До сих пор специалисты по Больших Данных выполняли практически всю работу — от подготовки данных к обработке до анализа — и знали все программные пакеты, от Hadoop до Apache Spark. Однако и в этой области появляются свои узкие специализации, отмечает директор недавно открытого в Кремниевой долине филиала Северо-Восточного университета П.К.Агарвал.

Многие организации остро нуждаются в квалифицированных специалистах по данным. В ответ на это специалисты из других областей сами приобретают некоторые навыки для решения хотя бы части встающих проблем. Непрофессиональным аналитикам потребуются новые инструменты. Когда-то любому человеку, работающему в бизнесе, приходилось изучать PowerPoint и Excel, а лет через пять, полагает Агарвал, в пакете Microsoft Office появятся средства, сочетающие в себе возможности Excel, R и Tableau.

В Северо-Восточном университете проводятся рассчитанные на восемь недель курсы по анализу данных для людей, работающих в разных направлениях бизнеса, а также сертификационные программы для профессиональных специалистов по данным. Через два-три года, полагает Агарвал, дефицит кадров удастся ликвидировать, а инструменты станут гораздо более совершенными.

Компания Platius была создана как подразделение компании «Айко», принадлежавшей основателю ABBYY Давиду Яну и Максиму Нальскому. Весной прошлого года стартап, разработавший решение для мобильных платежей и маркетинговых акций, был куплен Сбербанком России. Тогда Platius специализировался на предприятиях общественного питания и гостиничного хозяйства и сотрудничал в основном с кафе и ресторанами. Платформа Platius позволяла посетителю, не ожидая официанта, оплачивать счета, используя мобильное приложение и привязанную к нему банковскую карту, и вместе с тем помогала владельцам заведений повышать лояльность посетителей посредством различных промоакций и бонусов.

В настоящее время налажено сотрудничество с 1,5 тыс. компаний, и число пользователей платформы — около полутора миллионов. Ежемесячно через мобильное приложение, осуществляется без малого 5 млн транзакций — это примерно 160 тыс. чеков в день, рассказал исполнительный директор Дмитрий Злоказов.

Теперь же компания поставила перед собой задачу выйти на рынок ретейла и увеличить число своих партнеров за счет розничных сетей — как в столице, так и в регионах, сообщил Злоказов. Он также подчеркнул, что планы очень амбициозны: стать в нашей стране новым стандартом мобильных платежей, а в более отдаленной перспективе — выйти на международный рынок.

Такие планы обусловили смену названия компании — с Platius на Plazius. Это слово вызывает ассоциации с Plaza, то есть торговой площадкой, маркетплейсом, торговым центром, и будет более понятно иностранным клиентам, объяснил Злоказов.

Приложение Plazius позволяет не только быстро оплачивать покупки, но и мгновенно активировать промокоды и бонусы — достаточно ввести код или сканировать его с чека.

Клиентов из сферы ретейла в Plazius надеются заинтересовать широкими возможностями платформы. В компании широко используют Большие Данные, прогнозную аналитику и кластерный анализ, чтобы помочь предприятиям торговли точнее анализировать покупательскую аудиторию, выявлять ключевые поведенческие модели, определять покупательские предпочтения каждого клиента и на основе этого формировать свое предложение, а также запускать различные маркетинговые инициативы.

В Plazius напомнили о том, какие возможности им предоставляет Сбербанк, который владеет контрольным пакетом компании. Это бонусная программа «Спасибо от Сбербанка», а также другие предложения по базе «Сбербанк Онлайн». Какие, в компании не уточнили.

Все перечисленное позволит владельцам магазинов увеличить свою выручку на 5-20%, обещают в Plazius, а покупателям — получить новый, более простой способ оплаты и использования бонусов, скидок и подарков, предоставляемых им в торговых сетях. Чтобы воспользоваться ими, достаточно ввести промокод с чека или показать штрихкод кассиру, пояснил Злоказов.

Первым партнером Plazius в сфере ретейла стала сеть продуктовых супермаркетов «Глобус Гурмэ». Как рассказал генеральный директор «Глобус Гурмэ» Андрей Яковлев, в сети действует система дисконтных карт, но ими пользуются далеко не все покупатели, и нет возможностей сформировать индивидуальные предложения для них. В сотрудничестве же с Plazius такие предложения можно будет формировать на основе анализа предпочтений клиентов «Глобус Гурмэ» и делать их доступными из мобильного приложения, что гораздо удобнее.

«Глобус Гурмэ» — относительно небольшая розничная сеть, и в Plazius рассматривают ее как тестовую площадку для обкатки своей бизнес-стратегии, добавил Злоказов. Так, в компании еще не решили, как будут оплачивать их услуги владельцы магазинов, где установлено больше чем пара кассовых аппаратов. С ресторанами подобная проблема решается просто: стоимость подключения к платформе одной точки составляет 1,5 тыс. руб., но в них обычно установлена одна касса, пояснил Злоказов. В случае с магазинами, где точек оплаты много, плата за пользование платформой Plazius, скорее всего, будет взиматься с каждой из них.

21 апреля компания SAP СНГ провела в Москве ежегодный корпоративный форум. Мероприятие прошло под девизом «Бизнес в стиле Digital».

Генеральный директор SAP СНГ Павел Гонтарев подчеркнул, что цифровая трансформация предприятий непосредственно связана с запуском радикально новых клиент-ориентированных бизнес-моделей и стратегия SAP направлена на то, чтобы предоставить заказчикам набор технологий, позволяющих внедрить эти модели быстрее, проще и с хорошо прогнозируемыми результатами для бизнеса.

Ключевым компонентом этого набора является решение S/4HANA, которое Гонтарев назвал «цифровым ядром предприятия». Оно соединяет в себе транзакционные и аналитические функции при работе с корпоративными данными различных типов и форматов. Кроме того, каждое новое событие из деловой жизни предприятия может быть зарегистрировано в этой системе как в ручном режиме, так и автоматически – через сенсоры и контроллеры межмашинного взаимодействия. Поэтому S/4HANA может служить платформой для внедрения в организациях элементов концепции Интернета вещей.

По словам Гонтарева, в прошлом году 46 новых заказчиков SAP в СНГ воспользовались преимуществами этой платформы. Почти все новые региональные проекты SAP в 2015 году были связаны с технологиями Больших Данных, Интернетом вещей и облаками (число клиентов облачных сервисов SAP за год утроилось). В целом бизнес компании в СНГ показал по итогам года двузначный рост (вырос больше, чем на десять процентов) в рублевом выражении; в пересчете на твердую валюту выручка осталась на прежнем уровне.

На пресс-конференции, организованной в рамках форума, исполнительный директор SAP СНГ Наталья Парменова отметила, что компании удалось добиться позитивных результатов благодаря последовательным усилиям по локализации бизнеса в регионе. В общей сложности на это было потрачено более 8 млн евро. В частности, в 2015 году в России был открыт центр заказных разработок, где уже реализуются четыре уникальных проекта. В собственном дата-центре в Москве уже развернуты облачные сервисы Ariba и Success Factors, планируется запуск SAP HANA Cloud Platform. Также в 2015 году было принято знаковое решение о переводе всех контрактов с российскими клиентами на рублевые цены. Проведена большая работа по доработке решений компании под требования российского законодательства, для чего в прошлом году в продукты SAP было внесено более двухсот необходимых изменений.

Президент SAP в регионе Центральная и Восточная Европа Штефан Хохбауэр заверил: компания продолжит инвестировать в развитие местного рынка, несмотря на непростую экономическую ситуацию и современные политические реалии.

Объявлено о запуске нового решения для нефтедобывающей отрасли. Продукт «Интеллектуальное месторождение OIS iField», разработанный на платформе SAP HANA, учитывает уникальный опыт обслуживания месторождений нефти, полученный специалистами компании «АСУпроект». Утверждается, что данное решение оптимизирует процессы планирования и прогнозирования разработки и эксплуатации месторождений, а также повышает их точность. Кроме того, оно в десять раз ускоряет запросы к базе данных и расчеты оптимального плана и прогноза добычи черного золота.

В декабре 2015 года это решение прошло сертификацию SAP, а в апреле 2016-го стартовал первый тестовый проект по его внедрению в одной из крупных компаний ТЭК. Еще несколько добывающих компаний в России и СНГ заявили о планах по его приобретению. В SAP и «АСУпроект» рассчитывают вывести продукт «Интеллектуальное месторождение» на международный рынок.

Из всех социальных сетей Facebook, пожалуй, можно назвать самой актуальной для компаний из сегмента B2B. Это объясняется самой ее аудиторией — согласно аналитическим данным, именно ее предпочитают использовать для делового общения, тогда как «ВКонтакте» и «Одноклассники» имеют более «развлекательный» имидж.

Но если небольшие компании и индивидуальные предприниматели, продающие услуги и продукты массового назначения, уже давно и успешно используют этот рекламный канал, то производители нишевых продуктов, в том числе ИТ-решений, и услуг, продвигают их через Facebook гораздо реже. Как считает генеральный директор проекта SocialKey Ads компании Digital Society Laboratory Светлана Ермаченкова, причин тут несколько.

Прежде всего, в таких компаниях не очень понимают, как искать своих клиентов в соцсети и как правильно использовать таргетированную рекламу (то есть рекламу, демонстрируемую исключительно целевой аудитории). Если компания производит товары, ориентированные на широкий круг клиентов (скажем, продает косметику), она может обойтись стандартными инструментами, которые предлагает сама Facebook, но если для создания портрета клиента таких данных, как пол, возраст, место проживания и т. п., недостаточно, ей потребуется помощь специалистов, уверяет Ермаченкова.

Вторая проблема связана с особенностями работы Facebook в России. Поскольку компания не имеет официального представительства в нашей стране, у отечественных рекламодателей возникают определенные сложности. Они не могут оплачивать рекламу напрямую и вынуждены либо делать это через счета физических лиц (например, своих сотрудников), либо прибегать к помощи посредников, объяснила Ермаченкова.

Год назад компания Digital Society Laboratory, которая специализируется на сборе, обработке и анализе данных из социальных сетей, запустила платформу SocialKey Ads для управления рекламными кампаниями в соцсетях. Собирая и обрабатывая открытые данные из профилей пользователей Facebook, «ВКонтакте», «Одноклассников», «Моего мира», а также из других открытых источников, анализируя их интересы и предпочтения с помощью Больших Данных, платформа позволяет формировать максимально персонализированную целевую аудиторию, иными словами, показывать рекламу только тем пользователям, у которых она несомненно вызовет отклик, пояснила Ермаченкова. При этом можно не только обращаться к готовым сегментам аудитории (допустим, к людям, которых интересуют финансовые услуги), но и составлять свои, в том числе задействуя собственные данные компании-рекламодателя, например, из систем CRM. Это позволяет продвигать свои продукты среди уже имеющихся или потенциальных клиентов, не воздействуя «в лоб», как это происходит при использовании рассылки электронных писем, которая часто автоматически воспринимается адресатом как спам.

Теперь же, заключив контракт с Facebook на продажу рекламы в соцсети, компания решит и вторую проблему своих клиентов — как оплатить эту рекламу. Интеграция платформы SocialKey Ads с Facebook позволит клиентам не только платить за рекламу в соцсети без комиссии, но и получать при этом необходимые документы для бухгалтерии (счета-фактуры, акты выполненных работ и т. д.). При этом, добавила Ермаченкова, оплата производится только за показы и переходы, как обычно.

Как сообщают в компании, новая версия системы предлагает ряд функций для «гражданских» ученых по данным — людей, не имеющих специальных навыков в области анализа.

Среди новых особенностей Statistica — функции, помогающие в подготовке структурированных и неструктурированных данных к анализу и возможность выполнения требовательных вычислительных задач «внутри» баз данных — на тех же системах, где работают Apache Hive, MySQL, Oracle или Teradata. Еще одна особенность — «граничная аналитика», выполнение анализа на сетевых устройствах и шлюзах, находящихся рядом с источниками информации. Разработчики Statistica тесно сотрудничают с создателями Edge Gateway, граничного шлюза для Интернета вещей.

Работа со Statistica стала проще благодаря шаблонам и аналитическим моделям. Шаблоны предоставляют уже готовые аналитические операции, представленные в наглядной форме, которые пользователь может выполнять по мере поступления новых данных. Модели, в свою очередь, можно экспортировать из Statistica и выполнять на ПК и других устройствах. По оценке экспертов, модели будут особенно полезны для анализа данных встроенных систем Интернета вещей и для применения в области автоматизации производства.

В «Объединенной приборостроительной корпорации» разработали инновационную компьютерную плату – сетевой коммуникационный адаптер. Небольшое устройство способно объединить в единую высокоскоростную сеть суперкомпьютерные ресурсы.

Сеть «Ангара» способна концентрировать значительные вычислительные мощности для обработки больших массивов данных в сфере аналитики, прогнозировании различных явлений и событий, проектировании сложной техники. Это позволяет, например, точно прогнозировать метеорологическую обстановку или развитие чрезвычайных ситуаций, боевых действий. Кроме того, новая разработка ОПК поможет без дорогостоящих испытаний моделировать запуск космических объектов, производить точнейшие расчеты траектории новых видов ракет или перспективных боеприпасов.

Новая разработка призвана решить проблему дефицита вычислительных мощностей, которая сегодня существует в российской промышленности и науке. Эта проблема актуальна для многих сфер экономики, прежде всего для авиационной и космической отраслей, оборонно-промышленного комплекса. Проект сети «Ангара» позволяет объединять вычислительные ресурсы без огромных вложений в строительство новых суперкомпьютерных объектов, на базе уже существующих мощностей.

«Сердцем» сети «Ангара» является сетевой адаптер на основе сверхбольшой интегральной схемы. Все компоненты платы разработаны в России, а ее производство в составе ОПК осуществляет московский Научно-исследовательский центр электронной вычислительной техники. В настоящее время на базе НИЦЭВТ развернут пилотный проект сети «Ангара», объединяющий 36 вычислительных узлов. При этом возможности сети значительно шире и позволяют задействовать до 32 тыс. машин различной производительности.

В программе форума BIG DATA 2016, проведенного издательством «Открытые системы», большое место было отведено и «социальной», и «машинной» составляющим Больших Данных. Евгений Степанов, руководитель направления HPE Big Data Platform в России, рассказал Computerworld Россия, каким он видит рынок Больших Данных и его тенденции.

— В жизни Больших Данных наступил перелом: с одной стороны, есть примеры успешных проектов, некоторые из них представлены на форуме. С другой — аналитики говорят, что почти 75% подобных проектов терпят неудачу. Каково положение, по вашей оценке?

При всей разноплановости проектов в этой области можно выделить закономерности, объясняющие успех или провал проектов, связанных с их анализом.

Многие неудачи обусловлены тем, что в проектах используются компоненты, которые изначально не были предназначены для того, чтобы быть между собой интегрированными, тем более не предполагалось строить на их основе полноценные решения промышленного уровня.

Сейчас мы видим, что технологии консолидируются, и в ближайшее время будем наблюдать коммодитизацию рынка Больших Данных, начнет появляться все больше универсальных шаблонов построения решений, и это в конечном итоге приведет к тому, что заказчикам будет проще их строить.

— Вы полагаете, основная причина провалов – технологическая, использование неподходящих инструментов?

Это первая причина. Есть и другая – неверная постановка задачи, непонимание, как ее решать, как создавать команды для работы с Большими Данными. Но и в этом отношении есть сдвиги, появляется понимание, как должна быть организационно выстроена работа с ними.

Задач традиционно две — минимизировать издержки и повысить прибыль. Около 40% проектов в области Больших Данных нацелены на первую, 60% — на вторую. Все-таки сейчас в существующей конкурентной среде первична задача повышения прибыли, повышения выручки.

— Фактически все начинается с попытки поставить задачу — определить, что на самом деле нужно. А часто бывает, что задача вырисовывается не такая, как изначально предполагалось?

Да, конечно. В 30-40% случаев так и происходит. Первичная постановка задачи никуда не исчезает, но, бывает, возникают «спецэффекты» — побочные эффекты анализа, когда мы находим новые задачи, новые закономерности, которые позволяют расширить начальную задачу.

— Вы выделяете три типа данных — привычные бизнес-данные, количество которых относительно невелико и растет умеренными темпами, а также «машинные» и «социальные» данные. Машинные данные достаточно формализованы, мы в принципе знаем, что нам придет от датчика. Можно ли их считать полноценной составляющей Больших Данных?

Казалось бы, эти данные структурированы, и мы знаем, что нам даст каждый конкретный датчик, но очень сильное влияние оказывает их количество и многообразие. По этой причине часто связи между результатами измерения в различных точках заранее не очевидны. А потому сейчас аналитика датчиков Интернета вещей становится одной из ключевых задач.

— И третья категория – социальные данные. Самые многочисленные и быстрорастущие, наименее структурированные. Неужели ко всем трем категориям возможен единый подход?

Скорее — единый набор средств аналитики. Доля и значение социальных данных все выше и выше. Их использование сейчас для многих компаний является единственным средством получить конкурентное преимущество.

Если говорить о методах, то, по сути, построение прогноза с датчиков и прогноза поведения социальных групп не сильно различаются в том плане, что используются одни и те же инструменты и математические методы. Сложность обработки социальных данных в том, что люди создают информацию и воспринимают ее из множества источников - видео, телефон, фотоаппарат. И, перед тем как мы применим те же самые методы, которые мы применяем для анализа машинных данных, нам необходимо эту информацию превратить в те данные, которые машина сможет проанализировать.

— И, наверное, очистить их, поскольку, как утверждается, боты начинают вести себя «как люди»...

Задача очистки данных важна, но главное не переусердствовать. Тут основной принцип — «не навреди». Мы в любом случае можем вычислить крайние значения диапазона, который мы измеряем, и за пределами крайних значений мы всю информацию отфильтровываем.

И, естественно, механизмы поведенческого анализа, позволяющие отличить людей от роботов, проанализировать поведение вплоть до того, какой характер у человека, какие данные он вводит. Технологии управления Большими Данными не ставят цель заменить человека или создать искусственный интеллект, который сможет полностью исключить квалифицированных специалистов. Они представляют собой инструмент дополнения человеческого интеллекта, есть такое понятие — «дополненный интеллект», подобно «дополненной реальности». При этом они позволяют решать многие задачи практически «из коробки». Скажем, чтобы решить задачу распознавания лиц, вам не надо разворачивать гигантскую машину по анализу всего, достаточно одного модуля.

— Лица сейчас распознают даже смартфоны...

Да, но смартфоны, во-первых, не распознают лица, в промышленных масштабах, во-вторых, не позволяют искать человека по лицу в социальной сети. Или, допустим, сопоставлять лица, которые находятся в социальных сетях и в вашей внутренней базе, с соблюдением всех правил корпоративной безопасности.

— «Cоциальная» часть Больших Данных, как мне кажется, наиболее интересна....

Интересны все. Но задача управления бизнес-данными вполне изучена, она стала в первую очередь задачей снижения издержек, скажем — сокращения стоимости хранения и обработки информации, уменьшения сроков ее анализа.

Но на основе более полного изучения этой информации, прежде всего бизнес-данных и социальных данных, можно получить новые возможности, создавать новые продукты. В финансовой сфере, в ретейле уже есть подобные примеры.

Машинные данные пока используются меньше; в ретейле, к примеру, это один из ключевых недооцененных источников. При правильной постановке задачи, когда мы заходим в магазин, нас учитывают, например, по факту регистрации телефона в сети Wi-Fi магазина, анализируют наши передвижения. На основе этих данных продвинутые ретейлеры строят аналитику и принимают решения по расстановке товаров, распределению специалистов и т. д.

— Все типы данных, наверное, анализируют только в телекоме...

Да, они их увязывают и с социальными данными, и с бизнес-данными. Операторы, пожалуй, были первыми, кто стал анализировать все виды данных, увязывая их друг с другом. И постепенно начинают предлагать продукты на базе анализа не только своим пользователям, но и другим компаниям — рекламодателям, тем же ретейлерам.

— Каким компаниям имеет смысл затевать проект по Большим Данным? Понятно, что для кого-то он будет неподъемным, данных будет мало, они будут неинтересны. Есть какие-то критерии?

С технической точки зрения стоимость входа сейчас на рынок анализа Больших Данных низка, как это ни странно. А данные для анализа есть в любой компании, важно правильно к ним подойти. Есть примеры, когда наличие аналитических инструментов позволяет создавать новые компании, новые виды бизнеса.

Для меня более интересен вопрос — я поднимал его на форуме, — когда Большие Данные превратятся в то, во что превратился Интернет, когда простые люди будут чувствовать пользу от них.

— И когда?

Думаю, через три-пять лет технологии обретут целостный вид и все договорятся, что именно мы имеем в виду под Большими Данными.

Компания Hitachi Data Systems провела 29 марта в Москве конференцию Hitachi Innovation Day 2016, лейтмотивом которой стало развитие технологических инноваций, способных создать ИТ-инфраструктуру для эффективной поддержки современного бизнеса предприятий сегодня и в перспективе.

Доклады специалистов Hitachi Data Systems, представителей компаний-партнеров и заказчиков были посвящены системам хранения на основе флеш-памяти, конвергентным решениям, технологиям анализа и обработки Больших Данных, Интернету вещей.

Боб Пламридж, генеральный технический директор HDS в странах Европы, Ближнего Востока и Африки, открывая конференцию, остановился на возможностях современных технологий, кардинально меняющих поведение рынков, предпочтения заказчиков, стиль бизнеса предприятий.

«Данные – залог успеха цифровой революции. Нужно уметь собирать, хранить, распределять и анализировать данные. От этих процессов зависит эффективность работы предприятий различных секторов экономики, госструктур, медицинских и образовательных учреждений. Сегодня все должно работать быстрее, с меньшими затратами, и современные решения делают это возможным», — подчеркнул он.

К таким технологическим решениям в Hitachi относят программно-конфигурируемые облачные среды, объектное хранение, гиперконвергентные горизонтально масштабируемые платформы, способные поддерживать приложения следующего поколения, средства аналитики, позволяющие извлечь ценные сведения из огромных массивов данных.

Говоря о перспективных направлениях деятельности, Пламридж отметил разработку в HDS специализированных решений для умных городов, энергетики, автотранспорта, медицины, индустрии телекоммуникаций и систем безопасности. Для их создания будут использоваться платформа Интернета вещей и технологии компании Pentaho.

Программное обеспечение этой компании, приобретенной Hitachi в прошлом году, предоставляет возможность применять в подобных системах инструменты анализа данных, средства визуализации и прогнозирования (см. «HDS покупает ‘входной билет’ в бизнес Интернета вещей», Computerworld Россия № 04, 2015).

Продукты Pentaho распространяются с открытым исходным кодом, включая основное решение компании — платформу Pentaho BI Platform. Программное обеспечение Pentaho уже используется в масштабируемой гиперконвергентной аналитической платформе HSP 400, узлы которой содержат вычислительные ресурсы, накопители и сетевые компоненты.

Между тем традиционным спросом в нашей стране пользуются массивы хранения HDS. Эти системы развиваются в соответствии с основными технологическими тенденциями, подчеркнула Ирина Яхина, руководитель подразделения технических решений в российском представительстве компании. Новые системы хранения рассчитаны на поддержку программного конфигурирования и твердотельные накопители.

К примеру, выпущены полностью твердотельные массивы хранения VSP F Series с твердотельными модулями второго поколения Flash Module Drive DC2. Такие же модули устанавливаются теперь и в гибридных моделях VSP Gx00, и в системе VSP G1000 старшего класса.

В нашей стране один из заказчиков HDS, «Райффайзенбанк», планирует полностью перевести на твердотельные накопители два своих ЦОД. По данным HDS, сегодня на мировом рынке системы хранения с твердотельными накопителями компании опережают по продажам ее системы с жесткими дисками.

23 марта состоялся юбилейный, пятый ежегодный форум BIG DATA 2016, организованный издательством «Открытые системы». За прошедшее время форум зарекомендовал себя как ведущее мероприятие в России для обсуждения актуальных проблем и знакомства с достижениями в области Больших Данных.

За прошедшие годы структура программы форума претерпевала заметные изменения. В 2012 году ее составили в основном доклады западных вендоров, ставящих целью просвещение аудитории, а наиболее острые дискуссии развертывались над самим определением Больших Данных. В дальнейшем стало появляться все больше заказчиков, готовых делиться своим опытом, начали обсуждаться результаты первых проектов. В этом году наряду с крупнейшими западными компаниями на форуме выступало немало российских разработчиков, которые представляли собственные технологические решения, обобщающие опыт участия в проектах, объединенных той или иной отраслевой или прикладной спецификой, и даже коллективы, предлагающие средства работы с Большими Данными в качестве сервиса.

Несколько месяцев назад в Gartner убрали технологии Big Data со своей кривой Hype Cycle. Рано или поздно это должно было произойти: Большие Данные – зонтичный термин, синергия огромного количества технологий, многие из которых сами по себе достойны самого пристального рассмотрения. Однако появившаяся новая отрасль и сформировавшиеся подходы к работе с данными не исчезли: появились средства, позволяющие работать с конкретными бизнес-проблемами и находить умные решения задач нового уровня.

Ключ к конкурентоспособности

По словам Татьяны Матвеевой, именно технологии Больших Данных помогут налоговым органам автоматически сопоставлять данные контрагентов, оперативно выявлять и пресекать попытки применения незаконных схем уклонения от уплаты налогов

Как известно, в ходе эволюции выживают не сильнейшие, а те, кто умеет быстрее других приспосабливаться к изменениям среды. По мнению Святослава Сухова, директора дивизиона EMC Isilon в России и странах СНГ, то же самое происходит в нынешней бизнес-среде. Цифровая экономика захватывает существенную часть реального сектора экономики, улучшая его показатели и стимулируя эти процессы эволюции. И если данные – нефть цифровой экономики, то аналитика – ее двигатель. Проблема в том, что, согласно оценкам Gartner, 41% компаний, внедривших у себя технологии Больших Данных, не знают, окупились ли их проекты. Как полагает Сухов, это свидетельствует о явных недочетах в целеполагании.

Компании не могут быть конкурентоспособными, основываясь лишь на традиционной аналитике, которая уже не дает заметных преимуществ. «Классическая бизнес-аналитика – это археология, хотя и ее полное отсутствие может быть чревато крахом бизнеса, — провел аналогию Евгений Степанов, руководитель направления HPE Big Data Platform в России. — Реальное конкурентное преимущество может дать только открытие, направленное в будущее». При этом главная проблема вовсе не техническая, и заключается она в определении ценности данных и выработке стратегии их накопления и использования.

Леонид Березовский, руководитель отдела продаж платформы управления данными Microsoft, согласен с тем, что компании, реализующие проекты Больших Данных, преследуют общую цель — пытаются получить то или иное уникальное конкурентное преимущество. Сценарии могут быть самыми разными – от предотвращения оттока клиентов до минимизации производственных потерь и борьбы с мошенничеством. При этом, как правило, компании ориентируются на какое-то одно направление, создавая свою уникальность, а по остальным параметрам стараются быть на общем уровне.

Например, МТС хочет «ворваться на рынок мобильной рекламы», на основе имеющейся информации определяя потребности человека в данный момент. Как отметил Леонид Ткаченко, директор департамента стратегического маркетинга МТС, технологии сделали хранение и обработку данных очень дешевыми, благодаря чему стали целесообразными проведение массовых аналитических исследований и реализация новых сервисов. Глобальная задача – предоставление «ультраперсонализированного» сервиса на массовый рынок.

Действительно, оператор по своей статистике может узнать о районе проживания человека, времени его нахождения дома, интересах, приобретаемых товарах, составив полный профиль поведения. Однако даже «безопасные мелочи» могут стать конфиденциальной информацией после агрегации и обработки, поэтому защите данных необходимо уделять повышенное внимание. Дженнифер Трелевич, директор отдела риска и рыночных данных «ТехЦентра Дойче Банка», предложила применять концепции безопасных архитектур информационных систем, выделяя «белые» (незащищенные), «красные» (конфиденциальные) и «черные» (обязательные для шифрования) данные. Это позволит сделать защиту адекватной по трудозатратам и экономической эффективности. При этом ключевым вопросом становится даже не собственно безопасность, а этика использования Больших Данных. Компании должны не только защищать данные, выполняя требования регуляторов, но и аккуратно подходить к вопросам их использования.

В условиях гигантского роста объемов налоговой информации и усложнения алгоритмов ее анализа эффективное налоговое администрирование возможно благодаря использованию Больших Данных, уверена Татьяна Матвеева, начальник управления информационных технологий ФНС России. Именно технологии Больших Данных позволят автоматически сопоставлять данные контрагентов, оперативно выявлять и пресекать незаконную деятельность компаний-мошенников. Формируемый «единый налоговый файл» дает возможность сопоставлять между собой любые налоговые данные в масштабах всей страны, что значительно усложняет попытки применения незаконных схем уклонения от уплаты налогов.

Маркетинг с учетом Open Source

Леонид Ткаченко: «Технологии делали хранение и обработку данных очень дешевыми, благодаря чему стали целесообразными проведение массовых аналитических действий и реализация новых сервисов»

Не секрет, что открытые решения побеждают на рынке распределенной обработки массивов неструктурированных данных и многих других базовых технологий Больших Данных. Многие поставщики вынуждены принимать это во внимание, выстраивая свою политику.

Некоторые производители начинают работать с открытыми решениями. Как рассказал Андрей Суворкин, руководитель направления Big Data компании Teradata в России, компания год назад взяла под свое крыло платформу Presto – логическое хранилище данных на базе технологий обработки in-memory, и начала продвигать ее на корпоративном рынке, предлагая платную коммерческую поддержку. При этом клиенты получают такие преимущества, как быстрый старт, интеграция с другими продуктами и прочие корпоративные сервисы (безопасность, оптимизация работы, облачные сервисы и т. п.).

«Да, все более широкое распространение получают средства Open Source. Но очень многие компании предпочитают ускорять проекты, избегая трудоемких этапов и приобретая готовые решения», — заявила Наталья Горбунова, ведущий технический специалист Oracle. По ее словам, важно упростить вход в проекты Больших Данных, сделать доступнее работу с ними, и при этом речь идет вовсе не о деньгах. Новые технологии должны органично вписаться в существующую архитектуру и начать работать совместно с другими решениями. На волне успеха программно-аппаратных комплексов компания Oracle выпустила Big Data Appliance, построенный совместно с Cloudera и Intel.

«Мы не ставим целью заработать на ПО, хотя продукты и не бесплатны. Наша задача – предлагать решения, работающие на нашем оборудовании наиболее эффективно», — заявил Геннадий Федоров, технический консультант Intel. Предоставляя такое ПО, компания стимулирует продажи своих «основных» продуктов. Технологии Больших Данных требуют высочайшей эффективности вычислительных операций, и свое преимущество в Intel видят в том, что понимают проблемы науки о данных (Data Science) и умеют оптимизировать программные коды под свою архитектуру.

Нужен безграничный кредит доверия

Сергей Бондарев: «Многие проекты Больших Данных не идут дальше «пилотов» из-за того, что к их оценке подходят 'не с той стороны': монетизация данных, на которую надеются многие компании, не всегда очевидна»

По мнению Юрия Петрова, эксперта Big Big Data Group, главная проблема проектов Больших Данных заключается в том, что такие проекты, по определению требующие инновационного подхода, загоняют в стандартные рамки, а команду собирают из «старой гвардии»; это их и губит. Проект Big Data должен быть освобожден от всех проблем и ограничений, существующих в компании, – понимание этого должно быть у топ-менеджмента. Желание сэкономить ни к чему хорошему не приводит. Если руководство компании не готово выдать безграничный кредит доверия команде и практически безграничные ресурсы, то просто не следует начинать проект.

«Наша компания придерживается принципа независимости от внешних поставщиков, в том числе и в вопросах хранения и обработки данных», — заявил Сергей Бондарев, руководитель направления развития корпоративных информационных систем и отчетности «Ростелекома». Компании должны стремиться быть реальными владельцами своих данных, но фактически вадельцем часто становится разработчик внедряемых решений. «Ростелеком» строит хранилище данных на базе дистрибутива HortonWorks Hadoop силами специалистов дочерней компании.

Как полагает Бондарев, многие проекты Больших Данных не идут дальше «пилотов» из-за того, что к их оценке подходят «не с той стороны». Монетизация данных, на которую надеются многие компании, не всегда очевидна, поэтому следует начинать с простого. Проект «Ростелекома» изначально базируется на экономии в инфраструктуре. Потом можно будет задуматься о повышении операционной эффективности, а в дальнейшем – о дополнительных эффектах, к которым относится и монетизация данных.