CC BY
126
Осипов К.А.
ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИЙ BIG DATA В ФОРМИРОВАНИИ СИСТЕМЫ УПРАВЛЕНИЯ РИСКАМИ ПРЕДПРИНИМАТЕЛЬСКИХ СТРУКТУР
Аннотация. Ключевой идеей в данном исследовании выступает идея применения технологий Больших данных (Big Data) в системе оценки и управления рисками. Отдельным блоком описываются источники формирования Больших данных, представлен краткий обзор рынка технологий Big Data. Использование технологий Big Data является необходимым шагом для сохранения конкурентоспособности предприятий в настоящее время. Внедрение соответствующих информационных систем является комплексной технологической инновацией и требует значительных организационных изменений. Применение концепции бережливого производства для стартапов (Lean Startup) позволяет осуществить изменения с минимальным расходованием ресурсов и получить наиболее эффективную систему. В настоящее время предприятиям приходится работать с большими объемами информации, которая часто обновляется и приходит из разных источников. С помощью технологий Big Data предприятия могут анализировать огромные массивы данных и выявлять полезные закономерности, дающие им конкурентные преимущества. Для более легкого восприятия и быстрого принятия управленческих решений необходимо представить результаты анализа данных визуально. На данный момент есть несколько видов представления массивов данных. Но существующие методы визуализации еще недостаточно развиты и требуют усовершенствования. В связи с вышеизложенным, механизм использования технологии Big Data в управлении бизнес-процессами является актуальным в настоящее время.
Ключевые слова. Оценка риска, Большие данные, технологии, информация, предприятие, бережливое производство, минимальная рабочая версия.
Osipov К.А.
USING BIG DATA TECHNOLOGIES IN FORMING THE RISK MANAGEMENT SYSTEM OF ENTREPRENEURIAL STRUCTURES
Abstract. The article examines the current trends in the development and use of risk management technology of business structures. One of the key ideas in this direction is the idea of using Big Data technologies in the risk assessment and management system. A separate block describes the sources of Big Data formation, provides a brief overview of the Big Data technology market. The use of Big Data technologies is a necessary step to maintain the competitiveness of enterprises now. The implementation of relevant information systems is a complex technological innovation and requires significant organizational changes. Applying the concept of lean manufacturing for startups (Lean Startup) allows you to make changes with minimal expenditure of resources and get the most effective system. Currently, enterprises must work with large amounts of information, which is often updated and comes from different sources. With the help of Big Data technologies, enterprises can analyze vast amounts of data and identify useful patterns that give them competitive advantages. For easier perception and quick management decisions, it is necessary to present the results of data analysis visually. Now there are several types of data arrays. But existing visualization methods are still underdeveloped and need to be improved. In connection with
ГРНТИ 06.39.31 © Осипов К.А., 2019
Константин Анатольевич Осипов - аспирант кафедры экономической теории и экономики предпринимательства Санкт-Петербургского университета технологий управления и экономики.
Контактные данные для связи с автором: 190103, г. Санкт-Петербург, Лермонтовский пр., 44 (Russia, St. Petersburg, Lermontovskii av., 44). Тел.: 8 (903) 686-94-73. E-mail: kosipov79@gmail.com.
the foregoing, the mechanism of using Big Data technology in business process management is relevant at present.
Keywords. Risk assessment, big data, technologies, information, enterprise, lean manufacturing, mínimum working version.
Рынок Больших данных (Big Data) вызывает все больший интерес предпринимательских и государственных структур по всему миру. Огромные объемы накопленной информации позволяют проводить качественные оценочные и прогнозные работы. Глобальный рынок Big Data вышел на уровень активного роста. Широкий спектр предложений подталкивает компании к поиску новых решений и оптимизации существующих. По информации International Data Corporation (IDC), объем хранимых данных в мире с 2010 года увеличился в 50 раз. К 2020 году он вырастет еще в 15 раз и достигнет отметки в 40 ZB (зеттабайт). Рост в основном будет происходить за счет развивающихся рынков.
Эта тенденция неизбежно подтолкнет предпринимательские структуры к инвестициям в IT-инфраструктуру: системы хранения, управления и защиты информации, а также оборудование, коммуникации, персонал [8, с. 170]. Без выработки собственной IT-стратегии и стратегии управления данными, без выхода на рынок онлайн-услуг, без создания доверительных и долгосрочных отношений с клиентами, предприниматели будут терять свой бизнес, постепенно превращаясь в бек-офисы социальных сетей и сервисных IT-компаний. Создание и обработка информации перестают быть побочным процессом к основной деятельности компаний и становятся важнейшим бизнес-активом. По данным исследования Seagate и IDC, общий объем данных в 2016 году составил 16 ZB, к 2025 году он вырастет более чем в 10 раз (до 163 ZB), при этом к 2025 году доля данных, подвергаемых анализу, вырастет по сравнению с нынешней в 50 раз, достигнув 5,2 ZB [4].
Компания IDC прогнозирует рост рынка технологий обработки больших данных и бизнес-аналитики на 11,9% в год до 2020 г. В первую очередь ожидается рост аналитических платформ Big Data, использующих машинное обучение, что востребовано бизнесом для анализа данных о потребителях и прогнозирования их поведения. Кроме того, на рынок оказывает влияние так называемая концепция интернета вещей (Internet of Things, IoT). Еще в 2016 г. крупнейшие объемы мировых инвестиций были направлены в интернет вещей в сфере производства, грузоперевозок, энергосистем, потребительский сегмент.
Big Data называют достаточно большие массивы информации (по некоторым определениям, более 100 гигабайт) [4], требующие специального программного обеспечения, а также совокупность подходов, методов и инструментов их обработки. Big Data - это не отдельная технология, а скорее сочетание опробованных и вновь внедряемых технологий, которые обладают тремя основными признаками: объем, скорость и вариативность. Цикл управления представлен на рисунке.
Рис. Цикл управления Большими данными [6]
Из рисунка видно, что первым этапом цикла является сбор данных, затем следует их систематизация и обобщение. После этого данные могут быть проанализированы с учетом конкретной за-
дачи. Особенно важен вопрос проверки данных. При объединении данных из разных источников нужно убедиться, что они друг с другом соотносятся. Большие данные - это огромные массивы данных, которые на порядок больше (объем); разнообразнее (диверсификация) и быстрее (скорость обработки и передачи), чем все данные, с которыми до сих пор приходилось иметь дело. Этот поток данных создается подключенными устройствами - от ПК и смартфонов до датчиков, например, устройств считывания RFID и уличных камер [5, с. 56].
В таблице отмечена степень эффективности типов данных по отраслям и превалирующие типы информации для разных сфер деятельности (в таблице отсутствие заливки ячеек обозначает низкую эффективность, светлая заливка - среднюю, а темная - высокую). По оценке компании Cisco, к 2019 г. будет существовать более 1,7 млрд межмашинных соединений [1, с. 53]. В данный момент одной из основополагающей является модель работы с Big Data, реализованная в проекте Apache Hadoop. Большинство продуктов для работы с Big Data обладают высокоэффективной системой обработки огромных объемов информации и ее аналитики в реальном времени.
Таблица
Степень эффективности использования типов данных по отраслям (составлено автором по [3, с. 4])
Производство
Строительство
Добыча и обработка ресурсов
Розничная торговля
Оптовая торговля
Профессиональные услуги
Развлекательные услуги
Транспортные услуги
Банковский сектор
Страхование
Ценные бумаги и инвестиции
Здравоохранение
Видео
Изображения
Аудио
Банковский сектор остается «на передовой» цифровой трансформации бизнеса, и текущая рыночная ситуация, с одной стороны, и растущая конкуренция, с другой, заставляют его искать новые подходы к управлению активами, повышению эффективности своей работы и поиску новых точек роста. Безусловно, технологии Big Data - это перспективное направление комплексного анализа самой разнообразной информации, инструмент для проведения многофакторного исследования банковских данных. Применение такого подхода финансовыми организациями призвано решать сразу несколько важных задач: во-первых, оперативно и точно оценивать кредитные риски, не допускать мошеннических действий, ну и, конечно, увеличивать объемы продаж, попадая четко в цель с персонализированными предложениями банковских услуг клиентам.
Управление рисками очень важно для банков. Эта культура должна быть частью организационной культуры и операционной модели банка для того, чтобы анализ рисков использовался практически при принятии решений. Для того, чтобы определять эффективность того или иного решения по привлечению капитала или вложению капитала, необходим количественный анализ рисков и регулярный мониторинг рисков, в том числе мониторинг внешних источников информации. Следование той или иной формальной модели количественной оценки рисков также уменьшает необходимые затраты на соответствие нормам регулирования банков. Для внедрения подобного подхода требуется изменить сознание людей, которые сегодня работают с рисками. Необходимо предоставить людям действительно удобные инструменты. И, наконец, необходимо преобразовать регламенты работы так, чтобы они соответствовали гибкости предлагаемого подхода.
Система, основанная на Big Data, позволяет объединить следующие направления анализа рисков на основе общей архитектуры рисков, информационной модели, системы отчетности и аналитики, включая ноу-хау, эвристики и аналитики в реальном времени: финансовые риски; риски несоответствия регулированию; операционные риски; риски финансовых преступлений (AML,
мошенничество, Case Management); IT-риски (безопасность, непрерывность процессов, достоверность данных) [7].
Если говорить о практике внедрение технологий Big Data на предприятиях, то большая часть работ выполняется по заказу маркетологов. Глубокая сегментация клиентской базы, поиск неявных закономерностей, персонализация продуктовых предложений - вот основные задачи по этому направлению, которые в крупных розничных банках решаются с помощью Big Data. Банкам и другим финансовым организациям нужны новые источники информации, позволяющие посмотреть на клиента с разных сторон, сформировать новые уникальные предложения [4, с. 67].
Рынок Big Data вызывает все больший интерес коммерческих и государственных структур по всему миру. Огромные объемы накопленной информации позволяют проводить качественные оценочные и прогнозные работы. Глобальный рынок Big Data вышел на уровень активного роста. Широкий спектр предложений подталкивает компании к поиску новых решений и оптимизации существующих. Тенденция увеличения объема хранимых данных неизбежно заставляет руководство банков к инвестициям в IT-инфраструктуру: системы хранения, управления и защиты информации, а также оборудование, коммуникации, персонал.
Без выработки собственной IT-стратегии и стратегии управления данными, без выхода на рынок онлайн-услуг, без создания доверительных и долгосрочных отношений с клиентами, банки будут терять свой бизнес, постепенно превращаясь в бек-офисы социальных сетей и сервисных IT-компаний. Первые будут эффективнее сегментировать клиентов, определять их предпочтения, предоставлять более удобный сервис, отбирая часть маржинального дохода у банков. Вторые будут эффективнее автоматизировать фронт- и бек-офисные процессы, предоставлять более удобные электронные каналы обслуживания и обработки транзакций клиентов. Это неизбежно снизит доходность банковского бизнеса.
Большую часть своей маржи банки будут отдавать своим IT-подрядчикам. При этом зависимость от IT-партнеров будет только возрастать. Выбор надежного IT-партнера и обеспечение эффективного корпоративного контроля над ним станет ключевым элементом IT-стратегии для большинства банков в ближайшие годы. Руководству банков неизбежно придется решать вопросы IT-стратегии: от модели бизнеса до модели данных банка, от модели данных до архитектуры приложений, от архитектуры приложений до управления и защиты информации, а также до оборудования, коммуникаций и удержания квалифицированного IT-персонала.
Появление новых технологий сблизило возможности использования «профилей клиентов» в банковском, телекоммуникационном и розничном секторе, где применяются схожие подходы: комбинируя и обогащая информацию, можно построить богатый поведенческий профиль клиента [9, 17]. Если раньше профиль клиента включал в себя два-три десятка характеристик, то теперь их может быть значительно больше. Чтобы извлечь из этого выгоду, нужна накопленная статистика. Подобные методы уже используются при скоринге и оценке клиентов.
Внедрение технологий Big Data потребует создать определенную организационную структуру предприятия и обеспечить непрерывную работу специалистов. Выбор организационной структуры зависит от различных факторов, например, моделей финансирования компании (например, центрального финансирования, отдельно по бизнес-единицам или совместного) и ориентации по финансам (по центрам прибыли или центрам затрат). Компания Infosys обозначает следующие структуры управления как наиболее успешные:
1. Децентрализованные: Бизнес-единицы имеют разные наборы данных, и каждое подразделение принимает свои собственные решения с Big Data относительно самостоятельно.
2. Децентрализованные с ведущей бизнес-единицей: каждая бизнес-единица принимает собственные решения, но одна играет ведущую роль в установлении стандартов.
3. Центр передового опыта (Center of Excellence, СоЕ): независимый центр контролирует программу аналитики Big Data, а бизнес-единицы проводят инициативы под руководством Центра.
4. Централизованные: корпоративное руководство берет на себя прямую ответственность за создание и приоритизацию инициатив и их реализацию.
Из этих четырех вариантов многие компании предпочитают организовать Центр передового опыта, чтобы координировать работу подразделений по Big Data. Для поддержки программ Big Data требуются серьезные инвестиции в квалифицированные ресурсы, которые будут работать в
отдельных бизнес-единицах или Центре передового опыта. Впрочем, при внедрении Big Data в пилотном или упрощенном варианте список может сокращаться. Среди технических специалистов обычно выделяют три роли: специалист по данным (data scientist), инженер данных (data engineer), управляющий данными (data manager) [2]. Так, менеджер инфраструктуры может быть назначен менеджером по управлению проектом по Big Data и использовать аналитические пакеты для предоставления информации в экономически-плановый отдел.
Ключевым качеством как для технических, так и для управленческих специалистов является кросс-функциональность. Технические специалисты должны иметь общее представление о функционировании бизнеса, а менеджеры - понимание базовых принципов аналитики [3]. При этом, так как данные будут накапливаться по времени, по мере развития и роста компании будет возникать необходимость во всё большем количестве аналитических и других модулей, модель будет динамично развиваться, а процесс внедрения и развития Big Data можно считать непрерывным. В условиях неопределенности потребностей особенно уместным становится концепция Lean Startup, предложенная Эриком Ризом в 2011 году для стартапов в Силиконовой Долине. Как отмечает компания Makeright [1], суть этой концепции состоит в том, чтобы воспринимать все действия старта-па (или действия по внедрению инновации) как эксперименты и заранее создавать возможности для обучения.
Реальные потребности должны выясняться с помощью гипотез на практике, с проведением экспериментов и быстрым реагированием по корректировке системы Big Data. Важнейшая задача управления стартапом - стремиться сокращать время цикла обратной связи. Надо как можно быстрее приступить к созданию минимально рабочего продукта (MVP) - версии рабочей системы Big Data, прошедшей цикл «создать - оценить - научиться» с минимальными затратами времени. Этап оценки, отличающий эту концепцию от традиционных, состоит в том, чтобы определить, нужны ли на самом деле проведенные изменения, или же осваиваемый бюджет и выполняемый план должны быть пересмотрены. Для подобной технологической инновации особенно важно также проводить корректировку процесса обучения сотрудников и оценку их успехов и трудностей.
Эрик Рис рекомендует воспользоваться японским принципом «генти генбуцу», который переводят как «иди и посмотри сам» [1, с. 4], что подразумевает общение с непосредственными заказчиками и пользователями Big Data. Сотрудники различных отделов, работающих с финансовыми, текстовыми, логистическими данными, могут дать важную информацию по сбору и обработке данных, чтобы в дальнейшем не пришлось решать проблемы низкого качества данных и недостаточной полноты данных.
Вместо долгой разработки и корректировки модели Big Data необходимо двигаться маленькими итерациями и быстрыми победами, получая регулярную обратную связь от заказчиков. Например, компания Telefonica, разрабатывая свое решение Smart Steps с использованием агрегированных данных о местоположении абонентов, изначально ориентировалась на компании розничной торговли. Оператор планировал предоставлять клиентам данные о перемещении людей на определенных улицах города. Благодаря регулярной обратной связи Telefonica смогла принять решение о необходимом стратегическом изменении, изменив фокус продукта на анализ пассажиропотоков для транспортного сектора [3].
В заключение укажем на то, что технологии Big Data становятся всё более востребованными на российских и зарубежных предприятиях, однако внедрение зачастую представляется менеджерами непосильной задачей, поскольку изменения затрагивают многие отделы или компанию целиком и требуют значительных финансовых вложений. Новейшая концепция Lean Startup, являющаяся усовершенствованием японской модели бережливого производства, предлагает решение по менеджменту изменений, связанных с данной технологической инновацией. Кратчайшая по времени разработка рабочей версии системы, неразрывная с процессом обучения сотрудников и с получением обратной связи от заказчиков, помогает снизить риски, сократить финансовые вложения, продемонстрировать ценность изменений для сотрудников.
Управление данными и их анализ дают любой организации, независимо от ее размера и области деятельности, значительные преимущества и открывают большие перспективы. Однако с развитием экономики в целом и каждой отдельной компании сбор информации о потребителях, продуктах и услугах становится сложнее. Когда речь идет о небольшом количестве клиентов, которые приоб-
ретают один и тот же продукт одним и тем же путем, вести учет таких сведений нетрудно. Но со временем растут и компании, и их рынки сбыта; конкуренция заставляет создавать новые линейки продукции, способы продвижения и продажи товаров также диверсифицируются. В результате, объем информации возрастает многократно. Трудности с использованием данных возникают не только в бизнесе: например, научно-исследовательским организациям не хватает вычислительных мощностей для работы со сложными моделями, обработки изображений и других источников научных данных.
Выбор надежного IT-партнера и обеспечение эффективного корпоративного контроля над ним станет ключевым элементом IT-стратегии для большинства банков в ближайшие годы. Руководству банков неизбежно придется решать вопросы IT-стратегии: от модели бизнеса до модели данных банка, от модели данных до архитектуры приложений, от архитектуры приложений до управления и защиты информации, а также до оборудования, коммуникаций и удержания квалифицированного IT-персонала. Внедрение технологий Big Data потребует создать определенную организационную структуру предприятия и обеспечить непрерывную работу специалистов. Поскольку сбор и обработка данных с соответствующими стандартами затронет большинство сотрудников компании, изменение подразумевает длительный непрерывный процесс обучения и развития.
ЛИТЕРАТУРА
1. Habr M. [Электронный ресурс]. Режим доступа: https://habr.com/company/makeright/blog/299560 (дата обращения 18.04.2019).
2. Байкалова В.И. Особенности управления изменениями на предприятии при внедрении технологий больших массивов данных (Big Data) // Научный форум: Экономика и менеджмент: сб. ст. по материалам XVII междунар. науч.-практ. конф. М.: Изд. «МЦНО», 2018. С. 126-134.
3. Иванов П.Д., Вампилова В.Ж. Технологии Big Data и их применение на современном промышленном предприятии // Инженерный журнал: наука и инновации. 2014. № 8 (32).
4. Плохих Ю.В. Проблемы автоматизации в банковской деятельности // Молодой ученый. 2017. № 20. С. 410-412.
5. Резванов А. К 2025 году общий объем данных в мире достигнет 163 зеттабайт. [Электронный ресурс]. Режим доступа: http://www.macster.ru/news/170412-k-2025-godu-obshchiy-obem-dannykh-v-mi (дата обращения 12.04.2019).
6. Desay S.S., Peer B. Big Data, Big Pharma - Big Deal? Yes, Really! [Электронный ресурс]. Режим доступа: https://www.infosys.com/consulting/insights/Documents/big-deal-pharmaceu (дата обращения 02.04.2019).
7. Маковейчук К.А. Применение технологий бизнес-анализа к большим данным в системах нового типа. [Электронный ресурс]. Режим доступа: https://revolution.allbest.ru/programming/00975126_0.html (дата обращения 25.03.2019).
8. Харламов А.В., Коротких А.Р. Инвестирование в развитие цифровой экономики России: сотрудничество государства и частного сектора // Комплексное развитие территориальных систем и повышение эффективности регионального управления в условиях цифровизации экономики: материалы национальной (всероссийской) научно-практической конференции. Орел: ФГБОУ ВО «ОГУ имени И.С. Тургенева», 2018. С. 167-173.
9. Харламов А.В., Харламова Т.Л. Экономическая политика совершенствования предпринимательской среды // Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. 2016. № 3 (20). С. 11-19.
