Если искусственный интеллект – это будущее информационных технологий, то фундаментом эффективности цифровой экономики выступает работа с данными.
Несмотря на обилие цифровых инструментов, предназначенных для сбора, хранения и использования данных, качество их применения и конечный результат гарантируют не вендорские разработки, а организация бизнеса. Именно на стыке информационных технологий, административной культуры и логики предпринимательства рождается понимание данных, как актива, чья ценность постоянно растет.
Год от года рынок данных растет, как и количество компаний, которые хранят данные в цифровых хранилищах. По приблизительным оценкам, каждые три года объем данных увеличивается примерно на треть.
Уже 38% крупных корпораций в Европе и России продают или обмениваются данными в рамках партнерских экосистем.
Ведущая международная исследовательская и консалтинговая компания IDC (International Data Corporation), специализирующаяся на информационных технологиях, утверждает, что мировой рынок монетизации данных B2B data exchange (обмен данными между бизнес-партнерами), аналитика как сервис, data products (готовые к использованию продукты), достигнет к 2027 году $480 млрд, а её CAGR — показатель, отражающий среднюю годовую скорость роста ключевых метрик (выручки, прибыли, числа пользователей, клиентской базы) вырастет на 22-25%.
По результатам исследований MIT Sloan School of Management, каждые 10% роста зрелости управления данными публичных компаний обеспечивают 2,4% роста их рыночной капитализации. Особенно значительно данный эффект проявляется в ритейле, финансах и логистике.
Наконец, один из лидеров стратегического корпоративного управления
McKinsey & Company отмечает, что компании, активно использующие данные, демонстрируют чистую выручку на 5–6% превышающую результаты конкурентов, которые работают с данными менее интенсивно. Также они на 23% чаще превышают медиану прибыльности в своих отраслях деятельности.
Резонный вопрос, каковы же составляющие эффективности работы с данными?
В техническом аспекте это, прежде всего, умение хранить, увеличивать и трансформировать большие объемы данных.
В бизнес-логике речь уже идет об умении ставить перед собой экономические цели и увязывать их достижение с использованием данных.
Огромное значение имеет непосредственно качество данных. Также еще один элемент эффективности работы с данными — это поддержание баланса их доступности и безопасности. Как правило успешную компанию характеризует понимание роли и места данных в корпоративной стратегии развития.
Многие стандартные задачи развития можно решить, когда бизнес-цели корпорации четко коррелируют с данными.
Так, например, когда компания хочет добиться роста LTV клиента (сумма прибыли, которую бизнес получает от одного клиента за весь период его взаимодействия с фирмой), пользуется помощью персонализации через ML-модели благодаря данным из CRM, мобильного приложения и точек продаж.
Для всех корпораций актуальна тема соблюдения внешних ограничений и внутренних требований. Один из вариантов снижения рисков получения штрафов, судебных исков, санкций и репутационных потерь — автоматическая классификация данных + шифрование «на лету» с требованиями ЦБ РФ в едином каталоге.
Качество продукта, производимого предприятием, можно повысить анализируя обратную связь из соцсетей и электронных заявок через NLP-модели с автоматической маршрутизацией в отчеты и автоматические уведомления.
Еще одна хорошо всем известная бизнес-цель — монетизация данных. Для ее решения часто создают маркетплейсы данных через API-gateway с гранулярным контролем доступа для внутренних заказчиков.
Оптимизация энергопотребления на предприятии достигается прогнозированием нагрузки на оборудование через time-series аналитику в TimescaleDB.
А если фирме требуется ускорить процесс принятия решений, есть смысл использовать ClickHouse + BI-инструменты с latency (время, которое требуется для передачи пакета данных от источника к пункту назначения и обратно в компьютерных сетях) и в итоге получать отчеты в реальном времени, а не ежедневно или еженедельно.
Зачастую эффективность использования данных упирается не в технологическое несовершенство IT-контура, а в корпоративный менеджмент.
Именно этим обусловлена реальная ситуация, когда AI-модель кредитной автоматической системы оценки надежности клиентов банка в тестовом режиме демонстрировала 95%-ую точность, а в условиях реального использования вдруг выбраковывала 40% добросовестных заемщиков. Причина крылась не в кодах, а в низком качестве данных. Как оказалось, сотрудники банка годами заполняли раздел «регион» в CRM, внося одни и те же данные в различных вариантах написания, как «Москва», «Moscow», «г. Москва». Скоринговая система воспринимала их как три разных региона.
Не менее показателен кейс из ритейла, когда сеть торговых точек решила добиться персонализации своих предложений с помощью искусственного интеллекта. Результаты были неожиданными: система стала предлагать детские товары пенсионерам. Виноват оказался тоже человеческий фактор. HR-отдел не обновлял данные о возрасте сотрудников в CRM, которыми пользовался AI для сегментации клиентов.
Как найти баланс между безопасностью и доступностью? Этим вопросом задаются сотни компаний, и прежде всего те, кто работает с большим количеством клиентов.
Действительно, как быть, если маркетологи банка настаивают на получении данных для ML-модели, чтобы запустить персонализацию предложений в мобильном приложении, а специалисты по информационной безопасности указывают, что согласно требованиям ЦБ РФ и ФЗ-152 данные нельзя использовать вне DWH, и их поддерживают корпоративные юристы, уверенные, что данные не должны использоваться вне защищенного контура?
Ответом может стать Data Mesh — децентрализованный подход к управлению данными. Применение Data Mesh архитектуры позволяет оставлять данные в доменах, транзакции — в защищенном контуре платежной системы, а работу приложения организовать в маркетинговом домене.
Если есть цифровой продукт, должна быть и техническая документация к нему, значение которой сложно переоценить. Она важна для заказчика, который не знаком с характеристиками продукта, и необходима внутреннему корпоративному пользователю.
Ситуации кроссфункционального взаимодействия нескольких IT-команд возникают довольно часто. Одна группа специалистов разрабатывает приложение, другие подключаются к решению профильных технологических задач. Эти команды должны понимать, как устроен продукт, над которым они работают.
При наличии качественной техдокументации адаптация, идет намного быстрее, а количество ошибок уменьшается на десятки процентов.
Техдокументация быстро устаревает, а «грязные» данные влекут за собой падение доверия пользователя к ним и продукту в целом.
Сохранять актуальность данных в документации можно силами Data-аналитиков, используя в дополнение LLM и инструменты автоматизации.
У работы с данными много аспектов, разобраться в которых порой бывает не просто. Чтобы технологии использования данных не были «вещью в себе», а помогали вашему бизнесу стать эффективнее, воспользуйтесь опытом и компетенциями системного интегратора DBI.
Мы знаем IT, знаем бизнес, знаем, что вам нужно.
Наш адрес: contact@DBI.ru.
Наш менеджер свяжется в течение 2х часов
