ИТ-эксперты любят рассуждать о данных, но вряд ли вы услышите, как эти собранные данные используются. В новом отчете Pricewaterhouse Coopers и Iron Mountain, вышедшем под заголовком How organizations can unlock value and insight from the information they hold («Как извлекать ценности и проникать в суть информации, находящейся в распоряжении организаций»), показано, что компаниям, желающим повысить эффективность использования имеющихся у них данных, есть еще над чем поработать.

В основу исследования были положены итоги опроса 1800 топ-менеджеров, работающих в компаниях среднего размера (с числом сотрудников более 250) и крупных компаниях (более 2500 работников) из стран Северной Америки и Европы. Результаты оказались просто удивительными: управление данными в своей организации считают эффективным лишь очень немногие.

«Данные – кровь цифровой экономики, они позволяют изучить ситуацию, информированно принимать решения и углублять взаимоотношения, – отметил директор PwC по рискам и страхованию Ричард Петли. – Данные можно покупать, продавать, передавать и даже красть, ведь они имеют определенную ценность. Однако опрашиваемые редко говорили о ценностях, а у большинства нет даже инструментов для управления, защиты и извлечения этих ценностей».

Отсутствие грамотной стратегии

Зачастую стоящие перед компаниями задачи по анализу данных можно успешно решить силами уже имеющихся сотрудников

Исследование показало, что у руководителей 75% компаний самой разной величины, местоположения и секторов экономики присутствует ощущение того, что они «извлекают из информационных активов максимум». На самом же деле успеха в этом деле добиваются лишь 4%. Примерно 43% опрошенных заявили, что их компания «извлекает из информации мало ощутимые преимущества», а 23% полагают, что никаких преимуществ нет вообще.

Три четверти организаций не обладают навыками и технологиями, которые позволяли бы эффективно использовать информацию, для того чтобы оторваться от конкурентов. В трех компаниях из четырех нет аналитика данных, и лишь в четверти организаций, где аналитик все-таки есть, используют его со знанием дела.

Для технологических компаний недостаток понимания данных проблемой не является. Такая проблема характерна для производственной и конструкторской сферы, фармацевтики, сферы финансовых и юридических услуг, страховой отрасли, энергетики и здравоохранения. Взяв за основу полученные сведения, в PwC построили так называемый Индекс ценности информации (Information Value Index), он составлен на основе ответов сотрудников 1650 предприятий на 36 вопросов и показывает, насколько хорошо бизнес использует собранную информацию и какие ценности ему удается извлекать из данных. Значение индекса может варьироваться от 0 до 100 (100 соответствует наилучшему использованию данных). Индекс оценивает общую осведомленность компании, понимание важности данных, умение достигать обусловленных данными целей, а также навыки и инструменты, используемые для извлечения из данных ценностей, и общие преимущества, получаемые организацией от погружения в данные. У компаний средней величины усредненная оценка составила 48,8, у крупных предприятий — 52,6. Общая же оценка всех организаций оказалась чуть выше 50.

Петли пришел к выводу: данные проникли в нашу жизнь настолько широко, что уже воспринимаются как рутина. И только когда приходит беда, представление меняется. В некоторых компаниях данные считают зоной ответственности ИТ-службы и архитекторов данных, а не важным ресурсом, который должен быть взят на вооружение всеми сотрудниками организации. Нужно, чтобы все понимали: данные – это не прерогатива ИТ-специалистов, а ценный актив, и его роль выходит далеко за пределы технической стороны бизнеса.

Укрепление конкурентоспособности с помощью данных

Стратегия в области данных становится главным ресурсом повышения конкурентоспособности в борьбе с другими компаниями. Игнорируя данные или рассматривая их как несущественный актив, руководители бизнеса оказывают своим организациям плохую услугу.

«Суть анализа для бизнес-подразделений, служб маркетинга, развивающихся филиалов и прочих структурных единиц заключается в том, чтобы понять, какую информацию им хотелось бы извлечь из данных, а затем при содействии ИТ-службы, аналитиков данных и ученых по данным выявить соответствующие источники, продумать технологии доступа к ним, провести анализ и представить полученные результаты в дружественной пользователю, как правило визуальной форме, – указала управляющий директор компании Iron Mountain по стратегии лидерства Сью Тромбли. – Бизнес вкладывает в сбор данных большие деньги, а когда настает пора эти данные использовать, теряет инициативу. Лидерам бизнеса необходимо настойчиво искать способы извлечения необходимой информации и ее представления в удобном формате для внутреннего пользования. Речь идет о наличии стратегии управления данными. Первым делом следует идентифицировать источники данных, затем понять важность анализа для каждого подразделения и, наконец, создать план укрепления конкурентоспособности».

Результаты опроса продемонстрировали, что предприятия не знают о неиспользуемых ресурсах, которые заложены в хранимых данных. Около 16% руководителей не уверены в том, что в организации четко представляют себе, какие данные у них имеются, 23% не знают, как данные перемещаются по организации, а 20% не в курсе, где находятся наиболее уязвимые для данных места.

Неудивительно поэтому, что четверть топ-менеджеров не считает, что данные имеют какую-либо ценность для принятия решений, разработки продуктов, достижения экономии, а также для привлечения и удержания клиентов. Объясняется это тем, что они просто не инвестируют в стратегию. Аналитики очень быстро превращаются в один из наиболее ценных ресурсов успешного бизнеса, а каждой компании нужен уникальный, отвечающий ее особенностям план управления данными.

Следует ли нанимать специалиста по данным?

Прежде чем приглашать специалиста по данным или создавать целый отдел, занимающийся анализом, руководителям необходимо определить, каких целей они хотели бы добиться с помощью анализа. У каждой компании свои потребности, и оптимальная стратегия в области данных зависит от миссии и целей бизнеса. А это значит, что организации не обязательно создавать целое подразделение, специализирующееся исключительно на данных. Зачастую стоящие перед ней задачи можно успешно решить силами уже имеющихся сотрудников.

«Компании с не очень сложными требованиями к анализу вполне могут обойтись уже имеющимися специалистами, – считает Тромбли. – В случае необходимости можно отправить этих сотрудников в центр обучения анализу данных или на соответствующий семинар».

Для некоторых компаний это могло бы стать наилучшим вариантом, особенно в условиях дефицита ученых по данным, чья профессия является относительно новой и весьма востребованной. Можно снизить отрицательные последствия отсутствия стратегии в области данных, взяв на работу сотрудника, который находится в курсе современных тенденций, но одной такой меры может оказаться недостаточно.

«Вряд ли можно найти директора по данным, который подошел бы на все случаи жизни, – подчеркнула Тромбли. – Основные обязанности должны быть распределены в рамках уже существующей организационной структуры. Кроме того, есть дилемма спроса и предложения – трудно отыскать человека, который успешно справился бы с ролью директора по данным».

Характерные черты «элиты данных»

Из всех предприятий, чьи сотрудники принимали участи в опросе, только 4% можно отнести к «элите данных». Речь идет о средних и крупных организациях, работающих в сфере здравоохранения, производства и конструирования. Эффективные органы управления информацией появляются в первую очередь на этих предприятиях. Здесь же прививается культура принятия решений на основе анализа событий и появляются аналитики, имеющие доступ к данным, осуществляющие контроль за ними и располагающие дополнительными инструментами анализа.

Наиболее передовые компании эффективно используют доступные им ценные ресурсы, и это становится частью их культуры. В такую категорию, как правило, попадают организации средней величины, которые не обременены тяжелым наследием и действуют в отраслях, не подвергаемых тщательному регулированию. Вместе с тем в элите данных могут оказаться и не столь гибкие изначально компании — если им повезло с сильным руководством, организацией сквозного управления информацией и наличием подразделений, которые занимаются данными, не имея при этом отношения к ИТ-службе.

Посмотрите, кто входит в число топ-менеджеров любой современной крупной компании, и вы наверняка увидите должности, которых еще несколько лет назад здесь не было: директор по данным (chief data officer), главный специалист по данным (chief data scientist), директор по аналитике (chief analytics officer) и т. д.

Данные присутствуют сегодня повсеместно и оказывают влияние не только на деятельность руководства компаний.

Вечная гонка в мире бизнеса заставляет компании собирать как можно больше данных как можно быстрее. При этом вопрос, как превратить эти огромные объемы в практическую ценность, оставляется на потом. Но сегодня это «потом» уже наступило, а в организациях ощущается острая нехватка специалистов по данным. К тому же планы по «выращиванию» таких специалистов имеются лишь в очень немногих компаниях.

Фактически на любом уровне организации сотрудники вынуждены иметь дело с растущими объемами данных, из которых необходимо извлекать полезную информацию. И сегодня требования к кандидатам на замещение вакантной должности – любой должности серьезно изменились.

«Современные работники должны хорошо ориентироваться в данных, – указал профессор бизнес-анализа Университета Цинциннати Джеффри Камм. – Быть ученым по данным требуется не от каждого, но каждый должен учиться использовать данные для принятия более обоснованных решений».

Легко сказать, однако реализовать такое на деле весьма непросто. Разрабочики корпоративного программного обеспечения уже начали внедрять в свои продукты новые, более простые инструменты, но в большинстве случаев задачи адаптации рабочей силы к меняющимся требованиям все равно ложатся на плечи компаний и вузов.

«Насколько я вижу, на практике сотрудников сегодня нужно готовить к двум основным ролям — аналитика данных и потребителя данных, – отметил Камм. – Уже сейчас предлагается более 100 программ подготовки аналитиков и исследователей данных с выдачей диплома магистра – гораздо больше, чем было всего несколько лет назад. Университеты прислушиваются к пожеланиям отрасли и разрабатывают очень хорошие программы в области анализа. Более сложной задачей мне представляется поиск наилучшего способа обучения оставшейся части персонала, начиная от администраторов торговых залов и операторов контакт-центров и заканчивая представителями высшего руководства. Независимо от их роли фундаментальный вопрос заключается в следующем: какими навыками анализа данных должен обладать человек для более качественного выполнения своей работы?»

К примеру, Университет Цинциннати предлагает различные курсы профессиональной подготовки в области обработки и анализа данных: «Современные методы добычи данных», «Анализ в Excel», «Предписывающий анализ: постановка и решение задач оптимизации» и целый ряд других.

Однако подобные программы пока остаются редкостью. «В целом университеты традиционно не преуспевают в обучении будущих менеджеров математическим и статистическим методам, – указал Том Дэвенпорт, профессор Колледжа Бэбсона, один из авторов курса количественного анализа. – Студенты не особо любят количественный анализ. А дополнительная неделя, выделяемая на эту дисциплину, посвящена скорее факторному анализу, чем количественному анализу в целом. И это большая проблема».

Ее решением занялся стартап DataCamp. Компания, основанная полтора года назад, предлагает студентам и профессионалам в области информационной экономики доступные интерактивные интернет-курсы, посвященные анализу данных.

В программе курсов рассматриваются темы визуализации данных, динамических отчетов, программирования на языке R и Больших Данных. Однако ее авторы не придерживаются традиционных академических форматов. При изучении материала используются короткие видеоуроки и интерактивные задачи по программированию. Доступ к ним осуществляется через браузер. Некоторые занятия проводятся бесплатно, а желающие получать материалы в полном объеме могут оформить подписку стоимостью 25 долл. в месяц или 250 долл. в год. Стандартных дипломов DataCamp не выдает, но студенты получают значки и сертификаты о прохождении определенных курсов обучения.

«В течение первого года у нас прошли обучение 100 тыс. человек, – сообщил один из основателей и генеральный директор DataCamp Джонатан Корнелиссен. – Это показывает, что в мире существует реальная потребность в изучении анализа данных. Мы же видим свою миссию в поиске новых подходов к обучению по соответствующей тематике. Около 70% студентов DataCamp являются профессионалами, работающими в мире бизнеса. В своей деятельности им приходится постоянно сталкиваться с данными, которые требуют визуализации и понимания».

Будущие планы интернет-школы предусматривают создание курсов по очистке данных, манипулированию ими и моделированию.

Образовательные программы – лишь один из подходов, помогающий сотрудникам воспринимать данные по-новому, но далеко не единственный. Некоторые организации отдают предпочтение другим – гораздо более необычным направлениям.

Центр эпигеномики Медицинского университета им. Альберта Эйнштейна в Нью-Йорке поддерживает контакты с художником Дэниелом Коном, который помогает по-новому взглянуть на генетические данные.

«Мне интересен сам процесс создания смысловой нагрузки, – заметил Кон, проработавший в течение десяти лет художником в Институте Броуда, где занимаются расшифровкой генома. – Люди полагают, что все, что мы видим, существует на самом деле, и нам всего лишь нужно это усвоить».

Родившийся в Индии и выросший во Франции, Кон впитал в себя множество различных культур, а художественное образование помогает ему придерживаться необычных подходов. «Согласно общепринятому мнению, любую ситуацию можно рассматривать с разных точек зрения, – говорит он. – На полотне мы изображаем предмет не таким, какой он есть на самом деле, мы рисуем его с учетом определенных традиций».

Аналогичным образом, при взгляде на научные данные очень важно иметь точное представление о научных традициях, положенных в основу избранного подхода, а также понимать, что традиции эти являются не единственным возможным вариантом.

Распространено мнение, что для оперирования Большими Данными нужны лишь более мощные машины и улучшенные алгоритмы. «На мой же взгляд, для понимания окружающей нас реальности нужны новые метафоры, – считает Кон. – Истории, закладывающие новый смысл. Для мира, который меняется вокруг нас, нужны новые, соответствующие ему правила».

«Подход Кона может быть полезен, – признал директор Центра эпигеномики Джон Грейли. – Его сила заключается в его наивности и оторванности от темы. После показов он задает вопросы. Почему эта диаграмма представлена в синих и красных тонах? Что если после щелчка по точке откроется новое измерение? У него отличное визуальное восприятие, и это заставляет нас искать что-то новое. Есть надежда, что, побуждая ученых выходить за рамки традиционного для них мышления, он зародит искры понимания, имеющие самые неожиданные источники».

«Многие открытия совершались благодаря счастливому случаю, – указал Кон. – Ученые испытывали озарение, не имеющее рационального объяснения».

«Таким образом, нам нужны новые инструменты визуализации, позволяющие выносить интуитивные суждения о данных и не требующие полного представления о функционировании систем, – сделал вывод Грейли. – Партнерство наше продолжается всего полтора года, и оценивать все его преимущества еще слишком рано. Пока же можно сказать, что выбираемые нами сейчас формы визуального представления сложнее, чем традиционно используемые стандартные температурные карты и диаграммы разброса».

«Аналитики принимали косвенное участие в принятии бизнес-решений в прошлом, но сегодня в этом процессе им отводится фактически центральная роль», – заметил Кирк Борн, ученый по данным и профессор Университета Джорджа Мейсона.

А это в свою очередь требует новых подходов, основанных на множестве различных дисциплин. Компаниям же нужен достаточно широкий круг сотрудников, обладающих навыками анализа данных.

Оркестр, все музыканты которого владеют инструментом одного типа, не добьется больших успехов. Команда должна состоять из исследователей данных, которые дополняют друг друга и способны вместе выдать отличную музыку.

Дополнение уже существующих практик бизнес-аналитики технологиями, позволяющими извлекать пользу из больших массивов неструктурированных данных, приносит заметные плоды.

Александр Прохоров, старший аналитик рынка ИТ-услуг российского офиса IDC, в рамках форума IDC «Большие Данные и бизнес-аналитика» отметил, что в прошлом году мировой рынок Больших Данных составил 12,6 млрд долл., показав рост на 30%. При подсчетах учитывалось несколько групп проектов. Чтобы попасть в эту категорию, помимо больших объемов обрабатываемых данных, проект должен был характеризоваться объединением разнородных данных из множества источников, анализом «на лету» данных, поступающих через высокоскоростную потоковую передачу, или демонстрировать рост объема хранения более чем на 60% в год.

Одним из главных сдерживающих факторов для технологий Больших Данных становится дефицит кадров. Вузы в спешном порядке формируют соответствующие программы, но отдача от них будет заметна лишь через несколько лет. Частично компенсировать нехватку специалистов будет использование специализированных программно-аппаратных комплексов (appliance) и облачных сервисов.

По сравнению с «обычными» облаками применение облачных технологий для обработки Больших Данных растет втрое быстрее, и к 2020 году четверть систем Больших Данных будут облачными. В частности, заметно вырастет число компаний, предлагающих сервисы облачной обработки данных в реальном времени на платформе Amazon Web Services.

Пусть работают машины

Новые возможности по обработке данных влекут за собой коренные перемены в маркетинге: персонификация вместо сегментации, прямые описания аудитории вместо косвенной, а также адаптация интерфейса систем под потребности конкретного человека.

«Главный барьер для внедрения новых моделей в бизнес – психологический, особенно у руководителей, привыкших к традиционным схемам работы», — считает Андрей Себрант, директор по маркетингу сервисов компании «Яндекс». Зачастую алгоритмы могут работать гораздо лучше экспертов, особенно это касается принятия массовых однотипных решений: машина многократно эффективнее работает не вместе с людьми, а вместо них. В этих случаях дорогих, опытных специалистов можно смело увольнять или, как минимум, серьезно переучивать для выполнения новых задач. Вместо поиска ответов специалисты должны учиться задавать правильные вопросы – пока это единственное, чего не умеют делать алгоритмы.

«Я не люблю термин ‘Большие Данные’ и предпочитаю говорить про науку о данных – data science», — подчеркнул Себрант. По его словам, зачастую от гигабайтов данных можно добиться большего результата, чем от терабайтов, только лишь за счет правильного обращения с ними.

«Не так важно, насколько велики ваши данные, как то, насколько вы умеете извлекать из них пользу», — согласился Александр Аникин, руководитель отдела аналитики компании «Связной». Традиционные подходы к работе с данными перестают быть эффективными в связи с многогранностью задач и их сложностью. Бизнес демонстрирует неудовлетворенность результатами аналитических усилий. Именно это становится причиной появления data science, которая, по мнению Аникина, вскоре превратится в одну из стандартных функций компаний – такую же, как юридический отдел или подразделение логистики.

На данный момент data scientist – своеобразный супермен, обладающий широкими знаниями в математике, ИТ и бизнесе, – это во многом собирательный образ. Такие специалисты практически не встречаются, поэтому в большинстве случаев речь идет о построении сбалансированной команды сотрудников, вкупе обладающих необходимой экспертизой.

Свобода действий и минимум бюрократии

В случае инноваций, какими сейчас являются Большие Данные, возврат инвестиций в них просчитать практически невозможно, и это огромная проблема – такие инициативы очень сложно защитить. Кроме того, возможности ИТ-департаментов ограничены, и проекты встают в очередь, иногда весьма долгую. Наконец, у бизнес-подразделений нет стимула заниматься такими работами, что усугубляет ситуацию. Для «Сбербанка» выходом стало обособление исследовательского подразделения: оно имеет свой бюджет, отдельную команду, свою лабораторию, собственные показатели эффективности.

«Высококвалифицированная команда специалистов по гибким методам разработки, небольшие бюджеты, минимум бюрократии», — перечисляет факторы успеха Алексей Винниченко, руководитель направления Больших Данных отдела технологических исследований «Сбербанка».

Платформой для исследований является Cloudera Hadoop, но по необходимости используются и другие решения. С этой точки зрения важны небольшие сроки проектов, в ходе которых многие вендоры дают возможность «поиграть» со своими продуктами бесплатно, а иногда даже выделяют консультантов. При этом стоит отметить подход «отрицательный результат – тоже результат» – сотрудники имеют право на ошибку. Успешной становится примерно каждая третья инициатива: из 25 пилотных проектов, реализованных за последний год, восемь были внедрены в промышленную эксплуатацию. Их экономический эффект многократно превосходит затраты на исследовательские работы.

«Пока самые выгодные для нас проекты Больших Данных – из области безопасности, но о них говорить нельзя», — констатировал Винниченко. Среди прочих проектов он выделил расширение сегмента премиальных карт и оптимизацию эквайринговой сети.

Задачей первого из них стал поиск среди массового сегмента пользователей, готовых перейти на более выгодные продукты премиум-класса. В его ходе потребовалось выделить признаки, разделяющие массовых и премиальных пользователей, построить поведенческую модель премиального клиента. В результате среди массового сегмента было выявлено 54 тыс. потенциальных клиентов премиум-продуктов, а в качестве бонуса – 3 тыс. премиальных клиентов, склонных к оттоку.

В рамках проекта по оптимизации сети эквайринга потребовалось выделить населенные пункты с высоким присутствием POS-терминалов, но низким показателем распространения карточных продуктов, и наоборот. Дополнительным эффектом стала добытая информация об эквайринге и карточных продуктах конкурентов.

Средства манипуляций

Мощнейшим полигоном для обкатки технологий Больших Данных становятся социальные сети. Летом Facebook признался в бесчеловечном эксперименте, в ходе которого пользователям в ленту новостей искусственно внедрялись материалы различной направленности. Проект подтвердил, что социальные площадки предоставляют огромные возможности по манипулированию обществом. Люди, получавшие негативные новости, впадали в депрессию: у них понижалась активность и появлялась агрессия в комментариях. При позитивной тональности внедряемых материалов активность пользователей резко росла, они сами начинали активно размещать фотографии и жизнерадостные новости.

Огромное применение Большие Данные находят и в игровой индустрии. Одним из важных направлений деятельности крупных операторов онлайн-игр становится анализ действий игроков в реальном времени. В зависимости от происходящих событий прогнозируется дальнейшее их развитие и формируется персонифицированное предложение по приобретению игровых предметов. С учетом масштабов маркетинговых кампаний, затея по мониторингу действий пользователей является вполне оправданной. Если с нескольких миллионов игроков в результате таких действий удается дополнительно получить хотя бы по несколько долларов, окупаемость проекта становится очевидной.

Коммерческие и корпоративные центры обработки данных играют все большую роль в поддержке бизнеса российских предприятий. Работоспособность ЦОД в значительной степени зависит от состояния их физической инфраструктуры, в состав которой входят системы гарантированного электроснабжения, комплексы охлаждения, устройства распределения электропитания и другое оборудование инженерного обеспечения. Техническая поддержка устройств физической инфраструктуры осуществляется, как правило, производителями оборудования либо их сертифицированными партнерами. О новых подходах к техническому обслуживанию инженерного оборудования ЦОД на базе услуг центров компетенции, расположенных в Ирландии, Индии и США, рассказывает Брайан Паркинсон, директор по стратегии и новейшим сервисам в Азиатско-Тихоокеанском регионе и Японии подразделения ИТ-бизнеса компании Schneider Electric (ранее APC by Schneider Electric).

- Когда говорят о подразделении ИТ-бизнеса Schneider Electric, то прежде всего речь идет об ИБП, прецизионных кондиционерах, распределении электропитания. Однако я слышал о вашем интересе к методам науки о данных (Data Science). В чем тут дело?

Компания Schneider Electric хорошо известна как производитель оборудования, традиционно наш бренд ассоциируется с надежностью, но в настоящее время одной только надежности мало; наряду с этим предлагаемые нами решения должны быть адаптивными и масштабируемыми. Для этого требуется комплексный подход к инфраструктуре, нужен целостный взгляд на состояние и взаимодействие ее компонентов. Именно поэтому на первый план выходит вопрос интерпретации информации, характеризующей состояние физической инфраструктуры ЦОД, и здесь важную роль играет наука о данных, которая позволяет корректно интерпретировать полученные результаты.

- По сути, что вы предлагаете?

На уровне физической инфраструктуры предприятий в ИБП и других инженерных системах формируются значительные объемы данных, характеризующие их работу. Наряду с этим отмечаются возрастающие потоки данных мобильных приложений, которые используются для взаимодействия с инженерным оборудованием. В совокупности все эти данные позволяют судить о поведении единой экосистемы, и из них можно извлекать полезные сведения. Понимая, что было раньше и что происходит сейчас, можно прогнозировать дальнейшие события и предвидеть возможные проблемы, применяя для этого технологии Больших Данных и методы предсказательной аналитики. Наша конечная цель – обеспечить максимально эффективное использование инженерных активов, осуществляя переход от превентивного к предсказательному техническому обслуживанию и предотвращая внезапное появление нештатных ситуаций, сокращая времена простоя и затраты на сервис.

- Каким образом все это работает?

В основе таких решений — сбор данных о состоянии оборудования физической инфраструктуры. Данные могут непосредственно поступать из устройств с использованием протоколов SNMP или Modbus, а также могут извлекаться из приложений системы StruxureWare for Data Centers, которая в свою очередь обладает возможностями базовой аналитики, моделирования, реализации сценариев «что если».

Другая часть решения – облако Schneider Electric, куда полученные данные поступают по защищенным каналам. Наше облако создано около двух лет назад. Сегодня оно содержит хранилище огромных объемов данных, а также программы, необходимые для их аналитической обработки. Команда наших специалистов во французском Гренобле разрабатывает интерфейсы программирования приложений для доступа ко всем этим информационным активам. Кроме того, очень важно иметь возможность наглядно представить результаты обработки данных, облегчить их интерпретацию. Здесь нам помогает система бизнес-аналитики Tableau.

- На ЦОД какого масштаба рассчитаны подобные решения?

Я считаю, что они могут применяться в любых ЦОД. Дело в том, что совсем не обязательно осуществлять мониторинг состояния всех устройств, можно выбрать критически важное оборудование физической инфраструктуры, то есть те узлы, которые способны стать едиными точками отказа. К примеру, у нас есть заказчики, для которых важен только мониторинг ИБП. Для оценки состояния источников бесперебойного питания мощностью до 140 кВт и возможности возникновения в них нештатных событий используется от 20 до 60 переменных в зависимости от производителя и модели. Для оптимизации объемов данных, получаемых в реальном масштабе времени, важно в каждом конкретном случае правильно выбрать интервал мониторинга, предусмотрев наряду с этим возможность мгновенного реагирования на непредвиденные события внутри этого интервала.

— Понимают ли владельцы ЦОД возможности решений Schneider Electric, о которых вы говорите?

Кто-то понимает, а кто-то — нет. В число первых входят такие организации, как финансовые и телекоммуникационные компании, крупные промышленные предприятия. Так, в одной из расположенных в Сингапуре компаний, которая выпускает микросхемы, мы осуществляем полный мониторинг физической инфраструктуры ЦОД, чтобы там могли обеспечить соответствие требованиям местного стандарта Green Data Centre, регламентирующего постоянное повышение энергоэффективности ЦОД. Там внедрен полный пакет решений, включая развертывание системы управления физической инфраструктурой ЦОД и инструментальных панелей для работы с данными. В одной из торговых сетей в Австралии осуществляется мониторинг систем, обеспечивающих инженерную поддержку точек продаж.

В небольших организациях такого понимания меньше. Но если в производственной компании со штатом, скажем, 50 человек откажут ИБП, то она просто не сможет работать. В то же время средняя стоимость контракта базового мониторинга составляет несколько сотен долларов в год. Мы стараемся формировать этот рынок, объяснять суть наших решений и показывать их преимущества.

- Как можно оценить перспективы российского рынка в области дистанционного мониторинга физической инфраструктуры и использования средств предcказательной аналитики?

Я могу судить об этом только по данным нашего российского офиса, здесь пока немногим более десятка заказчиков, мы осуществляем мониторинг около двух сотен их устройств. В России, как и в моем регионе, где у Schneider Electric насчитывается около тысячи «дистанционных» клиентов, требуется определенное время для дозревания рынка и роста интереса к новым технологиям. Наша задача — предоставить всю необходимую информацию, чтобы подогреть такой интерес и стимулировать увеличение числа клиентов.

«Большие Данные – раскрученная маркетологами тема, однако под ней лежит серьезная наука», — заявил Евгений Павловский, директор проекта «Исследовательские системы» НГУ, на конференции «Большие Данные в национальной экономике», организованной издательством «Открытые системы». В рамках программы состоялись выступления представителей ведущих российских школ анализа данных, а также нескольких организаций, применяющих анализ Больших Данных на практике. Форум стал дискуссионной площадкой для обсуждения исследовательскими коллективами перспективных проектов из области работы с данными.

По мнению Павловского, ключевыми проблемами, стоящими перед научным сообществом, являются качество данных и их неструктурированность. Когда речь идет об анализе данных, то часто подразумевается, что они уже собраны и релевантны решаемым задачам. Однако помимо низкого качества часто наблюдается еще и несоответствие целей сбора данных целям дальнейших исследований. Кроме того, возникает потребность в новых типах данных для представления текстовой информации и подходах к их анализу. Возможно, это потребует серьезного пересмотра алгоритмов добычи данных.

Евгений Павловский: «Большие Данные – раскрученная маркетологами тема, однако под ней лежит серьезная наука»

«Путь ИТ в бизнес всегда был непрост. Во многом причина заключается в том, что технологии развиваются гораздо быстрее, чем менеджмент, а потому становятся востребованными не сразу», — отметила Светлана Мальцева, декан факультета бизнес-информатики ВШЭ. Пожалуй, к Большим Данным это относится еще больше, чем к остальным технологиям: помимо «перестройки мозгов» менеджмента (нужно будет доверять не только данным, но и результатам их обработки), требуется еще и подготовка специалистов, огромный дефицит которых наблюдается во всем мире.

В ВШЭ в текущем году стартовала программа «Системы Больших Данных», посвященная применению технологий Больших Данных в бизнесе. Эта дисциплина находится на стыке ИТ, науки о данных (Data Science) и бизнес-знаний. Она фокусируется не столько на анализе данных, сколько на интерпретации его результатов и предполагает новый подход.

По мнению Мальцевой, существует пять ступеней информационной зрелости компаний. Большинство компаний находятся на первых трех – мониторинг бизнеса, анализ бизнеса и оптимизация бизнеса. Две оставшихся ступени – монетизацию данных и трансформацию бизнеса – им еще предстоит покорить. Монетизация данных – важнейший этап, когда данные становятся реальным активом предприятия, во многом психологическим рубежом, преодоление которого позволяет вывести работу с данными на новый уровень — например, компания может предоставлять аналитические услуги внешним потребителям.

Сергей Березин, руководитель совместного исследовательского центра Microsoft Research и МГУ, рассказал о проекте ChronoZoom по интерактивной визуализации мировой истории. Система размещается в облаках Windows Azure и представляет исторические события на двухмерной плоскости. Она активно используется в образовательных программах США как инструмент для публикации научных гипотез и исследований, а также обнаружения интересных фактов и закономерностей в исторических событиях.

«С точки зрения открытой информации о людях социальные сети являются крупнейшим источником данных», — подчеркнул Михаил Комаров, руководитель департамента инноваций и бизнеса в ИТ факультета бизнес-информатики ВШЭ. Ключевая задача для многих компаний состоит в их мониторинге, причем польза от такой деятельности есть только в реальном времени. Более того, других способов получить актуальную информацию пока не существует. Эффективности предсказательной аналитики для этих целей пока явно недостаточно.

Развитие мобильного Интернета породило множество услуг: мобильная реклама, мобильные платежи, геолокационные сервисы, мобильные игры и видео. Мобильные устройства формируют портрет своего хозяина и сильно помогают в оказании ему персонифицированных услуг. Они круглосуточно включены и отправляют операторам связи массу ценной информации. Мобильные устройства — пока единственная массово работающая технология в рамках Интернета вещей, остающаяся на сегодняшний день основным источником Больших Данных для анализа, причем наибольший объем данных предоставляют сами пользователи.

Как полагает Комаров, уже в ближайшее время на рынке будет крайне велика роль посредников, профессионально занимающихся извлечением из Больших Данных дополнительной ценности и предлагающих свои услуги. Компании постепенно приходят к архитектуре построения систем на основе модели «Данные как сервис» (Data as a Service).

«Интернет-ретейлерам доступна полная информация об аудитории, и практически все показатели можно и нужно измерять», — высказался Михаил Сливинский, руководитель отдела маркетинговой и поисковой аналитики компании «Викимарт». В этом состоит принципиальное отличие от традиционного ретейла, где количественные оценки зачастую невозможны. При этом стоимость любой ошибки весьма высока – конкуренты находятся друг от друга на расстоянии одного клика мышью.

Критически важная задача онлайн-торговцев заключается в том, чтобы изучить потребности клиентов, персонализировать взаимодействие с ними и выстроить систему рекомендаций. Использование аналитики Больших Данных позволяет строить гораздо более умные системы, чем использование традиционных, более грубых подходов.

Форум, организованный в рамках деловой программы выставки SofTool, прошел при поддержке Российского фонда фундаментальных исследований и Российской академии наук.

Количество и разнообразие данных, получаемых в процессе исследования микробиомы, делают невозможным применение для их обработки классических счетных методов. Источник: nih.gov

Далеко не каждому известно слово «микробиома» — так с подачи американского молекулярного биолога Джошуа Ледерберга, ставшего в 1958 году лауреатом Нобелевской премии в возрасте 33 лет, называют экологическое сообщество микроорганизмов в теле человека. В то же время многим наверняка приходилось сталкиваться с дисбактериозом, на первый взгляд не слишком опасным нарушением микрофлоры кишечника, и c банальными рекомендациями, как его лечить. На самом деле ситуация гораздо сложнее. Реальное понимание места и роли микробиомы вырисовывается благодаря исследованиям, которые стали возможными в самые последние годы, когда появилось необходимое лабораторное оборудование и компьютерные технологии, способные обработать гигантские объемы генерируемых данных.

Стало ясно, что глубоко ошибочно представлять микрофлору кишечника как нечто такое, что только лишь способствует перевариванию пищи. Это гигантская среда; при общей массе около 200 граммов в ней содержится в 10 раз больше клеток, чем в самом человеческом организме, и нарушения микрофлоры могут быть причиной ряда самых тяжелых аутоиммунных заболеваний. Осознание особой роли микробиомы пришло совсем недавно, но уже сейчас понятно, что ухудшение природной среды, неумеренное использование антибиотиков, пищевых консервантов и других плодов современной цивилизации является главной причиной искажений естественного состава микробиомы и, как следствие, новых эпидемических заболеваний, например специфического американского ожирения, а также, возможно, массового распространения астмы и аллергических заболеваний. Плюс к этим факторам микробиома различными способами передается от человека к человеку и таким образом происходит распространение нарушений на глобальном уровне. Не случайно во многих странах законодательно запрещено бесконтрольное использование антибиотиков; об этом следовало бы задуматься и в России, где антибиотики продаются свободно в любой аптеке.

Количество и разнообразие данных, получаемых в процессе исследования микробиомы, делают невозможным применение для их обработки классических счетных методов, в данном случае мы имеет дело с тем, что Джим Грей, выдающийся специалист в области баз данных и обработки транзакций, назвал «четвертой парадигмой науки» (под тремя предыдущими он понимал экспериментальную, теоретическую и вычислительную); иногда еще используют термин e-Science. Отличительная особенность этой парадигмы состоит в переходе к методам анализа Больших Данных, теперь в исследованиях должны сотрудничать ученые из той или иной предметной области и специалисты по анализу данных, такое сотрудничество иногда называют Data Science.

В США наряду с известным проектом по исследованию генома Human Genome Project реализуется аналогичный проект Human Microbiome Project, в Национальном институте здоровья создан специальный центр Data Analysis and Coordination Center. Есть совместный китайско-европейский проект MetaHit. И в России тоже есть несколько мест, где ведутся исследования в этом направлении. EMC участвует в некоторых из них, и об этой деятельности было рассказано на специально организованной встрече; перед собравшимися выступили директор недавно созданного центра исследований и разработок EMC Камиль Исаев и заведующий лабораторией биоинформатики НИИ физико-химической медицины Дмитрий Алексеев.

Исаев остановился на трансляционной медицине (translational medicine), ставящей своей основной целью применение достижений фундаментальных медико-биологических наук для поиска эффективных методов диагностики и лечения. По его мнению, можно говорить о новой глобальной тенденции, которая меняет деятельность таких ИТ-гигантов, как EMC. Традиционные решения – например, платформы хранения данных – не подходят для узкоспециализированных областей, к которым, в частности, относится медицина. Это приводит к необходимости разработки принципиально новых решений, предназначенных для использования в определенных вертикалях.

Алексеев рассказал о работе российских ученых и о возможности создания «платформы будущего» для анализа микробиомы и разработки новых подходов к лечению заболеваний. В идеале материалы, полученные у пациента, передаются в лабораторию, а затем в центры обработки данных, которые могут анализировать большие объемы информации, а затем и выдавать результат. На его основе врач составляет рекомендации пациентам. Понятно, что успех возможен только при условии сотрудничества крупных ИТ-компаний, обладающих ресурсами для анализа больших объемов данных, и специалистов, которые могут верно интерпретировать полученные результаты. Исследование микробиомы позволит уже в ближайшем будущем создать эффективные способы диагностики и лечения заболеваний, в частности хронической обструктивной болезни легких и астмы.