Читать книгу - "Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики - Билл Фрэнкс"

Качество и актуальность данных всегда имели решающее значение для аналитических процессов. При превращении традиционной аналитики в операционную эти свойства приобретают еще большую значимость. Когда процесс использует данные, полученные несколько секунд назад, чтобы принять решение за несколько секунд, данные должны быть актуальными и точными. Автоматизированный процесс принятия решений при помощи операционной аналитики практически не оставляет возможностей для отслеживания и устранения ошибок в данных.

У меня есть друг, работающий в крупной логистической компании. Я не буду называть ее здесь, поскольку аналогичный вопрос встает и перед многими другими организациями. Мой друг рассказывал о трудностях, которые приходится преодолевать его компании при выработке маршрутов для своих водителей. И главным источником проблем является качество картографических данных.

Вспомните о своем опыте использования GPS-навигаторов или других распространенных картографических приложений. Вы же замечали, что зачастую они приводят вас не совсем туда, куда нужно? Например, согласно официальному адресу, отель располагается на Мейн-стрит, а вот въезд на парковку находится за углом на Элм-стрит. Навигационное приложение приведет вас на Мейн-стрит, после чего вам придется думать, как добраться до парковки.

Такая небольшая ошибка вызывает не более чем досаду, когда вы пытаетесь добраться до ресторана или найти магазин. Потерять однажды минуту-другую не страшно. Однако это крайне разорительно для логистической компании, тысячи водителей которой постоянно сталкиваются с подобной дезориентацией сотни раз в день. Поэтому в компании моего друга существует большая команда, которая занимается обновлением базы картографических данных на основе новейшей информации, сообщаемой водителями.

Не экономьте на качестве!

Качество данных всегда имело важнейшее значение, но в мире операционной аналитики оно наиважнейшее. Автоматизированный и оперативный характер процессов оставляет мало возможностей для выявления и устранения ошибок в данных. Данные должны быть безупречными.

Сотрудники картографического отдела принимают во внимание всё. Так, они отмечают в базе данных, что въезд на парковку находится за углом от центрального входа в отель. Если отель переносит въезд на парковку в другое место из-за проблем с дорожным движением, они немедленно обновляют информацию. Типичное навигационное приложение приводит вас на улицу перед входом в здание. Однако в сельской местности дом может находиться метров на 800 в сторону да еще по грязной дороге. Для доставки груза на дом водителю придется потратить дополнительные пять минут на дорогу туда и обратно, поэтому алгоритмы должны учесть этот факт при составлении маршрута. Если логистическая компания не будет обладать такими актуальными и точными данными, она будет нести миллионы долларов убытков из-за снижения производительности. Для того чтобы аналитическая программа могла оптимизировать маршруты для водителей, компания уделяет усиленное внимание получению правильных данных.

Легко представить, как неверные данные могут пустить под откос операционную аналитику. Это возвращает нас к вопросу о том, почему организация не может перепрыгнуть через традиционную аналитику и начать с нуля внедрение операционной аналитики. Значительная часть операционной аналитики по-прежнему состоит в сборе необходимых данных и проверке их качества. Аналитика всегда была и будет оставаться дисциплиной, которую определяет принцип «мусор на входе дает мусор на выходе». Разница при переходе от традиционной к операционной аналитике состоит в том, что у вас остается гораздо меньше времени и возможностей для проверки достоверности данных, прежде чем будут приняты решения и предприняты действия. Качество данных должно соответствовать очень высоким стандартам, иначе ошибки в данных неизбежно приведут к ошибкам в анализе, а затем и в решениях. К тому моменту, когда ошибка в данных будет обнаружена, она уже может причинить вред.