CC BY-NC-ND
152
Специфика интеграции технологий бизнес-интеллекта и больших данных в процессы экономического анализа
С. Митрович
доктор экономических наук, Университет г. Нови-Сад, Республика Сербия; докторант экономического факультета
Московский государственный университет им. М.В. Ломоносова Адрес: 119991, г. Москва, Ленинские горы, д. 1 E-mail: [email protected]
Аннотация
Объем данных, используемых в процессах экономического анализа деятельности организаций, ежегодно возрастает. Несмотря на то, что вся необходимая для экономического анализа информация, по сути, присутствует в различных источниках, такие данные фактически часто превращаются в бесполезный, с точки зрения экономического потенциала, источник анализа.
Цель данного исследования заключается в определении основ для интеграции технологий бизнес-интеллекта (Business Intelligence, BI) и больших данных (Big Data) в процессы экономического анализа. Теоретическую и методологическую базу исследования составляют научные исследования, методологические и практические разработки отечественных и зарубежных авторов по вопросам применения ИТ-решений в экономическом анализе.
Как показывают результаты исследования, современные информационные технологии, в частности, системы бизнес-интеллекта и большие данные, значительно изменили возможности совершенствования экономического анализа и сокращения времени принятия решений. С методических позиций, многие аспекты интеграции решений в области BI и Big Data и их внедрения в процессы экономического анализа российских организаций остаются недостаточно исследованными. В отличие от российского, зарубежный рынок применения современных информационных технологий для аналитической обработки экономической информации имеет более давнюю историю и развивается более быстрыми темпами.
Основные выводы исследования указывают на то, что современным организациям, функционирующим в условиях высококонкурентного рынка, следует исходить из понимания, что накопление больших данных не всегда приводит к получению ожидаемой бизнес-выгоды. В данном контексте также можно сделать вывод, современной компании не следует ставить перед собой задачу обработки всех имеющихся данных с целью повышения качества результатов экономического анализа. Более значимым является использование всего объема данных для их сегментации, что позволяет эффективно строить большое количество моделей для небольших кластеров, решая конкретные задачи экономического анализа на базе применения современных информационных технологий.
Ключевые слова: экономический анализ, современные информационные технологии, бизнес-интеллект, большие данные, озера данных, бизнес-аналитика, анализ больших данных.
Цитирование: Митрович С. Специфика интеграции технологий бизнес-интеллекта и больших данных в процессы экономического анализа // Бизнес-информатика. 2017. № 4 (42). С. 40—46. DOI: 10.17323/1998-0663.2017.4.40.46.
Введение
В отличие от российского, зарубежный рынок современных информационных технологий, в частности систем бизнес-интеллекта (Business Intelligence, BI) и больших данных (Big Data), применяемых для аналитической обработки экономической информации, имеет более давнюю историю и развивается более быстрыми темпами. Согласно прогнозу компании IDC (март 2017 года), к концу 2017 года мировой доход на рынке больших данных и бизнес-аналитики (Big Data analytics, BDA) достигнет 150,8 млрд. долл., увеличившись на 12,4% относительно предшествующего года. Ожидается, что коммерческие закупки оборудования, программного обеспечения и услуг, связанных с бизнес-аналитикой больших данных, будут демонстрировать среднегодовой темп роста (в сложных процентах — Compound Annual Growth Rate, CAGR1) 11,9% в период до 2020 года, когда доход составит более 210 млрд. долл. [1].
Самый значительный объем инвестиций в технологии бизнес-анализа больших данных в 2017 году ожидается в банковской сфере, сегментах непрерывного производства, федеральных (центральных) органах государственной власти, а также в сфере профессиональных услуг. В совокупности предполагается, что эти сегменты потратят 72,4 млрд. долл. на развитие методологии Big Data к концу 2017 года. Они останутся крупнейшими сегментами расходов и в 2020 году, когда их общие инвестиции составят 101,5 млрд. долл. При этом самые высокие темпы роста расходов продолжит демонстрировать банковский сектор (CAGR 13,3%) и здравоохранение, страхование, сегмент операций с ценными бумагами и услуг управления инвестициями, а также отрасль телекоммуникационных услуг (каждый — с CAGR 12,8%) [2].
1. Применение систем бизнес-интеллекта и больших данных для совершенствования экономического анализа в российской и мировой практике
По оценкам исследователей Gartner Research, в современных банковских структурах бизнес-аналитика больших данных позволяет лучше контролировать информацию внутри компании и выявлять признаки мошенничества в более сжатые сроки, чем это было возможно ранее, обеспечивая сохранность
финансовых средств. Экономический анализ больших данных, как свидетельствуют данные вышеупомянутого исследования, способствует «более эффективному решению практически всех ключевых задач банков, в числе которых: привлечение клиентов, повышение качества услуг, оценка заемщиков и др. Кроме того, повышая скорость и качество формирования отчетности, увеличивая глубину экономического анализа данных и его охват, участвуя в противодействии мошенническим операциям, отмыванию незаконных средств, эти технологии помогают банкам соответствовать требованиям регулирующих органов» [3].
Преимущественно технологии BDA+BI применяются в банковском секторе для анализа базы клиентов, включая их поведение, предпочтения и ожидания. Например, банк PNC (США) осуществляет поведенческий анализ своих клиентов на различных сайтах (в первую очередь, в онлайн-кабинетах и социальных сетях), обрабатывает информацию о совершенных ими покупках и образе жизни и использует эти данные для гибкого начисления процентных ставок. В свою очередь Commonwealth Bank of Australia (CBA) осуществляет анализ всех транзакций своих вкладчиков, дополняя его поведенческим анализом клиентов на основе изучения данных социальных сетей. Соединяя и обрабатывая совместно эти информационные потоки, в результате банку удалось добиться значительного снижения процента неуплаты по кредитам [4].
В российских условиях также имеется положительный опыт. Например, Уральский банк реконструкции и развития несколько лет назад начал проект по обработке больших данных с помощью технологии BI, работая с данными клиентской базы для формирования персонализированных кредитных предложений, вкладов и других услуг. При этом только за один год применения инновационных ИТ-решений розничный кредитный портфель банка увеличился более чем на 50% [4].
Несмотря на то, что страховые компании также находятся среди лидеров сегмента и заинтересованы в том, чтобы применять технологии Big Data в интеграции с бизнес-интеллектом в экономическом анализе, согласно оценкам агентств Bravura Solutions и Financial Services Council, пока еще лишь немногие структуры (по сравнению с банковским сектором) начали работать в этом направлении [5]. Согласно
1 Compound Annual Growth Rate (CAGR) — средний темп, с которым инвестиции растут в течение периода более одного года
результатам проведенного опроса, 67% страховых компаний считают, что у них есть лишь ограниченный доступ к пользовательским данным. По мнению респондентов, этих данных достаточно, чтобы персонализировать взаимодействие с клиентами, но недостаточно, чтобы считать их большими данными и прогнозировать на их основе клиентское поведение. Тем не менее, около 30% опрошенных страховых компаний за рубежом уже сегодня используют технологии Big Data и BI в процессе экономического анализа для того, чтобы предугадывать нужды клиентов и создавать персонализированные предложения. Однако для 23,7% организаций вопрос о подобных инновационных решениях информационного характера пока не стоит [5].
Активное развитие технологий анализа больших данных в розничной торговле, — еще одного лидера данного сегмента, - протекает в разных направлениях. Перечислим возможности практического применения, которые можно рассматривать как положительный опыт для российских условий. Так, в мировой практике оффлайн-розничный сектор применяет экономический анализ больших данных с помощью технологий BI для анализа поведения покупателей, планирования маршрутов следования по торговому залу, группировки и расстановки продукции в соответствии с предпочтениями покупателей, планирования закупок, что, в конечном итоге, приводит к повышению объема продаж. В онлайн-розничном секторе на результатах экономического анализа больших данных (даже в случае использования самых минимальных, базовых возможностей таких технологий) может быть построен сам механизм продажи товаров в магазинах: пользователям предлагают товары на основе их предшествующего выбора и персональных предпочтений, информация о которых собирается, например, в социальных сетях, по результатам прошлых покупок и заказов в личных кабинетах онлайн-магазинов. В обоих случаях интеллектуальный экономический анализ Big Data помогает сократить издержки, повысить лояльность клиентов и охватить большую аудиторию, стимулируя покупательский спрос [6].
В подобных условиях экспертами закономерно прогнозируется, что инвестиции в аналитическое программное обеспечение для интеллектуального анализа больших данных продолжат свой рост — до более чем 70 млрд. долл. в 2020 году, при этом основная их часть будет приходиться на обработку опросов конечных пользователей, инструменты отчетности и анализа, а также средства управления хранилища-
ми данных [5]. Следует особо отметить тот факт, что спрос на технологии и сервисы в сфере работы с большими данными и бизнес-аналитикой на мировом рынке стимулируют такие факторы, как увеличение объемов данных, развитие новых технологий и культурный сдвиг в сторону принятия решений, связанных с информацией [2]. Согласно данным агентства PAC, такой стремительный рост популярности применения технологий бизнес-анализа в области Big Data и развития методики в данной области объясняется тем, что этот сегмент по отношению к технологии бизнес-интеллекта можно назвать следующим уровнем развития: он позволяет организациям пользоваться расширенным функционалом приложений (со встроенными функциями BI), не требуя при этом от ответственных за процесс экономического анализа сотрудников дополнительных специализированных навыков, в то время, как подобный ему сегмент CRM-систем требует иного методического подхода к работе и уровня квалификации персонала [5].
Сегодня в мировой практике наблюдается переход технологий обработки больших данных на более высокий уровень развития, по сравнению с российскими условиями. В опубликованной компанией Gartner последней версии «Цикла зрелости технологий» [7], оценивающей степень развития методологии и практики внедрения, большие данные уже покинули «пик чрезмерных ожиданий, который занимали в 2016 г., и перешли в стадию «избавления от иллюзий», то есть стадию активной апробации и развития методики. Финальной стадии зрелости, по оценкам экспертов, большие данные достигнут через 5—10 лет. Параллельно своего пика достиг и анализ данных, аккумулирующий весь комплекс подходов работы с большими данными, в том числе с использованием технологий бизнес-интеллекта [7].
2. Перспективы взаимодействия систем бизнес-интеллекта и больших данных в экономическом анализе
Несмотря на то, что больше всего инвестиций в развитие методики бизнес-анализа больших данных по-прежнему приходится на США, остальные мировые игроки проявляют в этом направлении большую активность, чем ранее. Так, по данным IDC, на страны Европы, Ближнего Востока, Африки и Азиатско-тихоокеанского региона (без учета Японии) приходится около 45% рынка оборудования, программного обеспечения и услуг бизнес-анализа в сфере больших данных [1].
Растет спрос на применение аналитических инструментов, выполняющих сложную прогнозную аналитику в области больших данных. Одновременно возрастает и вариативность сегмента типовых решений в области бизнес-анализа Big Data — их уже предлагают такие крупнейшие компании, как Microsoft, IBM, Teradata, Oracle и SAP, что способствует более качественному развитию рынка в данном направлении.
78% организаций в мире уверены, что бизнес-анализ больших данных принесет организации очевидную прибыль и преимущества в различных областях в ближайшие 1—3 года. 70% крупных организаций на мировом рынке уже не просто используют свои большие данные для бизнес-аналитики, но и приобретают внешние данные (при этом прогнозируется, что к 2019 году этот показатель вырастет до 100%) [1]. Предполагается также, что все больше организаций начнут извлекать доход из своих данных, продавая их или предоставляя ценный контент на их основе. Следует отметить, что для России данные перспективы пока носят достаточно отдаленный характер. Однако уже появился новый класс предложений — «данные как услуга» (от поисковой системы Google и других), что делает выход на рынок Big Data для многих компаний в мире, в том числе российских (включая представителей малого бизнеса) гораздо более простым и возможным уже в самой ближайшей перспективе.
Согласно прогнозу компании IDC, к 2018 году инвестиции в системы бизнес-анализа больших данных, удобные для самостоятельного применения всеми пользователями, станут обязательными для всех предприятий [1]. При этом прогнозируется, что бюджеты организаций на менее финансово и организационно затратные облачные решения в области бизнес-анализа больших данных будут расти втрое быстрее, чем на локальные решения.
По мнению экспертов Gartner, можно заключить, что рынок Big Data и BI находится на последних стадиях многолетнего перехода от систематического составления отчетности (ИТ-подход) в сторону средств автоматического анализа (бизнес-подход). В результате к современным платформам бизнес-аналитики и анализа больших данных (BI&BDA) уже начинают предъявляться новые требования в части доступности, гибкости и глубине аналитического понимания [7]. Это стимулирует развитие в направлении более простых, гибких и быстрых решений бизнес-аналитики, способных расширить бизнес-возможности за счет глубокого понимания различных источни-
ков данных. В связи с этим одним из перспективных ключевых направлений в зарубежной методике Big Data остается «облачная» бизнес-аналитика и хранение больших данных (например, в облаке Amazon). Эта возможность актуальна для многих компаний, особенно для малого бизнеса, и может быть рекомендована в качестве перспективного (в том числе тестового) варианта для российских организаций. Ее преимущества состоят в том, что это исключает довольно высокие финансовые затраты на приобретение или аренду серверных мощностей для хранения больших данных (которые часто делают невозможным бизнес-анализ больших данных для компаний малого бизнеса), учитывая, что данное оборудование не требуется организации на постоянной основе.
Еще одним перспективным инструментом бизнес-анализа больших данных рассматривается так называемая потоковая (streaming) аналитика, которая позволяет анализировать поступающие данные в реальном времени. Следует также отметить, что для мирового рынка характерно разделение направления Big Data, которое в российских условиях пока воспринимается в общем виде, на множество самостоятельных направлений (например, хранение, обработка, фильтрация данных, построение моделей, изменяемых в режиме реального времени (например, по интересам потребителя), визуализация данных, поиск глубинных связей и т.д.), решающих более узкие специфические задачи экономического анализа. С таким разделением также связано развитие готовых отраслевых решений для малого и среднего бизнеса, работающих как автономные приложения и по моделям SaaS или BDaS (Big Data as Service) [8].
Говоря о взаимосвязи двух инновационных информационных технологий в экономическом анализе, — BigData и BI, — необходимо отметить, что они развиваются не параллельно и не в соподчинении друг другу, как указывают некоторые специалисты: с 2016 года развитие методики бизнес-анализа больших данных происходит в тесной интеграции с развитием методики бизнес-интеллекта, формируя двухуровневую модель экономического анализа. Первый уровень представляет собой «традиционную» аналитику Big Data, когда большие массивы данных подвергаются экономическому анализу не в режиме реального времени. Новый, второй уровень обеспечивает возможность экономического анализа относительно больших объемов данных в реальном времени, в основном за счет технологий аналитики в памяти (in-memory), включенных сегодня в большинство BI-решений. Следует отметить, что именно второй
уровень открывает для сегодняшнего российского бизнеса совершенно новые возможности, которые могут быть извлечены из результатов экономического анализа накапливаемых организацией данных. Это связано, в частности, с появлением и использованием такого явления, как «озера данных», которые выступают еще одним эволюционным шагом для совершенствования процессов бизнес-аналитики «на лету», с целью влияния на события в то время, когда они происходят. Охарактеризуем кратко данное инновационное явление с позиций его применения в сфере экономического анализа и сформулируем ряд методических рекомендаций в данной области для современных российских компаний.
Озера данных представляют собой репозиторий, хранящий большие объемы данных в сыром, необработанном виде — «до востребования». При этом они обязательно должны быть связаны с аналитической системой, действующей в организации для осуществления экономического анализа. Озера данных позволяют анализировать различные несопоставимые данные в их оригинальном формате. Для современных организаций это является существенным преимуществом, так как не требует больших затрат на хранение и обработку, а данные из «озера» могут быть доступны для бизнес-аналитики любым пользователям в компании в любой промежуток времени [9].
Экономические данные поступают и хранятся в «озере», потому что заранее неизвестно, на какие вопросы они отвечают и какую ценность могут принести для развития бизнеса. Однако не следует исходить из ошибочного мнения (что свойственно многим организациям, приступающим к внедрению в данной области), что «озеро» может заменить собой традиционное хранилище данных. Оно должно обеспечить организации новые аналитические возможности, способствуя одновременно оптимизации расходов на обработку и хранение данных в ходе экономического анализа в организации. В связи с этим для многих современных компаний, внедряющих инструменты экономического анализа больших данных, встает вопрос, будут ли оправданы организационные усилия и финансовые затраты на формирование озер данных, если компания уже реализовала или находится в процессе многолетней реализации хранилища данных для интеграции технологий BI, обрабатывающих Big Data. По оценкам исследователей компании Teradata [9], озеро данных можно использовать для более дешевого хранения информации, в отличие от комплексных и финансово затратных хранилищ, к тому же при интеграции эти техноло-
гии дают больший кумулятивный эффект в области экономического анализа. Важное отличие «озера» — то, что оно может увеличиваться до экстремальных объемов данных при по-прежнему низких издержках, а также может обеспечивать мгновенный доступ к любым данным для всех пользователей. В отличие от традиционных хранилищ, где данные структурированы, «озера» позволяют дешево хранить любые их типы, поступающие из социальных сетей, с различных устройств, в том числе в аудио и видео форматах [9].
В то же время компании должны учитывать то, что накапливание «озер», используемых для совершенствования результатов экономического анализа в организации, связано с определенными рисками. Например, в «озеро» персоналом компании помещаются любые данные, и это происходит практически бесконтрольно, без возможности определить их качество. Очень редко решаются задачи обеспечения безопасности данных и контроля доступа к ним. Эффективно работать с данными из «озера» может, в первую очередь, бизнес-аналитик, хотя в то же время они доступны всем бизнес-пользователям в компании. Наконец, главный риск — что со временем эти «озера» рискуют превратиться в «болота» (если их периодически не обрабатывать и не сортировать), непригодные даже для простейших процессов бизнес-аналитики, откуда уже невозможно будет извлечь никакую ценность для бизнеса [10]. Следует отметить, что концепция Big Data исходит из понимания того, что никакие данные организации нельзя «выбрасывать», особенно если цена хранения является достаточно низкой. Любые данные организации изначально рассматриваются, как «умные» (smart data). Если выбросить данные сразу, то об их ценности для бизнеса уже никогда нельзя будет узнать. В то же время необходимо учитывать, что определить потенциальную ценность таких данных достаточно сложно. Именно поэтому современная организация не обязательно должна создавать и держать такое «озеро» у себя. Сегодня уже существует практика аутсорсинга, и различные компании предлагают соответствующие инструменты (в частности, уже отмеченные в статье «облачные» инструменты) для работы с ними.
Заключение
Анализируя рассматриваемую проблему, следует отметить, что с методических позиций многие аспекты интеграции решений в области BI и BigData и их внедрения в процессы экономического анализа сегодня все еще остаются недостаточно проработанными.
Один из таких вопросов заключается в поиске алгоритмов и методических принципов, а также факторов и условий, которые позволят современным компаниям осуществлять экономический анализ больших данных с использованием возможностей бизнес-интеллекта не просто с максимальной бизнес-пользой, но и с преимуществами, позволяющими повысить конкурентоспособность компании на рынке. Как показывает проведенный анализ, методически этот вопрос освещен в научных трудах и практических кейсах компаний гораздо меньше, чем аспекты хранения, аналитической обработки данных и технологии управления Big Data.
Основным выводом данного исследования является понимание того, что современным организациям, функционирующим в условиях высококонкурентного рынка, следует исходить из понимания того, что накопление больших данных не во всех случаях приведет к последующему получению бизнес-выгоды. Как и для любого проекта по оптимизации организационной или коммерческой деятельности, при реализации проекта внедрения бизнес-интеллекта для обработки больших данных компании важно начать с проблемы хранения данных, их систематизации и необходимости для тех или иных целей бизнеса, а именно с вопросов: «как должны в идеале выглядеть результаты?», «как я могу измерить успех?» и «какая информация более полезна для достижения идеаль-
ного результата?». Ответы на эти вопросы могут привести к реализации хранилища Big Data, однако во многих случаях могут и не привести к этому, например, в случае выбора облачных решений как для использования больших данных, так и их обработки для принятия стратегических управленческих решений.
В данном контексте очевиден еще один важный вывод: несмотря на концепцию BI & Big Data, современной компании не следует ставить перед собой задачу обработки всех имеющихся данных с целью повышения качества результатов экономического анализа. Необходимо учитывать, что самый эффективный результат экономический анализ больших данных с помощью возможностей бизнес-интеллекта и других инструментов современных информационных технологий приносит при построении прогнозных моделей, точность которых связана с качеством выборки. В результате реальная значимость Big Data в интеграции с BI в экономическом анализе организации состоит не в том, чтобы построить прогностические модели на основе всех данных (от этого точность моделей не станет выше). Более значимым является использование всего объема данных для сегментации и кластеризации данных, что позволит эффективно строить большое количество моделей для небольших кластеров, решая конкретные задачи экономического анализа на основе применения современных информационных технологий. ■
Литература
1. Большие данные (Big Data): мировой рынок / Tadviser, 2017. [Электронный ресурс]: http://www.tadviser.ru/index.php/ Oгатья:Большие_данные_(Big_Data)_мировой_рынок (дата обращения: 14.08.2017).
2. Double-digit growth forecast for the worldwide Big Data and business analytics market through 2020 led by banking and manufacturing investments, according to IDC / IDC, 2015. [Электронный ресурс]: http://www.idc.com/getdoc.jsp?containerId=prUS41826116 (дата обращения: 14.07.2017).
3. Инфографика: Что могут большие данные в банках? / CNews, 2014. [Электронный ресурс]: http://www.cnews.ru/articles/ infografika_chto_mogut_bolshie_dannye (дата обращения: 14.07.2017).
4. Как крупнейшие банки используют большие данные / CNews, 2014. [Электронный ресурс]: http://www.cnews.ru/articles/ kak_krupnejshie_banki_ispolzuyut_bolshie (дата обращения: 14.07.2017).
5. Теория и практика Больших данных в отраслях / Tadviser, 2017. [Электронный ресурс]: http://www.tadviser.ru/index.php/ Oгатья:Теория_и_практика_Больших_данных_в_отраслях#cite_note-4 (дата обращения: 18.08.2017).
6. Инфографика: Как розница использует большие данные / CNews, 2014. [Электронный ресурс]: http://www.cnews.ru/articles/ infografika_kak_roznitsa_ispolzuet (дата обращения: 13.07.2017).
7. Gartner hype cycles 2016: Major trends and emerging technologies / Gartner, 2016. [Электронный ресурс]: https://www.gartner.com/ webinar/3377422 (дата обращения: 18.08.2017).
8. Бизнес-аналитика и большие данные в России 2016 / CNews, 2016. [Электронный ресурс]: http://www.cnews.ru/reviews/ bi_bigdata_2016 (дата обращения: 14.08.2017).
9. Insights and tools from Big Data and analytics innovators / Teradata, 2017. [Электронный ресурс]: http://bigdata.teradata.com/ (дата обращения: 16.08.2017).
10. Как развернуть «озеро данных»: 5 советов / CNews, 2015. [Электронный ресурс]: http://www.cnews.ru/articles/kak_razvernut_ ozero_dannyh_5_sovetov (дата обращения: 16.08.2017).
Specifics of the integration of Business Intelligence
and Big Data technologies in the processes of economic analysis
Stanislav Mitrovic
University of Novi Sad, Republic of Serbia; Doctoral Student of the Faculty of Economics Lomonosov Moscow State University
Address: 1, Leninskie Gory, Moscow, 119991, Russian Federation E-mail: [email protected]
Abstract
The volume of data used for economic analysis of the activities of organizations is growing every year. Despite the fact that all information required for economic analysis is available from various sources, such data are very often useless for analysis from the point of view of their economic potential.
The purpose of this study is to outline a foundation for integrating Business Intelligence and Big Data into economic analysis processes. The theoretical and methodological basis of this study is provided by scientific research, methodological and practical developments of domestic and foreign authors on the application of IT solutions in economic analysis.
According to the results of the research, modern information technologies, in particular, the Business Intelligence and Big Data systems have considerably changed the possibilities for improving economic analysis and reducing decisionmaking time. From the methodological point of view, many aspects of integration of BI and Big Data solutions and their implementation in the economic analysis processes in Russia's companies remain insufficiently developed. The foreign market of modern information technologies for business analytics has a longer history and is being developed more rapidly.
The main conclusions of the study indicate that modern organizations operating on a highly competitive market should understand that the accumulation of Big Data does not always lead to the expected business benefits. In this context, the conclusion is that a modern company should not set as its goal to process all the available data in order to improve the quality of its economic analysis. It is more significant to use the entire volume of data for segmentation, which allows effective construction of a large number of models for small clusters, solving specific problems of economic analysis based on the application of modern IT systems.
Key words: economic analysis, modern information technologies, Business Intelligence, Big Data, Data Lake, business analytics, Big Data analytics.
Citation: Mitrovic S. (2017) Specifics of the integration of Business Intelligence and Big Data technologies in the processes of economic analysis. Business Informatics, no. 4 (42), pp. 40-46. DOI: 10.17323/1998-0663.2017.4.40.46.
References
1. Tadviser (2017) Bol'shie dannye (BigData): mirovoy rynok [Big Data: world market]. Available at: http://www.tadviser.ru/index.php/ Orarba:E0:№.mHe_gaHHBie_(Big_Data)_MHp0B0H_pBiH0K (accessed 14 August 2017) (in Russian).
2. IDC (2015) Double-digit growth forecast for the worldwide Big Data and business analytics market through 2020 led by banking and manufacturing investments, according to IDC. Available at: http://www.idc.com/getdoc.jsp?containerId=prUS41826116 (accessed 14 July 2017).
3. CNews (2014) Infografika: Chto mogut bol'shie dannye v bankakh? [Infographics: What Bid Data can do in banks?]. Available at: http://www. cnews.ru/articles/infografika_chto_mogut_bolshie_dannye (accessed 14 July 2017) (in Russian).
4. CNews (2014) Kakkrupneyshie banki ispol'zuyut bol'shie dannye [How the largest banks use Big Data]. Available at: http://www.cnews.ru/articles/ kak_krupnejshie_banki_ispolzuyut_bolshie (accessed 14 July 2017) (in Russian).
5. Tadviser (2017) Teoriya i praktika Bol'shikh dannykh v otraslyakh [Theory and practice of Big Data in industries]. Available at: http://www.tad-viser.m/index.php/CTaTba:TeopHa_H_npaKTHKa_Eo:tmHx_gaHHBix_B_OTpac:rax#cite_note-4 (accessed 18 August 2017) (in Russian).
6. CNews (2014) Infografika: Kakroznitsa ispol'zuet bol'shie dannye [Infographics: How retailers use Big Data]. Available at: http://www.cnews.ru/ articles/infografika_kak_roznitsa_ispolzuet (accessed 13 July 2017) (in Russian).
7. Gartner (2016) Gartner hype cycles 2016: Major trends and emerging technologies. Available at: https://www.gartner.com/webinar/3377422 (accessed 18 August 2017).
8. CNews (2016) Biznes-analitika i bol'shie dannye v Rossii 2016 [Business analytics and Big Data in Russia 2016]. Available at: http://www.cnews. ru/reviews/bi_bigdata_2016 (accessed 14 August 2017) (in Russian).
9. Teradata (2017) Insights and tools from Big Data and analytics innovators. Available at: http://bigdata.teradata.com/ (accessed 16 August 2017).
10. CNews (2016) Kakrazvernut'«ozero dannykh»: 5sovetov [How to rollout a data lake: 5 recommendations]. Available at: http://www.cnews.ru/ articles/kak_razvernut_ozero_dannyh_5_sovetov (accessed 16 August 2017) (in Russian).
