Подумайте над тем, чтобы наладить сотрудничество с другими похожими организациями где угодно в мире. Благодаря социальным сетям сегодня это сделать легко. Вполне может оказаться, что другая организация сталкиваются со сходными проблемами. Разумеется, нет смысла пытаться наладить конструктивный диалог со своим прямым конкурентом. Но вы можете найти организацию на другом конце земного шара, которая не представляет для вас конкурентной угрозы. Обмен информацией и усвоенными уроками будет выгодным для обеих сторон.

С какими бы трудностями ни сталкивалась ваша организация при внедрении больших данных, вы можете быть уверены в том, что многие другие организации проходят через то же самое. Со временем для всех этих проблем будут найдены решения, которые станут общеизвестными и общедоступными. Включение больших данных в операционную аналитику превратится в намного более легкую и стандартную процедуру. Организации необязательно стремиться во что бы то ни стало стать первопроходцем, но ей не следует и дожидаться полного решения проблем. Догоняющее развитие не приведет к выигрышу.

Наиболее важные положения этой главы:

• Не беспокойтесь насчет определения больших данных. Гораздо важнее определить, какие именно данные, будь то большие или малые, необходимы вам для аналитики. Важно не определение, а результаты!

• Всегда начинайте с конкретных бизнес-проблем. Не внедряйте технологии больших данных только лишь для того, чтобы заявить об этом.

• Несмотря на чрезмерную шумиху и нереалистичные краткосрочные ожидания, большие данные останутся с нами. Точно так же как пузырь доткомов не означал, что у Интернета не было огромного потенциала, так и пузырь больших данных не означает отсутствия огромного потенциала у больших данных.

• Что делает большие данные настолько захватывающими, так это новая информация, которая в них содержится. Новая информация почти всегда побеждает новые алгоритмы.

• Не используйте большие данные только для улучшения существующих аналитических процессов. Ищите способы, при помощи которых большие данные позволят решить старые проблемы с новой точки зрения или решить совершенно новые проблемы.

• В ближайшие годы будьте готовы к стремительному росту ажиотажа вокруг Интернета вещей, а также к пересмотру своей политики по отношению к сохранению данных, чтобы справляться с грядущими потоками малоценных данных.

• Разнообразие больших данных, по сравнению с традиционными, гораздо проблематичнее, чем их «огромность».

• Большие данные требуют масштабирования не только при обработке и хранении, но и в параметрах касательно пользователей, параллелизма, управления рабочей нагрузкой и безопасности.

• Большие данные должны стать компонентом общей стратегии управления данными и аналитикой. Большие данные не могут эффективно работать сами по себе.

• После нескольких лет предсказаний о скорой смерти SQL сегодня нереляционные платформы стремятся дополниться интерфейсами SQL. В этом находят отражение не только огромный сдвиг во взглядах, но и реальные потребности бизнеса.

• Хотя сегодня большие данные могут казаться подавляющими, они следуют той же кривой зрелости, что и другие источники данных. Большие данные довлеют над нами сильнее ввиду количества новых источников данных, которые все разом стали нам доступны.

• Большинство организаций во всех отраслях и странах мира считает, что они далеко отстали в области больших данных. На самом же деле немногие организации вырвались далеко вперед, соответственно и немногие далеко отстали.

В этой главе мы обратим внимание на различные примеры операционной аналитики в действии. Они ясно показывают, что в будущем организации сосредоточатся не просто на увеличении старой традиционной аналитики, а на применении новыми способами разных типов аналитики. Аналитика, которой организации занимались годами, сейчас становится необходимым, но недостаточным условием работы во все большем числе отраслей и контекстов. Для того чтобы добиться успеха в будущем, организациям придется выйти за пределы традиционной пакетной аналитики. Иными словами, сделать последнюю операционной.

Одним из главных изменений, которые операционная аналитика позволяет осуществить организации, является возможность резко активизировать свои действия. В некоторых случаях аналитика может быть очень простой, в других – весьма изощренной. Описанные в этой главе примеры охватывают весь диапазон случаев, однако во всех них красной нитью проходит свидетельство о том, что операционная аналитика позволяет организации действовать на упреждение, а не реагировать на уже возникшие обстоятельства. Тем самым она позволяет избежать проблем, а там, где сделать это невозможно, операционная аналитика позволяет решать возникающие проблемы оперативно и в автоматическом режиме.

Итак, давайте рассмотрим ряд примеров, иллюстрирующих как очень простые, так и весьма необычные случаи применения операционной аналитики. Примеры изложены в произвольном порядке, без учета затронутой области и уровня сложности анализа. Читатели обратят внимание на то, что многие из них связаны с использованием датчиков, т. е. имеют отношение к теме Интернета вещей, о которой мы говорили во второй главе и которой посвящена значительная часть операционной аналитики.

Одна из областей, где потребители заметят наибольшие изменения в связи с внедрением операционной аналитики, – это их повседневные взаимодействия с организациями. На протяжении многих лет организации стремились всё более персонализировать свои продукты, услуги и маркетинг. Операционная аналитика позволит далее развивать кастомизацию и персонализацию. Следующие примеры дают представление о ее потенциале.

Давайте обратимся к компании Walt Disney Company. В течение многих лет она осуществляет весьма сложный анализ поведения посетителей своих парков развлечений – стремится понять их предпочтения и шаблоны с целью улучшения обслуживания. В том числе Disney вкладывает много ресурсов в изучение передвижения посетителей по паркам и в изучение воздействия этого потока на своих гостей.

В прошлом, опираясь на имеющиеся данные, Disney была вынуждена рассматривать толпу как единичный объект. Другими словами, толпа изучалась как отдельный объект большого размера, находящийся в постоянном движении. Например, утром эта масса людей могла сосредоточиться на одной стороне парка, а в течение дня постепенно перемещаться на другую сторону. Однако введение технологии MagicBand («Волшебный ремешок») позволило компании произвести революцию в своем подходе к управлению потоком посетителей и их восприятием{23}. Данные с MagicBand могут быть использованы как для традиционной, так и для операционной аналитики с целью улучшения обслуживания.

MagicBand – это браслеты со встроенным радиочастотным микрочипом. Disney использует эту технологию, чтобы изменить восприятие посетителей. Начать с того, что посетителям больше не нужно носить с собой билет и кредитную карту. MagicBand – это и есть билет, который дает гостям возможность делать покупки в любом из магазинов и ресторанов парка, а также приобретать билеты Fast Pass («Быстрый проход») для аттракционов. Fast Pass позволяют гостям посещать аттракционы в указанное время без длительного ожидания в очереди.

MagicBand не только облегчают передвижение по парку, но и позволяют компании изучать трафик посетителей на гораздо более детализированном уровне. Вместо того чтобы рассматривать толпу как единый объект, Disney может рассматривать гостей как индивидов, демонстрирующих уникальное поведение. Это дает возможность выделить различные пути людей по парку. Некоторые предпочитают прокатиться на одном-двух аттракционах, после чего сделать перерыв, перекусить, отдохнуть и только потом отправиться на следующий аттракцион. Другие посещают один аттракцион за другим без перерывов. Компания может использовать эту информацию, чтобы управлять шаблонами трафика, добиваясь более равномерного распределения посетителей по парку.