Данные, опубликованные Frost & Sullivan, свидетельствуют о потенциале, который на данный момент демонстрирует рынок. Значительная часть организаций пока еще не до конца понимает практическую пользу от внедрения средств аналитики больших данных, но уже осознает, что за этими технологиями будущее.

Наибольшее число компаний, использующих инструменты Больших Данных, применяют их для анализа удовлетворенности клиентов и потребительских предпочтений. Лишь 22% используют Большие Данные для управления производственным процессом. Вместе с тем, имеющиеся примеры внедрения аналитики в производственной сфере свидетельствует о том, что уже в среднесрочной перспективе можно ожидать массового внедрения подобных технологий в промышленности.

На вопрос относительно планов по развертыванию решений, связанных с аналитикой Больших Данных, мнения респондентов распределись примерно поровну. 45% не рассматривают для себя в ближайшем будущем эти инициативы, а 55% готовы вкладывать в анализ данных, но при условии возвращения инвестиций и практической выгоды от подобных решений. Экономическая ситуация в стране заставляет компании быть более осторожными в вопросах инвестирования.

Ежегодный форум компании Teradata в Москве прошел в пятый раз, и, по словам Андрея Алексеенко, главы компании Teradata в России, это было пятилетие активного освоения мировым и российским рынком концепции и технологий Больших Данных. Сегодня решения в этой области меняют не только ИТ-ландшафт компаний, но и саму конкурентную среду в различных отраслях. Сервис такси без собственного автопарка или интернет-банк без собственного офиса – от подобных сюрпризов, успех которых в значительной степени основан на сборе и анализе больших массивов данных, не застрахован ни один бизнес, даже самый консервативный. Главный вызов, подчеркнул Алексеенко, состоит в том, чтобы научиться не только собирать, но и извлекать ценность из данных, а значит, на первый план выходит аналитика.

Денис Гузовский, вице-президент, заместитель директора департамента банковских и информационных технологий банка ВТБ24, признался, что еще недавно термины «облака» и «большие данные» были в банке под запретом – во внедрении этих новых веяний не видели особого резона. В ВТБ24 на базе технологий Teradata с 2010 года развивали классическое хранилище для поддержки финансовой отчетности. Но успех в одной области стимулировал интерес к технологии со стороны других направлений деятельности банка. «В какой-то момент мы осознали, что каждый второй запрос бизнеса связан с тем, чтобы решить задачу на базе хранилища», — рассказал Гузовский.

Аналитические инструменты стали встраиваться непосредственно в операционные процессы, такие, например, как кредитный конвейер – обработка заявок на получение кредита и принятие решений по ним. В результате на базе хранилища была построена виртуальная среда со множеством сервисов, которую вполне можно характеризовать как частное облако, отмечает Гузовский. Постоянное увеличение числа задач, возлагаемых на хранилище, рост их сложности и объемов обрабатываемых данных вынуждает банк обращаться к новым технологиям, связанным с концепцией Больших Данных, — в банке планируют внедрить Hadoop и продумывают принципы и инструменты управления данными (data governance).

Аналитика Больших Данных – важный источник инноваций, но в том лишь случае, если математические модели удается дополнить творческим мышлением. Эту мысль стремился донести до аудитории форума технический директор Teradata Стивен Бробст. В своем выступлении он не коснулся ни одной из конкретных технологий компании, но дал ряд ценных советов, что нужно делать, чтобы у команды аналитиков появилась возможность «разбавить» математику смелыми творческими идеями.

Подвергать сомнению «статус кво», не бояться неудач, а стремиться к тому, чтобы справляться с ними быстро и с минимальными затратами, анализировать возможное решение не только с точки зрения будущего, но и с позиции сегодняшнего дня, искать источники прорывных идей в областях, совершенно не связанных с вашей отраслью, учиться слушать других, не отвергать любые, на первый взгляд самые безумные идеи и не бояться отклонений от взятого курса («потеряться, путешествуя, очень полезно – можно неожиданно открыть для себя нечто совершенно новое»). Эти советы могут показаться очевидными, но куда менее очевидна способность им следовать. Впрочем, были среди рекомендаций Бробста и такие неожиданные, как обсуждать задачу с детьми («если вы в состоянии объяснить свою идею не коллеге, а ребенку, значит, вы действительно ее хорошо понимаете») или принять душ («это очищает мозг, если он зациклился на какой-то проблеме»).

В заключение Бробст отметил, что отличный специалист по данным (data scientist) должен сочетать в себе любопытство, интуицию, умение собирать нужные данные, знания в области статистики и аналитического моделирования и способность общаться. А для успешной работы команды таких специалистов нужны эффективные средства прямого доступа к данным и инструменты визуализации.

Компания Splice Machine анонсировала вторую версию своей системы управления реляционными базами данных, которая обещает предоставить клиентам масштабируемость Hadoop в сочетании с производительностью Spark, при этом не потребуется переписывать код SQL и переобучать персонал.

«Это настоящий прорыв в технологиях СУБД, – заявил один из основателей и генеральный директор Splice Machine Монте Цвебен. – До недавних пор объединение разнородной рабочей нагрузки в рамках одной СУБД представляло очень сложную задачу. Компаниям приходилось обрабатывать транзакции в реальном времени на одной платформе, а затем переносить все данные на другую платформу с помощью технологий ETL (extract, transform, load) и уже там анализировать их».

Такая архитектура приводила к существенным задержкам при принятии решений: фактически компании были вынуждены оперировать вчерашними данными.

Как это работает

В новой СУБД применяется метод изоляции ресурсов – компоненты Hadoop и Spark управляются отдельными процессами, которым выделяются свои собственные ресурсы. В результате сложные запросы оперативной аналитической обработки (online analytical processing, OLAP) не мешают выполнению запросов оперативной обработки транзакций (online transaction processing, OLTP).

Устанавливая уровни приоритетов для запросов OLAP, пользователи могут быть уверены, что важные отчеты не будут блокированы процессами массовой пакетной обработки, потребляющими все доступные ресурсы кластера. В новой версии появилась также консоль расширенного управления, позволяющая следить за выполнением запросов и визуализировать каждый из этапов, включая просмотр в реальном времени сведений об ошибках при выполнении пакетного импорта.

«Процедуры анализа не влияют на транзакции и не мешают их обработке, – подчеркнул Цвебен. – При наличии гибридной архитектуры вы можете одновременно управлять нагрузкой разного характера и принимать решения на основе актуальной информации».

Такой подход идеально удобен для самых разных сценариев, начиная от цифрового маркетинга и заканчивая различными приложениями: Интернета вещей, мобильными, операционными, веб-приложениями и приложениями социальных сетей, а также ускорением процедур ETL, управлением озерами данных и снижением нагрузки на хранилища данных.

«Формируя доступную операционную платформу, предназначенную для одновременной поддержки рабочей нагрузки OLTP и OLAP, Splice Machine 2.0 предлагает бизнесу уникальный и мощный способ проведения анализа в реальном времени и выполнения оперативных запросов, не жертвуя при этом производительностью, – отметил вице-президент компании Cloudera по продуктам Чарльз Зедлевски. – В условиях, когда все больше клиентов начинают запускать Spark на платформе Cloudera, интеграция Splice Machine расширит аналитические возможности наших корпоративных центров данных и позволит клиентам из различных отраслей еще эффективнее управлять всеми типами рабочей нагрузки».

Обработка неструктурированных данных средствами SQL

Архитектура Splice Machine 2.0 предусматривает выполнение федеративных запросов к внешним базам данных и файлам с использованием Virtual Table Interfaces (VTI). Возможно также применение всех ранее созданных библиотек Spark для машинного обучения, потокового анализа, интеграции данных и графового моделирования.

Таким образом, с помощью VTI даже реляционная СУБД сможет обрабатывать неструктурированные данные.

«Появляется реальная возможность выполнять запросы к внешним данным, в том числе и неструктурированным, – указал Цвебен. – Кроме того, у нас есть интерфейс, представляющий собой, по сути, стандартный интерфейс Hadoop и обладающий всеми преимуществами обработки неструктурированной информации средствами Hadoop и Spark. Мы можем обратиться к своей базе данных и получить оттуда согласованные в транзакционном отношении данные. После обработки они помещаются обратно также с использованием транзакций. Таким образом, организации смогут воспользоваться всеми достоинствами баз данных NoSQL, не выплескивая вместе с водой и ребенка. На SQL написаны уже миллиарды строк кода. Не думаю, что компаниям имеет смысл их переписывать. К тому же SQL обладает более мощными средствами по сравнению с NoSQL. Разработчики создают корпоративные приложения, имея за плечами 30-летний опыт использования SQL. Мы вполне обоснованно полагаем, что нашим клиентам вряд ли захочется переписывать весь этот код и тратить миллионы долларов на переобучение персонала».

В настоящее время компания принимает заявки на тестирование общедоступной бета-версии Splice Machine 2.0. По оценкам Цвебена, тестирование будет продолжаться несколько месяцев, а появление окончательной версии ожидается в первой половине 2016 года.

Обращаясь к желающим принять участие в тестировании бета-версии, Цвебен сказал, что в первую очередь Splice Machine ищет организации со смешанной рабочей нагрузкой – особенно те, которым требуется обновление данных в реальном времени и предоставление множеству пользователей одновременного доступа к ним. Другое требование касается частого анализа данных, будь то регулярно получаемые отчеты или произвольный анализ.

Особенно интересуют Splice Machine сценарии использования приложений цифрового маркетинга, финансовых сервисов и приложений наук о жизни.

Заявку на участие в тестировании Splice Machine 2.0 уже направила компания Wells Fargo.

«Для сферы финансовых услуг характерен экспоненциальный рост объемов данных, причем их анализ не терпит отлагательства, – заявил глава подразделения исследований и разработок Wells Fargo Джесси Лунд. – Это заставляет нас искать новые архитектуры, позволяющие одновременно справляться как с операционной, так и с аналитической нагрузкой. Гибридная архитектура Splice Machine 2.0 производит хорошее впечатление, и нам очень хотелось бы испытать ее на деле».

Ваши отношения с клиентами становятся все более личностными. Ваш бизнес остро нуждается в инструментах, которые помогли бы лучше понимать каждого клиента, а не весь сегмент клиентов в целом.

Ориентация на отдельно взятого клиента означает, что мы вступаем на путь исключительной сегментации. Этот новый курс становится ключевым для компаний, которые осознают, что понимание и удовлетворение индивидуальных клиентских потребностей отвечает двум основным, по мнению Forrester, приоритетам бизнеса — формированию доходов и управлению впечатлениями клиентов. Конечно, Большим Данным отводится огромная роль в решении обеих этих задач, но без систематического использования накопленной информации и проникновения в ее суть ваши усилия обречены.

Сами по себе Большие Данные позволяют решить только часть проблем посредством наращивания информационных объемов и создания условий для более глубокого их понимания. Многие компании уже преуспели на этом поприще и продолжают активно инвестировать в Большие Данные.

Брайан Хопкинс – вице-президент и главный аналитик компании Forrester Research.

Но этого недостаточно. Большие Данные сами по себе не оценят полезности скрывающейся в них сути для роста результатов бизнеса, не предложат эффективных мероприятий и не обеспечат непрерывного обучения.

Термином «системы озарения» (Systems of Insight) в последнее время принято обозначать методики и технологии превращения данных в эффективные действия: вычленение полезных знаний из информационного шума больших массивов данных, трансформация проверенных выводов в конкретные мероприятия и непрерывное обучение. В исследованиях Forrester говорится о «цифровых хищниках», нового типа специалистах по извлечению сути, которая находит отражение в новаторских бизнес-моделях, построенных с использованием аналитических систем озарения. Пионерами такого процесса являются Amazon и Google, впоследствии к ним добавились Facebook, LinkedIn, Netflix и Uber.

Специалисты по извлечению сути следуют общим правилам поведения. Они руководят работой команд, которые объединяют разработчиков и экспертов по данным и бизнесу, поддерживают непосредственные контакты с директором по цифровым технологиям. Команды эти используют гибкие методы непрерывных поставок и самые разные источники данных, совместными усилиями осуществляя систематизацию сделанных выводов, их утверждение и реализацию в программном обеспечении.

Какое отношение системы озарения имеют к клиентскому опыту? На восприятие клиентами вашей компании оказывают влияние три фактора: эффективность удовлетворения организацией клиентских потребностей, простота ведения с нею бизнеса и позитивность опыта, формирующего клиентские ощущения. Системы озарения могут улучшить все указанные показатели следующим образом.

• Помогая заботиться о наиболее ценных клиентах в моменты, когда у них возникают какие-то потребности. Клиентские потребности зависят от контекста и постоянно меняются. Например, ваш ценный клиент оказался в нелетную погоду в переполненном аэропорту без информации, без места для ночлега и без возможности куда-либо выехать. Команда специалистов, занимающаяся его поездкой, должна проанализировать данные и выполнить все необходимые мероприятия (выяснить, есть ли места в гостиницах на случай отмены рейса, и т. д.), выдав соответствующие рекомендации сотрудникам, которые поддерживают непосредственную связь с клиентом.

• Эффективно решая проблемы при обработке клиентских запросов. Начиная вести дела с вашей компанией, клиенты ожидают, что никаких осложнений возникать не будет. Неработающие процедуры и отсутствие сотрудников, отвечающих за взаимодействие, пугают их, заставляя искать выходы на стороне. Аналитические системы объединяют данные изолированных процессов и используют обобщенную информацию для выполнения простых операций, соответствующих текущему контексту. Допустим, если клиент пытается совершить на вашем сайте платеж и у него это не получается, система анализа должна выдать агентам контактного центра рекомендации по разрешению этого вопроса.

• Подавляя конкурентов революционными решениями. По-настоящему новые решения конкурентам воспроизвести не так просто. Интернет-сервис Stitch Fix, например, продает одежду людям, не желающим тратить время на изучение имеющихся предложений и на походы по магазинам. Пока конкуренты пытаются заманить потенциальных покупателей на свой сайт или в магазин, Stitch Fix просто отправляет клиентам очередной набор подготовленной для них одежды, используя ранее обработанную информацию. Другой пример: компания Tesla Motors использует аналитическую систему для постоянного совершенствования водительских навыков клиентов. Иногда это происходит прямо в процессе вождения. Ford Motor, General Motors и Nissan только сейчас начали перенимать такой опыт.

По оценкам Forrester, на создание первых систем озарения и развитие уже существующих архитектурных возможностей уходит от одного года до трех лет и от 2 млн до 10 млн долл. Сумма немалая. Такие затраты могут показаться совершенно непомерными, но, не имея аналитических систем, вы будете вырабатывать лишь множество «интересных» данных без какого-либо эффективного их применения в эпоху, когда очень многое зависит от личностного восприятия клиентов.

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.

Болиды «Формулы-1» часто сравнивают с продукцией аэрокосмической индустрии, но, как заметил Томас Майер, главный управляющий директор команды Lotus F1, здесь есть и большая разница, о чем он рассказал в ходе своего визита в Москву по приглашению корпорации Microsoft. Ракеты и самолеты разрабатываются годами и эксплуатируются десятилетиями. «Формулические» спорткары проектируются с февраля — марта (когда FIA, Федерация автомобильного спорта, принимает решение о том, каким параметрам должны соответствовать машины), а потом их приходится подгонять под особенности каждой конкретной гонки в среднем раз в две недели. Подгонка масштабная: по словам Майера, к каждому этапу в болиде заменяется до 14 тыс. деталей.

К тому же FIA в последние годы всячески пресекает попытки команд потратить на свое детище побольше денег. Жестко регламентированы не только физические испытания болидов на трассах, но и процессы моделирования. Поэтому, например, при тестировании прототипа машины в аэродинамической трубе крайне важно оперативно обрабатывать данные, поступающие с датчиков. На исследование аэродинамических свойств каждой модели отводится полчаса (в неделю через трубу проходит до 600 модификаций). Но если приборы показывают, что с конкретной моделью что-то не так, то процесс можно прекратить, сэкономив лимитированное время.

Для анализа поступающих данных «на лету» в Lotus используют сервис Microsoft Azure Stream Analytics, который обрабатывает информацию и передает ее в удобочитаемом виде разработчикам машины. Эта информация, а также результаты крэш-тестов, показания гоночного симулятора (интерактивной модели, воссоздающей процесс вождения с максимально возможной точностью, вплоть до перегрузок, испытываемых пилотом) сохраняются в Microsoft Azure Data Lake и затем обрабатываются с помощью сервиса машинного обучения Azure Machine Learning, который позволяет понять, что изменится при тех или иных изменениях параметров и настроек болидов.

Во время испытания на трассе (таких испытаний каждая команда может провести ограниченное число) с машины тысячу раз в секунду считываются показания двух сотен датчиков. Эти данные также хранятся и обрабатываются на платформе Azure при помощи Stream Analytics.

Производственными процессами Lotus F1 управляет ERP-система Dynamics AX, пришедшая на смену Sage. С ее внедрения и началось сотрудничество «конюшни» Lotus с Microsoft. Софтверный гигант стал для Lotus и спонсором, и технологическим партнером. Кроме Dynamics AX и Azure, в Lotus используют облачный Office 365, а также бизнес-версии Skype и OneDrive. В условиях постоянных переездов (в год проходит два десятка гонок по всему миру) они обеспечивают сотрудников Lotus средствами доступа к документам и совместной работы над ними, а также качественной видеосвязью, что позволяет решать многие технические проблемы удаленно в сотрудничестве с инженерами из штаб-квартиры, расположенной в английском Энстоуне.

На конференции Strata + Hadoop World компания Hortonworks представила инструмент Big Data Scorecard, помогающий организациям в разработке планов по запуску проектов в области Больших Данных.

«В Hortonworks всегда стремились к партнерским отношениям с заказчиками, ставя своей задачей помогать им добиваться максимального успеха инициатив в сфере Больших Данных, — заявил Херб Кунитц, президент Hortonworks. — Опираясь на свой опыт, мы упрощаем работу с Большими Данными, помогаем сделать их двигателем бизнеса заказчика. Hortonworks Big Data Scorecard позволяет ускорить проекты, связанные с Большими Данными, и подхлестнуть трансформацию бизнеса».

Пользователям новой услуги предлагается бесплатно заполнить анкету Hortonworks Big Data Scorecard Survey. Она состоит из пяти разделов: оценка готовности организации к осуществлению стратегии или проекта в области Больших Данных; оценка нынешнего состояния сформированного в организации конвейера данных и аналитики; идентификация инфраструктурных компонентов и технологий, которые понадобятся организации для решения задач, связанных с Большими Данными; выяснение наличия квалифицированных специалистов для вывода проекта на новый уровень; идентификация целей и показателей, которые позволят подтвердить успех проекта.

После получения ответов Hortonworks предоставляет по электронной почте результаты анализа текущего уровня готовности и прогноз о возможности достичь заявленных целей в течение предстоящих двух лет. Эту информацию можно использовать для сравнения своей компании с другими участниками отрасли и для планирования инвестиций.

Затем заказчики могут принять участие в программе совместной инновации, осуществляемой под руководством консультантов Hortonworks.

«Программа совместной инновации помогает заказчикам начать процесс планирования инициатив в сфере Больших Данных, помогающий определиться с общим замыслом, стратегией и планом ее выполнения, — пояснил Вишал Дханука, управляющий директор Hortonworks, руководитель направления Customer Innovation & Strategy. — Мы применяем структурированный комплексный подход, помогая заказчикам формулировать идеи преобразований и определять их потенциал для бизнеса».