Аналитика 3.0 и интернет вещей | Знания, мысли, новости — radnews.ru


Аналитика 3.0 и интернет вещей

Аннотация. Рассмотрены три основных этапа в развитии аналитических методов и инструментов. Определены основные характеристики этапа «Аналитика 3.0». Показана взаимосвязь современного этапа развития аналитических методов и инструментов с эволюцией «Интернета вещей». Ключевые слова: Аналитика 3.0, Интернет вещей, описательная аналитика, прогностическая аналитика, предписывающая аналитика.

«Аналитика 3.0» — это название очередного поколения аналитических средств и инструментов, приходящего на смену двум ранним поколениям: «Аналитика 1.0» или традиционная аналитика и «Аналитика 2.0» или аналитика «больших данных» (Big Data). Можно выделить следующие основные характеристики традиционной аналитики («Аналитика 1.0»): данных относительно немного, они структурированы, источником данных являются, как правило, внутренние бизнес-системы организации;  аналитическая деятельность связана, в основном, с составлением отчетов (описательная аналитика); процесс создания аналитических моделей занимает достаточно много времени;  специалисты-аналитики отделены (в структуре организации, а часто и в пространстве) от лиц, принимающих решения (ЛПР); лишь немногие организации считают аналитику конкурентным преимуществом и стараются ее развивать; решения в организации принимаются, как правило, с опорой на опыт и интуицию ЛПР [1]. Началом периода развития Аналитики 1.0 считают середину 50-х годов ХХ века, в это время компания UPS создала первую в США аналитическую группу в рамках своей организации. Многие компании, особенно работающие в рамках традиционных отраслей, продолжают использовать Аналитику 1.0 и по сей день. С точки зрения применяемых технологий и инструментов «Аналитика 1.0» основывалась на «хранилищах данных» (Data Warehouse) и «магазинах» данных (Data Smart) [2]. Со временем такие хранилища данных становились все более громоздкими и неудобными в использовании из-за своих размеров. Составление отчетов имело своей целью как-то зафиксировать прошлые события без попыток их осмысления или использования для прогнозирования будущего. Статистический анализ определенных событий занимал недели, а иногда и месяцы. Поэтому часто ЛПР, не дожидаясь результатов анализа, принимали решения на основе своего опыта или интуиции. Аналитики, в свою очередь, большую часть времени тратили на подготовку данных для анализа и меньшую – собственно на сам анализ.

Примерно с середины 2000-х годов многие компании столкнулись с феноменом, так называемых, «больших данных» (Big Data) и этот период назвали началом эры «Аналитики 2.0». Основные характеристики эры «Аналитики 2.0»: появление огромных массивов сложных, неструктурированных данных из разных источников; новые аналитические инструменты; появление ученых в области данных (Data Scientists); онлайн фирмы начинают создавать продукты и услуги, основанные на данных. Эра «Аналитики 2.0» по большому счету началась с использования онлайн данных фирмами, действующими в Интернете и социальных сетях. Им приходилось работать с огромными объемами быстроменяющихся данных разных типов. Аналитика в этих фирмах была предназначена не только для улучшения внутренних процессов, но также служила основой для появления клиентоориентированных продуктов и услуг.

Особенностью новых онлайн компаний было то, что им не приходилось объединять технологии, связанные с большими данными, с традиционной ИТ- инфраструктурой, потому что этой инфраструктуры у них просто не было. Сам термин «большие данные» предполагал, что данные сами по себе были или очень большими, или относительно неструктурированными, или быстроменяющиеся, а иногда и обладали всеми этими признаками одновременно. Примерно в это же время появляются новые технологии и новые инструменты работы с данными, так называемые системы бизнес-аналитики [3]. Эра «Аналитики 2.0» достаточно сильно отличалась от эры «Аналитики 1.0». Новое поколение аналитиков стали называть учеными (Data scientists), от них требовалось владение как расчетными, так и аналитическими навыками.

Теперь аналитики уже не соглашались находиться на периферии основных бизнес-процессов в организации. Они хотели непосредственно участвовать в разработке новых продуктов и в совершенствовании различных сторон бизнеса. Концепция «больших данных» все еще остается достаточно популярной и многие малые и средние компании все еще работают в рамках «Аналитики 2.0». Но, многие крупные компании уже вступили в эру «Аналитики 3.0». Основные характеристики эры «Аналитика 3.0»:  аналитика проникает во все сферы бизнеса, начиная с разработки стратегии; быстрое и гибкое распространение результатов анализа внутри организации;  аналитические инструменты становятся доступными в точках принятия решений;  аналитика внедряется в операционные процессы и процессы принятия решений; любой бизнес может создавать продукты и услуги, основанные на данных. «Аналитика 3.0» предполагает создание такой среды, которая объединяет все лучшее из «Аналитики 1.0» и «Аналитики 2.0» для получения быстрых результатов анализа и их немедленного использования в различных сферах бизнеса. Организации используют большие и малые наборы структурированных и неструктурированных данных из внутренних и внешних источников для того, чтобы вывести новые закономерности в рамках прогнозных моделей и систем поддержки принятия решений.

Если в рамках Аналитики 1.0 фирмы использовали данные для анализа из хранилищ данных, в рамках Аналитики 2.0 использовались или неструктурированные базы данных или Hadoop, то в рамках «Аналитики 3.0» применяют самые разные инструменты управления данными: структурированные базы данных и Hadoop, вертикальные и графические базы данных и т.д. [4]. Всего выделяют три основных типа аналитических моделей: — описательные, которые направлены на прошлое; — прогнозные, которые используют данные из прошлого для предсказания будущего; — предписывающие, которые предназначены для выдачи предписаний по результатам анализа. «Аналитика 3.0» включает все три типа моделей, но особый упор делается на предписывающие модели. Именно они обеспечивают высокий уровень операционных выгод для организации, но требуют высококачественного планирования и реализации. Модели «Аналитики 3.0» часто внедряются непосредственно в операционные и управленческие процессы, существенно увеличивая их скорость и влияние. Некоторые фирмы внедряют аналитику в полностью автоматизированные системы, основанные на алгоритмах или правилах. Другие фирмы встраивают аналитику в клиентоориентированные продукты и услуги. Распространение методов и инструментов «Аналитики 3.0» тесно связано с бурным ростом, так называемого «Интернета вещей» (Internet of Things). Интернет вещей (ИВ) включает в себя физические или сетевые объекты, которые могут посредством включенных в них сенсоров, датчиков, приложений и других устройств собирать или передавать информацию о самих себе, своем состоянии и поведении.

На потребительском рынке примерами таких объектов являются: смарт-часы, фитнес-браслеты и системы безопасности для дома. На рынке В2В – это промышленное оборудование со встроенными сенсорами, контейнеры для хранения и доставки продуктов и т.п. Эти устройства (сенсоры, датчики и т.п.) связаны с компьютерными системами и генерируют огромную массу данных, которую самые продвинутые компании уже используют для обнаружения новых закономерностей, что позволяет им приобретать дополнительное конкурентное преимущество. В последнем докладе McKinsey Global Institute отмечено, что возможности, создаваемые ИВ, могут приносить в глобальную экономику примерно 11 трлн.дол. ежегодно вплоть до 2025 г. [5]. Переход от традиционной ИТ-архитектуры к оптимизированной для ИВ не будет легким. Новая ИТ-архитектура должна быть готова аккумулировать и обрабатывать миллионы и миллиарды сообщений, поступающих от сотен тысяч датчиков, устройств и приложений. Поскольку сетевые устройства находятся в онлайн-режиме, компании должны быть готовы реагировать на запросы различных систем и потребителей в режиме реального времени. Компании должны быть готовы безопасно и эффективно собирать, анализировать и хранить данные, поступающие от этой новой ИТ- архитектуры. Возрастает мощность и уровень коммуникаций между ИТ- подразделением и другими бизнес-подсистемами организации. В настоящее время уже есть более 9 миллиардов связанных друг с другом устройств по всему миру, включая смартфоны и компьютеры. И ожидается, что их количество, по крайней мере, утроится в ближайшие 10 лет [6].

Многие компании находятся только в начале пути перепроектирования своих ИТ- архитектур и операционных моделей, чтобы получить выгоды от использования ИВ. Это сложный и долгий процесс, и чтобы сделать его реалистичным и выгодным, нужно учесть следующие моменты. В настоящее время ИВ приспособлен, как правило, для решения конкретных задач. И то, что подходит для решения конкретной задачи в определенной фирме, уже не подходит для решения подобных задач в других фирмах. Нужны новые стандарты программирования интерфейса и систем коммуникации, без этого разработать единую систему ИВ будет очень трудно. Например, такие фирмы как AT&T, Cisco, GE, IBM, Intel вошли в Промышленный интернет-консорциум, в первую очередь для того, чтобы разработать такие общие стандарты. Сотни и тысячи устройств ИВ должны быть подключены к беспроводной сети одновременно. Это – не простая задача. Например, в среднем смарт-доме может находиться от 50 до 100 подключенных устройств (лампочек, сенсоров, термостатов и т.п.), каждое со своими характеристиками. При движении смарт-автомобиля будут появляться сотни гигабайт данных в час. Эти виды деятельности могут оказаться весьма затратными и для потребителей, и для компаний. ИТ-специалисты и разработчики продукта должны найти верные решения для выгрузки данных во время работы устройств, соединенных с сетью. Данные должны быть получены, сжаты, сохранены и переданы для дальнейшего анализа.

Жизненный цикл объекта из ИВ, как правило, больше, чем жизненный цикл, используемых для сбора и передачи данных датчиков, сенсоров, программного обеспечения (ПО). Поэтому нужно предусмотреть возможность апгрейда этих устройств и ПО в течение срока использования основного объекта. К тому же компании должны предусмотреть возможность получения от потребителей сигналов о том, что нужен апгрейд – через те же датчики, или через социальные сети и Интернет. С появлением ИВ еще долгое время одновременно будут существовать и традиционные продукты. Они также могут давать полезную информацию, так что нужно предусмотреть возможность модернизации таких продуктов с точки зрения подключения их к ИВ. С появлением ИВ возможности для несанкционированного доступа к определенным данным возрастают, соответственно, должен вырасти уровень информационной безопасности. Хакерская атака на компонент ИВ потенциально может отразиться на миллионах пользователей и фирм, создавая массовую экономическую угрозу, а также угрозу жизни и безопасности членов общества. «Интернет вещей» только набирает силу, параллельно расширяется сфера применения методов и инструментов «Аналитики 3.0». Те компании, которые сумеют перестроить свою ИТ-архитектуру в соответствии с новыми требованиями, получат огромные конкурентные преимущества и соответствующие финансовые и репутационные выгоды.

Список литературы:

1. WHAT IS ANALYTICS 3.0? / Режим доступа: http://iianalytics.com/analyticsresources/analytics-3.0.

2. Информационные хранилища данных / Режим доступа: http://lifeprog.ru/1_11443_informatsionnie-hranilishcha-dannih-OLAP—tehnologiya-upravlenieskladami-dannih.html.

3. Крюков С.В. Пути развития современного программного обеспечения для бизнес-анализа / Математические и инструментальные методы в инноватике и бизнес- аналитике. Материалы Международной научно-практической Интернет-конференции. – Ростов н/Д.: ПРОФПРЕСС, 2013. 4. Что такое Hadoop / Режим доступа: http://www.taskdata.com/index.php?id=26&Itemid=5&option=com_content&view=article.

5. Preparing IT systems and organizations for the Internet of Things / Режим доступа: http://www.mckinsey.com/industries/high-tech/our-insights/preparing-it-systems-andorganizations-for-the-internet-of-things.

6. Unlocking the potential of the Internet of Things / Режим доступа: http://www.mckinsey.com/business-functions/business-technology/our-insights/the-internetof-things-the-value-of-digitizing-the-physical-world.

Крюков Сергей Владимирович, доктор экономических наук, профессор, Южный федеральный университет, Россия


Комментировать


8 + = одиннадцать

Яндекс.Метрика