Аналитика данных как бизнес

Аналитика является процессом обнаружения значимых закономерностей в данных, их интерпретации и передачи. Проще говоря, аналитика помогает нам выявлять важную информацию и значимые данные, которые в ином случае могли пройти мимо нас. Основной задачей бизнес-аналитики является принятие более обоснованных решений на основе информации, полученной путем обработки данных, решений, помогающих компаниям повышать продажи, снижать затраты и реализовывать другие улучшения.

Средства бизнес-аналитики

В наши дни бизнес-аналитика распространяется повсюду, так как каждая компания стремится повысить свои показатели, а значит, будет анализировать данные для принятия лучших решений. Компании стремятся получить как можно больше от аналитики, используя данные для ускоренного и более глубокого анализа для все более широкого круга людей, и все это за меньшие деньги. Для достижения этих целей требуется надежная платформа облачной аналитики (PDF), которая поддерживает весь процесс анализа с требуемой безопасностью, гибкостью и надежностью. Она должна помогать пользователям ‬проводить анализ в режиме самообслуживания без потери общего контроля. Она также должна быть простой в администрировании.

День из жизни аналитика данных (мой день в 2023)

Но как получить преимущества системы корпоративного уровня без существенных затрат и инфраструктуры?

С помощью бизнес-аналитики с персонализацией, машинным обучением и глубокими знаниями отрасли компании могут получать актуальные результаты анализа данных по всем приложениям, хранилищам и озерам данных. Бизнес-аналитика должна представлять собой комплексный процесс, который приводит к конкретным действиям. Когда результаты анализа получены, компания может заняться переоценкой, изменениями и перенастройкой своих процессов. Главное здесь — довести до конкретного действия.

Основы аналитики

Данные сами по себе не имеют смысла. Можно перевернуть каждый камень и выучить каждый возможный урок, но, если мы не предпринимаем никаких действий, не отказываемся от чего-то или не адаптируемся, вся наша работа бесполезна. Если не использовать все технологии, имеющиеся в нашем распоряжении, мы не получим прибыль, которую могли бы получить с наших инвестиций. В сегодняшнем мире мы фактически можем разговаривать со своими данными, получать от них ответы на вопросы, прогнозировать результаты с их помощью и изучать новые закономерности. Это потенциал Ваших данных.

Ценность аналитики для бизнеса

• Новый подход к работе Природа бизнеса меняется, и вместе с этим появляются новые направления конкуренции. Сегодня сотрудники хорошо разбираются в технических вопросах и не хотят, чтобы подготовка к работе занимала много времени. Следует обеспечивать необходимую скорость и удобство для своих пользователей, но в то же время поддерживать высокие стандарты качества и безопасности данных. Централизованная аналитическая платформа, где ИТ играет ключевую роль, должна быть фундаментальной частью Вашей стратегии бизнес-аналитики. Залогом успешного внедрения инноваций является участие в проектах одновременно ИТ-специалистов и специалистов других подразделений.
• Раскрытие новых возможностей Развитие технологий аналитики создает новые возможности для использования данных наилучшим образом. Современные средства аналитики данных позволяют выявлять скрытые модели данных благодаря возможностям прогнозирования, самообучения и адаптации. Ими удобно пользоваться. Они представляют данные в удобном наглядном формате так, что вы без труда можете проанализировать миллионы строк и столбцов данных. Современные аналитические решения удобны и могут использоваться на мобильных устройствах. Вы можете получать доступ к данным в любом месте и в любое время, а для их анализа не требуются специальные технические навыки.
• Визуализируйте свои данные Вы, конечно, хотите видеть, о чем сигнализируют данные, раньше конкурентов. Аналитика данных обеспечивает четкую и ясную картину ситуации в бизнесе. Анализируя личные, корпоративные и большие данные, можно быстрее понимать их смысл, делиться с коллегами и делать все это за считаные минуты.

Тенденции в аналитике

На постоянно развивающемся рынке средств анализа данных произошли важные изменения. Если раньше программы бизнес-аналитики возглавлялись службой ИТ, то теперь ИТ- и бизнес-подразделения принимают решения совместно, и это становится новой нормой. Несомненно, аналитика уже стала стратегическим ресурсом для большинства компаний, что вызвало появление волны новых потребителей и новых ожиданий.

Изменился способ принятия решений в реальном времени и доведение этих решений до сведения широкой аудитории. Персонал меняется, и вместе с этим меняются подходы к организации рабочего процесса. Ушли в прошлое дни, когда учебные пособия в офисе были обычным делом, современные сотрудники хотят быстро приступать к работе благодаря интуитивному интерфейсу.

Но на этом дело не кончается. Хотя скорость и доступность имеют ключевое значение, руководители бизнеса по-прежнему ожидают высоких стандартов качества и безопасности данных. Централизованная аналитическая платформа, где ИТ играет ключевую роль, по-прежнему должна быть фундаментальной частью стратегии анализа данных. Залогом успешного внедрения инноваций является участие в проектах одновременно ИТ-специалистов и специалистов других подразделений.

Аналитика Big Data — реалии и перспективы в России и мире

О больших данных сегодня не слышал только человек, который не имеет никаких внешних связей с внешним миром. На Хабре тема аналитики Big Data и смежные тематики популярны. Но неспециалистам, которые хотели бы посвятить себя изучению Big Data, не всегда ясно, какие перспективы имеет эта сфера, где может применяться аналитика Big Data и на что может рассчитывать хороший аналитик. Давайте попробуем разобраться.

С каждым годом увеличивается объем генерируемой человеком информации. К 2020 году объем хранимых данных увеличится до 40-44 зеттабайт (1 ЗБ ~ 1 миллиард ГБ). К 2025 году — до примерно 400 зеттабайт. Соответственно, управление структурированными и неструктурированными данными при помощи современных технологий — сфера, которая становится все более важной. Интересуются большими данными как отдельные компании, так и целые государства.

К слову, именно в процессе обсуждения информационного бума и способов обработки генерируемых человеком данных и возник термин Big Data. Считается, что впервые его предложил в 2008 году редактор журнала Nature — Клиффорд Линч.

С тех пор рынок Big Data ежегодно увеличивается на несколько десятков процентов. И эта тенденция, по мнению специалистов, будет держаться и дальше. Так, по оценкам компании Frost

Разные ВИДЫ АНАЛИТИКОВ — чем они отличаются? Аналитик данных, продуктовый аналитик и другие.

Аналитика Big Data в мире

Сейчас аналитика больших данных используется в более чем 50 % компаний по всему миру. При том, что в 2015 году этот показатель составлял всего лишь 17 %. Big Data активнее всего используется компаниями, которые работают в сфере телекоммуникаций и финансовых услуг. Затем идут компании, которые специализируются на технологиях в здравоохранении. Минимальное использование аналитики Big Data в образовательных компаниях: в большинстве случаев представители этой сферы заявляли о намерении использовать технологии в ближайшем будущем.

В США аналитика Big Data используется наиболее активно: более 55 % компаний из самых разных сфер работают с этой технологией. В Европе и Азии востребованность аналитики больших данных ненамного ниже — около 53 %.

А что в России?

По мнению аналитиков IDC, Россия является крупнейшим региональным рынком решений по аналитике Big Data. Рост объемов рынка таких решений в Центральной и Восточной Европе достаточно активный, каждый год этот показатель увеличивается на 11%. К 2022 году он достигнет в количественном отношении $5,4 млрд.

Во многом такое бурное развитие рынка обуславливается ростом этой сферы в России. В 2018 году выручка от продажи соответствующих решений в РФ составила 40% от совокупного объема инвестиций в технологии обработки Big Data всего региона.

В РФ больше всего на обработку Big Data тратят компании со стороны банковского и государственного секторов, телекоммуникационной индустрии и промышленности.

Что делает Big Data Analyst и сколько получает в России?

Специалист по анализу больших данных отвечает за изучение огромных массивов информации, как частично структурированных, так и неструктурированных. У банковских организаций это транзакции, у операторов — звонки и трафик, в ритейле — посещения клиентов и покупки. Как и говорилось выше, анализ Big Data позволяет обнаружить связи между различными факторами «сырой информационной истории», например, производственного процесса или химической реакции. На основе данных анализа разрабатываются новые подходы и решения в самых разных сферах — от производства до медицины.

Навыки, необходимые аналитику Big Data:

• Умение быстро разобраться в особенностях в той области, для которой проводится анализ, погрузиться в аспекты нужной сферы. Это может быть ритейл, нефтегазовая отрасль, медицина и т.п.
• Знание методов статистического анализа данных, построения математических моделей (нейронные сети, байесовские сети, кластеризация, регрессионный, факторный, дисперсионный и корреляционный анализы и т.п.).
• Уметь извлекать данные из разных источников, преобразовывать их для анализа, загружать в аналитическую базу данных.
• Владение SQL.
• Знание английского языка на уровне, достаточном для беспроблемного чтения технической документации.
• Знание Python (хотя бы основ), Bash (без него очень сложно обойтись в процессе работы), плюс желательно знать основы Java и Scala (нужны для активного использования Spark, одного из самых популярных фреймворков для работы с большими данными).
• Умение работать с Hadoop.

Ну а сколько получает Big Data аналитик?

Специалисты по Big Data сейчас в дефиците, спрос превышает предложение. Все потому, что бизнес приходит к пониманию: для развития нужны новые технологии, а для развития технологий требуются специалисты.

Так вот, Data Scientist и Data Analyst в США вошли в топ-3 лучших профессий 2017 года по версии кадрового агентства Glassdoor. Средняя заработная плата этих специалистов в Америке начинается от $100 тысяч в год.

В России специалисты по машинному обучению получают от 130 до 300 тысяч рублей в месяц, аналитики больших данных — от 73 до 200 тысяч рублей в месяц. Все зависит от опыта и квалификации. Конечно, есть вакансии с меньшей зарплатой, есть — с большей. Максимальный спрос на аналитиков больших данных в Москве и Санкт-Петербурге.

На Москву, что не удивительно, приходится около 50 % активных вакансий (по данным hh.ru). Гораздо меньший спрос — в Минске и Киеве. Стоит отметить, что некоторые вакансии предлагают гибкий график и удаленную работу. Но в целом, компаниям требуются специалисты, которые работают в офисе.

Со временем можно ожидать повышения спроса на аналитиков Big Data и представителей смежных специальностей. Как и говорилось выше, кадровый голод в сфере технологий никто не отменял. Но, конечно, для того, чтобы стать Big Data аналитиком необходимо учиться и работать, улучшая как те навыки, что указаны выше, так и дополнительные. Одна из возможностей начать путь Big Data аналитика — записаться на курс от Geekbrains и опробовать свои силы в сфере работы с большими данными.

• Блог компании VK
• Big Data
• Исследования и прогнозы в IT
• Учебный процесс в IT
• Карьера в IT-индустрии

Источник: habr.com

Аналитика данных: что, кто, как, зачем и почем

Сегодня, когда большие данные бороздят просторы облачного блокчейна, каждая организация стремится стать data-driven. Руководители рассматривают Data Science как панацею для избавления от всех стратегических и операционных проблем. А специалист по данным считается универсальным солдатом с серебряными пулями. Почему это не правда, зачем нужны разные Data Professional’ы и можно ли сэкономить на дорогой аналитике, я расскажу в данной статье.

Кому, когда и зачем нужна аналитика данных

Определить наиболее прибыльные направления, выявить источники скрытых затрат, оценить эффективность маркетинговых стратегий, уточнить портрет целевой аудитории, составить план повышения конверсии – это далеко не полный список типичных задач аналитика данных. Собрав разрозненную информацию из различных источников (веб-сервисов «Яндекс.Метрика» и/или Google Analytics, систем email-рассылок, корпоративных хранилищ данных, 1С и т.д.), Data Analyst (аналитик) сделает краткие и понятные отчеты, чтобы руководитель наглядно видел все самые важные показатели своего бизнеса и мог своевременно принимать нужные управленческие решения. Например, увеличить инвестиции в те рекламные каналы, которые приводят на сайт интернет-магазина больше посетителей, заинтересованных в продукции, или внедрить систему рекомендаций для повышения среднего чека с помощью кросс-продаж [1].

Анализ данных понадобится при выходе на новые рынки сбыта, разработке нового продукта или расширении географии продаж. Детальное исследование потенциальных покупателей поможет сформировать максимально результативные маркетинговые кампании, основанные на реальных нуждах и возможностях потребителей. Также менеджмент получит достаточно точные ответы на вопросы о целесообразности открытия нового филиала и прогнозы о достижении самоокупаемости.

Цельная картина исторических данных (статистика расходов, динамика продаж, рост целевой аудитории, влияние сезонности и политической обстановки на бизнес, а также другие внешние и внутренние факторы) способствует системному видению и выявлению новых возможностей роста и развития. Поэтому без преувеличения можно сказать, что аналитика данных сегодня нужна каждому руководителю любой компании.

Кто анализирует данные и сколько это стоит

Считается (и не без оснований), что аналитика данных – это дорогое удовольствие, а опытный Data Professional может стоить, как ТОП-менеджер крупной корпорации. В частности, зарплата экспертов по Big Data в 2018 году находилась на уровне 200 тысяч рублей – почти в 2 раза больше, чем средняя зарплата в IT на тот момент [2]. HR-исследования соцсети «Мой круг» за 1-ое полугодие 2018 года показывают, что месячная стоимость аналитиков различных специализаций варьируется от 50 до 300 тысяч (рис.1) [3].

Во втором полугодии 2018 года, согласно исследованию соцсети «Мой круг», зарплаты Data Professional’ов слегка изменились: работа ученого по данным (Data Scientist’а) оценивается немного дороже, а стоимость услуг аналитиков других профилей осталась примерно на прежнем уровне (рис.2) [4].

В 2019 году ситуация не слишком изменилась. Например, обзор рынка ИТ-вакансий, составленный службой исследований Яндекса по данным Яндекс.Практикума и аналитической службы HeadHunter, показывает медианную зарплату Data Scientist’а равной 115 тысячам рублей в месяц. При этом отмечается существенное увеличение спроса на этих специалистов по сравнению с прошлым годом [5]. Аналогичное исследование зарубежного ИТ-портала Stack OverFlow называет следующие данные по заработной плате аналитиков [6]:

• ученый по данным и специалист по машинному обучению зарабатывают около 61 тысячи долларов в год, что составляет более 300 тысяч рублей в месяц;
• аналитик данных и BI-специалист получают 59 тысяч долларов в год, т.е. почти 300 тысяч рублей в месяц.

Как правило, стоимость услуг специалиста напрямую коррелирует с его опытом (рис.3) [6]. При этом, с учетом повышенного спроса на Data Professional’ов в условиях ограниченного предложения, зарплаты ученого и инженера по данным остаются достаточно высокими даже недостаточно длительном опыте практической работы. Это наблюдение подтверждает исследование Яндекса: доля вакансий для кандидатов с опытом работы меньше года в области анализа данных и машинного обучения на 25% выше, чем в целом по рынку [5].

Однако, большие данные – это не всегда большие расходы. Например, стартапам и маленьким компаниям нецелесообразно нанимать дорогостоящего специалиста и самостоятельно разворачивать собственный Hadoop-кластер для хранения и обработки информации. Лучше временно привлечь внештатного консультанта и воспользоваться облачными сервисами для вычислений и прикладных задач.

В частности, многие CRM-системы и Task-менеджеры (AmoCRM, 1C, Мегаплан и т.д.) содержат встроенные дэшборды – визуальные витрины с графическим отображением всех бизнес-метрик. Бесплатные Business Inteligence (BI) платформы, такие как Pentaho, Microsoft Power BI и др., позволяют интегрировать данные из нескольких источников (CRM, локальные файлы таблиц и базы данных) и оперативно просматривать их на любом устройстве (рис. 4) [7]. Разумеется, они уступают в качестве платным версиям, но для стартапа даже Tableau может быть достаточно дорогим решением.

Иногда специалистов по BI-системам называют BI-аналитик. И они выполняют задачи и по BI, и по аналитике. Несмотря на достаточно широкие возможности готовых BI-систем, их инструментария недостаточно для решения задач среднего и крупного бизнеса.

В частности, аналитик данных сможет сформулировать нетривиальную гипотезу, например, о повышении спроса на строительно-монтажную продукцию в районе новостроек и проверить ее, самостоятельно составив датасет из открытых источников [8]. Также, скорей всего, понадобится глубокая интеграция BI-системы с другими компонентами корпоративной ИТ-инфраструктуры, которая не решится через простой обмен файлами или API-интерфейсы. Кроме того, всегда следует помнить о характере и объеме анализируемых данных. Например, если информация поступает непрерывно с различных датчиков производственного оборудования, следует всерьез подумать о специализированных дэшборд-решениях для Big Data, таких как InetSoft’s Style Intelligence и другие аналоги.

С точки зрения человеческих ресурсов, для организации средних размеров и оборотов достаточно будет одного специалиста по данным широкого профиля, который обладает компетенциями в анализе информации и маркетинге, разбирается в предметной области и статистике, а также умеет работать со специализированными BI-системами (рис. 5).

Поскольку в крупной компании объем анализируемых данных еще больше, а ИТ-инфраструктура – насыщеннее, ей потребуются Data Professional’ы с профильным разделением [1]:

• архитектор данных (DataArchitect) отвечает за проектирование новой системы сбора, хранения и обработки данных, включая особенности всех текущих и будущих источников и моделей данных, процессов их интеграции и представления, а также технических средств реализации;
• аналитик данных (Data Analyst) строит гипотезы и извлекает полезные для бизнеса сведения из «сырых» массивов информации, очищая их от некорректных значений и выбросов, а также отбирая переменные, необходимые для моделирования – машинного обучения;
• ETL-специалист работает с дэшбордами и структурированными хранилищами (Extract – Transform – Load, ETL), создавая аналитические отчеты.
• инженер данных (Data Engineer) создает и сопровождает инфраструктуру Big Data проекта, обеспечивая сбор, хранение и управление потоками данных в реальном времени;
• ML-специалист разрабатывает модели и алгоритмы машинного обучения, а также отвечает за их реализацию в программных приложениях;
• исследователь данных (Data Scientist) занимается анализом информации, а также разрабатывает модели и алгоритмы машинного обучения, которые проверяют или опровергают гипотезы аналитиков;
• директор по данным (Chief Data Officer, CDO) управляет жизненным циклом данных так, чтобы каждый корпоративный клиент (пользователь, информационная система или облачный сервис) вовремя получал нужную информацию в подходящем виде и приемлемом качестве [9]. Также CDO контролирует работу всех Data Professional’ов: архитектора, аналитика, инженера и исследователя. Подробнее про обязанности и компетенции CDO я расскажу в следующей статье.

На практике один человек может владеть несколькими компетенциями и совмещать смежные роли. С организационной точки зрения аналитики могут подчиняться как генеральному руководителю, так и топ-менеджеру направления, например, директору по маркетингу или финансам [1], т.к. пока далеко не каждая даже крупная компания выделяет отдельную должность CDO. Поэтому очень часто аналитику приходится работать на стыке BI и Data Science, что, разумеется, усиливает нагрузку на специалиста, но и дает синергетический эффект, позволяя видеть цифровую картину всего предприятия в целом.

С чего начать: первые шаги к аналитике данных

Прежде чем искать опытных аналитиков или срочно обучать собственных сотрудников, стоит максимально точно ответить на следующие вопросы:

• зачем вам аналитика данных: какую именно пользу для бизнеса вы хотите извлечь из массивов информации? Ставьте понятные, измеримые и достижимые цели, например, повысить конверсию продаж на 20% или сократить финансовые и временные затраты на логистику между производственными площадками.
• какие у вас данные и насколько их много: опишите источники и характер представления информации, которую вы собираетесь анализировать. Например, локальная ERP-система, облачная CRM, сервисы веб-аналитики (Яндекс.Метрика и Google.Analytics), 1C и «волшебный» Excel-файл главного бухгалтера.
• насколько управляем ваш бизнес: устоялись ли управленческие и операционные процессы и процедуры, четко ли соблюдается их периодичность и повторяемость, как ведется учет важных метрик и показателей. Как правило, для определения уровня зрелости корпоративного управления используется методология оценки бизнес-процессов CMMI – Capability Maturity Model Integration(рис. 6) [10].

Идентифицировав свои цели, объекты и процессы, вы сможете определиться с инструментами – системами и специалистами, которые заставят ваши данные работать, извлекая из них реальную пользу для бизнеса. Стремясь к поставленной цели, не забывайте об окружающей реальности: объеме данных и характере деятельности. К примеру, если компания еще не достигла хотя бы 3-го уровня CMMI, говорить об аналитике данных пока рановато – сначала следует привести в порядок процессы. Затем, с постепенным продвижением по ступеням CMMI, целесообразно расширять область анализируемых данных, наращивая мощь корпоративных хранилищ и компетенции аналитиков данных.

Где искать и как нанимать аналитика данных

Как правило, хороший профессионал не ищет работу – она находит его сама. Поэтому не стоит ожидать быстрого и качественного результата, просто разместив объявление на сайте вакансий. Лучше всего самостоятельно «открыть охоту» на аналитика там, где они обитают – на тематических площадках по анализу данных, Data Science, Big Data и Machine Learning.

Например, очень популярны следующие онлайн-ресурсы: Data Science Central, Kdnuggets, SmartData Collective, раздел Cross Validated на Stack Overflow, а также соревновательные платформы Kaggle и Boosters. Также полезно будет посетить оффлайновые мероприятия для аналитиков: конференции, фестивали, чемпионаты, которые проводятся достаточно часто. В частности, DataFest, митапы от Яндекс, Mail.ru, Авито и других data-driven компаний. Там вы не только встретите множество потенциальных кандидатов, но и сможете сразу оценить их опыт, послушав доклады и оценив ответы на вопросы, а также пообщаться в неформальной обстановке.

Что касается необходимых компетенций аналитика, здесь сложно дать какие-то универсальные рекомендации, поскольку это зависит от ваших задач, уровня зрелости корпоративного управления и характера данных. Например, для стартапов и малых предприятий подойдет бизнес-аналитик с навыками маркетолога и опытом работы с бесплатными BI-решениями, а также веб-сервисами «Яндекс.Метрика», Google Analytics и пр. Полезным будет продвинутое владение Excel, CRM-системами, знание статистики и нескольких языков программирования, чтобы аналитик мог сам написать элементарный скрипт для обработки информации или сформировать запрос к базе данных.

Среднему бизнесу имеет смысл дополнительно к BI-аналитику нанять ETL-специалиста, который настроит инфраструктуру для корпоративных хранилищ данных и интегрирует их с удобными дэшбордами. Крупной компании, скорей всего, понадобится полный набор дорогих Data Professional’ов: от архитектора до CDO, включая различных аналитиков, инженеров Big Data, исследователей данных и ML-специалистов (рис. 7). В этом случае вашему HR- и ИТ-директорам придется хорошо потрудиться, чтобы найти свободные или переманить к себе опытные кадры из конкурирующих фирм [11].

Наконец, для бизнеса любого масштаба очень полезным будет наличие у кандидата релевантного опыта в конкретной отрасли: интернет-маркетинг, ресторанная сфера, ритейл и т.д. Практические знания и умения значат намного больше тех слов, которые написаны в дипломе у вашего потенциального сотрудника. Помните, что профильное образование – это лишь дополнительный бонус к реальным компетенциям кандидата, а не жесткий критерий отбора.

Вместо заключения

Учитывая повсеместную цифровизацию, можно сделать вывод, что аналитика данных становится неотъемлемой частью современного предприятия, независимо от его масштаба и специфики деятельности. Информация – это жизненная сила любого бизнеса, но, чтобы не потонуть в ее потоках, нужно уметь выделить главное среди множества показателей.

В этом помогут специалисты по анализу данных и соответствующие программные продукты. Принимая во внимание их достаточно высокую стоимость, рассматривайте расходы на аналитику данных как инвестиции, которые, при грамотной постановке целей и задач, принесут вам гораздо большие дивиденды. Нанимайте Data Professional’ов и внедряйте программные решения постепенно, в зависимости от уровня зрелости бизнес-процессов, характера анализируемой информации и ИТ-инфраструктуры своего предприятия. Малому бизнесу достаточно недорогих облачных сервисов, а крупным компаниям нужны решения сложнее и точнее, а, значит, и более «дорогие» специалисты. Однако, эти вложения помогут бизнесу сэкономить время и деньги, решив с помощью аналитики множество стратегических и операционных задач, от маркетинга до производства.

1. Специалисты по аналитике данных: когда нанимать и какие задачи делегировать
2. Зарплаты в ИИ: где больше денег и кого ищут в России
3. Зарплаты ИТ-специалистов на середину 2018 года
4. Зарплаты в ИТ во втором полугодии 2018 года
5. Обзор рынка ИТ-вакансий
6. Developer Survey Results 2019
7. Self-service analytics in the cloud with Tableau Online
8. Фабричная аналитика. 5 шагов к внедрению Business Intelligence на производстве
9. CDO без искусственного интеллекта — деньги на ветер?
10. CMMI
11. Карл Андерсон. Аналитическая культура. От сбора данных до бизнес-результатов. – М.: Манн, Иванов и Фербер, 2017. – 336 с.

Источник: www.chernobrovov.ru