengan integrasi tanpa batas dengan Hadoop dan sumber data besar lainnya:

Visualisasi Data Analytics Sesuai Permintaan: Konektor data bawaan yang dapat dikonfigurasi pengguna yang memfasilitasi visualisasi data interaktif yang sangat cepat
Analisis dalam database (In-Database Analytics): integrasi dengan platform komputasi distribusi yang memungkinkan Anda membuat perhitungan data dengan kompleksitas apa pun berdasarkan data besar.
Analisis Dalam Memori: Integrasi dengan platform analisis statistik yang menarik data langsung dari sumber data apa pun, termasuk sumber data tradisional dan baru.

Bersama-sama, metode integrasi ini mewakili kombinasi yang kuat antara eksplorasi visual dan analitik tingkat lanjut.
Ini memungkinkan pengguna bisnis untuk mengakses, menggabungkan, dan menganalisis data dari sumber data apa pun melalui dasbor dan alur kerja yang kuat dan mudah digunakan.

Konektor data besar

Konektor data besar Spotfire mendukung semua jenis akses data: dalam sumber data, dalam memori, dan sesuai permintaan. Konektor data bawaan Spotfire meliputi:

Konektor Data Bersertifikat Hadoop untuk Apache Hive, Apache Spark SQL, Cloudera Hive, Cloudera Impala, Databricks Cloud, Hortonworks, MapR Drill, dan Pivotal HAWQ
Konektor big data bersertifikat lainnya termasuk Teradata, Teradata Aster, dan Netezza
Konektor untuk data historis dan terkini dari sumber seperti sensor OSI PI

Komputasi Terdistribusi Dalam Sumber Data

Selain pilihan operasi visual Spotfire yang nyaman untuk kueri SQL yang mengakses data yang didistribusikan di seluruh sumber, Spotfire dapat membuat algoritma statistik dan pembelajaran mesin yang beroperasi di dalam sumber data dan hanya mengembalikan hasil yang diperlukan untuk membuat visualisasi di Spotfire.

Pengguna bekerja dengan dasbor dengan fungsionalitas pemilihan visual yang mengakses skrip menggunakan kemampuan bawaan bahasa TERR,
Skrip TERR memulai fungsionalitas komputasi terdistribusi dalam interaksi dengan Map / Reduce, H2O, SparkR, atau Fuzzy Logix,
Aplikasi ini pada gilirannya mengakses sistem yang sangat efisien seperti Hadoop atau sumber data lainnya,
TERR dapat digunakan sebagai mesin analitik canggih di node Hadoop yang digerakkan oleh MapReduce atau Spark. TERR juga dapat digunakan untuk node data Teradata.
Hasilnya divisualisasikan di Spotfire.

TERR untuk analitik tingkat lanjut

TIBCO Enterprise Runtime for R (TERR) - TERR adalah paket statistik tingkat perusahaan, yang dikembangkan oleh TIBCO untuk kompatibilitas penuh dengan bahasa R, mewujudkan pengalaman bertahun-tahun perusahaan dalam sistem analitik yang terkait dengan S +. Hal ini memungkinkan pelanggan untuk terus mengembangkan aplikasi dan model tidak hanya menggunakan open source R, tetapi juga mengintegrasikan dan menyebarkan kode R mereka pada platform komersial yang andal tanpa harus menulis ulang kode mereka. TERR memiliki efisiensi yang lebih tinggi dan manajemen memori yang andal, memberikan kecepatan pemrosesan data yang lebih tinggi pada volume besar dibandingkan dengan bahasa R open source.

Menggabungkan semua fungsi

Menggabungkan fungsionalitas canggih yang disebutkan di atas berarti bahwa bahkan untuk tugas paling kompleks yang membutuhkan analitik yang sangat andal, pengguna berinteraksi dengan alur kerja interaktif yang sederhana dan mudah digunakan. Hal ini memungkinkan pengguna bisnis untuk memvisualisasikan dan menganalisis data, serta membagikan hasil analisis, tanpa perlu mengetahui detail arsitektur data yang mendasari analisis bisnis.

Contoh: Antarmuka Spotfire untuk mengonfigurasi, menjalankan, dan memvisualisasikan hasil model yang mendefinisikan karakteristik beban yang hilang. Melalui antarmuka ini, pengguna bisnis dapat melakukan komputasi menggunakan TERR dan H2O (kerangka kerja komputasi terdistribusi) dengan mengakses data transaksi dan pengiriman yang disimpan di cluster Hadoop.

Ruang analitis untuk data besar

Analisis lanjutan dan prediktif

Pengguna menggunakan dasbor pemilihan visual Spotfire untuk meluncurkan serangkaian fitur canggih yang memudahkan membuat prediksi, membuat model, dan mengoptimalkannya dengan cepat. Dengan menggunakan data besar, analisis dapat dilakukan di dalam sumber data (In-Datasource), hanya mengembalikan informasi dan hasil gabungan yang diperlukan untuk membuat visualisasi di platform Spotfire.

Pembelajaran mesin

Berbagai macam alat pembelajaran mesin tersedia dalam daftar fitur bawaan Spotfire yang dapat digunakan dengan satu klik. Ahli statistik memiliki akses ke kode program yang ditulis dalam bahasa R dan dapat memperluas fungsionalitas yang digunakan. Fungsi pembelajaran mesin dapat dibagikan dengan pengguna lain agar mudah digunakan kembali.

Metode pembelajaran mesin berikut tersedia untuk variabel kategorikal berkelanjutan di Spotfire dan TERR:

Regresi linier dan logistik
Pohon keputusan, Hutan acak, Mesin Peningkat Gradien (GBM)
Model linier umum (aditif) ( Model Aditif Umum)
Jaringan saraf

Analisis konten

Spotfire menyediakan analitik dan visualisasi data, bagian penting yang tidak digunakan sebelumnya - ini adalah teks tidak terstruktur yang disimpan dalam sumber seperti dokumen, laporan, catatan sistem CRM, log situs, publikasi di jejaring sosial, dan banyak lagi.

Analisis lokasi

Peta berlapis resolusi tinggi adalah cara yang bagus untuk memvisualisasikan data besar. Fungsionalitas peta yang kaya dari Spotfire memungkinkan Anda membuat peta dengan referensi dan lapisan fungsional sebanyak yang Anda butuhkan. Spotfire juga memungkinkan analitik canggih untuk digunakan saat bekerja dengan peta. Selain peta geografis, sistem membuat peta untuk memvisualisasikan perilaku pengguna, gudang, produksi, bahan baku, dan banyak indikator lainnya.

Selama beberapa dekade bekerja dengan pelanggan besar, Force telah mengumpulkan pengalaman luas di bidang analisis bisnis dan sekarang secara aktif mengembangkan teknologi data besar. Olga Gorchinskaya, Direktur untuk proyek Penelitian dan Kepala "Force" Big Data.

15.10.2015

Olga Gorchinskaya

Per tahun-tahun terakhir generasi pemimpin telah berubah. Orang-orang baru datang ke manajemen perusahaan, yang membuat karir mereka sudah di era informatisasi, dan mereka terbiasa menggunakan komputer, Internet dan perangkat seluler bagaimana? Kehidupan sehari-hari dan untuk memecahkan masalah pekerjaan.

CNews: Sejauh mana alat BI dibutuhkan? perusahaan Rusia? Apakah ada perubahan dalam pendekatan analisis bisnis: dari "analitik dalam gaya Excel" ke penggunaan alat analisis oleh manajer puncak?

Olga Gorchinskaya:

Saat ini kebutuhan alat analisis bisnis sudah cukup tinggi. Mereka digunakan oleh organisasi besar di hampir semua sektor ekonomi. Bisnis menengah dan kecil sama-sama memahami manfaat beralih dari Excel ke solusi analitik khusus.

Jika kita bandingkan situasi ini dengan yang ada di perusahaan-perusahaan bahkan lima tahun yang lalu, kita akan melihat kemajuan yang signifikan. Dalam beberapa tahun terakhir, generasi pemimpin telah berubah. Orang-orang baru datang ke manajemen perusahaan, yang membuat karier mereka sudah di era informatisasi, dan mereka terbiasa menggunakan komputer, Internet, dan perangkat seluler baik dalam kehidupan sehari-hari maupun untuk menyelesaikan masalah pekerjaan.

CNews: Tapi tidak ada proyek lagi?

Olga Gorchinskaya:

Baru-baru ini, kami mencatat sedikit penurunan dalam jumlah proyek BI besar yang baru. Pertama, situasi ekonomi dan politik umum yang kompleks memainkan peran. Ini menahan dimulainya beberapa proyek yang berkaitan dengan pengenalan sistem Barat. Ketertarikan pada solusi berbasis perangkat lunak bebas juga menunda dimulainya proyek BI, karena memerlukan studi pendahuluan dari segmen perangkat lunak ini. Banyak solusi analitik open source tidak cukup matang untuk digunakan secara luas.

Kedua, sudah ada kejenuhan pasar tertentu. Tidak banyak organisasi saat ini yang tidak menggunakan analisis bisnis. Dan, tampaknya, masa pertumbuhan aktif dalam penerapan sistem analitik perusahaan besar sedang berlalu.

Dan, akhirnya, penting untuk dicatat bahwa sekarang pelanggan mengalihkan penekanan mereka dalam penggunaan alat BI, yang menahan pertumbuhan jumlah proyek yang biasa kami gunakan. Faktanya adalah bahwa vendor terkemuka - Oracle, IBM, SAP - mendasarkan solusi BI mereka pada gagasan model data logis tunggal yang konsisten, yang berarti bahwa sebelum menganalisis sesuatu, perlu untuk secara jelas mendefinisikan dan menyetujui semua konsep dan indikator.

Bersama dengan keuntungan yang jelas, ini mengarah pada ketergantungan besar pengguna bisnis pada spesialis TI: jika perlu untuk memasukkan beberapa data baru dalam ruang lingkup pertimbangan, bisnis harus terus-menerus beralih ke TI untuk memuat data, menyelaraskannya dengan yang ada struktur, memasukkannya ke dalam model umum, dll. dll. Sekarang kita melihat bahwa bisnis menginginkan lebih banyak kebebasan, dan demi dapat menambahkan struktur baru sendiri, menafsirkan dan menganalisisnya sesuai kebijaksanaan mereka sendiri, pengguna siap mengorbankan beberapa bagian dari konsistensi perusahaan.

Jadi sekarang fokusnya adalah pada alat ringan yang memungkinkan pengguna akhir untuk bekerja secara langsung dengan data tanpa terlalu mengkhawatirkan konsistensi perusahaan. Akibatnya, kami melihat kemajuan yang sukses dari Tableaux dan Qlick, yang memungkinkannya bekerja dalam gaya Penemuan Data, dan beberapa kehilangan pasar oleh penyedia solusi besar.

CNews: Ini menjelaskan mengapa sejumlah organisasi menerapkan beberapa sistem BI - ini terutama terlihat di sektor keuangan. Tapi apakah informasi seperti itu bisa dianggap normal?

Olga Gorchinskaya

Saat ini, alat yang sebelumnya kami anggap terlalu ringan untuk tingkat perusahaan menjadi yang terdepan. Ini adalah solusi dari kelas Data Discovery.

Olga Gorchinskaya:

Memang, dalam praktiknya, organisasi besar sering kali menggunakan tidak hanya satu, tetapi beberapa sistem analitik independen, masing-masing dengan alat BI-nya sendiri. Gagasan model analitik di seluruh perusahaan ternyata menjadi semacam utopia, tidak begitu populer dan bahkan membatasi promosi teknologi analitik, karena dalam praktiknya setiap departemen, atau bahkan pengguna individu, menginginkan kemandirian dan kebebasan . Tidak ada yang salah dengan itu. Lagi pula, di bank yang sama, profesional risiko dan pemasar membutuhkan alat BI yang sama sekali berbeda. Oleh karena itu, sangat normal ketika sebuah perusahaan tidak memilih solusi tunggal yang rumit untuk semua tugas, tetapi beberapa sistem kecil yang paling cocok untuk masing-masing departemen.

Saat ini, alat yang sebelumnya kami anggap terlalu ringan untuk tingkat perusahaan menjadi yang terdepan. Ini adalah solusi dari kelas Data Discovery. Mereka didasarkan pada gagasan kesederhanaan bekerja dengan data, kecepatan, fleksibilitas, dan presentasi hasil analisis yang mudah dipahami. Ada alasan lain untuk semakin populernya alat tersebut: perusahaan semakin mengalami kebutuhan untuk bekerja dengan informasi dari struktur yang berubah, umumnya tidak terstruktur, dengan makna "samar" dan nilai yang tidak selalu jelas. Dalam hal ini, alat yang lebih fleksibel diperlukan daripada pengobatan klasik analisa bisnis.

"Force" telah menciptakan platform terbesar di Eropa dan unik di Rusia - Fors Solution Center. Tugas utamanya adalah membawa teknologi terbaru Oracle kepada pelanggan akhir, membantu mitra dalam pengembangan dan aplikasi mereka, membuat peralatan dan proses pengujian perangkat lunak dapat diakses semudah mungkin. Ini adalah semacam pusat data untuk sistem pengujian mitra dan solusi cloud.

CNews: Bagaimana Teknologi Big Data Membantu Mengembangkan Kecerdasan Bisnis?

Olga Gorchinskaya:

Area-area ini - data besar dan intelijen bisnis - bergerak lebih dekat satu sama lain dan, menurut saya, garis di antara mereka sudah kabur. Misalnya, analisis mendalam dianggap sebagai "data besar", meskipun sudah ada sebelum Big Data. Sekarang minat pada pembelajaran mesin, statistik meningkat, dan dengan bantuan teknologi data besar ini, dimungkinkan untuk memperluas fungsionalitas sistem bisnis tradisional yang berfokus pada komputasi dan visualisasi.

Selain itu, konsep gudang data telah diperluas dengan penggunaan teknologi Hadoop, yang menghasilkan standar baru untuk membangun penyimpanan perusahaan dalam bentuk data lake.

CNews: Apa tugas paling menjanjikan yang digunakan oleh solusi big data?

Olga Gorchinskaya:

Kami menggunakan teknologi data besar dalam proyek BI dalam beberapa kasus. Yang pertama adalah ketika perlu untuk meningkatkan kinerja gudang data yang ada, yang sangat penting dalam lingkungan ketika perusahaan dengan cepat meningkatkan jumlah informasi yang mereka gunakan. Menyimpan data mentah dalam database relasional tradisional sangat mahal dan membutuhkan lebih banyak kekuatan pemrosesan. Dalam kasus seperti itu, lebih masuk akal untuk menggunakan perkakas Hadoop, yang sangat efisien karena arsitekturnya yang sangat, fleksibel, dapat disesuaikan dengan kebutuhan spesifik dan menguntungkan dari sudut pandang ekonomi, karena didasarkan pada solusi Open Source.

Dengan bantuan Hadoop, kami, khususnya, memecahkan masalah penyimpanan dan pemrosesan data tidak terstruktur di satu bank besar Rusia. Dalam hal ini, kami berbicara tentang volume besar data yang tiba secara teratur dengan struktur yang berubah. Informasi ini harus diproses, dibongkar, diekstraksi dari indikator numeriknya, serta untuk menyimpan data asli. Mengingat peningkatan yang signifikan dalam volume informasi yang masuk, menggunakan penyimpanan relasional untuk ini menjadi cara yang terlalu mahal dan tidak efektif. Kami telah membuat cluster Hadoop terpisah untuk memproses dokumen utama, yang hasilnya dimuat ke dalam penyimpanan relasional untuk analisis dan penggunaan lebih lanjut.

Arah kedua adalah pengenalan alat analisis mendalam untuk memperluas fungsionalitas sistem BI. Ini adalah bidang yang sangat menjanjikan, karena tidak hanya terkait dengan pemecahan masalah TI, tetapi juga dengan menciptakan peluang bisnis baru.

Alih-alih mengatur proyek khusus untuk menerapkan analisis mendalam, kami mencoba memperluas cakupan proyek yang ada. Misalnya, untuk hampir semua sistem fungsi yang berguna adalah peramalan indikator berdasarkan data historis yang tersedia. Ini bukan tugas yang mudah, tidak hanya membutuhkan keterampilan dalam bekerja dengan alat, tetapi juga latar belakang matematika tertentu, pengetahuan statistik dan ekonometrika.

Perusahaan kami memiliki tim analis data khusus yang memenuhi persyaratan ini. Mereka melakukan proyek di bidang perawatan kesehatan untuk pembentukan pelaporan peraturan, dan di samping itu, dalam kerangka proyek ini, peramalan beban kerja organisasi medis dan segmentasi mereka dengan indikator statistik diimplementasikan. Nilai prakiraan semacam itu bagi pelanggan jelas, baginya itu bukan hanya penggunaan beberapa teknologi eksotis baru, tetapi perluasan kemampuan analitis yang sepenuhnya alami. Akibatnya, minat dalam pengembangan sistem dirangsang, dan bagi kami - pekerjaan baru. Kami sekarang menerapkan teknologi analitik prediktif dalam proyek untuk manajemen kota dengan cara yang serupa.

Dan terakhir, kami memiliki pengalaman dalam mengimplementasikan teknologi big data dalam hal penggunaan data tidak terstruktur, terutama berbagai dokumen teks. Internet menawarkan peluang besar dengan volume besar informasi tidak terstruktur yang berisi informasi yang berguna untuk bisnis. Kami memiliki pengalaman yang sangat menarik dengan pengembangan sistem penilaian real estat untuk ROSEKO berdasarkan permintaan masyarakat Rusia penilai. Untuk memilih objek analog, sistem mengumpulkan data dari sumber di Internet, memproses informasi ini menggunakan teknologi linguistik dan memperkayanya menggunakan geo-analitik menggunakan metode pembelajaran mesin.

CNews: Solusi apa yang sedang dikembangkan "Force" di bidang intelijen bisnis dan data besar?

Olga Gorchinskaya:

Kami telah mengembangkan dan sedang mengembangkan solusi khusus di bidang big data - ForSMedia. Ini adalah platform analisis data media sosial untuk memperkaya pengetahuan pelanggan. Ini dapat digunakan di berbagai industri: sektor keuangan, telekomunikasi, ritel - di mana pun mereka ingin tahu sebanyak mungkin tentang pelanggan mereka.

Olga Gorchinskaya

Kami telah mengembangkan dan sedang mengembangkan solusi khusus di bidang big data - ForSMedia. Ini adalah platform analisis data media sosial untuk memperkaya pengetahuan pelanggan.

Kasus penggunaan yang umum adalah mengembangkan kampanye pemasaran bertarget. Jika perusahaan memiliki 20 juta pelanggan, distribusikan semua iklan di pangkalan tidak realistis. Perlu untuk mempersempit lingkaran penerima iklan, dan fungsi target di sini adalah untuk meningkatkan respons pelanggan terhadap proposal pemasaran... Dalam hal ini, kami dapat mengunggah data dasar tentang semua pelanggan (nama, nama keluarga, tanggal lahir, tempat tinggal) ke ForSMedia, dan kemudian, berdasarkan informasi dari jejaring sosial, menambahkan informasi baru yang berguna kepada mereka, termasuk lingkaran minat, status sosial, komposisi keluarga, wilayah aktivitas profesional, preferensi musik, dll. Tentu saja, pengetahuan seperti itu tidak dapat ditemukan untuk semua klien, karena bagian tertentu dari mereka tidak menggunakan jejaring sosial sama sekali, tetapi untuk pemasaran yang ditargetkan, hasil "tidak lengkap" seperti itu memberikan keuntungan besar.

Jaringan sosial- sumber yang sangat kaya, meskipun sulit untuk bekerja dengannya. Tidak mudah mengidentifikasi seseorang di antara pengguna - orang sering menggunakan berbagai bentuk nama mereka, tidak menunjukkan usia, preferensi, tidak mudah untuk mengetahui karakteristik pengguna berdasarkan posnya, grup berlangganan.

Platform ForSMedia memecahkan semua masalah ini berdasarkan teknologi data besar dan memungkinkan memperkaya data pelanggan dan menganalisis hasil dalam skala besar. Teknologi yang digunakan termasuk Hadoop, kerangka penelitian statistik R, alat pemrosesan linguistik RCO, alat Penemuan Data.

Platform ForSMedia memanfaatkan perangkat lunak distribusi gratis dan dapat diinstal pada platform perangkat keras apa pun yang memenuhi persyaratan tugas bisnis. Namun untuk penerapan besar dan dengan peningkatan persyaratan kinerja, kami menawarkan versi khusus yang dioptimalkan untuk bekerja pada sistem perangkat keras dan perangkat lunak Oracle - Oracle Big Data Appliance dan Oracle Exalytics.

Penggunaan kompleks Oracle terintegrasi yang inovatif dalam proyek-proyek besar adalah area penting dari aktivitas kami tidak hanya di bidang sistem analitik. Proyek semacam itu ternyata tidak murah, tetapi karena skala tugas yang diselesaikan, mereka sepenuhnya membenarkan diri mereka sendiri.

CNews: Dapatkah pelanggan menguji sistem ini sebelum membuat keputusan pembelian? Apakah Anda menyediakan, misalnya, bangku tes?

Olga Gorchinskaya:

Dalam arah ini, kami tidak hanya menyediakan tempat uji, tetapi telah menciptakan platform terbesar di Eropa dan unik di Rusia - Fors Solution Center. Tugas utamanya adalah membawa teknologi Oracle terbaru lebih dekat ke pelanggan akhir, untuk membantu mitra dalam pengembangan dan aplikasi mereka, untuk membuat proses pengujian peralatan dan perangkat lunak dapat diakses semudah mungkin. Ide itu tidak muncul begitu saja. Selama hampir 25 tahun, Force telah mengembangkan dan mengimplementasikan solusi berdasarkan teknologi dan platform Oracle. Kami memiliki pengalaman luas bekerja dengan klien dan mitra. Faktanya, Force adalah pusat kompetensi Oracle di Rusia.

Berdasarkan pengalaman ini, pada tahun 2011, ketika versi pertama dari mesin database Oracle Exadata muncul, kami membuat laboratorium pertama yang menguasai sistem ini, yang disebut ExaStudio. Atas dasar itu, lusinan perusahaan dapat menemukan kemungkinan solusi perangkat lunak dan perangkat keras Exadata baru. Akhirnya, pada tahun 2014, kami mengubahnya menjadi semacam pusat data untuk sistem pengujian dan solusi cloud - ini adalah Pusat Solusi Fors.

Kini Center kami menghadirkan jajaran lengkap sistem perangkat keras dan perangkat lunak Oracle terbaru - mulai dari Exadata dan Exalogic hingga mesin big data Big Data Appliance - yang, pada kenyataannya, bertindak sebagai bangku uji bagi mitra dan pelanggan kami. Selain pengujian, di sini Anda bisa mendapatkan layanan untuk mengaudit sistem informasi, bermigrasi ke platform baru, menyiapkan, mengonfigurasi, dan menskalakan.

Pusat ini secara aktif berkembang ke arah penggunaan teknologi cloud. Belum lama ini, arsitektur Center disempurnakan sedemikian rupa untuk menyediakan sumber daya dan layanan komputasinya di cloud. Pelanggan kini dapat memanfaatkan kemampuan kinerja swalayan dengan mengunggah data pengujian, aplikasi, dan pengujian ke cloud.

Akibatnya, perusahaan mitra atau pelanggan dapat, tanpa investasi awal dalam peralatan dan proyek percontohan di wilayah mereka, mengunggah aplikasi mereka sendiri ke cloud kami, menguji, membandingkan hasil kinerja, dan membuat satu atau lain keputusan tentang transisi ke platform baru. .

CNews: Dan pertanyaan terakhir - apa yang akan Anda hadirkan di Oracle Day?

Olga Gorchinskaya:

Oracle Day adalah acara utama tahun ini di Rusia untuk perusahaan dan semua mitranya. "Force" telah berulang kali menjadi sponsor umum, dan tahun ini juga. Forum ini akan sepenuhnya dikhususkan untuk topik cloud - PaaS, SaaS, IaaS, dan akan diadakan sebagai Oracle Cloud Day, karena Oracle sangat memperhatikan teknologi ini.

Pada acara tersebut, kami akan mempresentasikan platform ForSMedia kami, serta berbicara tentang pengalaman menggunakan teknologi dan proyek data besar di bidang intelijen bisnis. Dan, tentu saja, kami akan memberi tahu Anda tentang kemampuan baru Fors Solution Center kami di bidang membangun solusi cloud.

Usaha kecil di negara-negara CIS belum menggunakan analisis data untuk pengembangan bisnis, menentukan korelasi, mencari pola tersembunyi: pengusaha berhasil bertahan dengan laporan pemasar dan akuntan. Para pemimpin bisnis kecil dan menengah lebih mengandalkan intuisi mereka daripada analisis. Tetapi pada saat yang sama, analitik memiliki potensi besar: membantu mengurangi biaya dan meningkatkan keuntungan, membuat keputusan lebih cepat dan lebih objektif, mengoptimalkan proses, lebih memahami pelanggan, dan meningkatkan produk.

Seorang akuntan bukanlah pengganti seorang analis

Para pemimpin bisnis kecil sering berasumsi bahwa laporan pemasar dan akuntan cukup mencerminkan aktivitas perusahaan. Tetapi sangat sulit untuk membuat keputusan berdasarkan statistik kering, dan kesalahan dalam perhitungan tanpa pendidikan khusus tidak dapat dihindari.

Kasus 1. Pasca-analisis kampanye promosi. Untuk Tahun Baru, pengusaha mengumumkan promosi, di mana barang-barang tertentu ditawarkan dengan harga diskon. Setelah menilai pendapatan untuk periode Tahun Baru, dia melihat peningkatan penjualan dan senang dengan akalnya. Tapi mari kita pertimbangkan semua faktor:

Penjualan tumbuh sangat kuat pada hari Jumat, hari ketika pendapatan tertinggi - ini adalah tren mingguan.
Dibandingkan dengan pertumbuhan penjualan yang biasanya terjadi di bawah Tahun baru, maka keuntungannya tidak begitu besar.
Jika kita menyaring barang-barang promosi, ternyata angka penjualannya menurun.

Kasus 2. Penelitian omset. Di toko Pakaian Wanita kesulitan dengan logistik: persediaan barang langka di beberapa gudang, dan di beberapa gudang telah tergeletak selama berbulan-bulan. Bagaimana menentukan, tanpa menganalisis penjualan, berapa banyak celana yang harus dibawa ke satu daerah, dan berapa banyak jas yang akan dikirim ke tempat lain, sambil mendapatkan keuntungan maksimal? Untuk melakukan ini, Anda perlu menghitung omset, rasio kecepatan penjualan dan persediaan rata-rata untuk periode tertentu. Sederhananya, omset adalah indikator berapa hari toko akan menjual produk, seberapa cepat rata-rata stok terjual, seberapa cepat produk membayar sendiri. Secara ekonomi tidak menguntungkan untuk menyimpan cadangan besar, karena membekukan modal dan memperlambat pembangunan. Jika stok berkurang, mungkin akan terjadi kekurangan dan perusahaan akan kembali merugi. Di mana Anda dapat menemukan mean emas, rasio di mana produk tidak mandek di gudang, dan pada saat yang sama, Anda dapat memberikan jaminan tertentu bahwa pelanggan akan menemukan unit yang diinginkan di toko? Untuk melakukan ini, analis harus membantu Anda menentukan:

omset yang diinginkan,
dinamika perputaran.

Saat menyelesaikan dengan pemasok dengan penangguhan, penting juga untuk menghitung rasio jalur kredit dan omset. Perputaran dalam hari = Persediaan rata-rata * jumlah hari / Perputaran untuk periode ini.

Perhitungan bermacam-macam yang tersisa dan total omset oleh toko membantu untuk memahami di mana perlu untuk memindahkan bagian dari produk. Perlu juga menghitung berapa tingkat pergantian untuk setiap unit bermacam-macam, untuk membuat keputusan penurunan harga dengan permintaan yang berkurang, pesanan tambahan dengan permintaan yang meningkat, pindah ke gudang yang berbeda. Berdasarkan kategori, Anda dapat mengembangkan laporan omset dalam formulir ini. Dapat dilihat bahwa T-shirt dan jumper dijual lebih cepat, tetapi mantel - untuk waktu yang lama. Akankah seorang akuntan biasa dapat melakukan pekerjaan semacam ini? Kami meragukannya. Pada saat yang sama, perhitungan omset yang teratur dan penerapan hasil dapat meningkatkan keuntungan sebesar 8-10%

Di bidang apa analisis data dapat diterapkan?

Penjualan. Penting untuk memahami mengapa penjualan berjalan dengan baik (atau buruk), apa dinamikanya. Untuk mengatasi masalah ini, Anda perlu meneliti faktor-faktor yang memengaruhi laba dan pendapatan - misalnya, menganalisis panjang cek dan pendapatan per pelanggan. Faktor-faktor tersebut dapat diselidiki oleh kelompok produk, musim, toko. Anda dapat mengidentifikasi titik tertinggi dan penjualan dengan menganalisis pengembalian, pembatalan, dan transaksi lainnya.
Keuangan. Indikator pemantauan diperlukan bagi setiap pemodal untuk memantau arus kas dan mengalokasikan aset di berbagai bidang bisnis. Ini membantu untuk menilai efisiensi perpajakan dan parameter lainnya.
Pemasaran. Setiap perusahaan pemasaran membutuhkan prediksi dan analisis pasca-saham. Pada tahap pengembangan ide, Anda perlu menentukan kelompok barang (kontrol dan target) yang akan kami tawarkan. Ini juga merupakan pekerjaan seorang analis data, karena pemasar biasa tidak memiliki alat dan keterampilan yang diperlukan untuk analisis yang baik. Misalnya, jika total pendapatan dan jumlah pembeli untuk grup kontrol sama dibandingkan dengan target kelompok, promosi tidak berhasil. Analisis interval diperlukan untuk menentukan ini.
Kontrol. Kepemimpinan saja tidak cukup bagi seorang pemimpin perusahaan. Penilaian kuantitatif pekerjaan personel dalam hal apa pun diperlukan untuk manajemen perusahaan yang kompeten. Penting untuk memahami efisiensi manajemen penggajian, rasio gaji dan penjualan, serta efisiensi proses - misalnya, beban kerja mesin kasir atau pekerjaan pemuat di siang hari. Ini membantu mengatur jam kerja dengan benar.
Analisis web. Situs perlu dipromosikan dengan baik agar menjadi saluran penjualan, dan ini membutuhkan strategi promosi yang tepat. Di sinilah analisis web masuk. Bagaimana cara menggunakannya? Pelajari perilaku, usia, jenis kelamin, dan karakteristik pelanggan lainnya, aktivitas di halaman tertentu, klik, saluran lalu lintas, efektivitas pengiriman surat, dll. Ini akan membantu meningkatkan bisnis dan situs web Anda.
Manajemen bermacam-macam. Analisis ABC sangat penting untuk manajemen bermacam-macam. Analis harus mendistribusikan produk sesuai dengan karakteristiknya untuk melakukan analisis jenis ini dan memahami produk mana yang paling menguntungkan, mana yang menjadi dasar, dan mana yang layak untuk disingkirkan. Untuk memahami stabilitas penjualan, ada baiknya melakukan analisis XYZ.
Logistik. Pemahaman yang lebih baik tentang pengadaan, barang, penyimpanan dan ketersediaannya akan memberikan studi tentang indikator logistik. Kerugian dan kebutuhan barang, persediaan juga penting untuk dipahami untuk keberhasilan manajemen bisnis.

Contoh-contoh ini menunjukkan betapa kuatnya analisis data, bahkan untuk bisnis kecil. CEO yang berpengalaman akan meningkatkan laba perusahaan dan mendapatkan manfaat dari wawasan terkecil dengan menggunakan analitik data dengan benar, dan pekerjaan manajer akan sangat disederhanakan dengan laporan visual.