При посещении таких ведущих веб-сайтов, как eBay или Amazon, можно почти с полной уверенностью ожидать, что при просмотре каждой страницы подвергнешься какому-либо тестированию. Оно может быть совсем простым, как определение цвета баннера наверху страницы, размещение двух или трех объявлений, длинное или короткое описание продукта. Пользователи никогда не знают, какая часть страницы является стандартной, а какая используется для тестирования, и в этом суть. Те, кто отвечает за работу сайта, проводят такие небольшие эксперименты все время. Таким образом, компании могут быстро тестировать любые креативные идеи и выявлять выигрышный вариант фактически без риска и с минимальными затратами.

Внедрение аналитики и превращение ее в операционную действительно способно высвободить больше времени для творчества. Создайте передовые операционно-аналитические процессы и переложите на них принятие элементарных повседневных решений. Тем временем сотрудники могут расслабиться и заняться разработкой замечательных идей. Таким образом, сбор и анализ данных создадут благоприятные условия для творчества и инноваций в организации, а об удушении и речи не будет.

В завершение этой главы давайте рассмотрим пример того, как классические, проверенные временем аналитические принципы применимы и в операционной аналитике. Многие ее концепции не несут в себе ничего нового, хотя на первый взгляд могут казаться сложными и даже безумными. Зачастую они представляют собой всего лишь новейшее логическое развитие давно применяемых и самых лучших методов. Новы же скорость, своевременность и автоматизированный характер процессов операционной аналитики, а лежащие в их основе аналитические концепции давно известны.

Мой любимый пример обновленного применения старых концепций – это веб-кастомизация и оптимизация ключевых слов. Данные темы кажутся новыми, поскольку еще 20 лет назад не существовало никаких веб-страниц, не говоря уже о возможности кастомизировать эти страницы сотнями разных способов в текущем режиме. Однако концепции, лежащие в основе адаптации веб-страниц и оптимизации ключевых слов, существовали и прежде.

Этот замечательный пример привел мне европейский журналист во время нашего с ним интервью. Он рассказал мне о своем знакомом, который проработал в газетной индустрии несколько десятилетий. Четверть века назад во время подготовки к выпуску ежедневной газеты нередки были споры о том, какие статьи следует разместить наверху полосы, а какие в ее «подвале», какие лучше выбрать заголовки и т. д. Благодаря своему богатому опыту этот человек всегда мог предложить хорошие идеи по поводу заголовков и размещения статей.

Опыт же помогал газетчику тем, что на протяжении многих лет он лично собирал и анализировал данные о том, какие материалы и какие заголовки продавались лучше всего в регионе, где распространялась газета. Некоторые из этих данных он записывал, но бо́льшую часть держал у себя в голове. Сам того не осознавая, он фактически занимался оптимизацией ключевых слов и макетов газетных полос. Его логика, методы и мыслительные процессы были аналогичны тем, которые сегодня применяются в веб-пространстве. Разумеется, он применял куда более простой метод, но следовал тем же самым фундаментальным принципам. Таким образом, важно отметить, что значительная часть современной аналитики является естественным продолжением того, что делалось в прошлом, с той лишь разницей, что сегодня применяются гораздо более изощренные аналитические методы. То же относится и к операционной аналитике.

Наиболее важные положения этой главы:

• Операционная аналитика совершает «промышленную революцию» в области аналитики. Она выводит аналитику за традиционные рамки применения к операционным проблемам.

• В последние десятилетия организации совершили переход от описательной аналитики и отчетности к прогностической аналитике. Операционная аналитика идет еще дальше и делает аналитику предписывающей.

• Операционная аналитика представляет собой интегрированные автоматизированные процессы принятия решений, которые предписывают и выполняют действия в рамках «времени принятия решения».

• Добиться успеха в операционной аналитике невозможно без прочной основы в виде традиционной аналитики.

• Эпоха Аналитики 1.0 представлена традиционным подходом к аналитике, когда внимание сосредоточивалось на пакетной обработке внутренних структурированных данных.

• Эпоха Аналитики 2.0 ознаменована взлетом больших данных, появлением новых типов данных и аналитических методов, использованием внешних источников данных.

• Эпоха Аналитики 3.0 сделала возможной применение операционной аналитики. Взяв все лучшее из эпох Аналитики 1.0 и Аналитики 2.0, она выработала целостный аналитический подход.

• Всё в большей степени принятие решения о покупке определяет, наряду с физическими характеристиками продукта, поставляемая вместе с ним аналитика.

• Границы между отраслями стали размываться после того, как компании внезапно осознали, насколько выгодно встраивать высокотехнологичные датчики в свою продукцию и создавать аналитику на основе полученных данных.

• Ввиду автоматизированного и стремительного процесса принятия решений посредством операционной аналитики качество данных становится как никогда важным.

• Аналитика поощряет творчество, а не душит его. Сегодня можно свободно тестировать творческие идеи с минимумом затрат.

• Операционная аналитика в значительной степени основана на старых концепциях, которые она выводит на новый уровень.

В этой главе мы рассмотрим важный тренд, связанный с большими данными. Читатели должны в нем разбираться, если в их организациях планируется использовать большие данные для поддержки операционной аналитики. Разумеется, организации всегда собирали данные о своей деятельности, однако в последние годы темпы накопления возросли. И не только потому, что увеличились и источники данных. Дело в том, что зачастую данные поступают в новых форматах и содержат информацию, требующую различных аналитических технологий. Таким образом, «большие данные» – это общий термин, который применяется ко всему тренду, приведшему к проблемам в виде увеличения объемов данных, количества их источников и разнообразия форматов.

Когда организация приступает к рассмотрению больших данных и пытается понять, как они повлияют на ее аналитические процессы, она должна учесть ряд важных моментов. В этой главе мы рассмотрим несколько рекламных трюков, сопровождающих большие данные (на эти трюки иногда попадаются организации), а также разберем способы подготовки к внедрению технологий больших данных с учетом перспективы. Большие данные вовсе не так страшны, как может показаться вначале. Понимание того, как большие данные вписываются в общую картину, позволит вам успешно включить их в операционную аналитику.

Нет никаких сомнений в том, что большие данные окружены столь же большой рекламной шумихой. Организации должны разобраться с обманами и сосредоточиться на действительно важном, чему может способствовать ряд методов, предложенных в этом разделе. Ни в коем случае мы не намерены преуменьшать важность или ценность больших данных. Наша цель – вернуть большие данные к реальности. Формирование реалистичных ожиданий должно стать первым шагом в процессе работы с большими данными.

Один из первых вопросов, который мне часто задают клиенты: «Что такое большие данные, Билл? Вы можете дать им определение?» По-видимому, оно очень заботит людей{9}. Чтобы убедиться в этом воочию, посетите некоторые группы на LinkedIn, посвященные большим данным. В каждой группе вы столкнетесь с вопросом определения больших данных, который задается в той или иной форме на протяжении последних нескольких лет. На одном из форумов, где я был вовлечен в дискуссию, размещались не то что десятки, а сотни ответов на вопрос: «Каково определение больших данных?» И это на форуме, где любой пост собирал в лучшем случае пару откликов. По мере развертывания дискуссии ее участники пытались превзойти друг друга, добавляя всё новые нюансы, подходящие или не подходящие к определению. Мне это занятие показалось глупым и заумным.