v¦bo project
Бизнес-данные
Нужно больше данных
Команда
Команда
Свойства
Автор: Тюрин Владислав
Дата публикации: 09 сентября 2015
Поделиться
Файлы
Новое
Чем хороши шаблоны, условия для бизнеса на старте, как менеджеры теряют время,...
Как работать по 12 часов в день, какая экономика может себе позволить инновации,...
Абсолютная экономическая эффективность, как статистика измеряет прошлое, ещё...
Поиск
c l i c k ! m e
В публикации рассматривается понятие больших данных с точки зрения потребностей и возможностей бизнеса. Сфера внедрения технологий, основанных на больших данных, обширна. Но именно для бизнеса стоит насущная проблема их обработки исходя из экономической целесообразности и извлечения практической выгоды от больших и разнородных объемов данных. Цель публикации дать представление о больших данных и аналитики, рационального их применения в бизнес среде.

Команда

Встраивание аналитики больших данных в деятельность бизнеса на регулярной и профессиональной основе – это даже не отдельный функционал, а целое стратегическое направление. Без ответственных работников внедрение в жизнь больших планов в отношении больших данных скорее всего кончится неудачей.

В той или иной степени, с большими данными работают разные специалисты компании. К данным из внутренних источников имеют отношение буквально все работники.

Тем не менее на этапе перехода к большим данным и в процессе их использования есть ключевые функциональные роли, которые принципиальны для проекта.

 

Заказчик

Кто-то должен внутри бизнеса, находясь вне команды, поставить общую цель и сформулировать серию рабочих задач. Необходимо определить, как большие данные интегрируются в бизнес-модель и как измениться бизнес-модель после такой интеграции. Заказчик не обязан разбираться в деталях больших данных, но должен понимать зачем они бизнесу, какой результат они дают и как бизнес изменяется под их воздействием.

Заказчиком может быть некоторая группа специалистов и менеджеров, но имеющих полномочия по подготовке решений высокого уровня в отношении бизнес-модели компании.

Как правило, заказчик регулирует общие подходы к реализации проекта больших данных и выступает спонсором проекта.

 

Руководитель проекта

Возглавляет команду проекта больших данных – руководитель проекта. В его обязанности входит общая организация работ по проекту, в том числе: детализация целей, задач и планов проекта, оперативное планирование и контроль этапов проекта, планирование ресурсов и времени специалистов проекта.

Руководитель непосредственно отвечает перед заказчиком о ходе реализации проекта больших данных. Руководитель может совмещать свои функции с любыми функциями других ролей. Удачным был бы выбор, в качестве руководителя, профессионала с высоким уровнем подготовки и опыта в сфере экономического или маркетингового анализа данных обладающего также знаниями в области ИТ-технологий. Конечно же руководитель проекта подбирается из числа тех, кто способен возглавить проект как управленец.

 

Специалист по стратегическому планированию

Развитием проекта больших данных, в том числе укрупненным его планированием, может заниматься руководитель проекта. Для полноценного управления задачами проекта, с соблюдением намеченных заказчиком параметров и получаемых в рамках проекта результатов, привлекается специалист по стратегическому планированию. В его функционал включается планирование и координация проекта больших данных и бизнес-модели. Этот специалист должен иметь полномочия и права готовить решения высокого уровня по изменению стратегии развития компании и проекта развития больших данных, осуществляя при этом постоянную оценку результативности последнего.

Специалист по стратегическому планированию отслеживает текущий ход проекта по использованию больших данных, учитывает особенности бизнес-процессов и бизнес-объектов компании и имеет право предлагать решения по их максимально эффективному интегрированию.

Выделив специалиста по стратегическому планированию в отдельную роль команды проекта больших данных, бизнес существенно повышает ответственность проекта и снижает риск потери эффективности больших данных.

Функционал стратегического планирования можно разделить между заказчиком и руководителем проекта. Но это не самая лучшая идея, потому что у них просто не хватит время на повседневную работу в этом направлении.

 

Аналитик проекта

Одна из важнейших составляющих в проекте больших данных - аналитика. От работы аналитиков зависит конечный результат. Можно собрать идеальные громадные массивы красиво-структурированных данных и поместить их на великолепный суперсервер, но, если аналитик ничего не скажет полезного для бизнеса после того, как замучает хранилище запросами – проект провалиться. Аналитик в какой-то степени защищен от неудачи, если изначально разработана качественная модель потоков больших данных с выходными параметрами и показателями. Но от уровня профессионализма аналитика зависит очень многое, особенно когда на строгий суд заказчика понадобиться представить хоть что-нибудь впечатляющее и объяснить куда потрачены дефицитные финансовые ресурсы.

Аналитики проекта больших данных должны обладать профессиональными знаниями и умениями в области сбора и обработки данных, в области анализа экономических, финансовых, статистических и производственных данных. Фактически вся ключевая смысловая работа с данными ложиться на аналитиков проекта.

Выделим несколько специализаций:

- аналитик бизнес-модели (зона ответственности: понимание бизнес-модели, анализ бизнес-модели на основе традиционных и больших данных, формулировка и обоснование изменений в бизнес-модель, подготовка решений по бизнес-модели, увязка бизнес-модели и больших данных, требования к данным);

- аналитик структур данных (зона ответственности: понимание структур данных и их связь с элементами бизнес-модели, контроль и корректировка смысловой целостности данных и метаданных, изменение структур и классификации данных, контроль качества данных, сервис данных);

- аналитик рисков (зона ответственности: оценка потенциальных угроз данным и контроль информационных рисков, контроль достоверности данных и их источников, контроль рисков принятия решений на основе больших данных, вероятностная оценка прогнозных моделей).

Аналитик – это уникальный специалист, для каждого конкретного бизнеса. Он обладает компетенциями исключительными для понимания бизнес-модели. Уровень информации, к которой он имеет доступ – это фактически уровень топ-менеджмента соответствующего направления. По доступу к информации, осведомленности и пониманию особенностей бизнеса он ближе к руководству, чем к экспертной категории сотрудников. А иногда, аналитик объективней и реалистичней, чем само руководство. От результатов его работы зависит общее понимание экономической, финансовой, производственной, маркетинговой ситуации в которой оказался бизнес сегодня, что к этому привело и как он поведет себя в будущем.

Опыт работы профессионального аналитика весьма ценен для любого бизнеса, и он уникален также, как уникальна каждая отстроенная бизнес-модель. С другой стороны, аналитик должен иметь относительную независимость и не должен быть заинтересован своими расчетами и выводами подтверждать свою же правоту. Хороший аналитик сам заинтересован находить свои ошибки и исправлять их.

Не следует путать аналитика со статистиком или математиком. Он обычно понимает и умеет формулировать математические модели определенного класса, умеет применять статистические инструменты для обработки данных. В большей же степени он должен разбираться в том, как данные увязаны с бизнес-процессами и бизнес-объектами. Аналитику необходимо уметь разбираться в том, что означают собранные и обработанные данные сточки зрения экономических, производственных и рыночных процессов. Математические исследования и статистические доказательства – это не зона ответственности аналитика, это его инструментарий.

Аналитик – это и эксперт, и исследователь, и исполнитель, и дизайнер данных. Но аналитик не в состоянии заменить, например, «классного» менеджера по продажам. Это значит, что никакой глубокий, традиционный или большой анализ данных не наладит производственный или логистический процесс, не улучшит привлекательность и качество продукта, не гарантирует устойчивое финансовое положение. Аналитика лишь в состоянии показать, что идет не так в бизнесе, что заменить в бизнес-модели, на что обратить внимание.

 

ИТ-администратор проекта

Функции администраторов проекта составляют важные роли с точки зрения обеспечения ИТ-инфраструктуры проекта больших данных. По большому счету, специалисты, вовлекаемые в работу с большими данными со стороны подразделений ответственных за информационные технологии, решает общие вопросы бесперебойной работы программно-аппаратной инфраструктуры. Требования к ИТ с позиции больших данных имеют отличия по емкости, скорости и безопасности.

Можно говорить о следующих ключевых ИТ-администраторах проекта:

- администратор хранилища данных (зона ответственности: принятие данных в хранилище, проверка структуры данных, контроль размещения данных, исправление формата данных, формулирование и контроль запросов к хранилищу данных, контроль извлекаемых данных, сервис хранилища);

- администратор структур данных (зона ответственности: контроль и исправление структуры данных, классификация данных, контроль и получение метаданных, контроль и корректировка смысловой целостности данных, мониторинг качества данных);

- администратор системы защиты (зона ответственности: обеспечение защищенных соединений, контроль качества связи, защита конфиденциальности данных, управление учетными данными пользователей).

Очевидно, что одним из напрашивающихся способов сокращения команды проекта и издержек на такую команду – это ИТ-администратор в одном лице, выполняющий все упомянутые и сопутствующие им работы. Такой подход рекомендуется для старта проекта, но не для регулярной работы с большими данными.

 

Программист

Задача программиста разрабатывать программные средства обработки данных и автоматизировать работу с ними. Программист вовлекаемый в команду проекта больших данных должен иметь профессиональные знания и навыки не только в сфере объектно-ориентированного, функционального программирования и разработки алгоритмов, но и в сфере обработки крупных объемов информации.

Вопросы автоматизации больших данных бизнеса действительно серьезны для развития проекта. Большие объемы и задачи требуют существенного – в разы – сокращения времени на выполнение рутинных, типовых и повторяющихся операций. При этом следует понимать, что даже автоматическое выполнение операций компьютером сравнимое по затратам времени с выполнением той же операцией работником вручную (или в полуавтоматическом режиме) предпочтительней. Специалистов из команды больших данных надо освобождать от неквалифицированного труда. В этой связи, важен вопрос построения пользовательских интерфейсов программных продуктов для работы с большими данными. К ним несколько особых требований: простота, наглядность, логичность, системность, интуитивность и наличие подсказок. Громоздкие и сложные интерфейсы сведут на нет мощный функционал кода.

 

Супервайзер

Если у заказчика нет возможности компетентно и регулярно следить за ходом проекта больших данных, то имеет смысл ввести около-проектную позицию супервайзера.

Для объективной оценки работы команды проекта в целом и по отдельным задачам нужен относительно независимый контроль. А для того, чтобы избежать неожиданного провала проекта или временных задержек в реализации конкретных работ по разным управляемым причинам, организуется постоянный, но не навязчивый контроль.

Желательно, чтобы супервайзер взаимодействовал с заказчиком, но не подчинялся ему. Супервайзером может быть внешний консультант понимающий суть и задачи проекта. Скорее всего, внешний консультант примет участие в проекте больших данных с самого его начала.

 

Эксперт

Команде проекта понадобиться участие различных экспертов. Если участие экспертов будет длительным, то их придется включать в команду проекта. Наверное, излишне говорить, что эксперты должны быть профессионалами в вопросах, которые помогают решать. Приветствуется привлечение независимых внешних консультантов.

 

Команда проекта больших данных по численному и качественному составу формируется в зависимости от сложности и амбициозности поставленных целей. Если поручено в сжатые сроки обеспечить внедрение большой аналитики в компании, то команда будет достаточно внушительна. Учитывая же практическую сторону вопроса и набирающий обороты рынок инструментов и специалистов, работающих с большими данными, начинать проект лучше с командой до 5 – 7 человек.

Команда, работающая с большими данными обязана постоянно совершенствоваться и развиваться, повышая свой профессиональный уровень и осваивая все более сложные и производительные инструменты. Такая команда становится экспертным центром бизнеса в области больших данных и аналитики. А являясь своеобразным центром компетенции, команда проекта больших данных вовлекает и обучает потребителей больших данных внутри бизнеса. Общение команды проекта с работниками компании на разных управленческих уровнях помогает в повышении качества отдельных элементов большой аналитики и её пользы не только для принятия стратегических решений, но и для повседневной работы по таким направлениям как экономика, кадры, финансы, логистика, операционный менеджмент, маркетинг, продажи, коммуникации, производство, качество, безопасность, гарантийный и послепродажный сервис.

Если бизнес стремиться извлечь максимальную выгоду от использования больших данных, то поддержание высокого профессионального уровня команды – одна из его базовых стратегических задач. Неминуемо возникнет проблема сохранения успешной команды проекта больших данных, а также проблема её расширения или трансформации во что-то большее. Утрата одного профессионала, особенно владеющего сложными инструментами, может привести к существенной потери производительности команды в целом. А если специалист был ключевым – то и к закрытию проекта больших данных.

Какие сотрудники понадобятся команде, если нужно развивать проект, связанный с большими данными. Заказчику, кстати, отводится отдельная роль – он должен правильно формулировать задачи, но может не знать, как работает Big Data.
источник: Rusbase
Скачайте полную версию публикации и дополнительные материалы
по ссылкам в разделе 'Файлы' в левой части страницы.