Comments 18
какой важный пост, спасибо!
К сожалению в голове предпринимателей малой и средней руки пока разорваны две сущности: аналитика и исходные данные. Им продают очень красивые и навороченные аналитические системы, упуская из внимания тот факт, что ни одна аналитическая система не будет ничего путного выдавать без качественных первичных данных. А с учетом того что на нынешнем этапе развития ИТ даже в маленькой компании могут быть десятки(!) информационных систем, эта проблема существует в бизнесе абсоютно любого размера.
Концепция MDM вроде как должна пусть и не целиком но в бОльшей степени решать хотя бы часть проблем чистоты исходных данных. Согласны?
Абсолютно согласен.👍
Но как всегда, есть нюанс.
Бизнес часто думает, что BI - система, это волшебная пилюля. ( Которую можно принять, и ты прозреешь и увидишь сильные и слабые стороны своего бизнеса, а еще лучше и практические советы как действовать в той или иной ситуации 😂)
P.S. Был однажды такой клиент, аналитика в штате у него не было, а ждал он от системы советов как действовать в положительной или отрицательной динамике )
К сожалению подходы по работе с данными у многих крутятся на языке, но пока единицы понимают эти простые вещи:
«Если начинать работать по такому подходу, то уж будьте добры сформировать условия для жизни данного подхода».
Я думаю, что данное понимание к нам пока это еще не пришло.
По моим прогнозам, 2025 - 2027 год, станет той самой трехлеткой когда объем данных захлестнет в том числе малый и средний бизнес.
Тогда и появится понимание, что данные это современный инструмент, и если научиться с ними работать подобно ремесленнику, можно поднять свой бизнес на новый уровень.
И отдельный пункт (как причина хаоса в данных), но боюсь парой предложений не обойтись, хотел бы раскрыть эту тему в одной из следующих статей.
А пункт очень простой, экономия средств .
Экономия на специалистах;
Экономия на ПО;
Слияние функционала специалистов ( когда например финансисту поручают выстраивать витрины для BI отчетов )
Очень объемный получился ответ)
Но думаю я смог рассказать свои мысли по данным подходам )
По моим прогнозам, 2025 - 2027 год, станет той самой трехлеткой когда объем данных захлестнет в том числе малый и средний бизнес.
Оно сильно неравномерно в разных отраслях. Кого-то захлестнуло еще десяток-два лет назад (банки, сетевой ритейл, крупные производства), кого-то сейчас прям заливает. Кого-то это, и правда, ждет только через пару лет. Очень много "грязных" данных традиционно генерит маркетинг и продажи, это наверное в любом бизнесе сейчас.
Согласен, в банки и сервисы транзакций это уже пришло очень давно, когда в других сферах вопрос в объеме и качестве данных даже не стоял)
Сейчас пока у меня в рекорде грязных данных находиться :
медицина;
ритейл.
Но все может поменяться, на очереди наши дорогие энергетики)
Вот я думаю, что энергетики не очень поняли про какие "грязные данные" у них идёт речь. Задача учёта количества и качества электроэнергии стоит давно. И решается она с тем качеством, которое позволяет управлять энергосистемой и выходить на денежные расчеты между участниками.
Моделирование, прогнозирование и анализ у энергетиков тоже есть. Как есть потребность их развивать и удешевлять.
Но от неплатежей и пиратских подключений AI не спасёт. Хотя думаю некоторые сети и сбытовые были бы рады, если бы Скайнет откомандировал несколько сотен T-800 работать линейными инспекторами в специфичных районах. Глядишь, ситуация со сбором показаний и платежей может улучшиться 😁
На самом деле все иначе.
Этот вопрос больше, чем качество данных.
Здесь вопрос касается управления данными, так как в случае с энергетиками, данные уже являются активом который несёт прямую выгоду ( к примеру данные о задолженности).
Тезис "решается с тем качеством", уже в основе своей подразумевает высказывание:
"Получилось как получилось, извиняйте".
Нужно выстраивать подход работы не только с точки зрения решения задачи, так как можно решить задачу множеством способом.
К примеру:
мы решили задачу, но потратили 20 часов, из них 17 часов мы потратили на сведение отчётов;
мы решили задачу потратили 4 часа, но расчёты не точны из - за неполноты данных;
мы решили задачу, на это ушел 1 час, из него ушло 5 минут на подготовку отчёта, и 55 минут для анализа возможностей улучшение показателей;
Всё варианты гласят одно," задача решена" , но подходы разные, соответственно и результаты отличаются.
Моделирование, прогнозирование есть..
А вот тут у меня вопрос, откуда взята информация?)
От неплатежей и пиратских подключений спасет анализ фактических отпусков, и сравнение с переданными показаниям.
Скайнет уже не требуется)
Уже сейчас компании внедряют автоматические счётчики для сбора данных без участия людей.
Но как скоро это придёт в каждый дом, загадка...
Уже сейчас компании внедряют автоматические счётчики для сбора данных без участия людей.
Вы немного не в теме. "Уже сейчас" наступило лет 50 назад.
Массовое внедрение систем технического и коммерческого учета электроэнергии шло уже в 80-е годы. говорить "до Chat GPT были только лампочки Ильича и инспекторы-обходчики, которые сводили показания счётчиков в амбарной книге" - это мягко говоря перебор.
Но энергосети - это масштабные технические и экономические структуры. Ну а бюрократия и инертность всегда найдут себе место, когда речь идёт об управлении такими структурами.
P. S. Интересно, где-то ещё в строю первые поколения АСКУЭ? И применимы ли они хотя бы для тех учёта?
Я говорю о счетчиках которые автоматически передают информацию в систему.
Если они внедрены уже давно, то почему на данный момент их количество на отдельно взятом регионе составляет 200 000, и еще столько же нужно внедрить.
Я оперирую цифрами и информацией, которые получаю от людей на местах.
Возможно вы тоже получили информацию от специалиста работающего в данной сфере.
Но в нашем регионе данные счетчики внедряются в данный момент.
Не совсем понял, что имеете ввиду про GPT в вашем комментарии, при чем тут GPT ?)
Вы же аналитик... Думайте шире. Попробуйте охватить мысленным взором не отдельных потребителей, а системы целиком.
Появляются новые потребители. Сети покупают и продают ( частями так и полностью). Строят новые линии. А какие-то потребители и линии приходят в упадок...
Кроме того, инфраструктурные проекта на таких масштабах они "вечные". Когда закончат ставить недостающие 200 тысяч счетчиков, пора будет модернизировать первые 100 тысяч и их обвязку.
А ещё спросите у вашего спеца про коммерческий и технический учёты, про оптовый и розничный рынок электрической энергии. (Про трансграничные продажи пока не спрашивайте).
Безусловно так.🤝
Движение процессов не быстрое, и пока завершиться один процесс, его уже нужно будет переводить на более современные технологии.
Мы начинаем уходить в частности, в статье речь про работу аналитика и работу с данными.🤷♂️
В части разных направлений учета, мы углубляемся в сферу и ее специфики, из чего логично сказать, что процессы везде разные, и к каждой задаче нужен эффективный подход, как технический, так и административный.
Это верно (и это проблема) не только для предпринимателей.
Данные в биомеде, исследовательские лаборатории.
Два года назад столкнулись с самой обычной ошибкой, когда выгрузили данные из медицинской системы учета в файлик .xlsx.
Проскочила обычная замена "число"-"дата", в итоге вся статистика улетела в космос: был набор данных по уровню билирубина (границы в диапазоне 0-280), на выходе получили среднее значение (не медиану, простое среднее арифметическое) 3000±250.
Аналитик рассчитывал, что ему на вход дали уже проверенные и подчищенные данные
Про сферу медицины, в целом это отдельный вид искусства)
У меня есть пару кейсов из медицины, объем данных которых пришлось "обогатить", порядка 40 процентов.
Вот кто бы мог подумать, что в протоколе не будет указаны:
пол;
возраст;
местность.
Медицинская сфера которая очень нуждается в помощи IT.
Я вижу, что есть множество процессов которые можно оптимизировать для врачей.
Врач должен хорошо лечить, а ему нужно разбираться с платформами.
Но тезисы, что написал выше больше встречаются в B2B секторе.
В госсекторе как правило, с этим не спорят )
На дистанции 3 лет я еще ни разу не встретил идеальных данных.
Поэтому использовать данные "AS-IS" (как есть), в текущих реалиях не представляется возможным, а аргументы со стороны команды внедрения аналитики формата:
Мы визуализировали предоставленные данные, вы утверждали, что данные готовы...
Обычно встречаются с "нерушимым" аргументом:
Вы же аналитики, вот вы и скажите готовы ли эти данные. (Только времени и средств на это не было выделено)
Как в анекдоте:
- "У меня интернет не работает, сделай что - нибудь, ТыЖ программист".
Привет, Олег!
А что если Ваш пост похож на слёзы по трудной работе?)
Пост хороший, обязательно покажу своим гвардейцам.
Посыл, который я считываю: аналитику трудно делать свою работу из-за несознательного подхода продукта к сбору и хранению данных.
Вот этот посыл похож на слёзы.
Я бы добавил посту бодрости и формата "аналитик, будь на чеку!")
Приветствую.
Не сказал бы, что слезы )
Скорее описание текущих проблем в индустрии работы с данными.
Понимаю, что в каждой сфере есть проблемные точки и люди.
Но думаю, чем больше мы про это говорим, чем больше даем пищи для размышления, тем больше меняем индустрию в лучшую сторону.
Сейчас есть большая проблема, что большинство бизнеса не понимает, кто такой аналитик, какие перед ним стоят задачи, какой у него потенциал.
Данная статья преследует цель подсветить эти проблемные точки и возможные решения данной проблемы.
Подсветить все этапы, что проходят данные перед тем как дойти до финального бизнес - пользователя.
Тезис про бодрость хорошее замечание, спасибо, учту на последующие статьи)
Миф о чистых данных: почему ваш аналитик похож на сапёра