В современной компании имеется огромное количество данных, позволяющих улучшить качество бизнес-аналитики и для дата-инженеров задача извлечения данных из альтернативных источников в общем случае относительно понятна и проблем обычно не вызывает. Однако, при работе в экосистеме 1С имеется ряд ограничений, которые призваны устранить такие специализированные системы, как «Экстрактор 1С».
Благодаря подходам Low-сode/No-сode технологии управления данными, аналитики и искусственного интеллекта становятся доступны широкому кругу бизнес-пользователей. Соответствующие инструменты позволяют ускорить создание нужных приложений и функций, снижая при этом нагрузку на подразделение ИТ. Эксперты российских ИТ-компаний разбираются с тем, какие сегодня востребованы функции решений Low-Code/No-Code и что необходимо знать «гражданским» пользователям.
Цифровизация вызвала огромный спрос на качественные и согласованные данные, добытые из различных бизнес-подразделений и подготовленные в разных системах-источниках. Получение дополнительной прибыли и повышение производительности труда сотрудников сегодня стали уже невозможны без оперативного предоставления «гражданским» бизнес-аналитикам достоверных данных и инструментов их самостоятельной обработки. Что такое парадигма self-service и каковы необходимые условия построения систем бизнес-аналитики, предоставляющей заинтересованным специалистам инструменты для самостоятельной работы с данными?
Достижение технологического преимущества над западными поставщиками – лидерами в области бизнес-аналитики возможно за счет разработки новых технологий работы с данными, таких, например, как Rapeed. Нужно не догонять и копировать западные технологии, а перегонять, находя новые размерности в многомерном пространстве возможностей.
Приобретение всех необходимых инструментов для управления качеством данных, определение KPI для продуктов, отладка отдельных процессов проверки качества могут не принести ожидаемых бизнес-результатов при отсутствии сквозного обеспечения качества данных. Компонентный подход позволяет объединить различные процессы, отследить родословную данных и исключить ошибки в их качестве.
В конце 1990-х годов наблюдалось бурное развитие бизнес-приложений – в крупных организациях были накоплены существенные объемы данных, началось строительство хранилищ и витрин данных. Актуальным стал поиск решений по информационно-аналитическому обслуживанию бизнес-пользователей с активным вовлечением их в процесс анализа данных. Прошли годы – какие сдвиги в области бизнес-аналитики произошли за это время, к чему пришла индустрия и чего стоит ожидать в ближайшем будущем?
Российские компании осознают ценность данных и переходят от системо-центричной к дата-центричной ИТ-архитектуре. Ключ к успеху такого перехода — качественные и синхронизированные данные, хорошо структурированное хранилище и правильные инструменты анализа, позволяющие хранить данные вне систем бизнес-анализа.
В основе классической ИТ-архитектуры лежат приложения, каждое со своей базой данных, что обычно приводит к дублированию информации в бизнес-объектах. Ядро дата-центричной архитектуры – данные, доступные всем потребителям через единую точку, роль которой в сложных системах исполняет логическая витрина основанная на модели консолидированных данных. В чем преимущества использования онтологий для построения такой модели и как построить онтологическую модель, обеспечив гибкость и целостность?
Развитие культуры играет важную роль в успешной монетизации данных. Компания «Магнит» трансформировала операционную модель по работе с данными, внедрила ряд инициатив Data Governance, оптимизировала процессы ввода новых data-специалистов и разработала свой инструмент self-service для бизнес-аналитики. Все это положительно сказалось на процессе принятия решений, открыло новые возможности для бизнеса и обеспечило непрерывный доступ к анализу данных.
В цифровую эпоху аналитические платформы стали важнейшим активом бизнеса, однако их эксплуатация часто влечет высокие издержки, но при этом не может обеспечить достаточную скорость внедрения новых методов анализа данных. Открытый проект Trino позволяет анализировать данные из различных источников, а коммерческая версия проекта – российская платформа CedrusData предоставляет дополнительные сервисы и возможности интеграции.