Читать онлайн «Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики». Страница 26

Многие пассажиры беспилотных автомобилей не будут знать о том, какую сложную работу выполняют данные и аналитика. Но в этом-то и суть. Хорошо выполненная операционная аналитика способна настолько управлять процессами и восприятием, что людям не надо будет знать о том, какая работа происходит под капотом.

Одни из самых сильных впечатлений, которые будет производить на нас аналитика, возникнут в тех ситуациях, когда мы даже не осознáем ее присутствия. Когда операционная аналитика будет выполнена на должном уровне, как, например, в беспилотных автомобилях, пользователям и не нужно будет знать, что происходит у них под капотом. Они могут просто наслаждаться поездкой.

Как вы помните, в первой главе мы говорили о растущей популярности фитнес-браслетов. Сфера здравоохранения начинает предлагать широкий спектр возможностей для изменения наших взглядов на здоровье и предоставление медицинской помощи. На стыке медицины, Интернета вещей и операционной аналитики создается огромный потенциал. Через несколько лет мы совсем по-иному будем прибегать к медицинской помощи и пользоваться ею. Давайте рассмотрим сценарий, который будет реализован в ближайшее время. Причем отдельные части этого сценария уже сегодня начинают претворяться в реальность, пусть и в небольших масштабах.

Хронические заболевания, такие как сахарный диабет, не только ведут к серьезным проблемам со здоровьем и ухудшению качества жизни у страдающих ими людей, но и влекут за собой значительные расходы на лечение. Современные глюкометры позволяют легко контролировать уровень сахара в крови. Кроме того, сегодня появились носимые устройства, которые ведут постоянный мониторинг уровня глюкозы, анализируют данные и подают предупредительный сигнал, если требуется вмешательство{33}. Это не только повышает безопасность для пациентов, но и позволяет избежать дорого обходящихся медицинских проблем.

Также пациенты получают возможность проходить реабилитацию после серьезных травм или болезней дома, а не в медицинском учреждении. Многочисленные датчики могут контролировать показатели жизнедеятельности, назначать лекарства и т. д. Состояние пациентов отслеживается автоматически, без постоянного присутствия врачей и медсестер, от которых в реабилитационный период часто требуется только прописывать таблетки или делать уколы. Лекарства могут назначаться автоматически, на основе анализа текущей информации о состоянии здоровья.

Если показатели жизнедеятельности или результаты анализа крови вызывают тревогу, пациенту звонит врач или медсестра, чтобы узнать, в чем дело. Если необходимо, они могут посетить пациента лично. Гораздо дешевле нанять дополнительный штат медсестер и врачей, чем возводить пристройки для размещения дополнительных больничных коек. Больницы могут расширить охват своей деятельности без увеличения физических мощностей. Идея вернуть домашние визиты медицинских специалистов кажется дорогостоящей. Но когда пациенты находятся в стабильном состоянии, необходимость в их посещении возникает редко, и это может стоить намного дешевле, чем длительное пребывание в больнице. К тому же в домашних условиях пациенты чувствуют себя более комфортно и восстанавливаются гораздо быстрее, чем в больнице{34}.

Чтобы предоставить пациентам возможность домашней реабилитации, требуется как очень простая аналитика – например, сравнение показателей жизнедеятельности с пороговыми значениями, так и более сложная – например, расшифровка электрокардиограмм или электроэнцефалограмм. В течение следующих нескольких лет операционная аналитика может открыть новую эру в сфере здравоохранения.

Необходимые для осуществления операционной аналитики данные можно использовать повторно при изобретательном к ним подходе. Это позволит создавать новые источники дохода, которые компенсируют затраты на сбор и анализ данных. Концепция повторного использования особенно пригодна для данных, которые применяются во многих операционно-аналитических процессах. Причем некоторые дополнительные способы использования данных не имеют никакого отношения к операционной аналитике. Однако ценность операционной аналитики состоит в том, что именно она способствовала сбору этих данных.

В каждом из трех случаев, описанных в этом разделе, огромное количество данных изначально собирается для целей операционной аналитики, после чего становится активом, способным создавать доход или сокращать расходы. Поиск творческих способов повторного использования данных и компенсации затрат на их сбор для операционной аналитики позволяет оправдать требуемые инвестиции. Убедитесь, что ваша организация ищет новые способы монетизации собираемых ею данных за рамками их первоначальной операционной области применения. Эта стратегия связана с концепцией превращения аналитики в продукт, которую мы обсуждали в первой главе.

И сотовые операторы, и провайдеры GPS должны собирать данные о местонахождении каждого абонента в любой момент времени, чтобы предоставлять свои основные услуги. Сотовый оператор знает о местонахождении своих абонентов благодаря тому, что их телефоны подключаются к вышкам сотовой связи. И очевидно, что GPS-навигатор не сможет сообщить пользователям, как им «отсюда» добраться «туда», если не знает, где находится «здесь». Однако те же данные, которые требуются этим организациям для предоставления своих основных услуг, обладают огромной ценностью и для использования в других целях.

Когда вы проверяете информацию о трафике на своем мобильном устройстве, очень часто она извлекается из тех же данных о местоположении абонентов, которые собираются для оказания основных услуг. Когда абонент едет по автомагистрали между штатами, оператор знает, с какой скоростью тот движется. Причем в любой момент времени оператор обладает такой информацией о большом количестве своих абонентов. Сведения о их местоположении обладают и дополнительной ценностью.

Поставщики услуг, собирая данные о местонахождении и скорости передвижения своих абонентов, повторно используют их на агрегированном уровне для поддержки систем слежения за дорожной обстановкой. И абоненты в часы пик могут получить новейшую информацию о трафике благодаря входным данным от тысяч таких же абонентов, которые движутся по тому же маршруту. Причем единственное, что нужно абонентам, так это пользоваться своими мобильными телефонами или GPS-навигаторами.

Мы уже говорили о том, что детализированные сенсорные данные собираются с автомобилей, самолетов и другой техники. Теперь обратимся к данным, собираемым современными тракторами. Когда фермеры выводят трактор на поле, датчики собирают информацию о его работе. С какой скоростью трактор передвигается по полю? На какую глубину обработки установлен его культиватор? Какова температура почвы и воздуха? И многое другое. Изначально эти данные предназначены для использования в операционных целях, скажем, в виде аналитики для профилактического техобслуживания или контроля за соблюдением условий гарантии. Однако существуют и другие интересные способы применения этой информации.

На первый взгляд, данные, собираемые для операционной аналитики, по большей части кажутся скучными и временными. Тем не менее зачастую этим данным можно найти творческое и неожиданное применение, которое не будет ни скучным, ни временным.

Постепенно углубляя свое понимание того, как фермеры в разных точках земного шара используют их оборудование, производители тракторов могут определить, какие методы земледелия позволяют получить максимальную урожайность. Они соотносят данные об урожайности, сообщаемые фермерами, с особенностями применяемых ими сельскохозяйственных технологий. Что если путем внесения небольших изменений можно урожайность повысить? Такие знания окажутся очень ценными для фермеров. Например, представьте, насколько полезно фермерам будет узнать о том, что увеличение глубины обработки культиватором всего на 0,3 миллиметра позволяет повысить урожайность. Однако такие знания могут быть получены только благодаря объединению операционных данных о применении оборудования большим количеством фермеров и использованию этих данных новыми способами.