9 этапов внедрения BI. Как внедрить BI и не терять деньги на каждом этапе проекта?

В современную цифровую эпоху данные стали важным ресурсом, на который компании опираются в стратегическом планировании и процессе принятия решений. Но просто растущий объем данных не означает повышения эффективности и не становится конкурентным преимуществом бизнеса.

Ключевые игроки, которые ставят перед собой амбициозные цели, нуждаются в качественной информации, позволяющей принимать правильные решения на основе фактов, а не интуиции.

Системы бизнес-аналитики (BI-системы) — это набор технологий, инструментов и методов, которые преобразуют данные в полезную информацию.

Внедрение системы бизнес-аналитики — задача, затрагивающая множество процессов и требующая вовлечения сотрудников из разных подразделений компании.

Из-за масштабов и сложности проекта стоимость допущенных в процессе внедрения ошибок возрастает с каждым шагом, и ошибка в начале, например, при сборе требований, стоит меньше, чем на более поздних этапах.

Для снижения рисков и сохранения бюджета необходимо соблюдать алгоритм внедрения BI, который поможет обеспечить полную прозрачность на каждом этапе проекта. Рассказываем об основных этапах внедрения BI, которых придерживается в проектах команда Qlever Solutions.

Перед тем, как внедрить систему бизнес-аналитики, стоит понимать, что единого волшебного инструмента, который бы автоматически решил все проблемы с данными, не существует.

Применение BI не означает только пассивный сбор данных и регистрацию различных событий.

Эти критерии соответствуют определению data-driven подхода - управления на основе анализа данных.

Чтобы определить текущий уровень аналитической культуры и эффективности работы с данными в компании, стоит пройти предпроектное обследование инфраструктуры >>

Тщательная предпроектная подготовка помогает не только оценить состояние процессов и систем, но и задать более четкий вектор проекту.

Первый этап внедрения BI-системы — четкое понимание и формирование целей проекта. На этом этапе команда проекта разрабатывает стратегию внедрения.

Цели внедрения формулируются совместно со стейкхолдерами самого верхнего уровня, должны быть согласованы со стратегией развития компании и направлены на бизнес-результаты:

• Оценка результативности маркетинговых мероприятий и каналов, с целью оптимизации стратегии

• Быстрое обнаружение рисков и своевременное предотвращение потерь и простоев

• …и другие

Цели лучше формулировать с измеряемыми бизнес-показателями, например: «Сократить на 15% время согласования счетов» или «Увеличить долю повторных продаж на 20%». Так будет проще понять, какие KPI нужно визуализировать.

На старте внедрения эксперты Qlever рекомендуют вместо одного большого проекта на 6–12 месяцев выбрать одну-две наиболее приоритетных цели и запустить для них дашборды в пилотном режиме.

Такой подход “быстрых побед” поможет не потеряться в целях, замотивировать команду и собрать первую реальную обратную связь от пользователей. После успешного пилота можно масштабировать проект на другие отделы компании.

Также на данном этапе рекомендуется определиться с командой внедрения и создать центр компетенций, который будет ответственен за продвижение эффективной бизнес-аналитики в компании.

На данном этапе необходимо:

• Провести аудит бизнес-процессов

Выделить те из них, которые в первую очередь подвергнутся анализу и исследованиям. Определить узкие места и проблемные области, которые можно улучшить с помощью системы бизнес-аналитики.

• Провести аудит существующей ИТ-инфраструктуры компании

В том числе, провести обследование внедренных ранее систем управления базами данных, хранилищ и аналитических инструментов. Оценить, насколько легко будущая BI-система может быть интегрирована с существующими ИТ-ресурсами.

• Определить будущих пользователей системы и собрать и требования

Провести интервью и опросы ключевых пользователей для выяснения их задач и ожиданий от системы. Определить, как BI может помочь в достижении долгосрочных целей различных департаментов.

• Разработать матрицу KPI для анализа

Определить ключевые показатели эффективности, которые будут наиболее точно отражать предметную область анализа. Согласовать KPI с бизнес-целями компании.

• Разработать формы необходимой отчетности

Выявить, какие отчёты нужны различным подразделениям для ответов на возникающие бизнес-вопросы, и какова их периодичность. Разработать макеты отчетов, которые устроят всех пользователей.

Для лучшей коммуникации на данном этапе можно создавать быстрые прототипы/макеты, которые позволяют бизнес-пользователям буквально «потрогать» будущие отчеты. Это снижает риск того, что после финальной реализации первоначальные требования окажутся неточными.

Точность и качество данных напрямую влияют на достоверность аналитики и отчетности.

На этапе идентификации источников и подготовки данных необходимо рассмотреть как внутренние источники, так и внешние, сконцентрированные на клиентах, поставщиках, акционерах и т. д.

Источниками значений могут выступать:

• Базы данных: MySQL, PostgreSQL, ClickHouse, GreenPlum
• Файлы: Excel, XML, PDF и другие
• CRM-системы: Битрикс24, amoCRM, Salesforce, Мегаплан, SAP и т. д.
• ERP-системы: 1С: ERP, SAP, Галактика ERP, Парус и т. д.
• Статистика маркетплейсов: Wildberries, Ozon, Сбермаркет, Яндекс Маркет
• Маркетинговые платформы, инструменты интернет-аналитики (Google Analytics, Яндекс Метрика), государственные статистические службы или открытые базы данных

Этап состоит из нескольких ключевых шагов:

1. Выбор и аудит необходимых источников данных, оценка их качества и достоверности
2. Поиск связей между данными в различных информационных системах
3. Определение логической структуры: состава объектов анализа (например, клиенты, продукты, заказы) и атрибутов этих объектов
4. Подготовка данных: сегментация согласно критериям, структурирование – приведение к единому формату, маппинг - сопоставление для обеспечения консистентности
5. Планирование изменений в источниках, определение возможных необходимых доработок и подключений
6. Планирование периодичности загрузки информации

Важно осознавать, что подготовка данных – это не разовая операция, а непрерывный процесс. Для сокращения количества ошибок в данных необходимо согласовать единые справочники, классификаторы и кодировочные схемы, чтобы все пользователи одинаково понимали, что и какие означают показатели (например, «Выручка» или «Логистические расходы»).

Если BI обрабатывает персональные данные, нужно иметь четкое представление о том, какие именно поля хранятся, в каком виде, и кто имеет к ним доступ, учесть требования 152-ФЗ и GDPR.

Для обеспечения централизованного доступа создается корпоративное хранилище данных (Data Warehouse).

Что такое Data Warehouse и как оно помогает экономить бизнесу? >>

На данном этапе необходимо:

• Спроектировать ETL/ ELT (ETL – Extract, Transform, Load или ELT – Extract, Load, Transform) – процессы для извлечения, трансформации и загрузки данных в хранилище. Определить правила и методы подготовки и обработки данных.

• Спроектировать архитектуру DWH: выбрать методологию проектирования, которая обеспечит необходимую гибкость и масштабирование, определить структуру хранения данных, выбрать стек для построения КХД

Снежинка, Data Vault, Anchor Modeling. Какая методология проектирования DWH подойдет для вашего бизнеса?>>

• Разработать и внедрить корпоративное хранилище данных: реализовать необходимое программное обеспечение и инфраструктуру, которые обеспечат функционирование DWH, протестировать систему

• Разработать документацию для дальнейшей поддержки хранилища

Выбор методологии проектирования и инструментария для DWH зависит не только от технических предпочтений, но и от текущих и планирующихся объемов данных, SLA по времени отклика, бюджетных ограничений и других факторов.

При построении хранилища важно учесть возможность дальнейшего развития аналитики в сторону AI/ML.

В ходе этапа:

• Формируются сценарии проверки информации, которые помогут определить, каким образом пользователи будут взаимодействовать с данными и интерфейсом системы

• В соответствии с задачами выбираются подходящие визуализации, которые помогут раскрыть природу данных и ускорить анализ

• Основываясь на методологии проектирования дашбордов, собранных бизнес-требованиях и предполагаемых сценариях анализа данных, разрабатываются макеты дашбордов

В ходе прототипирования может быть разработано несколько вариантов одного и того же дашборда, чтобы выбрать наиболее наглядный и удобный для пользователя.
Читайте о методологии DAR (Dashboard, Analysis, Reporting) для правильного проектирования дашбордов >>

В ходе проекта прототипирование и финальная реализация зачастую итеративны для достижения наиболее эффективных результатов.

На данном этапе:

• Формируют модель данных - структуру, которая упрощает доступ к данным и их использование

Между таблицами с данными устанавливаются отношения: один-к-одному, один-ко-многим и многие-ко-многим

• Разрабатывают дашборды и отчеты на основе созданных ранее макетов

Происходит также настройка элементов фильтрации, сортировки и drill-down анализа, чтобы пользователи могли глубже анализировать данные

• Настраивают права доступа согласно ролевой модели

Определяются различные роли пользователей, например, администраторы, аналитики, пользователи

• Настройка рассылки отчетов пользователям по email

В форматах PDF или Excel, для различных групп пользователей

Этап тестирования системы - проверки гипотез на реальных данных и в реальной ситуации, является критически важным

• Помогает обеспечить качество и надежность продукта
• Гарантирует, что система соответствует ожиданиям пользователей
• Способствует безопасному и эффективному использованию данных

На этом этапе специалисты тестируют систему, обрабатывают и исправляют ошибки, собирают обратную связь от пользователей и оптимизируют процессы с целью повышения производительности системы.

Существует несколько типов тестирования:

• Функциональное - проверка, соответствуют ли функции системы заданным требованиям
• Нагрузочное - оценка того, как система справляется с нагрузкой: увеличением объема данных или сложными запросами
• Юзабилити-тесты интерфейса на предмет удобства и интуитивности
• Регрессионное тестирование при внесении изменений в хранилище и дашборды

Заключительный этап внедрения включает в себя обучение пользователей работе в системе и создание руководств, видео и шаблонов для пользователей.

Команде внедрения или центру компетенций важно поддержать пользователей в освоении нового решения для того, чтобы в дальнейшем каждый из них использовал Business Intelligence. Фаза обучения поможет убедиться в том, что заявленные цели и задачи реализуются в BI именно так, как и ожидалось.

Qlever Solutions предлагает авторские курсы по работе с BI-платформами для быстрого погружения в функциональность:

BI – это постоянно развивающаяся экосистема, и проект внедрения включает в себя план масштабирования, расширения функциональности, добавления новых источников данных и отчетов с учетом стратегических изменений бизнеса.

Для обеспечения устойчивой работы систем бизнес-аналитики важно регулярно проводить диагностику системы, отслеживать и своевременно предотвращать сбои и ошибки, обновлять версии ПО, то есть, осуществлять сопровождение и техническую поддержку.

Зачастую реализовать техническую поддержку сложных систем своими силами становится затруднительно, так как у бизнес-пользователей нет необходимых технических навыков для настройки, а ИТ-отдел компании занят своими основными задачами.

Для регулярной технической поддержки и повышения производительности BI или DWH привлеките команду экспертов Qlever >>

Перечисленные в статье этапы – это далеко не все шаги по внедрению BI. Каждый проект по-своему уникален и требует индивидуального подхода в зависимости от целей бизнеса, текущего состояния процессов и финансовых возможностей.

В реальных проектах многие этапы: сбор требований, подготовка данных, уточнение KPI - могут проходить параллельно и итеративно. Так выявленные потребности сразу проверяются на практике, а дашборды дорабатываются по обратной связи.

Для того, чтобы эффективно внедрить BI, потребуется привлечение опытных специалистов различных направлений: BI-аналитики, инженеры, архитекторы, разработчики, администраторы проекта и другие. Обычно компания не располагает такими собственными ресурсами.

Для масштабного проекта внедрения можно обратиться к сторонним интеграторам, которые обладают глубокими отраслевыми знаниями и опытом работы с различными инструментами для бизнес-аналитики.

За 12 лет работы команда Qlever разработала собственную методологию внедрения BI-систем, которая ориентирована на внедрение не просто ПО для аналитики, а полноценного data-driven подхода управления.

Мы работаем с источниками данных и их качеством, Data Governance для того, чтобы заложить в компании основу культуры управления на основе данных. Такой подход позволяет эффективно решать задачи с помощью BI-инструментов и выйти на новый уровень цифровизации бизнеса.