MENU

Analityka powinna być jak najbliżej źródła danych
EVP

29 marca 2017Artykuł z magazynu ITwiz, CIO, Executive ViewPoint, Polecane tematy

Executive ViewPoint
O zmianach na rynku technologii analitycznych, roli inżynierów danych, barierach stojących na drodze ku szerokiej operacjonalizacji analityki biznesowej, a także źródłach przewagi SAS i nowej architekturze rozwiązań analitycznych SAS Viya, mówi Mariusz Dzieciątko, Business Solution Manager, Technology & Big Data Competency Center w SAS Polska.

Analityka to element napędzający cyfrową transformację poprzez zmiany w bieżącym funkcjonowaniu organizacji, pozwalające jak najlepiej wykorzystać dostępne dane do tworzenia nowych produktów czy lepszego wsparcia sprzedaży. Wydaje się też, że analityka i rozwiązania kognitywne odegrają bardzo istotną rolę, jeśli chodzi o sposób funkcjonowania przedsiębiorstw w krótkiej i średniej perspektywie czasu. Algorytmy stosowane do budowania tych ostatnich rozwiązań są częścią rozwiązań SAS od wielu lat.

Jakie trendy w szczególny sposób wpływają dziś na rozwój technologii i rozwiązań analitycznych?

Trendem, który obecnie napędza rozwój analityki, choć może nie jest to jeszcze w pełni widoczne na polskim rynku, jest internet rzeczy (IoT). Jego rozwój wynika z rozwoju technologicznego i spadku cen mikroprocesorów. To przekłada się na możliwość wykorzystania ich niemal w każdym urządzeniu. Takie urządzenia, nie dość, że dysponują stosunkowo dużą wydajnością, to potrafią się między sobą komunikować, pełniąc rolę inteligentnych źródeł danych. Jednocześnie, w obliczu dużej ilości gromadzonych danych, pojawia się potrzeba wykorzystania analityki tam, gdzie dane są zbierane.

Dlaczego jest to tak istotne?

Ulokowanie mechanizmów analitycznych jak najbliżej źródła danych jest niezbędne, aby zminimalizować strumień przekazywanych danych i ułatwić ich praktyczne wykorzystanie. Przykładowo, jeśli mamy autobus wyposażony w tysiące czujników, to zapewne dostarczają one danych, z których większość nie jest specjalnie ciekawa. Aby ograniczyć wymagania związane z ilością przesyłanych danych, warto już na tym poziomie wybrać te, które są z jakichś powodów interesujące. Innym przykładem jest zegarek, który na bieżąco mierzy parametry życiowe użytkownika. W ten sposób generowane są nowe zestawy danych, jednak ich wykorzystanie wymaga umiejętnego przetworzenia. Już dziś mamy do czynienia z sytuacją, kiedy jesteśmy w stanie generować dane szybciej niż je konsumować, czyli przetwarzać w sposób pozwalający na uzyskanie praktycznej wiedzy.

Jak zmienia się sposób wykorzystania danych w procesach biznesowych?

Rozwój technologii związanych z przetwarzaniem zbiorów Big Data sprawił, że różnego rodzaju analizy i raporty stają się narzędziem operacyjnym. Zmiana ta stwarza jednak nowe wyzwania przed dostawcami technologii. Wydaje się też, że czeka nas standaryzacja formatów wymiany danych. Jest to nieuniknione, aby rozwiązania różnych dostawców mogły się ze sobą sprawnie komunikować. Ponadto, rosnąca skala wykorzystania danych wymusza nowe potrzeby kompetencyjne od inżynierów danych. Poza tym potrzebne stają się kompetencje analityczne w mocno specjalizowanych dziedzinach biznesowych.

Ulokowanie mechanizmów analitycznych jak najbliżej źródła danych jest niezbędne, aby zminimalizować strumień przekazywanych danych i ułatwić ich praktyczne wykorzystanie. Aby ograniczyć wymagania związane z ilością przesyłanych danych, warto już na tym poziomie wybrać te, które są z jakichś powodów interesujące. W ten sposób generowane są też nowe zestawy danych, jednak ich wykorzystanie wymaga umiejętnego przetworzenia.

Jakie powinny zatem być zadania inżynierów danych?

Inżynier danych to osoba, która ma bardzo szeroką wiedzę, ale niekoniecznie jest to wiedza specjalistyczna w poszczególnych dziedzinach biznesowych. Dzięki temu ma on szeroką perspektywę: potrafi wskazać problem, zgromadzić dane potrzebne do jego rozwiązania, przeprowadzić proces wnioskowania i na pewnym poziomie ogólności określić rozwiązanie biznesowe. Jest to osoba, która potrafi przedstawić użytkownikom biznesowym sposób użycia danych pod kątem konkretnego zastosowania lub oczekiwanego efektu.

Jak zmieniają się zastosowania analityki Big Data?

Najbardziej obiecującym zastosowaniem Big Data jest tworzenie tzw. piaskownicy analitycznej. Jest to środowisko analityczne pozbawione sztywnego modelu danych i zapewniające szeroki zakres narzędzi pozwalających na eksperymentowanie z danymi, poszukiwanie możliwości ich praktycznego użycia w środowiskach biznesowych. Skalę wykorzystania Big Data i operacjonalizację wniosków z takich analiz w pewnym stopniu hamuje też rozwój – opartych na open source – interfejsów obsługi narzędzi do analizy Big Data, niedostosowanych często do wiedzy i kompetencji użytkowników biznesowych.

Jaka jest świadomość użytkowników w kwestii potencjału zastosowania analityki biznesowej?

Przybywa świadomych użytkowników biznesowych, którzy widzą w analityce wartość i chcą wykorzystać jej możliwości przy poszukiwaniu odpowiedzi na codzienne pytania biznesowe. W takie potrzeby świetnie wpisują się narzędzia SAS Visual Analytics czy SAS Visual Statistics. Zapewniają możliwość uzyskania danych użytkownikowi, który nie ma głębokiej wiedzy analitycznej. Oczywiście w dużych firmach wartość analityki zdecydowanie została już dostrzeżona. Najtrudniej jest znaleźć organizację, która jako pierwsza zdecyduje się na wykorzystanie innowacyjnego pomysłu w praktyce. W polskich firmach prowadzone są jednak projekty ciekawe i innowacyjne, także na skalę światową. Przykład to wykorzystanie mediów społecznościowych po to, aby poszukiwać potencjalnych szans sprzedażowych. Jest to zastosowanie niestrukturalizowanych danych wprost w procesie biznesowym.

Czy w obliczu rosnącej ilości danych rośnie też presja na ich uporządkowanie?

Paradoksalnie widać tu trend w drugą stronę. W latach 90., gdy pojawiły się hurtownie, zbierane dane były transformowane do tego modelu. Model hurtowni danych ogranicza jednak elastyczność reagowania na zmiany w otoczeniu. Dlatego dziś dane zbierane są zazwyczaj w takiej formie, w jakiej powstały, zaś model danych jest tworzony jako odpowiedź na konkretne pytanie. Dysponujemy narzędziami, które pozwalają w sposób interaktywny pracować z dużymi zbiorami danych, szukać zależności, tworzyć środowiska typu sandbox. Podstawą są tu rozwiązania SAS Visual Analytics i SAS Visual Statistics, które oparte są zarówno na technologii in-memory, jak i na bazie naszej nowej architektury SAS Viya.

Jaką rolę pełni analityka w kontekście zmian zaliczanych do tzw. cyfrowej transformacji biznesu?

Analityka to element napędzający cyfrową transformację poprzez zmiany w bieżącym funkcjonowaniu organizacji, pozwalające jak najlepiej wykorzystać dostępne dane do tworzenia nowych produktów czy lepszego wsparcia sprzedaży. Wydaje się też, że analityka i rozwiązania kognitywne odegrają bardzo istotną rolę, jeśli chodzi o sposób funkcjonowania przedsiębiorstw w krótkiej i średniej perspektywie czasu. Algorytmy stosowane do budowania tych ostatnich rozwiązań są częścią rozwiązań SAS od wielu lat. Dysponujemy całym zasobem sprawdzonych rozwiązań, które mogą służyć do analizy obrazu i przetwarzania języka naturalnego. Zapewniamy komplet algorytmów, które można użyć do budowy tego typu rozwiązań. W ofercie SAS należy spodziewać się również nowych rozwiązań kognitywnych dedykowanych pod konkretne, punktowe zastosowania. W Polsce mamy już takie wdrożenia z wykorzystaniem technologii Text Mining.

Jaką rolę w ofercie SAS Institute pełni wspomniana platforma SAS Viya?

SAS Viya to nowa koncepcja architektoniczna, która będzie funkcjonowała równolegle do tradycyjnej, opartej na SAS 9, ścieżki rozwoju. Platforma ta wprowadza jednak nowy sposób konstrukcji rozwiązań analitycznych. Umożliwia łatwe budowanie rozwiązań skalowalnych, także na bazie modelu chmury obliczeniowej, pozwalając pracować nawet na komputerze przenośnym, aby – w razie potrzeby – rozbudować to środowisko do infrastruktury opartej na setkach tysięcy komputerów, również przy użyciu modelu cloud.

Druga kwestia to otwartość. SAS Viya wspiera m.in. otwarte interfejsy API REST, dzięki czemu umożliwia wykorzystanie silnika analitycznego SAS z poziomu aplikacji tworzonych przez naszych klientów lub partnerów. Duża zmiana dotyczy też sposobu instalacji i utrzymania. Architektura SAS Viya jest oparta na mikroserwisach, które można pojedynczo aktualizować w czasie rzeczywistym, na żywym organizmie i bez żadnych przestojów. Kolejną cechą jest wysoki poziom bezpieczeństwa i dostępności rozwiązań opartych na tej architekturze. Awaria pojedynczego węzła w takim środowisku nie spowoduje błędu, nawet jeśli wystąpi w trakcie wykonywania analizy. Nowa platforma w pierwszej kolejności może być ciekawa dla nowych klientów, którzy potrzebują np. wysokiej wydajności lub punktowych zastosowań analitycznych.

Co ważne, SAS Viya w pełni wspiera język 4GL, więc osoby przyzwyczajone do programowania środowiska analitycznego SAS nie będą musiały zmieniać nawyków po modernizacji architektury. Wspierana jest też m.in. Java i Python. Platforma ta daje możliwość korzystania z takich narzędzi, jak SAS Enterprise Guide. W kontekście SAS Viya pojawi się również nowa jakość, jeśli chodzi o algorytmy analityczne. W ramach tej architektury dostępne są algorytmy, które samodzielnie dobierają najbardziej optymalne wartości parametrów. Każdy zainteresowany może skorzystać z testowej wersji platformy SAS Viya, dostępnej na naszej stronie internetowej.

Jakie są główne plany rozwoju funkcjonalnego narzędzia grupy SAS 9?

Na pewno należy spodziewać się modernizacji interfejsów aplikacji SAS pod kątem wykorzystania HTML5. Rozwój oferty następować będzie też w kontekście analityki dla urządzeń końcowych. Jest to nowa, ale rozwijana intensywnie dziedzina. Chodzi o to, aby wbudować algorytmy SAS tak blisko czujników, jak jest to możliwe. Początkiem drogi będzie umieszczenie technologii SAS w urządzeniach sieciowych.

Podobne tematy:

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *

« »