Не потеряй и не сломай: управление данными как фактор успеха M&A

Ключевым элементом управления данными — особенно в условиях консолидации отраслей и бизнесов — является наличие эффективно организованного единого корпоративного хранилища данных Data Warehouse (DWH). Именно этот элемент ИТ-инфраструктуры компании становится основой бизнес-процессов, источником данных для достоверной аналитики и ядром принятия управленческих решений. О подходах к построению единого DWH в компаниях, проходящих процедуру слияния, рассказывает IT-World.

Отсутствие единого подхода 

В последние годы на рынке по понятным причинам происходит передел собственности. Многие зарубежные компании принимают решение уйти из России и продают свои активы местным игрокам.

С одной стороны, российские владельцы получают расширение бизнеса. С другой — множество проблем в области управления данными. Теперь, чтобы эффективно управлять консолидированным бизнесом, руководству нужна актуальная аналитика о состоянии процессов и объединенная отчетность на уровне всей компании. А значит, возникает вопрос, как консолидировать данные новой «дочки» со своим текущим хранилищем и организовать общий подход к сбору и анализу сведений.

Первое, с чем сталкивается бизнес на этом пути, — разный уровень цифровой зрелости двух компаний. Долгие годы живя под крылом материнских организаций, одни участники рынка не задумывались о том, откуда берутся их данные для красивых аналитических отчетов. В условиях самостоятельности в их распоряжении оказывается только «сырая дата», лишенная средств обработки и инструментов BI-анализа.

Другие же давно понимали важность импортонезависимости и организовывали свои DWH- и аналитические решения локально на территории РФ. Однако и это полностью не упрощает их задачу. Новые владельцы в любом случае столкнутся с необходимостью унификации требований к сбору данных и построения единого информационного хранилища. Как правильно запустить этот процесс?

DWH-путь 

Начнем с небольшого ликбеза. DWH — это централизованное хранилище данных, которое позволяет компаниям собирать, интегрировать и анализировать большие объемы информации из различных источников. Основная цель — предоставить удобный и эффективный доступ к информации для извлечения из нее практической пользы. DWH — это ядро бизнеса, который выстраивает культуру принятия управленческих решений в компании на основе данных.

Data-driven компании используют DWH по нескольким причинам:

1. Эффективность операций: DWH способствует ускорению построения отчетности и анализа, что существенно улучшает оперативность реагирования компании на изменения рынка. 
   
2. Качество данных: хранилище данных помогает обеспечить актуальность, точность и полноту корпоративных сведений, что крайне важно для качественного анализа и формирования верных выводов. Правда, здесь важнейшую роль играет комбинация с правильными ETL-процессами и применением инструментов для повышения качества данных. 
   
3. Единый источник данных: DWH позволяет обеспечивать полноту данных путем их интеграции из различных источников и разнородных систем. Эти аспекты делают сегодня DWH весьма полезным инструментом при построении прогрессивного ИТ-ландшафта. Однако в некоторых случаях можно рассматривать использование специализированных хранилищ для отдельных задач аналитики, что также позволяет не нагружать бизнес-системы и быстро создавать отчетность. 

С чего начать проект по слиянию хранилищ данных 

В условии слияния компаний в срезе речь, скорее всего, будет идти либо о миграции с одного решения на другое, либо о внедрении нового продукта для построения DWH с нуля. Как и любой другой ИТ-проект, построение DWH начинается со сбора требований, оценки «зоопарка» текущих систем обеих компаний, а также анализа бизнес-процессов, для которых эти системы используются. Эта информация поможет спроектировать дорожную карту развития объединенного ИТ-ландшафта.

На следующем этапе уже можно переходить к планированию архитектуры будущего решения. В качестве основы можно использовать референсные модели данных, которые позволят создать корпоративную модель данных и ускорить ее развертывание и наполнение. Как правило, референсные модели есть у опытных системных интеграторов.

Референсные модели основываются на знании, что в компаниях подобного профиля, например FMCG, базовые процессы заведомо схожи. Перед каждой такой компанией стоит задача анализа первичных, вторичных и off-take-продаж, сбора данных по товарообороту, оперативного P&L-анализа и т. д. Исходя из этого, можно понять, как и какие именно данные нужно будет собирать бизнесу. Разобравшись с базовой моделью, можно двигаться на уровень технической реализации.

Когда уже понятны задачи будущего DWH, возникает вопрос выбора технологического стека, который позволит либо провести миграцию с решений от зарубежных поставщиков, либо создать новое хранилище на базе доступных импортонезависимых платформ.

Сегодня на рынке достаточно много зрелых продуктов, в основе которых лежат open source-разработки, позволяющие выполнять такие задачи. Среди них можно отметить платформы Arenadata, сервисы Yandex Cloud и другие. Именно выбор продукта, на котором будет построено DWH, влияет на дальнейшее техническое развитие процесса управления данными.

Следующим уровнем в архитектуру ИТ-ландшафта надо заложить BI-систему — она сможет легко интегрироваться и предоставлять инструменты аналитики данных из DWH. При выборе BI-инструмента компаниям рекомендуется формирование чек-листа критически важных функций, которые они ожидают от системы, включая поддержку единой модели данных и возможности продвинутого анализа, а также интеграцию с другими бизнес-приложениями.

Процесс выбора может включать этап прототипирования, чтобы бизнес мог оценить, как решение работает с реальными данными, и лучше рассчитать экономическую эффективность инвестиций в ту или иную BI-систему.

Также в процессе построения DWH важно не забывать о решении задач Data Governance, которые включают:

1. Формирование бизнес-глоссария — описание и стандартизация бизнес-терминов и данных. Это предполагает создание единого каталога терминов, который помогает сотрудникам понимать и использовать термины одинаково, что способствует снижению недоразумений и повышению эффективности коммуникаций в организации. Например, финансовый директор компании под операционной выручкой подразумевает одну сущность, бухгалтер — другую, а сейлз-менеджер — нечто третье.

В итоге три департамента предоставляют для отчета три разных значения для одного и того же параметра работы компании. Глоссарий не допускает возникновения подобных ситуаций благодаря четкому описанию того, что такое операционная выручка и из каких показателей она рассчитывается.

2. Внедрение MDM-систем — создание и поддержка «золотых записей», которые обеспечивают единообразие и точность значений показателей по всем системам. Master Data Management (MDM) позволяет централизованно управлять ключевыми данными компании, гарантируя их качество, актуальность и непротиворечивость, устранять дубли из разных источников. Это особенно важно для крупных организаций, где данные могут поступать из множества различных источников.

3. Политики и процедуры, регулирующие сбор, хранение, обработку и использование данных, что подразумевает автоматизацию и поддержку этих процессов для обеспечения согласованности данных и их качества.

Они содержат следующее:

• Определение ролей и ответственных: назначение владельцев данных, стюардов данных и других ответственных лиц, которые будут следить за качеством и соответствием данных. 
  
• Политики и стандарты: установление правил и стандартов для управления данными, включая безопасность данных, конфиденциальность и соблюдение нормативных требований. 
  
• Мониторинг и контроль: внедрение инструментов и процессов для регулярного мониторинга качества данных и соблюдения установленных стандартов. 
  
• Обучение и поддержка: обеспечение сотрудников необходимыми знаниями и инструментами для эффективного управления данными, а также предоставление постоянной поддержки и обучения. 

4. Постоянное улучшение и адаптация — непрерывный процесс оценки и оптимизации DWH- и BI-систем для обеспечения их соответствия меняющимся бизнес-требованиям и технологическим изменениям. Это предполагает регулярный аудит системы, внедрение новейших технологий и методов, а также адаптацию к новым бизнес-условиям.

Кроме того, тема автоматизации задач Data Governance охватывает и множество других аспектов, включая в том числе такие ключевые элементы, как отслеживание данных (data lineage), каталог данных (data catalog) и управление качеством данных.

Что в итоге 

Управление данными является критическим фактором успеха при слиянии компаний по следующим причинам.

Во-первых, оно обеспечивает интеграцию, согласованность и унификацию данных, что крайне важно для получения целостной картины бизнеса и принятия обоснованных решений. Также устраняются риски ошибок, связанных с дублированием.

Во-вторых, качественное управление данными способствует повышению оперативности и точности аналитики, позволяя быстрее реагировать на изменения рынка и внутренние вызовы.

Инвестиции в правильно организованное корпоративное хранилище данных и эффективное управление аналитикой повышают конкурентоспособность компании, улучшают координацию и синергетический эффект при слиянии компаний, а также способствуют достижению стратегических целей.