Инструментарий для самостоятельной (Self-Service) работы сотрудников с данными набирает популярность. Как и почему меняется спрос на этот функционал, кто и для решения каких задач его применяет и какие факторы наиболее важны для их успешного внедрения и использования — об этом и многом другом рассказывают в нашем обзоре эксперты ведущих российских BI-компаний. Подробнее о практике построения решений Self-Service BI можно узнать на форуме «Управление данными — 2023», организованном издательством «Открытые системы».

Пользователи Self-Service

Спрос на инструменты Self-Service для работы с данными растет, и в ближайшие годы эта тенденция сохранится — это подчеркивают все опрошенные эксперты. Как отмечает, в частности, Кирилл Кузнецов, исполнительный директор компании Modus, средства Self-Service существенно повышают скорость выполнения задач и к тому же уменьшают совокупную стоимость владения (TCO) аналитическими системами. Экономия достигается в первую очередь за счет снижения потребности в услугах профессиональных программистов.

«Сегодня в большинстве случаев наличие инструментов Self-Service в BI-системах является обязательным требованием их заказчиков, — делится своими наблюдениями Андрей Терехов, ведущий бизнес-аналитик Polymatica, подразделения компании SL Soft (ГК Softline). — Такие системы весьма востребованы, поскольку ориентированы на конечных бизнес-пользователей: аналитиков, экономистов, финансистов — не на ИТ-специалистов».

«Компаниям важно, чтобы их сотрудники могли быстро и собственными силами, без привлечения ИТ-отделов, настраивать алгоритмы анализа, математические модели, отчеты и срезы данных, получать инсайты и использовать их на благо бизнеса, — продолжает Мария Аверина, партнер по развитию департамента бизнес-аналитики Navicon. — Благодаря средствам Self-Service аналитика становится доступной большему числу сотрудников. С помощью этих инструментов они могут принимать более взвешенные решения, что крайне важно в условиях нестабильной экономической ситуации».

По мнению Михаила Грекова, руководителя отдела продуктовой разработки BI компании Analytic Workspace, одна из причин популярности Self-Service для работы с данными кроется в растущей сложности инструментальных технологий бизнес-аналитики, что становится серьезным барьером на пути массового применения анализа данных в корпоративном секторе.

Мария Аверина: «Благодаря средствам Self-Service аналитика становится доступной большему числу сотрудников. С помощью этих инструментов они могут принимать более взвешенные решения, что крайне важно в условиях нестабильной экономической ситуации».

«Топ-менеджеры хотят предоставить линейным руководителям возможность принимать решения на основе данных, — добавляет Алексей Никитин, генеральный директор компании Visiology. — Я знаю несколько крупных компаний, в которых для централизованной аналитики используется одна BI-система, тогда как другая предназначается именно для Self-Service».

По наблюдениям Кузнецова, основные пользователи таких систем — аналитики данных, бизнес-аналитики, настраивающие информационные панели (дашборды), и команды ETL, отвечающие за подготовку данных из источников, в том числе из хранилищ и озер данных. Как правило, это сотрудники среднего звена, для которых важны простота и удобство работы с аналитическим порталом, интуитивный интерфейс, а также отсутствие необходимости в долгом изучении продукта. Также он отмечает удобство настройки процессов в интерфейсе WorkFlow.

Никитин выделяет две основные категории пользователей систем Self-Service для работы с данными. Первая группа — аналитики или бизнес-аналитики. Это дорогостоящие специалисты-профессионалы в области анализа массивов данных, поиска закономерностей в данных и инсайтов. Они обладают глубокими компетенциями и вполне могут обходиться и без функций Self-Service. Вторая, гораздо более многочисленная, динамично растущая категория пользователей — специалисты, для которых работа с данными не является основной деятельностью, но важна как инструмент для решения их бизнес-задач. «В первую очередь это руководители, начальники отделов, — поясняет Никитин. — Они хотят ставить цели, определять KPI и отслеживать эффективность».

Греков классифицирует пользователей в зависимости от того, какого рода системы Self-Service они применяют. Одна группа ограничивается инструментами визуализации данных, созданием с их помощью собственных виджетов и компоновкой информационных панелей на основе заранее подготовленных моделей данных. Такой вариант вполне подходит для создания и обновления различного рода отчетов. Другая группа пользователей осваивает более серьезные инструменты Self-Service, позволяющие подключать источники данных и создавать модели для поиска новых закономерностей и скрытых инсайтов. «Это прерогатива BI-разработчиков. Разумеется, она требует от специалистов глубокой компетенции», — считает Греков.

Задачи, решаемые средствами «самообслуживания»

По наблюдениям Терехова, BI-средства Self-Service используются везде, где важно быстро и непрерывно анализировать статистические данные, получаемые из разных источников: в органах государственного управления, на производстве, в логистике, банках и финансовых организациях, торговле и других секторах и отраслях. Среди типовых задач, решаемых с помощью этого инструментария, чаще всего встречается создание информационных панелей с ключевыми показателями эффективности и их дальнейший мониторинг.

Основной класс аналитических задач, при решении которых, по мнению Грекова, средства Self-Service обеспечивают существенное преимущество, — задачи, связанные с диагностикой: «Этот инструментарий помогает найти ответ на вопрос “Почему?”, разобраться в причинах ранее произошедших событий, используя возможности фильтрации, сортировки, гибкой агрегации данных, создания “на лету” дополнительных вычисляемых показателей, развертывания агрегированных значений до первичных, расширения контекста анализа за счет быстрого дополнения бизнес-показателей связанной с ними информацией».

Алексей Никитин: «Переходя в плоскость Self-Service, мы увеличиваем охват — можем решать больше мелких и частных задач, да и результат получаем быстрее»

Кузнецов рекомендует обратить внимание на то, что инструментарий Self-Service — это не столько набор функционала, сколько формат исполнения отдельных подсервисов внутри системы: «Вы можете выполнить одну и ту же задачу как с помощью кода, так и посредством интерфейса. У нас, например, средства Self-Service применяются для визуализации данных при создании дашбордов и конструировании виджетов, а также при работе с данными — для их структурирования и подготовки в средствах ETL эталонных значений, на основе которых готовятся дашборды».

Что важно, считает нужным отметить Никитин, инструментарий Self-Service хотя и не предлагает радикально нового подхода к бизнес-аналитике, однако позволяет увеличить охват сценариев применения — решать больше мелких и частных задач, к тому же быстрее получать результат.

«Благодаря инструментам Self-Service сотрудники компаний могут самостоятельно, не прибегая к сложному программированию, выполнять запросы к нужным данным, настраивать математические модели, генерировать отчеты и инфопанели именно в тех разрезах и с теми метриками, которые необходимы», — добавляет Аверина.

Технологии и инструменты

С уходом западных ИТ-вендоров весьма остро встал вопрос о замене их решений. Однако вскоре выяснилось, что на отечественном рынке представлено немало российских платформ и инструментов для бизнес-аналитики. Да, далеко не все они могли тягаться с продуктами именитых производителей, но довольно скоро ситуация стала меняться: благодаря притоку инвестиций от российских заказчиков наши разработчики получили возможность за короткий срок усовершенствовать свои продукты, чтобы предоставить клиентам тот функционал и обеспечить тот уровень качества, которые им сегодня требуются.

Как отмечает Никитин, количество BI-платформ на российском рынке за последние два года выросло более чем в пять раз: «Это означает, что, пока возможности Self-Service развивались в уже обкатанных и зрелых решениях, целый ряд других разработчиков создавали первые прототипы и реализовывали пилотные внедрения. Впрочем, большинству платформ предстоит пройти еще немало этапов развития, прежде чем можно будет предложить рынку действительно удобный продукт, не требующий масштабных доработок, который позволит быстро получать нужные бизнесу результаты».

По наблюдениям Авериной, многие российские аналитические решения, как и большинство сложных корпоративных систем, разрабатывали исходя из требований и задач государственных организаций и госкомпаний: «Из соображений безопасности инструменты самообслуживания востребованы в них не были, поэтому отечественные вендоры долгое время не заостряли на них внимание. На текущий момент из более чем 20 российских BI-поставщиков лишь несколько смогли реализовать полноценный инструментарий Self-Service. Среди таких продуктов, например, могу отметить платформы “Дельта BI” и Visiology».

Михаил Греков: «В зарубежных платформах функции Self-Service достаточно развиты, пользователи привыкли к ним, поэтому, конечно, ожидают от российских аналогов такой же широты возможностей»

Впрочем, поясняет Аверина, ситуация быстро меняется: «Вендоры вкладывают все больше средств в развитие продуктов. Думаю, уже в ближайшие два-три года в большинстве российских аналитических систем появятся инструменты Self-Service. Остальных просто вытеснят с рынка — клиентам нужны эффективные решения, которые приносят пользу бизнесу здесь и сейчас».

Кузнецов разделяет мнение своих коллег: «Решения российских вендоров постепенно вышли на уровень зарубежных аналогов и сейчас ничуть им не уступают, а в чем-то и превосходят, так как разрабатываются с учетом потребностей и особенностей российского рынка». Он привел слова одного из заказчиков Modus, который считает, что имеющиеся в России BI-решения достаточно зрелые, а средства ETL по ряду параметров превосходят аналогичный инструментарий таких грандов, как, например, Power BI или Qlik.

По мнению Терехова, ситуация на российском рынке меняется в лучшую для отечественных компаний сторону: «После ухода иностранных вендоров у наших разработчиков появился веский стимул занять освободившуюся нишу».

«Российские BI-системы Self-Service, такие, например, как Analytic Workspace (AW BI), позиционируются в первую очередь как замена Power BI, Tableau, Qlik и им подобным. В этих зарубежных платформах функции Self-Service достаточно развиты, пользователи привыкли к ним, поэтому, конечно, ожидают от российских аналогов такой же широты возможностей», — считает Греков.

Рассказывая о достоинствах средств Self-Service, реализованных в AW BI, Греков особо отмечает охват всей цепочки работы с данными (включая консолидацию, анализ и трансформацию, а также визуализацию), полноценный ETL-модуль для обработки данных в режиме Self-Service и встроенное хранилище данных на базе ClickHouse. Разработчики решения уделяют пристальное внимание высокой производительности и быстродействию под нагрузкой, в том числе при работе с очень крупными массивами данных. «Есть проекты, в которых система работает со 160 млрд записей в базе», — подчеркивает Греков. Продукт доступен как для локального, так и для облачного развертывания.

В качестве главного преимущества платформы «Дельта BI» Аверина называет возможность эффективной работы с различными источниками и типами данных без сложного кодирования: «Архитектура платформы построена так, что даже не очень продвинутые пользователи могут самостоятельно применять развитые аналитические инструменты на базе технологий машинного обучения и искусственного интеллекта».

Андрей Терехов: «После ухода иностранных вендоров у наших разработчиков появился веский стимул занять освободившуюся нишу»

Пристальное внимание развитию возможностей Self-Service и Low-Code уделяет и компания Modus, о решениях которой рассказывает Кузнецов. «Self-Service и Low-Code — основа развития всех наших продуктов, так как их реализация позволяет упрощать обслуживание систем и минимизировать стоимость их владения. За счет этого доработки и работа с продуктами занимают меньше времени, а стоимость владения сокращается благодаря снижению ФОТ на программистов и аналитиков. Например, Modus BI сейчас представляет собой практически целиком инструментарий Self-Service, для работы с ним не требуется программирование, — добавляет Кузнецов. — К тому же наш ETL-модуль написан на языке “1С”. Это дает возможность кастомизировать решение, не привлекая вендора или внешнего подрядчика, ведь, как правило, в штате компаний уже есть программист “1С”. Даже если такого специалиста нет, что бывает редко, найти его просто, а затраты на него будут ниже, чем на программиста, который пишет на другом языке. Отмечу также, что наша библиотека визуализаций — одна из самих больших из имеющихся у российских вендоров. И уже в этом году выйдет обновление, которое позволит заказчикам добавлять собственные плагины».

Никитин, представляя платформу Visiology, особо подчеркивает низкие требования к ИТ-квалификации пользователей: «Во многих проектах сотрудники начинают работать с платформой после одного-двух дней интенсивного обучения». По его словам, новая версия платформы Visiology 3 позволяет еще больше расширить практику применения Self-Service за счет поддержки аналитического языка DAX, основанного на синтаксисе стандартных выражений, аналогичном тому, что есть в Power BI. «Работа в новой версии не требует знания не только программирования, но и SQL. А обширная методическая база и специально разработанный виртуальный помощник с искусственным интеллектом ViTalk GPT подскажут даже совершенно неподготовленным пользователям, как правильно сформулировать запрос», — добавляет Никитин. Кроме того, Visiology 3 поддерживает визуальную модель данных Tabular Object Model (TOM), что, по его мнению, выводит платформу на уровень возможностей Self-Service, сопоставимых с имеющимися у западных решений.

По утверждению Терехова, инструменты Self-Service в решениях Polymatica позволяют начать работу буквально после двухчасового обучения — этого достаточно, чтобы бизнес-пользователи смогли создавать собственные дашборды.

Ключевые факторы успеха

Обсуждая наиболее важные условия для достижения успеха при использовании средств Self-Service в организациях, осваивающих этот инструментарий, многие эксперты отмечают важность культуры работы с данными.

Кузнецов отмечает: «Отсутствие культуры работы с данными часто приводит к саботажу внутри компании. И напротив, наличие такой культуры позволяет увидеть ценность и выгоду работы с данными всем участникам процесса — не только руководителям, принимающим стратегические и тактические решения, но и исполнителям. А это дает возможность находить точки роста и развития и оптимизировать рутинные задачи».

«Необходимы зрелость компании и, как говорят в западных странах, data literacy — грамотность сотрудников при работе с данными. От руководства требуется готовность поддерживать процессы, ясно понимая особую важность BI для развития бизнеса, причем не только на уровне топ-менеджмента, — поясняет Никитин. — К тому же сами данные должны быть доступны, поэтому если в организации нет корпоративного хранилища данных (DWH), его создание станет одной из составляющих проекта внедрения BI».

Аверина выделяет два ключевых фактора корпоративной культуры работы с данными. Первый из них — коммуникация с командой: сотрудники должны понимать, как и зачем использовать BI-инструменты и какую пользу они получат от их применения. Второй важный фактор — наличие правильной, грамотно выстроенной аналитической инфраструктуры: она должна обеспечивать сотрудников полной, достоверной и актуальной информацией. Для этого инфраструктура должна включать MDM-инструменты для унификации данных и сервисную шину (ESB) для эффективного обмена сообщениями между различными источниками. «В этом случае пользователям не придется отвлекаться на очистку, нормализацию и передачу данных — они будут всегда в доступе и высокого качества», — поясняет Аверина.

Греков отмечает четыре основных фактора успеха инструментария Self-Service для работы с данными:

  1. Доступ к качественным и надежным данным: необходимы хорошо организованные и надежные источники данных, обеспечивающие актуальную и точную информацию для анализа и принятия решений.
  2. Обучение пользователей: компания должна научить сотрудников работе с новым инструментарием.
  3. Культура данных: организация должна системно ее развивать, чтобы сотрудники стали активными участниками работы с данными и могли самостоятельно проводить их анализ и визуализацию.
  4. Безопасность данных: важно установить политики и правила разграничения доступа к данным.
Кирилл Кузнецов: «Отсутствие культуры работы с данными часто приводит к саботажу внутри компании. И напротив, наличие такой культуры позволяет увидеть ценность и выгоду работы с данными всем участникам процесса»

Впрочем, Терехов считает, что для использования инструментов Self-Service не требуется никаких особых условий — важно наличие внутренней инфраструктуры, чтобы безопасно развернуть инструментарий и использовать с его помощью имеющиеся данные. «На мой взгляд, главный фактор для широкого применения инструментов Self-Service в бизнес-среде — простота и легкость для пользователей: чем понятнее инструмент, тем больше специалистов его освоят и будут применять в ежедневной работе».

Никаких особенных требований не склонен предъявлять к заказчикам и Кузнецов. Более того, по его мнению, современные заказчики вряд ли смогут пользоваться аналитическими системами, если они построены не на принципах Self-Service. Однако, соглашается он, есть ряд заказчиков, которые хотят пользоваться прямыми запросами к базам данных и писать SQL-запросы — вероятно, потому что они так привыкли. «Мы предлагаем и то и другое — такая многовариантность дает преимущество нам и полезна заказчику», — добавляет Кузнецов.

Что касается главного фактора успеха, то, по мнению Авериной, очень важно обеспечить обучение сотрудников грамотному использованию данных и инструментов Self-Service: «Даже самый передовой ИТ-инструмент в неумелых руках превращается в бесполезный код».

Греков полагает, что самым важным фактором является обеспечение доступа к качественным и надежным данным: «В конечном счете все прочие факторы опираются на качество данных, которые пользователи смогут использовать для анализа и принятия решений».

О наличии централизованной команды BI-специалистов как о главном факторе успеха применения средств Self-Service говорит Никитин: «Некоторые думают, что этот инструментарий совершенно не требует участия профессионалов. Но это не так: чтобы аналитика работала, необходима команда поддержки. Отличие Self-Service от классического подхода к аналитике состоит в том, что команда профессионалов работает уже не столько как исполнитель, сколько как группа поддержки бизнес-пользователей. Наиболее сложные наборы данных, виджеты, представления и визуализации по-прежнему будут готовить профессиональные аналитики. Развитие компетенций продвинутых пользователей, проведение рабочих встреч, разбор кейсов — это тоже их прерогатива. Но при переходе к парадигме Self-Service их доля участия будет снижаться. Еще одна важная миссия централизованной команды — развитие культуры работы с данными внутри компании».

Таким образом, в ходе освоения инструментария Self-Service важно уделять внимание целому ряду аспектов: от развития корпоративной культуры работы с данными и обучения пользователей до выстраивания поддерживающего слоя — как инфраструктурного, так и профессионального. И тогда средства Self-Service не только будут позитивно восприняты пользователями, но и принесут ощутимую выгоду бизнесу.