Летопись цифровизации

Технологические прорывные достижения в цифровизации.

• 1975-1990. Персональные компьютеры.
• Apple: Разработаны массовые рыночные персональные компьютеры.
• Intel: Разработан х86 микропроцессор.
• Microsoft: лицензирована ОС MS-DOS для OEM,
• 1990-2000: Internet, dot-com.
• Amazon: Поворот от онлайн магазина к e-commerce маркетплейсу.
• Google: Разработан платформы для рекламы - AdWord.
• Microsoft: Интеграция Internet Explorer с ОС Windows.
• 2000-2010: Социальные медиа.
• Facebook (Meta): Пионерская социальная сеть. Позже приобретены Instagram (2012) и WhatsApp (2014).
• Google: Выпущена платформа для рекламы - AdSence.
• Twitter (X): Выпущена платформа опубликования коротких сообщений в реальном масштабе времени.
• YouTube: Демократизация распространения видео и потокового вещания. Продана Google (2006).
• 2005-2010: Мобильные вычислительные услуги.
• Apple: Выпуск iPhone. Разработка App Store.
• Google: Реализован Android как open-source, ОС для мобильных устройств.
• Samsung: Попытка глобальной экспансии Galaxy с использованием Android и инвестированием в технологию дисплея - активную матрицу органических светодиодных диодов (AMOLDED).
• Облачные вычисления.
• Amazon: Пионерские, масштабируемые по запросу, облачные сервисы вычислений.
• Microsoft: Разработка и распространение Azure с помощью партнерств и глобальных дата-центров.
• 2010-2020: Программное обеспечение как услуга (SaaS).
• Adobe: Миграция флагманских инструментов в облако, превращение одноразовой покупки ПО в постоянные платежи по подписке.
• Salesforce: Распространение портфельных решений SaaS, стратегические приобретения (например, Slack, MuleSoft, Tableau).
• ServiceNow: Пройден путь от менеджмента ИТ-услуг до платформы цифровых операций за счет автоматизации ИТ и рабочих бизенес-процессов.
• 2020-...: Искусственный интеллект (ИИ).
• Amazon: Встраивание genAI, Amazon Web Services, коплекса логистических услуг, охватывающих полный цикл от обработки заказов до выдачи клиенту.
• Google: Реализация ИИ (в частности, приобретение DeepMind в 2014), Gemine и широкое интегрирование в линейку продуктов.
• Microsoft: Реализация ИИ (в частности, OpenAI в 2019), разработка Copilot и интеграция GPT моделей в линейку продуктов.
• NVIDIA: Разработка превосходного GPU, становится ведущим поставщиком hardware для ИИ.
• OpenAI: Разработка большой языковой модели (LLM) c приложениеми для genAI.
• ServiceNow: Создание экосистем агентов ИИ для автоматизации рабочих бизнес-процессов.
• Taiwan Semiconductor Manufactoring: Инвестирование в производство ИИ-оптимизированных полупроводников для доминирования в производстве чипов.

Источник: Рисунок 1 в статье:

Winning through the turns: How smart companies can thrive amid uncertainty. September 3, 2025. By Brendan Gaffey, Ryan Farrell, and Tarek Elmasry with Ninad Kulkarni.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/winning-through-the-turns-how-smart-companies-can-thrive-amid-uncertainty

Данные как продукт

Поскольку компании все больше полагаются на данные, неэффективные или отсутствующие практики обработки данных стали стратегической проблемой.

Масштаб и ценность возникают, когда данные как продукт рассматриваются как двигатель, который может поддерживать большое количество вариантов использования.

Продукт на основе данных (информационный продукт) предоставляет высококачественный, готовый к использованию набор данных, легко доступный и повторно используемый в различных бизнес ситуациях. Волна энтузиазма вокруг генеративного ИИ привела к более широкому признанию важности данных и необходимости их более эффективного использования.

Информационный продукт (продукт на основе данных) состоит из пяти компонентов, которые предназначены для сбора, организации и управления наборами данных для их легкого использования различными командами или системами. При хорошей разработке продукта на основе данных удовлетворяет множественные стратегические потребности бизнеса посредством вариантов использования. Чтобы получить ценность, продукт на основе данных создается для повторного использования и удовлетворения широкого спектра бизнес-кейсов.

Поскольку компании все больше полагаются на данные — от использования искусственного интеллекта до разработки цифровых близнецов — неэффективные или несуществующие практики представления данных становятся стратегической проблемой.

Создание информационного продукта - это скорее стратегическая и операционная, нежели техническая задача:

• Речь идет о большей ценности, а не о лучших данных. Цель разработки информационного продукта — генерировать ценность. Каждая инициатива должна начинаться после того, как руководство получит четкое представление о ценности, которую может генерировать каждый вариант использования данных и расставит приоритеты.
• Понимание экономики информационного продукта. Эффективность информационного продукта основана на «эффекте маховика» - ускорение получения ценности и снижение затрат с каждым дополнительным бизнес-кейсом.
• Создание информационных продуктов, которые могут приводить в действие эффект маховика. Использование эффекта маховика для постоянного снижения затрат и роста ценности требует создания возможности повторного использования и сокращает переделку представления данных.
• Люди, которые могут управлять информационным продуктом как бизнесом. Назначение уполномоченных владельцев информационного продукта - старших руководителей по данным, которые понимают, что важно для бизнеса: от формулирования ценности в терминах бизнеса до создания поддержки использования продукта.
• Интеграция генеративного ИИ с информационным продуктом.

Речь идет о большей ценности, а не о лучших данных

Компании, которые дисциплинированно разрабатывают продуманную программу создания информационных продуктов, могут нацеливаться на высокоценные случаи, чтобы быстро извлечь выгоду, одновременно закладывая правильные основы для дальнейшего наращивания дополнительной ценности с течением времени. Для достижения этого стремления требуется как более целенаправленный, так и более обширный подход к разработке информационных продуктов.

Подавляющее большинство внимания и энергии руководителей сосредоточено на одном или двух конкретных вариантах использования, поскольку это позволяет руководству демонстрировать активность и результаты. А также поступают запросы на создание определенных информационных продуктов без оценки эффективности и выгод. Вместо этого лидерам необходимо создать четкое представление о том, где находится наибольшая ценность для бизнеса. Это начинается с анализа потенциала ценности каждого варианта использования, а затем кластеризации тех вариантов, которые опираются на схожие типы данных. Если нет набора бизнес-кейсов, то создание информационных продуктов не является необходимым. Однако если есть несколько высокоценных вариантов использования, опирающихся на схожие наборы данных, то это весомый аргумент для разработки информационного продукта. Чем больше бизнес-кейсов может охватить информационный продукт (чем больше размер кластера), тем большую ценность он может создать.

Результатом анализа должно стать создание карты вариантов использования и измерение выгод каждого информационного продукта. Такая карта устанавливает ожидание создания актива, на который ориентируется руководство. И карта становится практическим инструментом для принятием решений.

Приоритетность создания информационных продуктов можно определить на основе ценности, которую они обеспечивают с учетом того, что для реализации бизнес-кейсов с высокой стоимостью часто требуется несколько информационных продуктов.

Понимание экономики информационных продуктов

Компании часто не имеют четкого понимания экономики информационных продуктов, что приводит к вводящим в заблуждение бизнес-кейсам, необоснованному принятию решений и неэффективному ресурсообеспечению. Ценность информационных продуктов заключается в устойчивом снижении удельных затрат за счет повторного использования, и соответственно, в ускорении получения ценности каждого дополнительного варианта использования.

Ряд расходов на разработку информационного продукта является единовременными инвестициями. Повторное использование информационных продуктов ускоряет окупаемость. Эффект маховика играет двумя способами. Первый — это ускорение в получении отдачи разных вариантов использования: чем больше бизнес-кейсов поддерживает информационный продукт, тем быстрее компания получит отдачу. Второе — это снижение затрат на поддержание качества данных и обеспечением надежности. Стандартизация, структурирование и автоматизация, которые являются частью информационных продуктов, помогают значительно снизить частоту отказов, возникающих из-за плохого управления данными.

Такое понимание экономики данных имеет три ключевых следствия:

• Компании могут создавать более качественные информационные продукты вместо того, чтобы создавать много информационных продуктов. Львиная доля потенциальной ценности для компании обычно исходит от 5 до 15 информационных продуктов.
• CIO могут убедительно сформулировать ценность информационных продуктов для бизнеса. 
• Ясность в отношении ценности информационных продуктов может помочь в согласовании ресурсов и стимулов. Слишком много энергии и внимания тратится на создание информационных продуктов, а не на их поддержание и развитие с течением времени. Это включает, например, обеспечение того, чтобы люди с соответствующими навыками поддерживали рост информационных продуктов с течением времени, и согласование стимулов с значимыми ключевыми показателями эффективности (такими как скорость повторного использования информационных продуктов, доверие и уровень удовлетворенности заинтересованных сторон, эффективность обслуживания информационных продуктов и время до получения отдачи). Бюджеты для вариантов использования также должны включать использование информационных продуктов, ограничивая возможности команд отвлекаться и создавать собственные решения.

Создание информационных продуктов, которые могут привести в действие эффект маховика

Инженерия данных критически важное область, которая приводит в действие эффект маховика, обеспечивающий снижение удельных затрат и ускорение создания ценности. Этот эффект зависит от того, насколько хорошо масштабируются продукты и системы данных. Слишком часто компании сокращают эту работу, что приводит к предсказуемым задержкам и перерасходу средств.

При проектировании продуктов обработки данных с целью обеспечения их масштабируемости необходимо учитывать ряд ключевых моментов:

• Создание информационного продукта, который будет легко развиваться. Одним из важнейших шагов в разработке информационного продукта является понимание того, как он должен будет развиваться, чтобы соответствовать будущим вариантам использования. Это связано с тем, что может быть сложно и затратно изменять информационный продукт после его создания. На практике это означает моделирование информационного продукта таким образом, чтобы в него можно было добавлять новые источники и типы данных, не меняя ядро. Поддержание простоты данных особенно важно.
• Разработка актива, который легко встраивается в существующие системы. Информационные продукты не могут масштабироваться сами по себе. Лидерам данных необходимо инвестировать в механизмы поддержки масштабирования. Хотя многие знают о передовых методах (например, о создании библиотек кода), часто возникают сбои в подключении информационных продуктов к существующим системам. Внедрение стандартизированных технологий подключения (например, API и коннекторов баз данных) имеет решающее значение, также как и продумывание выбора соответствующих технологий. Например, если компания разработала корпоративное хранилище данных, создание информационных продуктов в этой среде значительно упрощает доступ к данным.
• Создание простого доступа к информационным продуктам. Отличный информационный продукт бессмыслен, если им никто не пользуется. Чтобы избежать этой проблемы, необходимо обеспечить легкий доступ к информационным продуктам через поисковую торговую площадку.
• Создание DataOps (управление данными и операции) для максимальной автоматизации. Процессы рационализации данных и загрузка их в нужный информационный продукт, как правило, выполняются вручную, а значит, сложны и требуют много времени. Поэтому разработка зрелых возможностей DataOps для улучшения интеграции и автоматизации потоков данных от источника к продукту имеет решающее значение. Это требует автоматизации как можно большего количества процессов работы с данными. Поскольку информационные продукты являются органическими и изменяются по мере появления новых вариантов использования, дата-менеджерам придется часто пересматривать и корректировать варианты использования.
• Организация группировки данных. Кураторство включает в себя консолидацию копий данных, создание стандартов данных и установление того, какие данные являются окончательным источником. Таким образом, продукты данных могут получить доступ к надежным источникам, которые им нужны для эффективного функционирования. Создание надежных доменов зависит от наличия сильных инженеров данных, но разрыв между хорошими и посредственными исполнителями часто огромен. Великие инженеры данных не только обладают сильными техническими навыками, но и умеют задавать вопросы второго и третьего порядка (например, для чего будут использоваться данные) и являются креативными решателями проблем.

Рынок данных позволяет бизнес-подразделениям и групповым функциям искать, получать доступ и потреблять продукты данных. Некоторые функции рынка информационных продуктов:

• Обзор метаданных.
• Библиотека определений данных.
• Отображение источников данных.
• Ведение рейтингов данных.
• Сбор метаданных информационных продуктов.
• Доступ к данным и поиск.
• Поиск и исследование информационных продуктов.
• Администрирование информационных продуктов.
• Предварительный просмотр информационных продуктов (например, через API).
• Использование данных.
• Соединение и получение данных.
• Скорость передачи данных.
• Мониторинг использования информационных продуктов.

Найдите людей, которые могут управлять информационными продуктами как бизнесом

Программа создания информационных продуктов, рассматриваемая как «просто ИТ-проект», не сможет создать ценность. Успешные усилия требуют широкого сотрудничества с людьми бизнеса и руководителями по данным, которые понимают, как управлять информационными продуктами как бизнесом, а не как проектом. Успешные команды по работе с данными сочетают в себе деловой и технический опыт. Особо выделяются две потребности:

Сильные владельцы продуктов данных (DPO - data product owners) должны возглавлять программы создания. Многие компании понимают необходимость назначения DPO или менеджера по данным ответственными, но не действуют в этом направлении в достаточной степени. Слишком часто отдают ведущую роль менеджерам проектов, что приводит к сосредоточению на предоставлении требований, а не на создании ценности.

Сильные владельцы продуктов данных (DPO - data product owners) наиболее эффективны, когда они управляют программами по созданию информационных продуктов как бизнесом и выходят за рамки простого предоставления самого информационного продукта. Они тесно сотрудничают с бизнес-спонсорами, активно ищут в бизнесе новые варианты использования информационных продуктов, внимательно отслеживают ключевые показатели эффективности и то, сколько ценности создается, а также находят способы сокращения расходов (например, закрывая ненужные базы данных). Они несут прямую ответственность за получение выгод от информационных продуктов. На практике, в некоторых случаях DPO будет нести ответственность за прибыли и убытки, в то время как в других случаях DPO может получать прямую компенсацию за ценность, которую создает их информационный продукт.

DPO не должны управлять доменами данных. Это компетенция управляющих данными, которые сосредоточены на соблюдении стандартов, снижении рисков и обеспечении качества данных в доменах.

Бизнес должен возглавлять разработку. Бизнес должен быть тесно вовлечен с самого начала в разработку информационных продуктов. Например, если оставить решения по дизайну продукта только инженеру по данным, то это может привести к тому, что информационный продукт будет хорошо функционировать технически, но не будет отвечать потребностям бизнеса. Лучшие компании привлекают экспертов предметной области и коллег из бизнес-подразделений, чтобы совместно решить, какие данные наиболее важны для данного варианта использования.

Программы по созданию информационных продуктов требуют значительной координации обмена данными и обновления процессов в рамках всего бизнеса. Такие усилия имеют гораздо больше шансов на успех, если ими руководит старший руководитель бизнеса, а не руководитель по данным. Например, в одной страховой компании почти 80% контактной информации бенефициаров были устаревшими. Обновление этих данных потребовало от операционных групп расстановки приоритетов, от групп по управлению взаимоотношениями с клиентами — обновления каналов данных, а от групп продаж — совершения звонков и ввода обновленной информации в систему. Старший руководитель бизнеса не только активно проводил кампанию по формированию поддержки среди различных функциональных руководителей, но и разработал отчетную карту для отслеживания полноты и качества данных. Некоторые компании предпринимают дополнительные шаги по созданию команды, отвечающей за управление и измерение производительности данных для гарантирования достижения ключевых показателей эффективности.

Интеграция генеративного искусственного интеллекта и программы обработки данных

Инструменты и возможности Gen AI оказывают глубокое влияние на разработку информационных продуктов, ускоряя процесс разработки в три раза по сравнению с традиционными методами. Однако многие компании испытывают трудности с достижением такой эффективности. Проблемы связаны с тем, что компании сосредотачиваются только на относительно небольшой части цикла разработки информационных продуктов. Решение в разбивке этапов разработки на части для определения повторяющихся процессов, которые хорошо подходят для gen AI.

Стадии разработки информационного продукта.

Исследование

• Идентификация вариантов использования данных
• Определение облика информационного продукта

Подготовка

• Идентификация требуемых источников данных
• Построение шины передачи данных

Разработка

• Сборка данных для использования
• Мониторинг качества данных
• Тестирование кода
• Публикация информационного продукта

Использование

• Ссылки на каталоги данных
• Разработка вариантов использования данных
• Мониторинг производительности и адаптации к вариантам использования.

Технологии искусственного интеллекта позволяют переосмыслить цикл разработки информационного продукта для создания промышленных и востребованных продуктов обработки данных.

Задачи, в решении которых искусственный интеллект особенно эффективен, включают создание пользовательских историй с критериями приемки, формирование требований на основе бизнес-целей, автоматизацию создания взаимосвязей данных, создание кода преобразования для переноса данных из источника в целевую систему, а также тестирование качества и конфиденциальности данных.

Доступ к совершенно новым типам неструктурированных данных (таким как изображения, отзывы пользователей и видео), которые предоставляет ИИ, может повысить эффективность информационного продукта, например, путем включения анализа настроений и поведения. Но компаниям необходимо организовать обработку неструктурированных данных с тем, чтобы сделать их пригодными для использования. Это означает, например, маркировку данных, определение их важности и создание ярлыков для доступа к наиболее используемым данным.

Источник

Если провести аналогию, то данные без информационного продукта — это как нефть без нефтеперерабатывающих заводов: в сыром виде мало ценности. Информационный продукт — это ключ к принятию решений и действий на основе данных.

Недостающее звено данных: пять практических уроков по масштабированию ваших продуктов данных. 23 апреля 2025 г. Эта статья является результатом совместной работы Асина Таваколи , Хольгера Харрейса , Кайвауна Роушанкиша и Клеменса Хьяртара при участии Авинаша Джаваджи, представляющих точку зрения McKinsey Technology.

The missing data link: Five practical lessons to scale your data products. April 23, 2025.

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-missing-data-link-five-practical-lessons-to-scale-your-data-products

Стандартный подход реализации цифрового двойника

...ведь компьютеры разочаровали вас, правда? Посредственность даже при быстродействии в 1000 миллионов операций в секунду все равно остается посредственностью.

Грег Иган. Демон подземелья (The Demon's Passage). Рассказ, 1991 год.

Подходы реализации:

• Установление целей миссии и фокусировка. 
• Определение целей и модельных вопросов. 
• Определение стратегических и операционных решений. Например, инвестиционные решения относятся к стратегическим, набор и оптимизация персонала - операционным.
• Идентификация технического стека, данных, элементов данных (в частности, типов в самом широком смысле). 
• Обзор решений (готовое ПО, заказное ПО). 
• Определение интеграции с существующими системами. 
• Связывание элементов данных для слоев данных и вариантов использования.
• Разработка цифрового двойника и логики симуляции. 
• Создание логики для зеркального отображения динамики реального мира. 
• По необходимости абстрактные области чрезвычайной сложности.
• Масштабирование возможностей цифрового двойника. 
• Масштабирование решения для организации с соответствующими слоем данных. 
• Рассмотрение частоты использования для представления на уровне платформ, визуализаций и разработок.
• Идентификация и приоритезация вариантов использования. 
• Разработка вариантов использования в рамках решения основных стратегических вопросов и последовательности реализаций основываясь на воздействии, выполняемости и расширяемости.
• Построение слоя данных. 
• Разработка соглаванной базы данных. 
• Картирование от начала до конца процессов там где это необходимо.
• Тестирование, улучшение и анализ выхода. 
• Тестирование модели на исторических данных. 
• Анализ результатов в целях формирования решений.

 

Аналитика в закупках

Пять областей, в которой аналитика для управления закупками окажет наибольшее влияние

Оптимизация расходов и спроса. С применением технологий ИИ и генеративного ИИ (gen AI) управление категориями может быть автоматизировано и ускорено несколькими способами. 

Во-первых, алгоритмы категоризации расходов могут легко создавать очищенные кубы расходов.

Во-вторых, прогнозы и оптимизация спроса станут более точными, делая контроль и оптимизацию источников, спроса и цепочки поставок гораздо более релевантными.

Аналогичным образом интерфейсы gen AI позволяют руководителям закупок запрашивать данные о расходах, рынке или спецификациях, задавая вопросы, касающиеся, например, 

• доли расходов, подверженных определенному климату или геополитическому событию,
• увеличения ожидаемой стоимости из-за колебаний цен на нефть
• указание возможных альтернативных источников поставщику, находящемуся в бедственном положении. 

Для стандартизированных товаров с высококонкурентными рынками, такими как транспорт или временная рабочая сила, покупателям не нужно будет вмешиваться в процесс, предоставляя ботам возможность принимать торговые решения автономно на основе предопределенных целевых функций. Gen AI также можно использовать для автоматизации генерации контрактов. Еще одно коснется анализа рынка поставок и оптимизации стратегии, выявление источников, которые подвергают компанию высоким рискам, и автоматической поиск альтернативных источников в определенном ценовом диапазоне и сроках поставки. Наконец, компании могут использовать машинное обучение для анализа моделей использования и прогнозирования спроса, чтобы автоматически генерировать сценарии и стратегии снабжения на основе аналитики уровня запасов, особенно для часто покупаемых товаров.

Управление внешними факторами прибыльности. Команды по закупкам смогут объединять внутренние данные с внешними рыночными отчетами и базами данных и использовать алгоритмы машинного обучения для выявления закономерностей и тенденций в ценах на сырьевые товары. Руководители отделов закупок и менеджеры по категориям будут полагаться на такие прогнозы, чтобы оставаться на переднем крае прибыльности отрасли с прозрачностью в реальном времени в отношении подверженности волатильности цен. Они смогут динамически вычислять ожидаемую стоимость своих самых нестабильных товаров и вести переговоры с поставщиками на основе фактов. Закупки также смогут оценивать влияние любых изменений входных цен на маржу продукта и анализировать несколько сценариев для определения правильных действий по защите этой маржи. Реактивные действия могут включать переход на альтернативные утвержденные рецепты или цепочки создания стоимости, корректировку планирования или уровней запасов, финансовое хеджирование товаров или передачу изменений цен покупателю. 

Например, потребительская компания разработала модель прогнозирования цен, которая была объединена с оптимизатором хеджирования, чтобы ежемесячно рекомендовать объем производных пальмового масла для хеджирования. Среднесрочные и долгосрочные действия могут включать оптимизацию стратегии заключения контрактов путем корректировки сроков действия контрактов и дат начала в ходе переговоров с поставщиками (например, закупка по спотовым ценам вместо фиксированной цены на несколько месяцев), переопределение регионального присутствия поставщиков путем использования преимуществ разницы в динамике цен в разных странах или получение преимуществ по затратам за счет стратегических соглашений с выбранными поставщиками Tier-N, включая частичное поглощение или вертикальную интеграцию с участниками цепочки создания стоимости, получающими непропорциональную маржу.

Управление эффективностью поставщиков. Цифровые панели мониторинга могут объединять данные о контрактах, счетах-фактурах и эффективности поставок поставщиков, чтобы предоставить полную картину соблюдения поставщиками соглашений об уровне обслуживания. Предоставляя ранние предупреждения об отклонениях в производительности, эти системы могут управлять операционными вмешательствами или проектами сотрудничества с поставщиками. Параметрические инструменты могут автоматически рассчитывать ожидаемую стоимость для тысяч позиций, помогая компаниям оптимизировать спецификации и позволяя им проводить надежные, основанные на фактах, переговоры со своими поставщиками. Технологии Gen AI также меняют управление поставщиками с появлением автоматизированных инструментов, которые могут производить интеллектуальную разведку по профилям рисков поставщиков на основе общедоступных данных, таких как отчеты социальных сетей. Gen AI также может помочь сотрудникам по закупкам оптимизировать свой диалог с поставщиками, например, путем автоматизации создания сценариев переговоров, отчетов, электронных писем и контрактов.

Управление рисками поставок. В лучшем случае к 2030 году закупки будут оснащены цифровым двойником цепочки поставок, моделирующим все узлы по всему миру, от поставщиков сырья и их прямых поставщиков до внутренней производственной сети, клиентов и всех логистических каналов, соединяющих эти узлы. Эти цифровые двойники будут разработаны путем объединения двух подходов. Потоки материалов от поставщиков первого уровня будут картироваться в сотрудничестве с поставщиками, в то время как веб-анализ данных будет использоваться для устранения пробелов в данных путем построения картины потоков от второго уровня до уровня n. Каждый узел будет иметь почти живое представление о связанном риске поставок, стоимости и интенсивности выбросов углерода, рассчитанное на основе логики, которая позволяет фильтровать сигналы по их фактическому риску и доступности мер по смягчению. Закупки будут не только иметь полное представление о текущем состоянии своей цепочки поставок, но и смогут моделировать уровень риска с учетом прогнозируемого роста бизнеса, возникновения рисковых событий и эффекта мер по смягчению. Цифровой двойник цепочки поставок позволит закупкам оценивать последствия любого типа изменений или сбоев в очень сложных и взаимосвязанных цепочках создания стоимости и реагировать на неблагоприятные события гораздо раньше. Кроме того, команды, которые внедряют эту технологию, будут реагировать быстрее своих коллег на изменения в сигналах поставок и, как следствие, иметь нужный продукт в нужном месте с минимальными затратами и углеродным следом.

Лидерство в области устойчивости. Данные, ориентированные на устойчивость, и эффективные аналитические инструменты жизненно важны, поскольку компании стремятся достичь высоких целей по сокращению выбросов углерода, предотвращению загрязнения и устранению несправедливой трудовой практики в цепочке поставок. С точки зрения экологической устойчивости данные о закупках, основанные на расходах, могут использоваться для оценки базового уровня выбросов углерода в цепочке поставок. Этот подход был принят многими компаниями для оценки своих выбросов Scope 3 на начальном этапе. Однако повышение двусторонней прозрачности углерода между поставщиками и клиентами требует дополнительных усилий, включая сотрудничество с поставщиками для создания отчетности по выбросам на уровне продукта (например, коэффициенты выбросов на основе потребления) и обмена стандартами через существующую инфраструктуру данных о закупках. Интеграция этих показателей устойчивости с данными о закупках и расширенной аналитикой может помочь компаниям взаимодействовать, оценивать и контролировать прогресс в области устойчивости своих поставщиков. Следовательно, этот подход может помочь компаниям сократить выбросы в своей цепочке поставок, выбирая продукты или поставщиков, которые соответствуют их целям в области устойчивости.

Cерьезные проблемы

Проблемы качества данных и доступа. Ожидается, что данные, аналитика и ИИ-технологии будут играть ключевую роль в каждом бизнес-решении к 2030 году, хотя инфраструктура данных не готова поддерживать эти амбиции. Зрелость инфраструктуры данных низкая, менее 70% данных о расходах хранятся в одном месте, данные не очищаются и не классифицируются. В системах также может отсутствовать важная информация для закупок, такая как данные о качестве или спецификациях или внешние данные от поставщиков, клиентов и более широкого рынка.

Трудность формулирования бизнес-кейса. Отделы закупок испытывают трудности с получением финансирования для проектов аналитики и ИИ, часто из-за отсутствия убедительного бизнес-кейса. Эта проблема типична для организаций, которые следуют подходу «технологической поддержки», то есть выбирают программное обеспечение и решения без четкой связи с возможностями создания ценности для бизнеса.

Низкий уровень внедрения. Организации, которые преодолевают первые две проблемы, часто сталкиваются с третьей. Даже когда они создали бизнес-кейс и доказали эффективность цифрового варианта использования в тестах, им сложно внедрить его использование в основные процессы и методы работы команд по всей организации. Это распространенная проблема в преобразованиях аналитики данных независимо от бизнес-функций, из-за чего многие организации застревают в пилотном чистилище. Это особенно распространено в сфере закупок, где команды часто сосредоточены на предоставлении квартальных результатов или погружены в краткосрочные обязательства и не тратят время на понимание и внедрение новых технических решений.

Рецепт успеха

Акцент на наиболее ценных вариантах использования. Многие организации по закупкам имеют дорожные карты, которые нацелены на развертывание пятнадцати или более продуктов данных каждый год, включая развертывание сложной архитектуры данных и комплексных пакетов. Однако организации имеют ограничения в возможностях по тестированию, проверке, индустриализации и масштабированию такого объема технических решений. Аналогичные ограничения применяются к возможностям ИТ-функции по управлению и индустриализации новых инструментов, а также к способности групп по категориям и закупкам интегрировать эти инструменты, одновременно выполняя свои годовые бизнес-цели. Компании, которые смогли успешно масштабировать аналитику, сосредоточили годовые дорожные карты на приоритетном наборе из пяти или шести технических решений, выбранных на основе потенциальной ценности, которую каждое из них может создать, и того, как каждое из них решает основные бизнес-вопросы и потребности пользователей. Применяется принцип Парето, при этом несколько продуктов данных обеспечивают от 60 до 80 процентов стоимости и делают инвестиции чистыми положительными в диапазоне от восьми до двенадцати месяцев.

Специализированная платформа/домен данных и выделенные технические ресурсы. Обнадеживающее число компаний начали менять способ, которым данные преобразуют закупки, обогащая свои данные о расходах сочетанием категоризации данных на основе ИИ и строгих методов управления основными данными. Это позволяет им создавать модели данных, которые интегрируют полный набор соответствующих источников данных, как внутренних, так и внешних, таких как базы данных анализа рынка. Ведущие организации создают собственную модель данных о закупках с помощью специальной команды. Вместо того чтобы пытаться исправить все данные сразу, руководители сосредотачиваются на данных, которые им нужны для высокоприоритетных вариантов использования, и работают в обратном направлении. Это помогает каждому обрабатываемому компоненту данных создавать ценность для организации, а не поглощать разнообразные наборы данных перед оценкой их использования. И хотя существуют системы для очистки данных, укрепление процессов управления данными остается приоритетом. Не менее важно партнерство с ИТ. Проведение целостной трансформации аналитики — это как технологическая трансформация, так и трансформация бизнес-практик. Для успеха требуется поддержка лучших технических архитекторов и инженеров компании. Партнерство с ИТ и цифровыми технологиями на начальном этапе имеет решающее значение для обеспечения того, чтобы все решения по проектированию принимались в соответствии с передовой практикой, и для получения достаточных технических возможностей и опыта для создания требуемых моделей данных и конвейеров.

Помещение пользователей в центр внимания. Учет ориентации на пользователя с первого дня имеет решающее значение для быстрого внедрения на протяжении всего жизненного цикла продукта данных. Это начинается с обеспечения понимания потребностей, болевых точек и предпочтений специалистов по закупкам на раннем этапе. Необходимо избегать ненужных функций, которые усложняют и в конечном итоге ухудшают пользовательский опыт. Кроме того, пользовательский интерфейс должен быть интуитивно понятным и простым в навигации, гарантируя, что пользователи могут быстро понять функциональность и преимущества. Важно учитывать существующие системы и процессы закупок, чтобы новые продукты данных интегрировались бесшовно, уменьшая сбои для пользователей и необходимость смягчать процессы с помощью управления изменениями. Между тем, коммуникация и обучение являются ключом к успешному запуску продуктов данных. Четкое изложение того, как новые продукты данных могут повысить эффективность, оптимизировать процессы и улучшить принятие решений, мотивирует раннее внедрение. Эта коммуникация должна быть двунаправленной, активно слушать пользователей, учитывать их вклад и обновлять функции.

Талант и навыки. В командах по закупкам обычно не хватает людей, владеющих навыками работы с данными, аналитикой и ИИ, чтобы поддерживать свои цифровые амбиции. Наш опрос выявил прямую корреляцию между уровнем развития организации и ее долей доступных аналитических ресурсов. Лучшие в своем классе компании помещают 22% сотрудников по закупкам в аналитические команды. Это говорит о том, что компаниям необходимо будет инвестировать и увеличивать количество профилей данных, доступных для масштабирования, путем внешнего найма подкованных в данных профилей или переквалификации существующих команд.

Отслеживание воздействия и управление производительностью. Ведущие организации вкладывают ресурсы для преобразования данных в соответствии с графиком. Как правило, они создают офис по трансформации, который отслеживает прогресс в сравнении с первоначальной дорожной картой и строго отслеживает доставку воздействия, поднимая флаги, когда решения не дотягивают. Это позволяет закупкам сделать шаг назад и проанализировать, что может идти не так, как планировалось, что позволяет скорректировать курс.

От видения к трансформации

Превращение функции закупок в организацию, управляемую данными и поддерживающую ИИ, — это процесс трансформации, который обычно занимает от шести до восемнадцати месяцев. Каждая успешная трансформация требует видения, амбиций и постоянной приверженности со стороны высшего руководства. Это также зависит от командной работы, вовлеченности и энтузиазма во всей организации.

В качестве первого шага взаимодействуйте с заинтересованными сторонами для понимания: что  нужно для высокоэффективной функции закупок и где основные болевые точки. Технологические партнеры станут второй ключевой группой соавторов. К ним относятся внутренняя ИТ-функция организации и внешние поставщики платформ данных, технологий ИИ и аналитических инструментов.

Вооружившись четкой картиной потребностей бизнеса и потенциальных решений, отдел закупок может пересмотреть свою технологическую дорожную карту. Это следует сделать, имея в виду две цели: раннее внедрение решений ИИ и аналитики, которые создают ценность, и одновременное создание основ платформы данных, которая будет соответствовать долгосрочным потребностям организации. Быстрые результаты от первых вариантов использования имеют решающее значение для создания импульса трансформации. Демонстрируя конечным пользователям и руководителям бизнеса, что могут предоставить данные и аналитика, они помогают стимулировать интерес и вовлекать в процесс всю организацию.

И, когда они начинают развертывать эти высокоприоритетные решения, руководители по закупкам должны держать в уме еще одну группу сотрудников: команды по закупкам, которые преобразуют основанные на данных идеи в ценность для бизнеса. Сосредоточение внимания на внедрении технологий ИИ с первого дня помогает закупкам создавать решения, которые работают лучше, масштабируются быстрее и создают большую ценность для организации.


Источник.

Revolutionizing procurement: Leveraging data and AI for strategic advantage. June 13, 2024. By Aasheesh Mittal, Charles Cocoual,Mauro Erriquez, and Theano Liakopoulou

https://www.mckinsey.com/capabilities/operations/our-insights/revolutionizing-procurement-leveraging-data-and-ai-for-strategic-advantage

"Революция в закупках: использование данных и искусственного интеллекта для получения стратегического преимущества". 13 июня 2024 г.

Наука о данных - к определению

В любом случае, наука о данных — это обоснованное извлечение ценности (или пользы) из данных. В этом случае человек понимает, что данные требуют серьезной обработки и работы со стороны многих заинтересованных сторон, прежде чем эти данные станут ценными.

Отсюда можно вывести такое следствие, что наука о данных как организационная деятельность часто описывается с помощью «процесса»ю То есть некоторого рабочего процесса, описывающего шаги, которые необходимо предпринять в превращении данных в ценность. Таким процессом может построение прогностической модели для того, что бы например, знать какой будет отток клиентов, или кто и как положительно отреагирует на маркетинговую кампанию. Это может быть задача сегментации клиентов или просто автоматическое создание периодического отчета с описательной статистикой.

Исходным источником, входом процесса являются данные. Отталкиваясь от это были предложены различные структуры процессы, из которых процесс CRISP-DM или процесс KDD являются довольно популярными в настоящее время.

Примечание. CRISP-DM (Cross-Industry Standard Process for Data Mining) расшифровывается как «Межотраслевой стандартный процесс интеллектуального анализа данных».

Что такое proof of stake (доказательство доли владения)

What is proof of stake? Буквально - "Что такое доказательство доли?".
 https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-proof-of-stake

Примечание. "Proof of stake" переводится как "алгоритм консенсуса". В Википедии - доказательство доли владения.

Доказательство доли (PoS) — это протокол консенсуса в блокчейнах, позволяющий решить, какие пользователи получают вознаграждение за правильное выполнение проверки новых блоков транзакций.

Механизм консенсуса представляет собой способ, которым пользователи блокчейна договариваются об истории транзакций, настоящем и будущем.

Что такое блокчейн?

Блокчейн — это тип распределенной базы данных или реестра. Обновление данных распределяется между узлами общедоступной или частной компьютерной сети. Это называется -  технология распределенного реестра или DLT. Сеть предоставляет узлам сети (нодам) вознаграждение (стимулы) за обновление блокчейнов в виде цифровых токенов или валюты.

Что такое протокол консенсуса?

Криптовалюты не имеют физических банкнот или монет. Они представляют собой децентрализованные системы, что означает, что нет банка или другого центрального органа, который бы отслеживал, сколько денег находится на каждом счете и являются ли транзакции действительными или мошенническими. Каждому участнику сети или каждому узлу нужен работоспособный и надежный способ следить за реестрами и транзакциями.

Чтобы блокчейн работал, каждому узлу необходим доступ к одной и той же постоянно обновляемой базе данных. Вот почему важно, чтобы все узлы в блокчейне пришли к консенсусу относительно любых изменений в записи.

Когда в сеть добавляются новые данные, большинство узлов должны проверять и подтверждать легитимность новых данных на основе разрешений или экономических стимулов; они также называются механизмами консенсуса . При достижении консенсуса создается новый блок, который присоединяется к цепочке. Затем все узлы обновляются, чтобы отразить реестр блокчейна.

Существует много видов консенсусных протоколов. Доказательство работы — это механизм консенсуса, который до сих пор использовался в большинстве криптовалют; в сентябре 2022 года криптовалюты на основе Ethereum перешли на протоколы Proof-of-Stake в ходе получившего широкую огласку события, известного как «The Merge».

Как работает доказательство доли владения?

Протокол блокчейна предоставляет трейдерам стимулы для проверки транзакций, вознаграждая их криптовалютой за каждую правильную проверку. В качестве защиты от мошенничества протоколы подтверждения доли требуют, чтобы трейдеры «ставили» часть своей криптовалюты в качестве залога, которая затем блокировалась в депозите. Если трейдер добавит в блокчейн транзакцию, которую другие валидаторы сочтут недействительной, он может потерять часть поставленной суммы.

Обычно существует нижний предел того, сколько валидаторов могут делать ставки. После превышения лимита валидаторы могут делать ставки сколько угодно. На самом деле, чем больше трейдер ставит, тем больше вероятность того, что он будет выбран алгоритмом. Вот простой пример, чтобы проиллюстрировать это: допустим, есть новое изменение в блокчейне, которое требует проверки. Десять узлов добровольно подтверждают это, и каждый из них ставит одну криптовалюту за эту привилегию. Это означает, что каждый из них имеет равный 10-процентный шанс получить награду за работу.

Допустим, один доброволец очень хочет выиграть работу. Он может увеличить шансы, поставив на сделку три монеты. Если бы все остальные сохранили свою ставку в одной монете, их шансы на победу увеличились бы до 25 процентов, в то время как шансы всех остальных снизились бы до 8,3 процента.

На практике все намного сложнее. Это связано с тем, что новые транзакции группируются в блоки, иногда по несколько сотен и более. Затем несколько блоков объединяются в цепочку, чтобы создать запись всех транзакций по порядку. Еще одним усложняющим фактором является то, что трейдеры могут входить в пулы ставок, где группы валидаторов могут вместе установить нижний предел, чтобы стать валидатором. Когда пул ставок присуждается за работу, вознаграждение делится между членами пула, при этом немного большая доля достается владельцу пула.

Что такое протокол консенсуса Proof-of-Work?

В настоящее время большинство блокчейнов приходят к консенсусу с помощью доказательства работы (PoW). Вот как это работает: первый узел или участник, подтвердивший добавление новых данных или транзакцию в цифровой книге, получает в качестве вознаграждения определенное количество токенов. Процесс проверки требует, чтобы участник, которого можно назвать «майнером», решил криптографический вопрос. Компьютер, который первым решит головоломку, получает токен. Эта модель побуждает майнеров действовать быстро, что увеличивает скорость выполнения операции.

Почему доказательство доли владения рассматривается как обновление доказательства работы?

Многие ожидают, что значительное количество криптовалют перейдет на доказательство доли владения (PoS). В системах PoS майнеры оцениваются на основе количества монет, которые они имеют в своих цифровых кошельках, и продолжительности их хранения. Майнер с самой высокой ставкой имеет больше шансов быть выбранным для проверки транзакции и получения вознаграждения.

Направление ресурсов мощных компьютеров на решение головоломок означает использование большего количества электроэнергии . Криптовалюты, использующие механизмы консенсуса Proof-of-Work, подвергались критике за потребление электроэнергии.

Доказательство доли владения выполняется быстрее, позволяет избежать сжигания энергии и не требует специального вычислительного оборудования. По этим и другим причинам это протокол проверки новых волн криптовалют. Например, Ethereum 1.0 использует доказательство работы, а Ethereum 2.0 использует доказательство доли владения. Другие, использующие протоколы подтверждения доли, включают Tezos, Cardano, Solana и Algorand. Пользователям это нравится за более быструю обработку возвратов и масштабируемость.

Объемы создания данных - взгляд 2023 года

Появление облака и 5G , например, экспоненциально увеличивает вычислительную мощность и скорость сети, что может способствовать внедрению инноваций. Разработки в метавселенной дополненной и виртуальной реальности открывают двери для виртуальных исследований и разработок с помощью , например, цифровых двойников и иммерсивного обучения. Достижения в области искусственного интеллекта, машинного обучения и программного обеспечения 2.0 (машинно-написанный код) открывают доступ к целому ряду новых услуг и продуктов, от автономных транспортных средств до подключенных домов.

Прогнозируется, что глобальное создание данных вырастет до более чем 180 зеттабайт к 2025 году по сравнению с 64,2 зеттабайта в 2020 году.6 Совокупный годовой темп роста рынка платформ разработки с низким кодом (CAGR) прогнозируется на уровне около 30 процентов до 2030 года.

Как работает blockchain в бизнесе

Бизнес состоит из процессов, которые в своей взаимосвязи могут быть представлены так

• Бизнес — это экосистема внутренних процессов
• Бизнес-процессы взаимосвязаны и объединены в сеть.
• Каждый процесс привносит свой вклад в бизнес.

В рамках видео курса приведена следующая визуализации работы бизнеса и как бизнес-функции могут быть "усилены" или заменеы технологией blockchain.

Как работает бизнес.

Как работает blockchain

Метавселенная

Метавселенную можно охарактеризовать как эволюцию современного Интернета. Это может реализовать обещание огромных цифровых миров, параллельных нашему физическому. 

Характеристики метавселенной.

• Метавселенная включает в себя иммерсивные среды, часто (но не всегда) использующие технологии виртуальной (VR) или дополненной реальности (AR).
• Метавселенная «всегда включена» и существует в режиме реального времени.
• Метавселенная охватывает виртуальный и физический миры, а также несколько платформ.
• Метавселенная основана на полностью функционирующей виртуальной экономике, часто (но не всегда) построенной на криптовалюте и цифровых товарах и активах, включая невзаимозаменяемые токены (NFT).
• Метавселенная позволяет людям иметь виртуальную идентичность, присутствие и «агентство», включая одноранговые взаимодействия, транзакции, пользовательский контент и «построение мира».

Технологический стек метавселенной состоит из четырех основных строительных блоков:

• контент и опыт, 
• платформы (такие как игровые движки), 
• инфраструктура и аппаратное обеспечение (включая устройства и сети),
• средства реализации (такие как платежные механизмы и безопасность). 

* * *

Цитата из...

Инновационные и практические применения метавселенной
29 марта 2022 г. | Подкаст
Innovative and practical applications of the metaverseMarch 29, 2022 | Podcast
Эксперт McKinsey Ричард Уорд беседует с Миной Алагбанд из McKinsey
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/innovative-and-practical-applications-of-the-metaverse?cid=podcast-eml-alt-mip-mck&hdpid=94b2b062-e6b0-4649-950d-873450df0450&hctky=1520452&hlkid=36fb856072d64d018036ee1c12b4b444

Ричард Уорд: Метавселенная сама по себе является эмпирической технологией, поэтому то, что вам действительно нужно сделать, — это попробовать некоторые вещи.

Я провел «экскурсии» по метавселенной, возможно, с тысячей человек, и каждый раз, когда я надеваю одну из эгарнитур и позволяю людям испытать нечто возможное, у них сразу же появляются идеи о том, как они могут воплотить их в жизнь и в бизнес. Это одна из тех вещей, которые вам нужно попробовать, вместо того, чтобы читать об этом или смотреть видео об этом.

Мина Альагбанд: Если я работаю в промышленном секторе, какие приложения я могу увидеть сегодня? И это примеры дополненной реальности [AR] или VR?
Ричард Уорд: В полевых операциях люди начинают использовать AR для удаленной помощи, оказываемой через смартфон или планшет или даже набор очков со специальными линзами.
Оказывается, одна из вещей, которые людям очень нравятся, — это ощущение обретение мастерства в решении проблем, что также дает им чувство удовлетворения от работы.
Это также верно в отношении офисной стороны вещей. Например, разработчики новых продуктов и услуг сначала делают это в средах типа метавселенной, чтобы понять, как продукты соотносятся с физическим миром.

Если вы управляете обслуживающей организацией, например, сетью быстрого питания, то способность обучать людей всем процессам и механизмам еще до того, как они приблизятся к опасному оборудованию, имеет очень широкое применение во всех сферах, что вы можете буквально сделать.

Почему бы не попрактиковаться сначала в метавселенной, где это дешево, вы можете делать что-то бесконечным долго и сделать невозможное возможным? Такие вещи действительно предлагают людям больше эффективности и продуктивности.

Полным метавселенным примером этого может быть то, что когда вы находитесь в офисе или дома, у вас будет виртуальная версия вашей работы, с которой вы можете практиковаться и учиться. А затем, когда вы на самом деле отправляетесь на место для реальной версии работы, ваши очки или система дополненной реальности будут накладывать цифровую информацию, с которой вы тренировались, на реальную вещь, и все это будет очень знакомо. Таким образом, у вас есть такая интеграция между реальным миром и цифровым миром в этой концепции метавселенной.

Мина Альагбанд: А что вас больше всего беспокоит в отношении метавселенной?

Ричард Уорд: Конечно, концентрация власти. В любой сетевой ситуации, если одна сторона имеет полный контроль, это не всегда срабатывает.
Еще меня беспокоит то, что многие из этих технологий записывают и собирают невероятное количество личных данных о вас как о физическом существе. Инструменты виртуальной и дополненной реальности, носимые устройства и все возможности метавселенной переходят на новый уровень сбора данных.

* * *

Маркетинг в метавселенной: возможность для инноваций и экспериментов
24 мая 2022 г. | Статья
Marketing in the metaverse: An opportunity for innovation and experimentation
May 24, 2022 | Article
Эта статья является совместной работой Эрика Хазана , Грега Келли , Хамзы Хана , Денниса Спиллеке и Ларейны Йи , в которой представлены взгляды McKinsey’s Growth, Marketing & Sales Practice и McKinsey’s Technology Council.

https://www.mckinsey.com/business-functions/growth-marketing-and-sales/our-insights/marketing-in-the-metaverse-an-opportunity-for-innovation-and-experimentation?cid=other-eml-dre-mip-mck&hlkid=a774e1a8976d4a078406df70a8406fd5&hctky=1520452&hdpid=b7195201-7459-4258-880b-e28f5a9d865f

Для маркетологов метавселенная - новый способ привлечения потребителей.

А также, шесть причин, по которым метавселенная никуда не денется

1. Постоянный технологический прогресс. Технические проблемы пока ограничивают массовое использование метавселенной. Но постоянное улучшение вычислительной мощности позволяет существовать бОльшим виртуальным мирам. Облачные и периферийные вычисления позволяют выполнять интенсивные процессы обработки больших данных, такие как рендеринг графики, с локальных устройств. Быстрое внедрение 5G позволяет мобильным устройствам получать доступ к этим большим мирам более легко и с меньшей задержкой. Сокращается стоимость производства оборудования дополненной и виртуальной реальности.

2. Крупные инвестиции в инфраструктуру метавселенной. Все больше и больше компаний, больших и малых, стремятся принять участие в бизнесе вокруг метавселенной.

3. Более широкий набор вариантов использования метавселенной. Игры в метавселенной уже пользуются популярностью. Потребительские варианты использования метавселенной расширяются: розничные продажи, развлечения, спорт и образование. Кроме того, есть  корпоративные приложения и возможности метавселенной, включая виртуальное обучение сотрудников и командная работа, виртуальное прототипирование в производстве и строительстве, виртуальные демонстрационные залы продуктов. Даже правительственные учреждения экспериментируют с метавселенной.

4. Интернет-торговля является мейнстримом. Многоканальная коммерция уже стала второй натурой для большинства потребителей метавселенной. На экономику виртуальных товаров приходится более 40 процентов мировых доходов от игр, генерируемых миллиардом геймеров. В будущем долгосрочный рост криптовалют сделает любые требования по настройке учетных записей криптокошельков на платформах метавселенной менее барьером.

5. Демографические изменения, способствующие развитию метавселенной. Самым старшим потребителям поколения Z около 20 лет. Все чаще они становятся источником дохода, с которым приходится считаться. Эти потребители лучше знакомы с виртуальными мирами, транзакциями и товарами, чем предыдущие поколения.

6. Маркетинг и взаимодействие с брендом в большей степени ориентированы на потребителя. Сдвиг в сторону индивидуальных создателей контента служит хорошим предзнаменованием для роста метавселенной: значительная доля инновационного и увлекательного опыта, вероятно, будет исходить от этих создателей-пользователей.

Вопросы для маркетологов:

• Как будет работать интероперабельность или возможность переноса цифровых аватаров и йактивов между несколькими мирами в метавселенной? 
• Какие последствия имеются для брендов, предлагающих цифровые активы, такие как виртуальная одежда, сегодня?
• Как будут развиваться договорные обязательства и правовая база метавселенной? 
• Как будет обеспечиваться безопасность пользователей, особенно молодежи? 
• Какие дополнительные обязательства должны взять на себя бренды для обеспечения безопасности детей?
• Как будут храниться, управляться и защищаться собственные данные потребителей? 
• Как законы о конфиденциальности данных будут применяться к метавселенной в будущем? 
• Как бренды могут получить данные о пользователях и согласие на использование персональных данных для того, чтобы расширить понимание своих потребителей (файлов cookie не будет)?

Метавселенная имеет большой потенциал и помимо маркетинга. Чтобы создать ценность для всего предприятия, компании должны уделить время продумыванию потенциальных стратегических результатов работы с метавселенной для продаж, операций, производства, исследований и разработок и для управления персоналом. Организации и бренды, которые планируют и реализуют работу с метавселенного, возможно получат больших по сравнению с другими выигрыш.

* * *

Обзор McKinsey "Value creation in the metaverse" June 2022

The real business of the virtual world

Крупные технологические компании, венчурный капитал (VC), частный капитал (PE), стартапы и известные бренды стремятся извлечь выгоду из возможностей метавселенной. Корпорации, венчурные капиталисты и частные частные лица уже инвестировали более 120 миллиардов долларов в метавселенную за первые пять месяцев 2022 года, что более чем вдвое превышает 57 миллиардов долларов, вложенных за весь 2021 год.

К 2030 году метавселенной может принести до 5 триллионов долларов США, что эквивалентно размеру третьей по величине экономики мира (Японии в 2021 г).

Иммерсивные решения (от англ. to immerse — погружаться) на базе VR/AR и нескольких вспомогательных технологий сегодня являются одним из наиболее перспективных направлений XR в практике множества отраслей. То есть, метавселенная широко использует XR-технологии. Под XR понимают всю полноту технологий и решений, объединяемых определениями виртуальной реальности (Virtual Reality, VR) и дополненной реальности (Augmented Reality, AR). XR подчеркивает способность технологий расширять границы пространственно-временного физического мира за счет возможностей цифры в работе с человеческим восприятием.XR играет роль средств переноса человека за пределы его фактического расположения в искусственно созданные миры. 

XR-технологии не только влияют на человека, они также позволяют получить существенно больше данных о человека. Вот пример возможностей по отслеживанию и использованию движени глаз с использованием XR-технологий:

• Как открываются и закрываются глаза.
• Движение глаз.
• Состояние глаз: покраснение, влажность или сухость.
• Состояние зрачков.
• Характеристики радужной оболочки глаз.
• Черты лица: морщины, разрез глаз, цвет кожи, мимика.

На основе этих данных уже возможно сформулировать заключения в части следующей персональной информации:

• Черты характера
• Душевное здоровье
• Навыки и способности
• Уровень сонливости
• Когнитивные процессы
• Употребление наркотиков
• Возраст
• Биометрическая идентификация
• Культурный фон
• Физическое здоровье
• Географическое происхождение
• Пол
• Умственная нагрузка

Утверждается, что те, кто тратит время на изучение зарождающейся метавселенной, поймут ее привлекательность. Но перед руководителями возникают вопросы:

• какую роль будет играть компания в метавселенной,
• как следует подготовить к работе с метавселенной.

Есть различные способы работы в метавселенной для извлечения выгод. Тем не менее, определение ваших амбиций в метавселенной — это только первый шаг к выработке стратегической позиции в работе с метавселенной.

Практическое применение технологий глубинного поиска

Практическое применение технологий глубинного поиска "громким" способом проявилось благодаря британской компании Cambridge Analytica (в Википедии имеется соответствующий топик). Данная компания специализировалась в области политического консалтинга. Надо сказать, что данная компания учреждена SCL Group - частной компаний, которой приписываются тесные связи с американской и британской разведкой и военными.

Компания Cambridge Analytica была основана на «трех китах»:

• психологический поведенческий анализ;
• Big Data;
• таргетированная реклама.

В совокупности все это назвали технологией глубинного анализа, основанной на использовании сбора данных о пользователях в Интернете, а также социальных данных из иных источников.

Данные использовались для составления психологическиго портрета пользователей на основе работ Михала Косински, психолога из Кембриджского университета и Стэнфордской высшей школы бизнеса.

Методика построения психологического портрета основывается на модели, называемой OCEAN (по первым английским буквам). Каждая черта характера может быть измерена при помощи пяти измерений: 

• открытость (насколько вы готовы к новому?), 
• добросовестность (насколько вы перфекционист?), 
• экстраверсия (как вы относитесь к социуму?), 
• доброжелательность (насколько вы дружелюбны и готовы к сотрудничеству?),
• нейротизм (насколько легко вас вывести из себя?)

На основе этих измерений можно точно понять, с каким человеком имеешь дело, каковы желания и страхи, наконец, как он себя может вести. Но такого исследования личности необходимо большое количество информации о человеке (испытуемом), надо провести много тестирований по типу вопрос-ответ. Cambridge Аnalytica нашла выход в использовании Big Data путем анализа «следа», оставляемого пользователем в социальных сетях и Интернете.

Другие подробности о применении технологий в Википедии: https://ru.wikipedia.org/wiki/Cambridge_Analytica

Дорожная карта построения систем обработки данных и построения аналитики

Взгляд на построение систем обработки данных и построения аналитики с точки зрения бизнеса и топ-менеджеров отличается от взгляда ИТ на подобные процессы.

Предположим, что выдвинута инициатива - работа с данными и аналитикой. При построении дорожной карты для данной инициативы следует рассмотреть три общих вопроса:

1. Является ли инициатива стратегической, операционной или управленческой?
2. Какой основные этапы и мероприятия инициативы?
3. Кто лидер, какую команду задействовать для реализации инициативы?

Ответим на два последних вопроса. Первый вопрос определяется бизнесом.

Основные этапы инициативы в области работы с данными и аналитикой

1. Создание видения и разработка стратегии. Вовлечение заинтересованных сторон в реализацию инициативы. Данный этап может включать следующие задачи:

• Понимание ключевых бизнес-приоритетов
• Как данные и аналитика соотносятся с ценностью для бизнеса.
• Опеределение базового уровня текущего состояния, который послужит точкой отсчета оценки последующих улучшений.
• Выявление возможностей монетизации построенных массивов данных и аналитики.
• Разработка стратегии построения гибких данных и аналитики для реагирования на изменения бизнес- и технологических возможностей и рисков.

2. Создание операционной структуры. Разработка сбалансированной операционной модели с повышенной операционной эффективностью. Данный этап может включать следующие задачи:

• Определение ролей и компетенций.
• Разработка операционной модели, необходимой для создания организации, управляемой данными.
• Создание двухуровневой организационной модели: централизованная команда, работающая с децентрализованными командами.
• Разработка архитектурной основы платформы данных и аналитики.
• Создание отдельных органов управления для наблюдения за стратегическими и тактическими проблемами.

3. Организация управления. Внедрение стандартов и регламентов управления, процедур снижения рисков работы с данными. Данный этап может включать следующие задачи:

• Установление согласованных стандартов определения данных.
• Определите политик управления данными.
• Разработка структуры управления и интеграции данных.
• Измерение точности данных.
• Устранение отсутствия дублирования данных.
• Обеспечение актуальности и своевременность данных.
• Разработка структуры для содействия сбора данных, предотвращение перехвата данных и нарушения конфиденциальности.

4. Непрерывное накопление "интеллектуальной" информации и способностей. Демонстрация быстрых побед, полученных благодаря новой аналитики. Данный этап может включать следующие задачи:

• Интеграция данных и аналитических возможностей цифровых бизнес-платформ и экосистем для поддержки роста, скорости и гибкости предприятия.
• Реализация быстрых результатов, оснащение бизнес-пользователей аналитическими моделями для понимания нынешних реалий и прогнозирования будущих состояний.
• Автоматизация процесса визуализации и анализа данных с помощью расширенной аналитики.

5. Уточнение и прогресс. Постоянное улучшение и повышение зрелости процедур обработки данных и аналитикию. Данный этап может включать следующие задачи: 

• Мониторинг показателей.
• Пересмотр стратегии обработки данных и формирования аналитики в свете новых технологий, таких как Интернет вещей, искусственный интеллект, машинное обучение и прочие технологии.
• Разработка новых ролей и навыков в корпоративных процессах, основываясь на модели зрелости, культуре и склонности к риску.

Критичные роли инициативы в области работы с данными и аналитикой

ИТ-директор. Создает инфраструктуру данных и аналитики, участвует в рабочих структурах стратегического и тактического уровня, помогает командам, работающим с проектами создания моделей данных и аналитики.

Руководитель проектов создания приложений. Определение источников данных в журналах приложений, в транзакционных базах данных с целью их включения в модели и аналитику. Координация действией с архитектурными командами для обеспечения доступа к данным, для обеспечения взаимодействия с приложениями на основе API.

Руководитель группы специалистов по работе с данными и аналитикой. Устанавливает основы управления данными, работая согласованно с ИТ-группами и бизнес-группами. Обеспечивает грамотную работу с данными, работа с лидерами над определением видения и стратегии.

Руководитель группы по работе с корпоративной архитектурой. Рассматривает информацию и архитектуру данных как часть общей архитектуры предприятия, а не как второстепенные задачи.

Руководитель группы инфраструктуры и операций. Создает и поддерживает новые типы данных и аналитики, а также подходы к бюджетированию.

Руководитель группы по управлению поставщиками, закупками и поставщиками. Работа с руководителями группы по работе с данными и аналитикой для обеспечения быстрой работы со сторонними поставщиками, пока определяется и пересматривается инфраструктура.

Руководитель группы технических специалистов. Планирование данных и аналитики, разработка технической дорожной карты, проектирование конвейера данных и хранилищ, выбор инструментов и поставщиков, а также разработка и внедрение решений для данных и аналитики.

Источкик. The IT Roadmap for Data and Analytics. Excerpt. Gather.

Показатели оценки цифровых брендов

Показатель общей ценности клиента или с дословным переводом - прогнозируемая пожизненная ценность (LTV - life time value). Это общая маржа вклада, которую компания ожидает заработать за время существования отношений с одним клиентом. Другими словами - это сумма дохода, которую можно получить с одной учетной записи клиента. С другой стороны, учетная запись существует в системе и можно получить продолжительность отношений для данной учетной записи. И привлечение новых клиентов стоит денег, и их удержание также стоит денег. Поэтому показатель LTV позволяет оценить успешность как привлечения новых клиентов, так и удержания старых клиентов.

Для цифровых брендов расчет LTV прост просто в силу того, что учетные записи клиентов и транзакции клиентов находятся в системе и доступны для обработки. А также учетная запись клиента может содержать дополнительные признаки, то возникает возможность сегментации рынка и выделения перспективных сегментов. И для этого достаточно использовать уже наработанные методы кластерного анализа.

Теперь рассмотрим показатель стоимость привлечения клиентов - CAC (customer acquisition cost). Это стоимость привлечения клиентов с точки зрения затрат продаж и маркетинга. Ну и конечно, затраты берутся за определенный период. Этот показатель сопоставляется с количеством фактически привлеченных клиентов.

Рассчитать стоимость привлечениия клиентов сложнее, так как необходимо иметь данные о соответствующих накладных расходах от маркетинговой деятельности (такой как реклама, создание и публикация контента) до заработной платы сотрудников отделов продаж, их бонусов и комиссионных. Вожможно, придется также привлечь некоторые виды технических, производственных и складских затрат. В любом случае оценить все расходы возможно с помощью интервальных оценок - из совокупных расходов за период просто вычесть те рассходы. которые бесспорно не относятся к расходам на привлечение клиентов. Тем самым будет получена верхняя граница затрат. Нижнюю оценку сформировать тоже просто - достаточно взять известные очевидные расходы на привлечение клиентов.

Для рассчета показателя нужно

1. Выбрать интервал времени
2. Подсчитать расходы на привлечение клиентов на данном периоде.
3. Получить перечень клиентов в данном периоде (можно выделить в их составе новых клиентов и повторные сделки клиентов).
4. Разделить расходы на привлечение клиентов на число клиентов.

Имея два показателя, - LTV и CAC, - можно получить новый композитный показатель - LTV/CAC. И этот показатель достаточно полезный.

Отношение LTV: CAC - это показатель, который сравнивает ценность клиента с суммой денег, потраченной на его привлечение. Идеальное соотношение LTV/CAC - 3: 1 согласно "What is the LTV:CAC Ratio and How Can You Calculate it?" (https://www.act.com/en-uk/ltv-cac-ratio).

Опираясь на это соотношение, утверждается что если соотношение меньше, то затраты на привлечение клиентов великовато, а если соотношение больше, то наооборт, затраты на привлечение клиентов маловаты. В первом случае неоптимальна прибыль, во втором - потеря возможностей для бизнеса.

Но нужно иметь ввида, что соотношение 3:1 - это эмпирическое правило. Это стремление к этому соотношению в общем случае может говорить лишь от том, что скорее всего вы на правильном пути.

С другой стороны, анализируя соотношение LTV к CAC в разных секторах, можно оценить - какие категории клиентов наиболее ценны и где следует сосредоточить усилия с точки зрения увеличения прибыли.

Показатель LTV/CAC позволяет оценить процессы и стратегии с точки зрения их эффективности. В частности, оптимизировать CAC и увеличить прибыль. Тем самым, можно ликвидировать слепое вложение денег в маркетинговые кампании. Операции с соотношением LTV/CAC позволяют делать разумные вложения как с точки зрения времени, так и с точки зрения денег.

***

Другие показатели характеристи цифровых брендов

• Рейтинг кликов (CTR - сlick-through rate): коэффициент, который представляет процент людей, которые нажимают на объявление или на список отображаемых товаров.
• Оптимизация коэффициента конверсии (CRO - сonversion-rate optimization): действия, предпринимаемые для увеличения процента пользователей, которые выполняют желаемое действие на данном веб-сайте (например, совершают покупку).
• Цена приобретения (CPA - cost per acquisition): общая стоимость привлечения нового клиента посредством определенных действий или каналов.
• Многоканальное управление кампаниями (CCCM - cross-channel campaign management): технологии и инструменты, связанные с разработкой, выполнением и измерением кампаний по нескольким каналам (например, онлайн, офлайн)
• "Наработанные" СМИ (earned media): гласность или заметность в СМИ, полученная за счет бесплатных усилий.
• Чистый прирост клиентов (net customer growth): количество новых клиентов в определенный период, за вычетом количества клиентов, ушедших за тот же период.
• Следующее лучшее предложение (NBO - next-best offer): прогнозная аналитика, которая помогает маркетологам определить правильное предложение (например, рекламные акции, услуги, информацию), которое нужно представить конкретному покупателю, чтобы заставить его совершить покупку.
• Следующий лучший продукт (NBP - next-best product): прогнозная аналитика, которая помогает маркетологам определить правильный товар, который нужно предложить конкретному покупателю, чтобы побудить его к покупке.
• "Доля голоса" (SOV - share of voice): доля рекламы по сравнению с конкурентами
• Годовое значение когорты клиентов (year-over-year customer cohort value): общее количество продаж от данной когорты клиентов (например, клиентов одного года с клиентами другого года) с течением времени.

Использование внешних данных

Хорошо структурированный план использования внешних данных может обеспечить организации конкурентное преимущество.

Многие компании добились успехов в сборе и использовании данных о собственной деятельности. Остался нераскрытым потенциал связывания внутренних данных с данными, предоставленными третьими сторонами, - поставщиками или общедоступными источниками данных. А это упущенная возможность.

Организации, которые успешно интегрируют широкий спектр внешних данных в свою деятельность, могут превзойти другие компании за счет улучшения показателей роста, показателей производительности, а также за счет лучшего управления рисками.

Хотя источники внешних данных обладают огромным потенциалом, они же создают проблемы. Даже простое понимание, - какие данные доступны, а какие нет, - требует значительных усилий. Плюс к тому, что среда внешних данных фрагментирована и быстро расширяется. Также труден анализ качества и экономической ценности информационных продуктов. Внешние данные можно получить через множество каналов. Это брокеры данных, агрегаторы данных и аналитические платформы. Для эффективного использования внешних данных может потребоваться обновить существующие программные и технические ландшафты организации, могут потребоваться изменения в системах и инфраструктуре. Необходимо также помнить о проблемах конфиденциальности в связи с использованием внешних данных.

Проблемы значительны, но преодолимы.

Таблица с описанием источников внешних данных

Геопространственные и спутниковые данные	Достопримечательность, маршрут	Недвижимость
Частный бизнес	Доходы, численность работников, размещение	Отраслевые классификации, технография
Потребитель	Транзакции, пользовательские панели	Поиск трендов, перепись
Сеть интернета и приложения	Список вакансий и продуктов	Трафик данных, метрики приложений
Погода	Температура и осадки, штормы и неблагоприятные события, прогнозы
Новости, IP, юридические сведения	Новостные сервисы, каналы научных журналов	Патенты, юридические действия
Публичные данные	федеральные, государственные и местные документы, макроэкономические индикаторы
Отраслевая специфика	Торговые потоки и доставка, бронирование гостиниц и путешествий	Запросы здравоохранения, сельское хозяйство/зерновые культуры

Внешние данные могут помочь компаниям создавать добавленную стоимость в нескольких ключевых областях:

• Клиентская аналитика. 
• Определение идеальных потенциальных клиентов для B2B.
• Выявление быстрорастущих потребительских тенденций и маркетинговых возможностей с помощью поиска данных, анализа социальных сетей, панелей транзакций и панелей заказов.
• Стратегический анализ. 
• Сравнение требуемой квалификации сотрудников, вакансий и существующих предложений квалификации. 
• Выявление возможностей улучшения продукта в ходе анализа откликов в социальных сетях и на платформах электронной коммерции.
• Операции и прознозирование. 
• Прогноз изменения цен, основываясь на данных локальных рынков и демографических сдвигах. 
• Прогноз потребительских ожиданий и отзывов, используя инфографику и данные компании.
• Риск менеждмент. 
• Снижение операционных рисков, основываясь на анализе новостей, данных социальных медиа, прогнозе цен поставщиков материалов. 
• Снижение репутационных рисков, рисков сбоев поставок, рисков владения, урона от новостей, юридических рисков.

Три шага к созданию ценности с помощью внешних данных

1. Создание команды для работы с внешними данными.

Ключевая роль команды - специалист по разведке данных или стратег, которые сотрудничают с группой анализа данных и бизнес-подразделениями для определения операционных затрат, улучшений, факторов роста, которые могут быть обеспечены в силу использования внешних данных. Этот специалист также будет нести ответственность определения возможностей внешних данных, будет ответственный за планирование вариантов использования источников данных, за определение приоритетности источников данных, а также за оценку добавленной стоимости  в силу использования внешних данных. Идеальные кандидаты на эту роль - интрепретаторы данных и аналитики данных. Другие члены команды - эксперты по закупкам, инженеры и специалисты обработки данных, аналитики, функциональные и технологические эксперты.

На протяжении всего процесса поиска и использования внешних данных следует помнить о конфиденциальности и защите персональных данных. Специалисты по анализу данных, в число которых обычно входят руководители юридических служб, риск-менеджеры должны тщательно проверять новые наборы данных, в которых содержатся сведения о потребителях - например, данные о финансовых транзакциях, данные о занятости, данные сотовых телефонов и иная информация. Процессы проверки должны гарантировать, что все данные были собраны в соответствии с соответствующими разрешениями, в соответствиии с соответствующими законами о конфиденциальности данных и с согласия потребителей.

2. Развитие отношений с торговыми площадками и агрегаторами данных.

Хотя поиск в Интернете может показаться простым способом поиска отдельных наборов данных, этот подход не всегда эффективный. Хорошие данные не бесплатны. Поэтому нужно искать поставщиков и договориваться с ними. А это приводит к дискуссиям и переговорам с поставщиками: процесс изучения наборов данных, получение пробного доступа, заключение соглашений часто занимает месяцы.

Более эффективная стратегия - использование рыночных агрегаторов данных. Агрегаторы данных специализируются на объединении данных из сотен источников данных. Часто данные собираются и агрегируются в определенных областях. Например, агрегаторы данных - потребители, недвижимость, правительство, компании. Такие агрегированные наборы данных дают организациям свободный доступ к широкой экосистеме данных посредством интуитивно понятной платформы, ориентированной на поиск нужных данных. Это позволяет быстро протестировать нужные наборы данных, оставаясь в рамках одного контракта или соглашения. Агрегаторы - ценные партнеры и могут сэкономить время и усилия. Эти распространители данных могут помочь идентифицировать нужные информационные продукты и выступить в качестве брокера данных.

После определения потенциального набора данных работа переключается на потребителей (заинтересованные стороны) и на специалистов обработки данных. На этом этапе оценивается ценность данных и их полезность для бизнеса. Тут устанавливаются критерии оценки данных по множеству факторов для определения наличия необходимых ценностных характеристикам наборов данных.

Критерии внешних источников данных:

1. Глубина данных.
2. Широта даннах.
3. Рентальность затрат по обработке данных. Достаточен ли доход чтобы покрыть инвестиции в получение данных.
4. Профиль данных. Имеется ли хорошее описание данных, частотность значений в колонках, пропущенные переменные, изменчивость переменных, достоверность данных.
5. Покрытие данными. Достаточно ли покрытие данными географии, популяции, а также предвзятость в наборах данных.
6. Своевременность данных. Насколько изменчивы во времени данных, как части пополняются данные, какая задержка в регистрации данных.
7. Поставка данных. Как поставляются данные, в каком формате, есть ли API, как подтверждается успешность передачи данных.
8. Потенциальное воздействие. Может ли с помощью данных выполнен предполагаемый анализ и моделирование, возможно ли повторное использование данных в моделях.
9. Суммарные затраты. В дополнение к затратам на поставку данных какие требуются затраты для получения приемлемого для бизнеса результата.
10. Приобретение и контрактование. Как быстро могут быть законтрактованы данные для их использования.
11. Риск. Насколько этично и легально использовать данные и результаты, полученные на основе их.

Оценка данных должна включать в себя изучение показателей качества, таких как заполняемость, охват, систематическая ошибка и показатели профилирования. Оценка выполняется в контексте варианта использования данных. Например, поставщик данных о транзакциях может утверждать, что у него есть сотни миллионов транзакций, которые помогают выявить потребительские тенденции. Однако, если данные включают только транзакции потребителей определенной возрастной категории, то набор таких данных не очень полезен для компании, стремящейся понять поведение потребителей всех возрастных категорий.

3. Подготовка архитектуры данных для новых потоков внешних данных.

Для получения положительного дохода от инвестиций за счет внешних данных необходимо предварительное планирование структур данных. И тут требуется гибкая архитектура этой самой структуры данных. Также необходимо постоянное тестирование качества данных.

Планирование начинается с оценки существующей среды. Hужно определить возможности поддержки процессов приема, хранения, интеграции, управления и использования данных. Оценка охватывает такие вопросы, как частота поступления данных, объем данных, способ защиты данных, способ интеграции внешних данных с внутренними данными. Тогда нужно понять - потребуются и какие изменения в текущей архитектуре данных.

Архитектура данных должна быть достаточно гибкой для поддержки конвейера входящих из различных источников данных. Например, иметь интерфейса прикладного программирования (API) для интеграции с данными, поступающими из внешних источников. В других случаях может потребоваться инструментарий для поддержки широкополосного приема данных, выполнения запросов и анализа. Архитектура данных и базовые системы могут обновляться с течением времени по мере изменения потребностей.

Далее - обеспечение соответствующего и постоянного уровня качества данных путем мониторинга используемых данных. Это включает регулярную проверку данных на соответствие установленной структуре, проверку качества и оценку характера изменения данных. Если изменение данных значительно, возможно потребуется переобучить или перестроить алгоритмические модели, использующие эти данные.

Резюме

Сведение к минимуму риска, с одной стороны, и создание добавленной стоимости, с другой стороны, на основе использования внешних данных требует сочетания творческого подхода к решению проблем и наращивания организационного потенциала, ориентированного на использование результатов анализа.

Согласно материалов статьи "Использование возможностей внешних данных 3 февраля 2021 г. | Статья"

Harnessing the power of external data February 3, 2021 | Article

https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/harnessing-the-power-of-external-data

Разница между data scientist и machine learning engineer

Вопрос

В чем разница между специалистом по обработке данных (data scientist) и инженером по машинному обучению (machine learning engineer)? What is the difference between a data scientist and a machine learning engineer?

Ответ

Специалист по обработке данных (Data Scientist) стратегически ориентирован, тогда как инженер по машинному обучению играет в тактическом поле.

Специалист по обработке данных - это бизнес-ориентированная функция. Их основная роль заключается в повышении ценности бизнеса на базе использования научных методов работы с данными. Инженер по машинному обучению - это функция, ориентированная на продукт. Его основная роль заключается в создании определенного алгоритма, соответствующего конкретным требованиям. Но и тут не следует путать с исследователями методов машинного обучения, такие специалисты обычно имеют научную степень.

Специалист по данным решает бизнес-задачи, переводя их на научный язык, с тем, чтобы решать их с помощью статистики и математики. Инженер по машинному обучению решает очень узкую задачу: как обучить модель на конкретном наборе данных, чтобы получить конкретный результат.

Специалист по обработке данных - это архитектор, который выясняет, как использовать в определенной области инструменты машинного обучения. Инженер по машинному обучению реализует определенный класс инструментов (например, нейронную сеть глубокого обучения) для выполнения конкретной задачи, например, распознавания объектов в последовательности изображений.

Специалист по данным может разработать сценарий, в который он может добавить алгоритм для оптимизации конкретного процесса или конкретный алгоритм. Инженер по машинному обучению построит алгоритм, который будет включен в предоопреденный сценарий. Конечно, тут часть функций может быть одинакова, но специалист по данным тратит большую часть времени на моделирование и понимание данных.


Сегодня специалист по анализу данных может заложить основы решения и выполнить некоторые работы по доказательству концепции, которые подтверждают вариант использования и определяют ценность для бизнеса. Затем приходит инженер по машинному обучению, строит и подправляет модель. Инженер по машинному обучению не обязан знать о о бизнесе, результатах или о предметной области. Ему просто нужен спроектированный набор данных, который специалист по анализу данных представил команде инженеров данных, чтобы построить модель для решения очень конкретной задачи.

Специалист по анализу данных имеет широкий спектр входных данных, которые он должен преобразовать в четко определенные и хорошо продуманные выходные данные. Инженер по машинному обучению имеет последовательные входные данные и выдает согласованные выходные данные.

На деле инженеров по машинному обучению просят делать и то, и другое, что не является их настоящей специальностью. Специалистов по обработке данных также просят делать и то, и другое, но это не обязательно то, что они должны делать с точки зрения эффективного использования их времени и квалификации.

С точки зрения обучения инженеру по машинному обучению требуется гораздо меньше фундаментальных знаний - каким бы глубоким не было бы обучения, какой бы сложной не была бы модель. Специалисту по анализу данных, возможно, потребуется большая подготовка и хорошее чувство интуиции в отношении реального мира, потому что его роль кросс-функциональна. Специалист по анализу данных с глубокими знаниями в области количественного анализа данных мог бы выполнить функции инженера по машинному обучению, но инженер по машинному обучению не может с легкостью заместить специалиста по данным.

Проще говоря, специалист по данным переводит бизнес-проблемы в научную область и создает основу для решения, управляемого данными. Инженер по машинному обучению вряд ли будет обучен этому, хотя на деле, это действительно зависит от конкретного образования человека и его сильных сторон.

Если рассмотреть роли «Ученый» и «Инженер», то можно утверждать что роль «Инженер» требует меньше уникальных способностей и навыков по сравнению с ролью "Ученый". И это соображение имеет значение с точки зрения функции поиска и найма талантливых и квалифицированных сотрудников. Правильное соответствие ролей и квалификации с обязанностями и способностями сотрудников определяет эффективность как кадровой так и функциональной работы. Вопреки эгалитарному мифу плоской организации, титулы не являются бессмысленными или произвольными, они выполняют жизненно важную функцию - они объясняют, что вы на самом деле должны делать, что делаете и что способны делать. Согласно Фейнмана нельзя путать знание имени вещи со знанием самой вещи, но в интересах здравомыслия стоит назовать вещи в соответствии с тем, чем или кем они являются на самом деле.

Источник

Pradyumna S. Upadrashta
https://www.quora.com. "What-is-the-difference-between-a-data-scientist-and-a-machine-learning-engineer"