Если говорить про применение технологий Big Data в крупных компаниях, то ее положение как отрасли будет разным для разных индустрий – усреднять их смысла мало, это будет среднее по больнице. В индустриях, которые исторически более оцифрованы — например, банки, телекомы — и, как следствие, более подготовлены к работе с данными, уже очень продвинутая стадия развития рынка анализа больших данных.
Так, там построены процессы сбора и хранения данных, определены необходимые технологии работы с ними, понятны и во многом реализованы основные кейсы использования. Некоторые индустрии, в первую очередь, ритейл, активно догоняют этот уровень развития. Уже определены основные кейсы, в которых большие данные могут помочь, и идет работа над технологиями их реализации. Более традиционные индустрии из реального сектора находятся пока на достаточно ранней стадии развития, их основная задача сейчас — это правильно выбрать задачи, к которым имеет смысл применять анализ данных.
Не столько важен объем данных, сколько ценность, которую из них можно извлечь — это не всегда напрямую коррелирует. Поэтому корректней, на наш взгляд, называть эту индустрию более общим термином «анализ данных». Но вопрос применимости этих технологий – ключевой для многих индустрий, которые сейчас находятся на ранней стадии их внедрения. Основной кейс использования анализа данных – оптимизация производственного или бизнес-процесса. Как понять, стоит оптимизировать конкретный процесс за счет данных или нет?
По нашему опыту, каждый потенциальный кейс нужно проверить на три критерия:
Наличие или хотя бы возможность получить данные, генерящиеся в ходе процесса. Понятно, что если данных нет, то и сделать с ними ничего нельзя.
Регулярность процесса. Нет смысла оптимизировать процесс, который происходит, условно говоря, раз в год.
Экономический эффект. Нужно заранее прикинуть, сколько денег можно сэкономить или заработать за счет увеличения эффективности процесса по его основной метрике, и убедиться, что этот эффект окупает усилия. Приступать к внедрению алгоритмов анализа данных стоит только в том случае, когда все три критерия пройдены.
В каждой индустрии есть множество примеров, когда внедрение анализа больших данных значимо повлияло на прибыль.
Например, ритейлеры сейчас активно внедряют аналитику больших данных в процессы прогнозирования спроса – представьте крупную продуктовую сеть с тысячами магазинов по всей стране, которой каждый день нужно понимать, сколько каждого из десятков тысяч видов товаров везти в каждый из магазинов. Привезешь слишком много – излишек протухнет, это прямой убыток. Привезешь слишком мало – покупателям не хватит, они запомнят, что не нашли нужный товар в этом магазине, и в следующий раз пойдут к конкуренту.
При этом есть данные об исторических продажах по каждому товару и магазину, но проанализировать их человеку, чтобы построить достаточно точный прогноз на таких масштабах, нереально. Поэтому это одна из задач, которая уже сейчас массово решается машинами, а люди только анализируют решение, выданное алгоритмами, и корректируют его, если необходимо.
Подобные примеры есть и в тяжелой промышленности – например, для горно-обогатительного комбината процессом, который можно оптимизировать за счет аналитики больших данных, является автоматизация одного из участков работы диспетчера фабрики. От правильности его решений зависит бесперебойная работа фабрики: если она остановится даже на несколько часов, это принесет огромные финансовые потери.
Тысячи датчиков собирают информацию в центральную систему с сотен единиц оборудования в режиме реального времени, и на основании этих данных диспетчер принимает операционные решения, например, руду с какими физическими свойствами подавать на вход. Если на смене оказывается молодой специалист, а не профессионал с 20-летним стажем, то вероятность неправильного решения возрастает. А каждое неправильное решение – это простои фабрики или просто неэффективная ее работа, что сказывается на итоговой выработке. На крупных предприятиях даже один процент выработки исчисляется сотнями миллионов рублей в год. Поэтому алгоритм «подсказывает» диспетчеру, какого типа руду и в какой момент нужно задействовать, чтобы обеспечить баланс нагрузки на разные отсеки фабрики и ее максимальную производительность. Сотрудник принимает либо отклоняет эти подсказки. В последнем случае он должен объяснить причину — это позволяет машине «дообучиться» на обратной связи специалиста и сэкономить для компании существенные деньги.
На пути выхода на европейский рынок есть одна основная сложность: ты должен быть там, где твой клиент. То есть ключевые сustomer facing процессы и команды должны физически находиться на целевом рынке. Сюда относятся продажи, маркетинг, customer success, поддержка и тд. В идеале нужно, чтобы это были местные люди. Появление таких команд полностью меняет то, как компания устроена внутри, – как минимум, коммуникация становится двуязычной, и это только вершина айсберга. Кроме того, уровень технологической зрелости, о которой я говорил в начале, разнится не только от индустрии к индустрии, но и от региона к региону.
Это связано с тем, что внедрение и обновление технологий происходит волнами – например, для нас было приятной неожиданностью, что российские банки оказались одними из самых продвинутых в мире, а как следствие, и наши решения для этой отрасли — конкурентоспособны глобально. Так получилось, что обновление технологического ландшафта в банках в России произошло недавно, в то время как на Западе с тех пор прошли уже десятки лет и используемый ими софт далек от современного. А на Востоке в каком-то смысле наоборот – инфраструктура строится сейчас, и будет через несколько лет самой передовой. Поэтому при выходе на зарубежный рынок нужно быть готовым к тому, что там может быть востребовано то, что не было востребовано на локальном рынке, и наоборот, потому что даже одни и те же индустрии в разных регионах находятся на разных этапах технологической эволюции.
Главное преимущество выхода на рынок Европы — в капитализации. Один доллар, заработанный в России, стоит в несколько раз дешевле с точки зрения капитализации доллара, заработанного на Западе.
Что касается поисков инвестора, то нужно фокусироваться не на этом, а на показателях своего проекта, соответствующих его стадии. Инвесторов не приходится специально искать, когда с показателями все хорошо – это же их бизнес, они сами рады будут пообщаться. Главное делать свой проект инвестиционно-привлекательным. Как говорится, инвесторы всегда придут к вам на выручку, если она у вас есть)
На старте нового бизнеса важно осознавать, что если что-то может пойти не так, то обязательно пойдет. Нужно быть уверенным, что запаса энтузиазма хватит на преодоление любых препятствий, потому что большую их часть на берегу не видно.
Эффективность бизнес-образования, как и любого инструмента, зависит от цели, с которой его используют. Я вижу две потенциальные цели, с которыми туда можно приходить, – прикладные знания и нетворк. Прикладные знания я с лихвой получаю через построение компании, то есть через практику, что, по моему мнению, значительно эффективнее. Что касается нетворка – это безусловно было бы мне полезно на зарубежном рынке, но, с точки зрения выделения времени, это слабо совместимо с операционной ролью в бизнесе, поэтому пока что для меня это скорее опция не ближайшего будущего. Касательно того, российское или западное выбирать, – опять же зависит от цели, в частности от того, где и как человек планирует применять знания или нетворк.