`

СПЕЦІАЛЬНІ
ПАРТНЕРИ
ПРОЕКТУ

Чи використовує ваша компанія ChatGPT в роботі?

BEST CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Руслан Костецкий

Четыре «подводных камня» при внедрении бизнес-аналитики

+22
голоса

Повышение эффективности бизнеса, сокращение расходов и создание качественно иных стратегий по работе с клиентами – поиск решения этих задач в условиях экономической нестабильности для многих компаний только актуализируется.

Одно из решений – использование бизнес-аналитики. Однако внедрение этих технологий сопряжено с рядом трудностей. Безусловно, в каждом конкретном случае проблемы свои, но можно выделить четыре ключевые, которые встречаются наиболее часто.

Итак, первая, и, возможно, наиболее злободневная. Разрозненность и низкое качество данных. Поэтапная автоматизация не зависящих на первый взгляд друг от друга процессов часто приводит к тому, что организацией используется множество баз данных. Кроме того, самих источников исходных данных может быть много, и каждый из этих источников необходимо подключить. Чтобы получаемая в результате анализа картина была целостной и соответствовала истине, необходимо интегрировать данные и настроить процедуры обеспечения их качества, приведения к стандартам организации, а также обеспечить разделение прав доступа к исходным данным. Такие крупные вендоры, как SAS, предлагают специальный инструментарий или консалтинговые услуги для решения этих задач. Самостоятельно оценить объем требуемых работ по интеграции данных и созданию централизованного хранилища, конечно, можно, но даже крупные и продвинутые в плане аналитики организации допускают промахи, и реальный объем работ оказывается существенно больше, чем предполагалось изначально.

Проблема вторая. Интеграция со сторонними системами. Далеко не все решения совместимы друг с другом, соответственно, приходится искать варианты интеграции, писать интерфейсы и создавать прослойки между системами. Все это может затянуть сроки внедрения и потребовать дополнительных инвестиций.

Третья проблема. Дефицит квалифицированных кадров. Технология внедрена, а как ей пользоваться – никто не знает, или знает, но не использует все возможности того или иного решения в полной мере. Иногда ИТ-специалисты рьяно берутся за внедрение нового ПО, но поскольку эта работа отличается от прокладки сетей или настройки бухгалтерских учетных систем, их пыл быстро угасает, и происходит не процесс ради результата, а процесс ради процесса. Для решения этой проблемы, например, компания SAS оказывает консультационную и техническую поддержку на всех этапах работы, которая включает в себя обучение работе с внедряемыми решениями.

И наконец, четвертая проблема. Ментальная. Многие компании, узнав стоимость лицензии Топ-5 вендоров, принимают решение самостоятельно разрабатывать необходимое им программное обеспечение. По нашей оценке, в результате на реализацию такого проекта уходит от года до полутора лет, а цель так и не достигается. Теряется как время, так и деньги. В противовес тому, что при покупке лицензии компания получает необходимый эффект в течение 3-6 месяцев после внедрения такого решения.

Резюмируя, хочу отметить, что невозможно дать универсальных советов. Однако руководители отделов и топ-менеджеры компаний должны быть готовы к тому, что могут столкнуться с проблемами, которые приведены выше. Общий совет – необходимо проводить качественные информационные и обучающие кампании параллельно с внедрением новых решений. А лучше готовить специалистов заранее, до начала этапа внедрения.

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365

+22
голоса

Напечатать Отправить другу

Читайте также

Одна из основных проблем при внедрении интеллектуальных систем - ответ на вопрос "зачем?". Именно потому, что начинают что-либо внедрять возникают проблемы, перечисленные в заметке. К сожалению, основной подход строится на "массиве" данных, а не на его качестве. "Давайте хранить все, а там разберемся" - принцип, который ведет в тупик свалок цифрового мусора. Недаром, в моделях BigData объем данных, к которым НИКОГДА потом не обращаются, растет в процентном отношении и уже давно превысил 30-40% рубеж для большого количества систем.

К сожалению, очень мало есть инструментов повышения, ректификации данных, которые бы позволили на много порядков уменьшить объемы и в разы улучшить качество результата. Собственно - накопление знаний, а не данных. Хотя и накопление знаний не исключает появления "черных лебедей". Но это уже совсем другая тема.

 

Ukraine

 

  •  Home  •  Ринок  •  IТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Мережі  •  Безпека  •  Наука  •  IoT