Статьи

Золотодобывающая компания «Полюс» запустила проект по внедрению технологии Process Mining для возможности проведения сквозного анализа бизнес-процессов. Работы реализуются по трем направлениям: бухгалтерский документооборот, техническое обслуживание и ремонт оборудования и сквозной процесс обеспечения. О реализации этого проекта рассказывает Денис Ерофеев, директор департамента развития бизнес-процессов компании «Полюс».

— Что привело компанию к необходимости внедрения Process Mining?

Мы на регулярной основе осуществляем поиск инициатив, в которых видим потенциальный эффект от внедрения, и одно из приоритетных направлений здесь – аналитика бизнес-процессов и данных.

По результатам масштабной цифровой трансформации на сегодняшний день значительная часть процессов в «Полюсе» автоматизирована, и в ИТ-системах компании накапливается большой объем информации о ходе их выполнения. Основанием для реализации проекта являлась растущая потребность в анализе фактического выполнения бизнес-процессов в ИТ-системах, включая проведение постпроектного мониторинга и проверку успешности планов линеаризации проектов по трансформации и информатизации бизнеса.

Инструменты класса Process Mining позволяют выполнить анализ качества эксплуатации внедренных процессов на большом объеме информации, настроить мониторинг показателей приживаемости внедренных систем и успешности реализации изменений на основании цифрового следа в ИТ-системах.

— На какие эффекты компания рассчитывает от внедрения этой технологии?

По результатам внедрения технологии Process Mining мы рассчитываем на получение преимущественно качественных эффектов. Примером могут служить повышение «приживаемости» внедренных информационных систем за счет организации мониторинга показателей исполнения процессов в системах, выявление узких мест и нетиповых вариантов реконструированного процесса, а также подготовка предложений по оптимизации бизнес-процессов.

Количественные эффекты от внедрения технологии являются долгосрочными – мы хотим создать сервис, который позволит владельцам процессов самостоятельно выполнять их анализ на постоянной основе и добиваться измеримого улучшения показателей за счет принятия управленческих решений.

— Почему именно бухгалтерский документооборот был включен в объем проекта?

Перед началом проекта был проведен комплексный сбор потребности в цифровом анализе процессов с использованием технологии Process Mining. Впоследствии собранные потребности были приоритизированы в соответствии с фреймворком RICE. По результатам этой приоритизации было принято решение о включении в объем проекта трех направлений: бухгалтерского документооборота, технического обслуживания и ремонта оборудования и сквозного процесса обеспечения.

— Какие результаты достигнуты по итогам реализации процесса «Бухгалтерский документооборот»?

По результатам реализации были достигнуты две основные цели. Самое главное, мы получили качественный и гибкий инструмент на базе решения Celonis, позволяющий увидеть полноценную картину по всему процессу бухгалтерского документооборота для возможности регулярного проведения цифрового анализа процесса. Кроме того, нам удалось сформировать конкретный перечень мероприятий, состоящий из 10 пунктов по трем областям, которые планируются к реализации в ближайшее время. Первая область – «сокращение сроков обработки документов». В ней были сформированы мероприятия, направленные на сокращение зацикливаний в этапах процесса и на разбор «зависших» документов. Вторая область – «эффективность маршрутов». В ней мероприятия направлены на сокращение «узких мест» в процессе и унификацию маршрутов движения документов в системе. Последняя область – «производительность и численность персонала». В ней мероприятия направлены на сокращение пиковых нагрузок на сотрудников.

В качестве примера могу привести мероприятия, направленные на автоматическое определение атрибутов у документов при их сканировании, что значительно сократит время на их первичную обработку.

— Как эти усилия воспринимают сами пользователи?

Несмотря на большую загрузку бизнес-экспертов в проекте помимо операционной деятельности, коллеги очень позитивно отнеслись к участию в нашем проекте. Каждый из пяти департаментов и дирекций, участвующих в реализации проекта, отметил для себя возможности использования Process Mining.

Так, департамент по развитию сервисных центров привлекла возможность повышения эффективности финансового документооборота и выявления отклонений по ключевым метрикам. Департамент развития и поддержки бизнес-приложений получил возможность проведения архитектурной оценки и контроля планируемых изменений в информационной системе.

Департамент методологии и автоматизации учета обеспечил детальную проработку первоначальных методологических требований к инструменту, от коллег были предоставлены вводные в части потенциальных проблемных зон и процессов, требующих проведения анализа. На основании этих данных совместно с коллегами мы разработали комплексное техническое задание, что позволило с максимальной полнотой использовать возможности инструмента Process Mining для анализа процессов бухгалтерского документооборота.

Отметили полезность инструмента и коллеги из нашего многофункционального центра обслуживания, непосредственно осуществляющего значительную часть анализируемых процессов. Транзакционный отдел отметил возможность оптимизации трудозатрат в пиковые загрузки за счет выявления трудозатрат, не связанных с закрытием периода. Отдел контроля финансовой дисциплины отметил возможность более оперативного взаимодействия с бизнес-единицами для сглаживания пиковых нагрузок предоставления первичных документов. Наконец, у дирекции по качеству и операционной эффективности появилась дополнительная возможность разработки мероприятий по непрерывному улучшению «узких мест» процесса, таких как доработка систем и выявление новых областей для автоматизации процесса.

— Оправдались ли ожидания?

Могу точно сказать, что ожидания по направлению «Бухгалтерский документооборот» были полностью оправданы.

— Что в ходе проекта было самым сложным?

Наверное, самым сложным при реализации проекта был факт загрузки бизнес-экспертов. Некоторые встречи приходилось планировать более чем за месяц до их проведения. Но я хотел бы подчеркнуть, что коллеги всегда шли проектной команде навстречу, помогали с организацией, активно участвовали в работах. Во многом это способствовало успешной реализации проекта в очень агрессивные сроки и с отличным качеством.

— Какие направления, по вашим оценкам, могут быть наиболее перспективными с точки зрения применения Process Mining и почему?

В ближайшей перспективе планируется завершение реализации еще двух направлений, о которых упоминал ранее – «Техническое обслуживание и ремонт оборудования» и «Сквозной процесс обеспечения». На мой взгляд, анализ данных направлений может принести компании большие эффекты.

Уже на данный момент по результатам проведения пилота по направлению ТОРО мы выявили отклонения в процессе использования мобильного оборудования при выполнении ежесменного технического обслуживания. Для проработки мероприятий была оперативно сформирована кросс-функциональная команда, состоящая из трех департаментов. По результатам отработки мероприятий мы отметили стабилизацию процесса. В том числе увеличен процент использования мобильного оборудования в три раза, увеличена скорость синхронизации данных в 3,5 раза.

Разработка корпоративного хранилища данных (КХД), внедрение процессов управления данными и создание корпоративного аналитического портала, реализованные на Магнитогорском металлургическом комбинате, стали важным шагом в поддержке цифровых инициатив, реализуемых компанией. О предпосылках и результатах этих проектов рассказывает Дмитрий Ганаев, начальник офиса управления данными «ММК-Информсервис».

— Как развивались на ММК подходы к работе с данными, какие этапы вы можете выделить?

С середины 1990-х и до 2015 года развитие автоматизированных информационных систем происходило широкими темпами, развивались и производственные учетные системы, и системы корпоративного уровня. Соответственно, росла потребность в интеграции всех систем между собой, причем во всех направлениях – как снизу вверх, так и сверху вниз. Также росла потребность в совместном анализе данных, хранящихся в разных системах, увеличивалось количество интеграционных сценариев. Для реализации задач по консолидации данных появились первые проекты по созданию хранилищ данных, но они были относительно небольшие, объединяющие смежные системы – например хранилище технологических данных, хранилище данных по экономической деятельности и т.п.

Параллельно развивались системы продвинутой аналитики, системы-советчики. В 2016 году начали появляться первые системы, основанные на работе математических моделей, построенных с использованием машинного обучения. Системам такого класса требуется максимальное количество статистических данных как о технологических процессах, так и о процессах планирования и учета производства продукции. Как следствие, привлечение аналитиков data science потребовало и наличия качественного описания имеющихся данных.

В 2018 году при предпроектной проработке требований по модернизации корпоративной сервисной шины ESB было принято решение не только расширить функционал шины, но и качественно описать данные, которые передаются между ИТ-системами. Одновременно с этим, было принято решение о создании хранилища данных корпоративного уровня для расширения возможностей анализа данных.

Таким образом, можно выделить несколько этапов: широкое развитие ИТ-систем, возникновение предпосылок для консолидации разрозненных данных, принятие решения о построении корпоративного хранилища для расширенной аналитики, увеличение нагрузки на интеграционные механизмы, принятие решения о развитии функций управления данными.

— Когда в компании появился офис данных, в чем компания видит его роль?

Офис по управлению данными как отдельное подразделение появился в январе 2021 года в «ММК-Информсервис», которое является выделенной ИТ-компанией ММК. Основная его задача в настоящее время – разработать и внедрить основные фундаментальные процессы управления данными в ММК. Офис занимается организацией взаимодействия участников этих процессов для общего повышения уровня знаний о данных, что должно помочь принимать более качественные решения как при использовании ИТ-систем, так и при разработке новых проектов.

— Какое место занимает проект создания КХД и системы управления данными среди комплекса цифровых инициатив ММК?

И проект КХД, и проект по управлению данными являются в настоящий момент инфраструктурными, поддерживающими проектами. Все цифровые инициативы развиваются собственными проектными командами, и при возникновении задач по консолидации данных они решаются в рамках собственных проектов. Офис управления данными является центром компетенций по задачам понимания, поиска, сбора и хранения данных, требуемых для реализации цифровых инициатив ММК.

— Когда был начат проект КХД, какими силами реализовывался, сколько продлился?

Проект построения КХД был начат в 2019 году, и изначально планировался из нескольких этапов: проектирование платформы, выбор поставщиков и поэтапная разработка. Его реализация осуществлялась группой интеграции, в составе трех-четырех специалистов, а также проектной командой партнера – компании «Крок», осуществлявшей непосредственно работы по проектированию, разработке и развертыванию системы.

В 2021 году стартовал очередной этап, в ходе которого КХД дополнится слоем хранения неструктурированных данных, его завершение планируется в середине 2022 года.

— Какую роль в проекте КХД играет внедрение процессов управления данными, какие именно процессы реализуются?

Процессы по управлению данными начали развиваться уже рядом с функционирующей платформой КХД. Из-за того, что процессы управления данными в части КХД идут вслед за разработкой, первая задача заключалась в том, чтобы провести некую верхнеуровневую каталогизацию тех информационных объектов, которые есть в хранилище.

Принято решение, что проект управления данными будет включать в себя развитие бизнес-глоссария, построение корпоративного каталога данных и развитие процессов повышения качества данных. Общую концепцию и рекомендации по выбору компонентов платформы управления данными мы разработали в сотрудничестве с компанией Deloitte, а практическое внедрение реализовали при поддержке команды DIS Group.

На основании накапливаемого опыта и понимания того, чего именно не хватает в текущей деятельности с точки зрения знаний о данных, сформируются новые требования к процессам разработки и внедрения информационных систем, а также требования к поддержке актуальности знаний о данных.

— Какие были выбраны инструменты и почему?

Технологической платформой для КХД является связка СУБД ArenadataDB и Arenadata Hadoop. Их основными преимуществами стало то, что это кластерные системы высокой устойчивости с возможностью горизонтального расширения мощностей и поддержкой параллельной обработки больших данных. Кроме этого, они основаны на известных высокопроизводительных продуктах, которые продолжают развиваться. Не менее важно, что Arenadata – российский вендор, оказывающий качественную техническую поддержку на русском языке.

В качестве платформы управления данными используются продукты Informatica – Axon Data Governance, Enterprise Data Catalog, Data Quality. Выбор в пользу платформы Informatica был сделан исходя из нескольких факторов. Первый из них – комплексный подход: все компоненты платформы тесно взаимосвязаны друг с другом и в совокупности решают задачи как для ИТ, так и для бизнес-подразделений. Во-вторых, каталог данных EDC позволяет полноценно отсканировать технические метаданные источников данных, имеется процесс интеграции полученных метаданных с терминами бизнес-глоссария. Кроме того, возможности построения data lineage – детальной карты трансформации данных – позволят аналитикам и пользователям лучше и быстрее понимать происхождение показателей, а также ускоряют процесс разработки новых отчетов за счет использования каталога данных и супермаркета данных. Наконец, связка бизнес-глоссария с компонентом мониторинга и повышения качества данных позволит развивать и гибко настраивать процесс контроля качества данных. Важно отметить и наличие сертифицированного тренинг-центра в России с обучением на русском языке.

— Что уже удалось реализовать, а что еще предстоит?

Основные результаты – это наличие у нас инструмента по хранению и обработке больших данных, а также запросов на его применение. В первую очередь, стоит выделить разработку информационных систем корпоративного уровня в рамках «Корпоративного аналитического портала».

Также нам удалось разработать и запустить процессы по сбору информации для разработки систем продвинутой аналитики, выполняемый группой математического моделирования. Это и настройка организационного взаимодействия команд, и настройка процессов поиска и описания данных, и, наконец, загрузка данных в КХД, сразу пригодных для использования аналитиками.

В перспективе предстоит развить и стандартизовать все перечисленные процессы, чтобы разработка любых информационных систем происходила синхронизировано с процессами управления данными.

— Что собой представляет корпоративный аналитический портал, какую миссию выполняет?

Информационная система «Корпоративный аналитический портал» разрабатывается для использования в качества единого источника достоверной, наглядно визуализированной аналитической информации, своевременной и достаточной для эффективного управления всеми сферами деятельности Группы ММК. Портал предназначен для руководителей высшего звена (генеральный директор, заместители генерального директора, другие директора), а также начальников управлений, отделов, аналитиков и специалистов по функциональным областям.

С технической точки зрения портал является BI-системой на основе Tableau, источником информации для которой являются витрины данных, собранные в КХД из различных информационных систем.

— Каких бизнес-результатов уже удалось достичь?

Внедрение аналитического портала приносит ежедневный результат – система принята в эксплуатацию, используется для анализа деятельности предприятия и принятия более эффективных решений ключевыми руководителями. Показателем востребованности такой аналитики может выступать сводная заявка из более чем 300 новых показателей, предложенных подразделениями ММК к расширению аналитических функций портала в 2022 году.

— Основой для каких новых сервисов должна стать построенная платформа данных? Что становится принципиально возможным?

Комбинация из универсального хранилища, описанных данных, построенной на этой основе системы BI-аналитики в связке с понятной стратегией Data Governance позволит в будущем приступить к развертыванию систем анализа, основанных на самостоятельной реализации продвинутого анализа силами опытных пользователей (self-service), даст очередной толчок к развитию продвинутой аналитики и моделирования процессов.

— В каком направлении планируете развивать проекты по работе с данными?

Одним из важнейших следующих шагов является переход к разработке систем контроля качества данных. Для этого требуется выстроить общую концепцию измерения качества, и процессов, которые позволят повышать качество. Например, возможным направлением развития может быть формирование правил качества, их реализация в системе контроля качества (Informatica DataQuality + Axon) и предоставление конечным пользователям информации о качестве предоставляемых данных.

С учетом перспектив self-service качество данных будет актуальной темой для конечных пользователей. Возможности мониторинга качества создадут предпосылки как для повышения уровня аналитики, так и для повышения качества самих данных. Все это позволит ускорить переход к data-driven подходу при принятии решений.

Компанией DIS Group разработана программа евангелизации подходов к управлению данными, которая включает в себя разработку и продвижение обучающих материалов по тематике, проведение бесплатных вебинаров, участие в форумах, написание руководств и книг, а также обучение профессионалов в авторизованном тренинг-центре. О подходах компании и своем видении роли подготовки специалистов по управлению данных в развитии рынка рассказывает Олег Гиацинтов, технический директор DIS Group.

— Что включает разработанная DIS Group программа евангелизации?

Мы активно занимаемся внедрением и продвижением проектов по управлению данными и хорошо понимаем, что развитие этого направления, как и вообще развитие цифровизации, невозможно без правильных подходов. Цель программы евангелизации – помочь в выборе подхода. Мы стремимся показать, каким образом стоит подойти к решению задачи по управлению данными, ведь от этого напрямую зависит эффективность работы с данными. Если цель заключается в том, чтобы ускорить процессы обработки данных и работы с ними, научиться быстро определять их достоверность и уровень качества, то сама по себе установка программного обеспечения и выбор теоретического подхода ни к чему не приводят. Такой однобокий подход позволяет в лучшем случае описывать данные, и ничего более. Будет ли в этом заключаться экономия для заказчика? Конечно, нет – ведь ему всё так же сложно работать со своими собственными данными. А люди, которые эти данные должны получать, всё равно вынуждены искать их самостоятельно – то есть, по сути, заниматься не своей работой. Именно поэтому так важно объяснить, как начать работу с данными, как построить процесс, как выделить команду специалистов, оптимизировать временные и финансовые издержки, и тем самым наконец-то получить эффект от внедрения управления данными.

— Какие задачи она должна решить, почему это важно?

Основные задачи лежат в области построения подхода, как организационного, так и административного. Мы рассказываем, как нужно обрабатывать запросы на работу с данными, как построить процессы согласования, как должна быть построена работа CDO и его подразделения и на что стоит обратить внимание.

— Каковы вообще потребности рынка в специалистах по управлению данными?

Потребности рынка сейчас в этой области по-настоящему огромные. Это связано с тем, что роль CDO зачастую определена очень нечетко: где-то это просто человек, отвечающий за описание данных, а где-то он занимается цифровой трансформацией всего предприятия. Именно из-за этого на рынке есть некоторое недопонимание. Кого стоит брать на эту должность? Кто такой data steward? Каким образом построить работу? Поэтому рынок сейчас в этом плане, я бы сказал, несколько хаотичен.

В нашей программе как раз отражено, кто эти люди и какие у них должны быть функции. Кроме того, когда требования к этим специалистам приводятся к одному знаменателю, становится понятно, что три четверти людей, которые нужны в управлении данными, в этих организациях уже есть. А это значит, что ничего радикально нового придумывать не нужно – требуется только правильно выстроить процессы и организационную структуру.

— Какие направления охвачены тренинг-центром, какие из них пользуются наибольшим спросом?

Это авторизованный тренинг-центр, предлагающий сертифицированные курсы, связанные с решениями, которые наша компания представляет на рынке. Большой популярностью также пользуется новый, фактически первый методологический курс, связанный с управлением данными, и в ближайшее время будет еще курс подобного рода по управлению знаниями. Сейчас, естественно, основные запросы в тренинг-центр касаются обучения по управлению данными и инструментам для его реализации.

— Что уникального вы предлагаете вашим слушателям?

Как я уже говорил, основное наше предложение – это построение подхода на основе практических внедрений, которые уже были сделаны. Наша компания имеет более 10 внедрений по управлению данными, мы видели и хорошие примеры реализации, и не очень. Сначала мы предлагаем погрузиться в те проблемы, которые возникают в процессе создания структур по управлению данными. Следующий после этого шаг – переход к формированию подхода для того, который позволит эти проблемы обойти. Конечно, в каждой организации этот подход будет уникальным, но знакомство с общими положениями позволит слушателям правильно выбрать какие-то вещи, наиболее актуальные для организации своего собственного процесса.

— Какие достигнуты результаты? Что из этого вы считаете наиболее важным?

В 2021 году обучение в тренинг-центре прошли более 500 человек, из них свыше половины – по направлению Data Governance. Более 3 тыс. человек приняли участие в форумах и вебинарах.

Наша компания вкладывается в это направление уже несколько лет и даже без организации этого обучения занимается такой евангелизацией довольно давно. Мы рассказываем о своих подходах и на форумах, и персонально заказчикам, участвуем в написании книг и пособий. Самый яркий пример – это учебник по цифровой трансформации 4CIO, где есть и глава по управлению данными, и глава по управлению знаниями – специально для того, чтобы этим можно было пользоваться. Буквально на днях вышел навигатор РАНХиГС «Управление данными в госсекторе». Его цель – научить госслужащих выстраивать работу с данными, включая управление данными. Мы очень активно развиваем направление евангелизации. Многие компании, которые с нами работают, знают, что мы всегда это делаем, если у заказчика есть такая потребность.

— Как вы оцениваете вклад вашей программы в решение общей задачи формирования культуры и практики управления данными в России?

Умение эффективно выстраивать работу с данными является необходимым условием для цифровой трансформации как бизнеса, так и государственного сектора экономики и государства в целом. Повышение экспертности в области управления данными помогает справиться с дефицитом квалифицированных ИТ-кадров в области цифровой трансформации.

Я считаю, что в настоящий момент мы имеем один из наиболее мощных ресурсных центров. У нас по-настоящему мощные в плане методологической подготовки кадры и большое портфолио практических внедрений, которые не протяжении последних пяти лет формируют практику по управлению данными в России. Ранее то же самое было сделано для вопросов интеграции данных, качества управления нормативно-справочной информацией. А в сторону упрощения работы с данными с точки зрения как разработки, так и управления ими по всем направлениям мы последовательно идем все последние 17 лет – с момента создания компании.

— Каковы планы развития программы?

Программа постоянно совершенствуется в соответствии с тем, как меняются задачи у наших заказчиков и охват требований к блоку CDO. Конечно, свою лепту вносят и вендоры, с которыми мы работаем. Мы активно пользуемся теми методологиями, которые они привносят. Самое главное в этом процессе – не останавливаться, ведь каждое новое решение, которое мы предлагаем, развивает нас и меняет наше видение, иногда довольно серьезно.

Сделать российский рынок строительных материалов и услуг полностью прозрачным – весьма амбициозная задача. Решить ее поможет цифровизация рынка и создание единой строительной экосистемы, охватывающей всю территорию России. Андрей Лупий, генеральный директор компании «Орлан» и лауреат премии Data Award 2022, рассказывает о формировании платформы «ОРЛАН System 2.0», которая призвана стать полноценной экосистемой строительного рынка.

— Как родилась идея, откуда растут корни у этого проекта?

Я всю жизнь работаю на строительном рынке – как со стороны заказчика, так и подрядчика, являюсь его экспертом, у меня строительное образование. До 2016 года я был производителем строительных материалов в Московском регионе, управлял бетонным производством. В 2016 году у меня появилась своя компания «Орлан», которая занималась комплексным снабжением строительными материалами. Мы всегда работали по-честному: доставляли именно заказанный класс бетона и точное его количество. Но остальной рынок тогда работал совсем по-другому. У нас был перечень постоянных клиентов, которые ценили наш подход. Но именно такой подход оказался камнем преткновения для масштабирования: мы не могли конкурировать по цене с недобросовестными поставщиками. Передо мной стоял выбор: либо начать работать как все, либо постараться изменить правила игры на рынке. Так и зародилась идея создавать цифровую платформу – ИТ для меня всегда было хобби.

В 2017 году мы прорабатывали схему, как можно выстроить бизнес-процессы для компаний, которые работают качественно, и в апреле 2018 года на рынке Московского региона запустили пилотный проект «ОРЛАН System». Изначально платформа выступала агрегатором бетонных производств. Мы начали именно с бетона, потому что в этой области у нас больше всего компетенций, и мы знали все проблемы. По сути, поставка товарного бетона является одной из самых теневых поставок, потому что качество поставляемого материала невозможно проверить. Мы провели большую работу с производителями, которые далеки от цифровизации, это было нелегко. Но нам удалось замкнуть кольцо поставок качественного бетона вокруг Москвы.

После этого к нам стали обращаться производители с других ниш строительного рынка. Как выяснилось, у многих были такие же проблемы, как у нас: производители качественного продукта, не могли конкурировать с фирмами-однодневками и компаниями, работающими по серым схемам.

И тогда появилась мысль, что правильнее создавать единую платформу строительных материалов, а не отдельные платформы под каждую нишу. Единая платформа с различными сервисами и услугами – это удобно, тем более сейчас мы живем в эпоху экосистем и видим, в каком направлении развиваются «Сбер», «Яндекс», «Тинькофф» и другие. Все мы уже привыкли пользоваться в рамках одного окна различными услугами. 2019–2020 годы мы посвятили общению с участниками рынка: производителями, строительными компаниями – у каждого свои особенности, свои боли.

До того момента мы развивали платформу чисто на собственные денежные средства, а осенью 2020 года подали заявку в Фонд содействия инновациям. Наш проект прошел экспертизу, и мы получили грантовую поддержку в размере 20 млн руб. Это позволило в конце 2021 года запустить платформу «ОРЛАН System 2.0» — полнофункциональную платформу, которая может работать с любой номенклатурой, причем представляет собой именно экосистему.

— Что сейчас представляет собой платформа? Какие сервисы в нее входят?

На сегодняшний день наша платформа – уже готовый продукт, который мы начинаем масштабировать по территории России. Сейчас мы работаем в Московском регионе, в Северо-западном регионе, активно осваиваем республику Татарстан. Мы подписали соглашение об участии в проекте «Новый город 2025», который планируется строить под Владивостоком. У нас есть договоренности о том, что все поставки стройматериалов будут поставляться через нашу платформу.

Пока мы развивались, развивалось законодательство и новые технологии. Блокчейн перестал ассоциироваться исключительно с криптовалютами, и приобрел явный бизнесовый оттенок. Мы познакомились с компанией S7 Techlab – разработчиком одной из блокчейн-платформ, и совместно с «Альфа-банком» реализовали на нашей платформе полностью автоматизированные сделки. Это важно, потому что одной из больших проблем на рынке является безопасность платежей: покупатель боится делать предоплату из-за некачественных поставок, а поставщик не хочет рисковать своим товаром. У нас реализована система прямых сделок: покупатель напрямую заключает сделку с поставщиком и формирует смарт-контракт.

В качестве дополнительного механизма автоматизации мы внедрили полностью электронный документооборот по всем сделкам. На это был запрос от крупных строительных компаний, чтобы можно было получать документы сразу после поставки в онлайн-режиме.

Все участники нашей платформы одновременно являются и покупателями, и продавцами. Например, строительная компания оказывает услуги строительства, но закупает строительные материалы и строительные услуги. Производитель бетона продает товарный бетон, но закупает песок, щебень, цемент. Всем им нужны дополнительные услуги, финансирование, консалтинг и т. д.

Развиваясь как экосистема, мы заключали партнерства с различными компаниями и направлениями. Например, мы запустили сервис по финансированию, потому что это основной вопрос у всех компаний – как производителей, так и строителей. Сейчас мы интегрируемся с площадкой MyFi, которая помогает в режиме онлайн привлекать денежные средства. Работаем с банковским сектором относительно реализации таких инструментов, как внутренний факторинг по сделкам.

Создав основу платформы, мы начинаем ее дополнять различными сервисами. Совместно с НОСТРОЙ (Ассоциация «Национальное объединение строителей». - Прим. ред.) планируем реализовывать маркетплейс строительных компаний.

— Как обеспечивается чистота экосистемы?

На данный момент у нас верифицировано более 7 тыс. компаний. Мы допускаем на платформу только реальных участников рынка, вычищаем не только мошенников, но и посредников. Для этого мы разработали свою систему скоринга, которая состоит из трех блоков. Первый блок – стандартный юридический, собирающий данные о компаниях из открытых источников.

Второй блок – это оценка компании по нише рынка, в которой она работает. Если компания подает заявку как производитель кирпича, то мы проверяем, что это действительно правда – бывают и выезды на производство, и привлечение партнеров для проверки. Мы подтверждаем, что указанному адресу находится завод и у него юридическое лицо именно такое, которое подало заявку. Дополнительно на платформе может зарегистрироваться официальный дилер. Это сделано специально для того, чтобы можно было отследить всю цепочку поставки материала, а также работать с рекламациями.

Третий блок – это уже чисто аналитические данные, отражающие поведенческий фактор на платформе: были ли нарекания по качеству поставки, по качеству материалов, по оплатам. Из всех параметров складывается скоринговый балл, который участвует в выдаче предложений на платформе. Конечно, есть и стоп-факторы, которые не позволяют заключить сделку с поставщиком, если он вдруг оказался в стадии банкротства, либо у него арестовали счета.

— Каковы цели по охвату рынка?

Наша задача – оцифровать весь строительный рынок России. Но у нас уже сейчас есть запросы от зарубежных рынков: ведется работа по Германии и Испании, есть общение с Индией, Кувейтом и Катаром – это те страны, которые сами заинтересовались нашим проектом. Мы изучаем местные рынки, оценивая, насколько мы там нужны и можем быть полезными. Говоря в мировом масштабе, сейчас аналогичные платформы начинают появляться, причем в них очень активно инвестируют – видна явная тенденция на цифровизацию строительного рынка.

Недавно вице-премьер Марат Хуснуллин на парламентском часе заявил, что необходимо создавать цифровую платформу, которая будет обеспечивать прямые контракты между покупателем и производителем. Сейчас на строительном рынке очень большая проблема, связанная с ценообразованием и наличием материалов. Мы предлагаем Минстрою взять за основу нашу платформу.

— Поведенческие данные – что они включают, какие возможности дают?

Мы эти данные собираем и аккумулируем, оцениваем, чем они могут быть полезны. Во-первых, нас интересуют данные по ценообразованию. До сих пор информация собиралась с сайтов и из коммерческих предложений. Мы же начали собирать данные непосредственно по отгрузкам – это реальные данные, и они наиболее достоверные.

Кроме того, мы собираем данные по наличию стройматериалов в регионах. Скажем, с началом пандемии при строительстве госпиталей обнаружилась проблема: у нас в разных регионах не хватает тех или иных материалов. Доходило до того, что арматуру и другие материалы возили на самолетах, потому что просто не было других вариантов, а это большое удорожание проекта. Когда мы знаем о наличии или отсутствии материалов в регионах, это позволяет развиваться промышленности и получать данные проектировщикам, которые планируют строительство в определенном регионе. В своей практике мы часто сталкивались с тем, что в проектах обозначены те материалы, которых в этом регионе вообще в помине нет, их надо везти через половину территории России.

— Какова роль проекта в развитии рынка?

Сейчас активно развиваются технологии Building Information Modeling (BIM), то есть идет цифровизация проектирования и контроля за строительством. Поэтому мы уже сейчас общаемся с разработчиками таких решений, чтобы обеспечить интеграцию в разрезе данных по материалам и ценообразованию. Важно, чтобы проектировщик, работающий в BIM, мог подгружать в систему данные о производителях и материалах. В нашей платформе также планируется подсоединение к каталогам BIM-моделей производителей.

Говоря про развитие всего строительного рынка в России, важно сказать про унификацию. Создаются классификаторы строительных ресурсов, чтобы все участники рынка говорили на одном языке. Это даст возможность интеграции между различными игроками. Понимая это, мы разрабатываем каталоги на платформе с учетом унифицированного классификатора строительных ресурсов.

— Каковы направления развития платформы, наиболее важные ближайшие планы?

Наше будущее – это большая цифровая строительная экосистема, которая будет создана за счет интеграции нашей системы с различными государственными платформами и какими-то еще коммерческими решениями. Мы планируем к 2025 году оцифровать весь строительный рынок, то есть в личных кабинетах участников создать полный функционал по заказу строительных материалов и реализации товаров и услуг компаний. В рамках одного окна можно будет получить как коммерческие услуги, так и государственные.

У нас уже есть пилотная интеграция с Россакредитацией для автоматизированной проверки сертификатов и деклараций о соответствии качества. Это упрощает жизнь строителям. Наша цель – охватить своими сервисами всю территорию России, собрав полную базу по производителям строительных материалов.

В сентябре 2021 года МТС запустила геоаналитическую систему для поддержки принятия управленческих решений «МТС.Регион». Это первое в России коробочное решение, которое работает по модели подписки и дает возможность органам исполнительной власти управлять регионом на основе объективных обезличенных данных о социально-демографическом составе населения, миграциях и туристических потоках, а бизнесу – оценивать эффективность новых локаций для торговых точек и офисов. О предпосылках создания и роли этого проекта для создания комфортной среды в регионах рассказывает Армен Аветисян, вице-президент по Интернету вещей и промышленной автоматизации МТС.

— Как родилась идея создания решения «МТС.Регион»?

Мы в течение нескольких лет наблюдали стабильно растущий спрос на геоаналитические данные. Это неудивительно: растет мобильность населения, меняются паттерны поведения, увеличивается количество самостоятельных путешественников. Региональным властям для эффективного управления развитием территорий остро необходимо обладать точной и актуальной информацией – например, какова реальная численность населения, сколько туристов или мигрантов сейчас в регионе, на какие объекты инфраструктуры приходится самая большая нагрузка.

Мы заметили, что большая часть регионов приходит к нам с похожими запросами, и решили автоматизировать работу над такими кейсами, создав платформу «МТС.Регион» – веб-интерфейс для оперативного доступа к геоаналитическим отчетам. Важно было совместить возможность настраивать автоматическую выгрузку данных с удобным интерфейсом, который будет интуитивно понятным для пользователя без какого-либо опыта работы с большими данными.

— Что собой представляет система?

Это коробочное решение, предоставляющее доступ к обезличенным данным в трех форматах на выбор – веб-интерфейс, API или аналитические отчеты. В веб-интерфейсе доступно два модуля: «Цифровой житель» и «Цифровой туризм».

Модуль «Цифровой житель» позволяет оценить фактическую численность населения, социально-демографический состав, составить портрет жителя разных районов города и региона, проанализировать ежедневную и сезонную миграцию и оценить спрос на городскую инфраструктуру. Возможно заказать исследования по анализу посещаемости конкретных инфраструктурных объектов, общественных пространств и мероприятий. Система оценивает количество посетителей, их социально-демографический состав, сравнивает популярность объектов и событий по заданным параметрам. Наши данные помогают планировать развитие городского пространства, в том числе дорог, развязок, станций метро и остановок общественного транспорта, поликлиник, школ, детских садов, спортивных объектов и парков, корректировать графики и маршруты общественного транспорта, оценивать достаточность инфраструктуры, повышать популярность общественных мероприятий.

Бизнес может воспользоваться системой «МТС.Регион», чтобы сравнить доступные локации при открытии новых торговых точек и офисов на основе больших данных о трафике. Система анализирует информацию о проходимости, социально-демографическом портрете регулярной аудитории, данные об объеме и категориях трат.

Модуль «Цифровой туризм» дает возможность оценить объем и характер туристического потока: откуда приезжают гости региона, какие локации привлекают больше всего туристов, какова средняя продолжительность поездки, с какой целью в основном приезжают в регион. Платформа может составить портрет туриста с учетом пола, возраста, семейного положения, уровня доходов, сферы интересов, а также оценить достаточность инфраструктуры. Эти данные позволяют наладить транспортное сообщение с регионами, из которых прибывает наибольшее число туристов, запланировать строительство инфраструктуры именно там, где это необходимо, подготовить график мероприятий, соответствующих интересам ключевой аудитории, разработать программы привлечения туристов.

Геоаналитическая система работает на основе обезличенных данных Big Data МТС. Модель подписки позволяет получать не единоразовый отчет, а регулярные исследования и видеть динамику процессов. Данные обновляются с регулярностью от одного до пяти дней с момента наступления события.

— За какое время и какими силами реализована система?

Мы начали разработку в 2020 году. За время работы несколько раз меняли подход, корректировали работу с учетом отзывов клиентов. Пандемия также внесла свои правки: спрос на цифровые сервисы со стороны региональных властей в 2020 году вырос в три раза. Мы сразу стали применять гибкий подход к работе с аналитикой: переиспользовали и трансформировали методики, наполняли систему разными источниками данных, чтобы у клиентов была возможность оперативно выгрузить нужную информацию – например, перед совещанием у губернатора. Мы старались максимально применять опыт МТС в других сферах, но многое приходилось реализовать с нуля.

Над продуктом работает кросс-функциональная команда, в которую входят продуктологи, разработчики и специалисты по обработке данных, причем физически наши сотрудники разбросаны буквально по всей стране – от Владивостока до Санкт-Петербурга. Сейчас мы выдаем новые «фичи» практически каждый двухнедельный спринт – я считаю это большим успехом.

— На кого ориентирована платформа? Кто основной клиент?

Сейчас большинство заказчиков «МТС.Регион» — представители государственной власти: администрации городов, профильные ведомства и отраслевые министерства. В первую очередь решение полезно региональным министерствам по туризму и транспорту, а также различным инстанциям, занимающимся благоустройством территорий и развитием городского пространства.

Мы также видим интерес к платформе со стороны бизнеса: продуктового ретейла, торговых сетей, туристических агентств и сегмента HoReCa. Отдельная категория запросов приходит от девелоперов. На основе нашей геоаналитики компании выбирают наиболее удачные локации для открытия бизнеса и изучают свою аудиторию. Здесь возможности «МТС.Регион» дополняет рекламная платформа МТС Маркетолог. Таким образом мы оказываем полный комплекс услуг – от анализа локации до привлечения новых клиентов в нее.

— Хватает ли собственных данных МТС для создания достоверной аналитики?

Для большинства кейсов – да, более чем. МТС – крупнейший российский оператор и ядро целой экосистемы сервисов, среди которых онлайн-кинотеатр KION, МТС Библиотека, МТС Музыка и многие другие. Наша платформа Big Data хранит и обрабатывает более 20 Пбайт обезличенной информации.

Система агрегирует обезличенные данные о пользовательском поведении, нагрузке на базовые станции, модели потребления в экосистемных сервисах, роуминге – внешнем или внутреннем, картографические данные, параметры устройств Интернета вещей. При необходимости можем использовать информацию, которую предоставляет заказчик – например, отраслевые данные.

В результате мы получаем высокую достоверность аналитики при полной анонимности конкретных людей. Как правило, уже этой информации достаточно, чтобы увидеть тренды и паттерны поведения жителей города или туристов. В случае, если нужно оценить численность населения или объем турпотока с учетом абонентов других операторов, мы можем с высокой точностью высчитать эти параметры на основе данных о нашей доле в регионе.

— Что показывает практика — какая аналитика больше всего интересна регионам и бизнесу?

Самые востребованные услуги сейчас – оценка турпотока и событийный анализ. На них приходится 80% проектов. Поддержка внутреннего туризма – одно из ключевых направлений федеральной и региональной политики. Планировалось, что в нацпроект «Туризм и индустрия гостеприимства» в 2022 году вложат больше 52 млрд руб.

Цель нацпроекта – довести количество путешествий по России до 140 млн в год к 2030 году. В 2021 году туристический поток внутри РФ, по данным Ростуризма, достиг 56 млн человек, однако оборот в российской туристической отрасли все еще значительно меньше показателей 2019 года. Так что в этом направлении регионам предстоит большая работа.

— В каких регионах уже внедрено решение, в чем они больше заинтересованы – в «Цифровом жителе» или «Цифровом туризме»?

Не могу сказать однозначно: эти сервисы, как правило, приобретают одновременно. Данные Big Data МТС уже используют 46 регионов, но, к сожалению, не обо всех проектах мы можем рассказывать. Наш первый масштабный проект реализован для министерства туризма Самарской области. На основе данных «МТС.Регион» был сформирован рейтинг домашних регионов, откуда приезжают туристы, проведен анализ сезонности, выявлены объекты притяжения, спрогнозирован объем турпотока и определены приоритетные направления для развития авиасообщения. В результате министерство транспорта и департамент туризма запустили программу субсидирования авиабилетов из Калининградской области.

Интересный способ применения платформы придумали в Приморском крае. Там нашу систему используют для реализации другого нацпроекта – по развитию спорта. Мы на основе обезличенных данных анализируем, насколько регулярно занимаются спортом люди разных возрастов и оцениваем нагрузку на спорткомплексы в зависимости от сезона и времени дня. У правительства края есть данные по посещаемости муниципальных и краевых объектов, но нет информации о том, насколько активно люди пользуются услугами коммерческих компаний и посещают открытые спортивные сооружения. Такую информацию можно получить только из обезличенных больших данных.

— В чем роль и социальная значимость этого решения?

Платформа помогает улучшить качество городской среды благодаря тому, что планирование городской инфраструктуры осуществляется с учетом анализа больших данных. Это позволяет определить локации, где есть наибольшая потребность в строительстве инфраструктурных объектов, перераспределить транспортные потоки, маршруты и графики движения общественного транспорта с учетом миграций населения, разработать стратегию развития города и региона. Министерства по туризму, в свою очередь, получают объективные данные, которые позволяют развивать инфраструктуру, обосновывать бюджетирование проектов, направленных на развитие туризма, запускать программы субсидирования отрасли, налаживать транспортное сообщение.

— Каковы ожидания – насколько значимым бизнесом это может стать в обозримой перспективе?

Мы ожидаем, что рынок геоаналитики к концу 2023 года вырастет более чем втрое. В 2021 году количество заказов от региональных властей увеличилось почти в два раза по сравнению с 2020 годом.

— В каком направлении развивается «МТС.Регион», каковы перспективы и ближайшие планы?

Есть два направления работы. Первое – повышать точность прогнозов, увеличивать скорость обновления информации в системе, добавлять новые источники. Это бесконечный процесс, который требует постоянной работы.

Второе – увеличивать количество «коробочных» решений на базе системы. Например, иногда аналитику для бизнеса мы делаем как кастомизированное решение. То же касается аналитики по пассажиропотоку или оценке достаточности социальной инфраструктуры. Мы хотим создать под эти услуги такие же стандартизированные модули, какие уже есть для работы с турпотоками и анализа населения и трудовых миграций. Это сделает использование платформы еще более удобным и позволит закрыть самые распространенные запросы властей и бизнеса. К концу 2022 года мы намерены запустить еще несколько модулей.

В «Леруа Мерлен» запустили сервис «Светофор 3.0», использующий возможности машинного обучения для поиска ошибок и для экономии ресурсов при приемке товаров. Это самообучающаяся на исторических данных модель, которая помогает сотруднику приемки магазина сократить время на пересчет товаров от прямых поставщиков путем определения поставок, в которых, вероятнее всего, есть ошибки. В результате удалось вдвое сократить время на пересчет товаров при приемке в магазинах сети, при этом затраты на приемку снижены на 12%.

Проект реализован командой «Прозрачность операций», которая занимается в «Леруа Мерлен» ad-hoc-аналитикой, анализом данных, продуктами data science и совершенствованием процессов в целом. Об истории проекта рассказали руководители продуктов, номинанты на премию Data Award.

– Какая задача решалась в ходе создания продукта «Светофор»?

Михаил Гариянц: Требовалось сократить трудозатраты при приемке товаров. Нужно было уменьшить число заказов от прямых поставщиков: в этих заказах проводится внутритарный пересчет. Доля поставщиков, которые напрямую доставляют товары в магазины, составляет около 37% от всех поставок. Мы хотели сократить внутритарный пересчет и перераспределить освободившиеся ресурсы на другие зоны в магазине. При этом качество принимаемых товаров не должно было ухудшиться, а магазины не должны были столкнуться с проблемами в процессе реализации таких товаров.

– Почему это важно для компании? Как раньше были выстроены процессы приемки?

М.Г.: Еще несколько лет назад у нас появилась важная цель — минимизировать логистические операции в зоне приемки в магазинах и направить максимум усилий сотрудников на работу с клиентами. Идея заключалась в том, что магазины должны принимать все поставки без внутритарного пересчета, ограничиваясь лишь пересчетом грузовых мест. Таким образом, пропускная способность приемки товаров должна была кратно повыситься, а зона приемки — высвободиться за счет последующего размещения товаров либо в других зонах склада, либо в торговом зале. Да и сам процесс приемки должен был упроститься. Конечно же, это позволит снизить затраты нашей компании, потому что внутритарный пересчет — это самая длительная операция на приемке. Однако, чтобы реализовать такую концепцию и избавить магазин от пересчета входящих поставок, нужно выполнить два условия. Во-первых, обеспечить качество, чтобы магазины не принимали на баланс излишки и не сталкивались с недостачами. Во-вторых, убедить сотрудников приемки в том, что такие товары можно не проверять.

Это совсем не простая задача. В распределительных центрах (РЦ) нам пришлось организовать разные процессы для разных логистических потоков, что привело к необходимости вводить дополнительные процессы контроля качества товаров после сборки или в процессе приемки, чего раньше не требовалось. Это привело к дополнительным затратам для РЦ и в то же время стало большим шагом к завоеванию доверия и обеспечению качества. Мы даже теперь ставим печать «Проверено на складе».

В случае же прямых поставок нет возможности что-то проверить в РЦ. Первой инстанцией контроля товаров здесь являются магазины, поэтому вопрос нужно было решать иным способом.

– Что не устраивало?

М.Г.: Конечно, магазины и раньше пытались не пересчитывать абсолютно все товары. По результатам инвентаризации каждая торговая точка самостоятельно решала, продукцию каких поставщиков нужно пересчитывать, а каких — нет, используя собственную логику. У нас более 100 магазинов, и везде с этой проблемой справлялись самостоятельно. Одному и тому же поставщику в одном магазине доверяли, а в другом — нет. И такая ситуация могла сохраняться достаточно длительное время. Естественно, очень многое зависело от опыта сотрудников, непосредственно работающих в магазине. И требовалось максимально точно определить, нужно пересчитывать конкретную поставку или нет.

– Как подошли к решению задачи?

М.Г.: Мы, как продуктовая команда, занимающаяся управлением данными в составе домена логистики, изучали «боли» наших внутренних клиентов. Ситуацию с приемкой товара мы тоже анализировали и по результатам интервью сформулировали задачу: помочь магазинам выявлять больше расхождений, но при этом просчитывать меньше заказов. Понимая, что эту задачу можно решить через алгоритмы машинного обучения, мы исследовали реальные процессы в магазинах, изучили используемые там данные, оценили готовность команд к реализации проекта. Создав локальную модель, успешно проверили гипотезу и защитили кейс, и после этого началась полноценная реализация проекта.

– В чем заключалась сложность реализации задачи? В чем ее нетривиальность?

М.Г.: Продукт, который мы создавали, имеет огромное количество потребителей, и в связи с этим требовалось полностью синхронизировать команды, которые участвовали в проекте. Они хорошо знают бизнес-процессы и понимают, какие методы коммуникации лучше использовать, для того чтобы магазины приняли изменения максимально лояльно. Вообще, процесс развертывания любых решений с таким охватом весьма сложен.

Кроме того, сам проект по сути уникален. У нас не было возможности провести референс-визит, посоветоваться с другими компаниями. Однако нам помогло то, что у нас был реализован похожий проект на складах и какие-то базовые технические нюансы мы могли переиспользовать.

– Какие данные использовались?

Михаил Измайлов: Если говорить о начальном исследовании и первичном анализе, то мы использовали историю приемки заказов со всевозможными деталями, накопленную в корпоративном озере данных. Смотрели на то, как магазины принимают заказы, какие из них принимаются доверительно, какие — недоверительно, пытались найти в этом определенную логику. Оценивали, как влияют на решение о доверительной или недоверительной приемке тот или иной ассортимент и артикулы, история самого поставщика, количество товаров в заказе. Уже на стадии анализа мы создали тестовую модель, чтобы понять, «выстрелит» ли продукт.

Если говорить о «боевой» модели, то для ее обучения мы берем скользящие 140 дней истории приемки заказов всей сети. Сейчас у нас основными факторами, влияющими на скоринг, являются поставщик, количество товаров в заказе, ассортимент заказа, его стоимость и заявленное количество палет. При этом мы переобучаем модель один раз в день, подпитывая ее новыми историческими данными. У нас очень большая сеть, и если в какой-то магазин пришла проблемная поставка, мы можем это обнаружить и с большей вероятностью рекомендовать ее для пересчета в других магазинах. То есть если у поставщика была какая-то бракованная партия, мы можем превентивно это отследить на основе данных первой приемки и дальше снизить такой риск для остальных магазинов сети.

– Как долго шел проект, кто в нем участвовал?

М.Г.: Проект был реализован за 7 месяцев, и еще полтора месяца потребовалось на масштабирование на все магазины сети. Таким образом, мы уложились в достаточно короткие сроки, причем масштабирование за полтора месяца — действительно отличный результат. В нашу проектную команду входили дата-сайентист, дата-инженер и дата-аналитик. Со стороны WMS-системы также задействовались аналитик и разработчик, чтобы немножко адаптировать ее под процесс приемки. И конечно же, принимали участие люди из бизнеса: лидер процесса приемки по всем магазинам и сами специалисты приемки в пилотном магазине.

– С какими проблемами столкнулись при разработке решения?

М.И.: Наверное, ключевыми стали проблемы, связанные с верификацией данных и их качеством. Видя какие-то неадекватные результаты, мы начинали разбираться и понимали, что проблема в данных, с которыми мы работаем: в дата-сетах дублируются строки, в каких-то местах обнаруживаются нули, которых не должно быть, и т. п. На проверку данных и обеспечение их качества пришлось потратить достаточно много времени. В принципе, мы подозревали, что такое может быть: на текущий момент у нас каждый из 115 магазинов имеет свой отдельный сервер, на котором работает WMS. Требовалась очень аккуратная работа, чтобы точно понимать, что обучение проводится на ровных данных и с ними все хорошо.

– Как теперь выглядит процесс приемки?

М.Г.: Изменения в работе сотрудников должны были быть минимальными, поскольку наши действия затрагивали достаточно большое количество людей. В целом добавился один системный шаг. Сразу после получения информации об отгрузке складская система передает данные в модель машинного обучения, которая выполняет скоринг. Таким образом, еще до прибытия товара WMS-система «знает», надо ли пересчитывать этот заказ. Сотрудники сканируют штрихкод палеты, и, если она не подлежит пересчету, выводится соответствующее сообщение.

– Каких результатов удалось достичь? Как они соотносятся с ожиданиями?

М.И.: У нас были три ключевые метрики. Первая из них — это доля доверительных приемок. До начала проекта она составляла 49% — то есть практически половину заказов магазин принимал доверительно. Мы поставили цель за несколько месяцев дойти до показателя 85%, и на текущий момент имеем цифру 86%. Данную метрику нам удалось «пробить», на это ушло около трех месяцев.

Вторая метрика — это стоимость поиска одного рубля расхождений. Чтобы продукт обеспечивал финансовый эффект, на поиск одного рубля расхождения нужно тратить менее рубля, что логично. Нам удалось сократить этот показатель практически в 2,5 раза, но пока он еще немножко больше рубля. Задача решена не полностью, но здесь мы тоже прогрессируем.

И последняя метрика — это отношение числа найденных расхождений к общей сумме проверенных заказов. Она говорит о том, насколько хорошо мы в принципе находим расхождения в тех заказах, что проверяем. До старта проекта этот показатель был 0,46%, а зафиксированный результат сейчас — 0,55%. То есть нам действительно удалось сделать процесс несколько эффективнее.

Если отвлечься от метрик, то важно отметить, что наша цель — высвободить персонал и перераспределить его на выполнение более полезных операций. На текущий момент эффект от запуска продукта — возможность перераспределить порядка 115 FTE (эквивалентов полной занятости сотрудника) по сети, то есть убрать их с приемки и направить на другие активности.

Наконец, нельзя не сказать о том, что использование машинного алгоритма при принятии решения о проверке более эффективно, нежели работа на основе интуиции сотрудников. Разумеется, магазин может принять самостоятельное решение о той или иной форме приемки. Мы разделили полученные оценки в соответствии с тем, кто принимал решение — магазин или алгоритм. В итоге у нас получилось, что доля проверенных заказов по результатам рекомендаций алгоритма — всего 2%, а остальные 13% магазин проверял по своей инициативе. Среди нашей меньшей части проверок доля найденных расхождений в рублях составила 1,38%, а у магазина при гораздо большем объеме проверок — всего 0,11%. Получается, что алгоритм позволяет пересчитывать намного меньше поставок и находить гораздо больше расхождений.

В принципе, расхождений выявляется не очень много. Отчасти поэтому и появилась идея использовать машинное обучение: именно оно способно на больших массивах данных искать иголки в стоге сена лучше человека, ловить то, что человек, скорее всего, пропустит.

– Сколько «Светофор» уже сэкономил компании?

М.И.: За полных 3–4 месяца функционирования продукта, когда он применялся уже во всей сети, система сэкономила около 12% затрат на процесс приемки. Это достаточно неплохо, хотя мы рассчитывали на несколько большее. Но и период времени должен быть больше.

— В каком направлении может развиваться решение, частью каких других дата-сервисов оно может стать?

М.Г.: Мы хотели бы развивать рекомендательные алгоритмы в логистике. «Светофор 3.0» — уже второй продукт, который позволяет сократить количество проверок и пересчетов. В ближайшем будущем мы начнем создавать новые продукты, которые с учетом различных факторов будут решать задачи уменьшения пересчетов в магазинах.

Единая платформа доступа к данным в Tele2 стала одним из ключевых элементов демократизации данных, сделав их доступными широкому кругу сотрудников. Алевтина Тинас, руководитель департамента по управлению данными Tele2 и номинант Data Award 2022, рассказала о создании экосистемы работы с данными, достигнутых результатах и о роли просветительской работы в выстраивании дата-культуры.

– Как в Tele2 развивались процессы работы с данными? Какие стадии можно выделить?

Понятно, что весь телеком находится в авангарде развития аналитики. Хранилище данных у нас появилось достаточно давно, потому что была необходимость анализировать большие объемы информации – данные по абонентам, трафику. В качестве первого этапа можно выделить развитие анализа данных для ключевых подразделений компании – подразделения развития продукта и абонентской базы, подразделение развития продаж. Они начинали использовать аналитику для своих целей.

В дальнейшем анализ показателей стал распространяться на другие подразделения: было необходимо анализировать ключевые показатели по абонентской базе в связке с финансовыми результатами и продажами, понимать, как это влияет на развитие бизнеса в регионах. Пользователями аналитических хранилищ становилось все больше сотрудников из разных подразделений.

Следующим этапом можно назвать появление Офиса данных. В этот момент у нас появились BI-инструменты, мы стали активно обучать аналитиков и вовлекать их в самостоятельную разработку отчетов и дашбордов. Как следствие, порог вхождения в анализ данных стал гораздо ниже, многие сотрудники получили возможность анализировать данные и в корпоративных хранилищах, и в своих источниках с помощью новых инструментов. С появлением новых аналитиков данных среди сотрудников бизнес-подразделений, потребность в создании единой платформы управления данными, как ключевого элемента всей экосистемы, стала особенно актуальной.

– Как появился офис данных? Какие этапы своего развития он прошел?

Сначала работу с данными обеспечивало ИТ-подразделение. Это были разработчики и аналитики, основная задача которых заключалась в создании отчетов и аналитических витрин по требованию бизнес-заказчиков. Когда пользователей таких аналитических продуктов стало много, появилась необходимость создания единого регулирующего органа, который мог бы внедрять процессы управления данными по всей компании, координировать развитие аналитического контура таким образом, чтобы он удовлетворял абсолютно всех пользователей данных, синхронизировать использование единых показателей и отчетов.

Перед тем как приступить к разработке стратегии развития процессов и инструментов управления данными мы оценили текущий уровень их зрелости. Поняли, какие процессы данных у нас уже существуют и находятся на достаточно высоком уровне зрелости, а какие – на низком или в принципе отсутствуют. Посмотрели, какие из этих процессов необходимо развивать в первую очередь, в соответствии с потребностями нашего бизнеса. Определили необходимую организационную структуру и роли, которые будут помогать развивать эти процессы. Таким образом у нас сформировался департамент управления данными. и мы приступили к развитию процессов и инструментов по управлению данными в соответствии с дорожной картой. Свои инициативы мы координировали с потребностями бизнеса, периодически корректировали направление движения в соответствии с изменениями в компании.

– В какой момент появилось понимание, что необходима единая платформа управления данными? Что не устраивало?

Понимание необходимости единой платформы управления данными возникло в момент увеличения количества пользователей и роста объема данных. Мы понимали, что телеком – это быстроменяющийся и очень конкурентный бизнес. И здесь крайне высока потребность быстро анализировать данные, уметь оперативно реагировать на те изменения, которые происходят. Все это возможно только если аналитические подразделения будут находиться внутри бизнес-подразделений, только в такой парадигме возможно своевременно обеспечивать бизнес необходимыми данными для принятия решений, поэтому мы изначально делали большую ставку на self-service. И по мере того как все больше подразделений стало пользоваться одни и теми же данными, появлялось большое количество аналитических продуктов, и ориентироваться в них стало крайне сложно. В конечном итоге это могло приводить к дублированию данных, а учитывая большой их объем, это заметные дополнительные расходы.

В разнообразии данных стало сложно разбираться, и бизнес-пользователи все чаще обращались к техническим специалистам за консультациями, что и где можно найти, – словом, вопрос процесса анализа данных становился все сложнее. В этот момент мы поняли, что необходимо кардинальное изменение подхода к инструментам работы с данными и внедрение единой платформы управления данными.

– Создание единой платформы доступа к данным – важный шаг к их демократизации. Каких результатов за счет этого хотели добиться?

Действительно, единая платформа доступа к данным рассматривалась как один из ключевых элементов демократизации данных. За счет ее создания мы планировали добиться снижения порога вхождения в анализ данных, появления возможности посмотреть на данные с другой стороны. Мы рассчитывали привлечь к анализу данных новые подразделения – финансовых аналитиков, аналитиков по закупкам, операционный департамент, аналитиков продаж, чтобы они посмотрели на ключевые показатели через призму своих процессов и смогли найти новые инсайты, возможности для развития бизнеса.

Также мы планировали добиться снижения нагрузки на аналитиков и разработчиков за счет развития самообслуживания, обеспечения синергии и переиспользования результатов работы между разными бизнес-заказчиками. Мы хотели, чтобы результаты работы одной команды стали быстро и легко доступны для всех остальных. Ну и, естественно, для нас было крайне важным создание единого бизнес-глоссария вокруг данных, для того чтобы все наши аналитики и бизнес-пользователи могли разговаривать на одном языке.

– На базе каких решений выстроена общекорпоративная система управления данными? Какие принципы пытались соблюсти при ее построении?

Наша общекорпоративная система управления данными состоит из нескольких компонентов. Ее ядром является каталог данных Alation, который мы позиционируем как основной инструмент работы аналитиков, работающих с хранилищами данными напрямую, используя SQL-запросы. Для пользователей, работающих только с готовыми дата-продуктами (дашбордами и отчетами), внедрен инструмент RT.DataGovernance – и портал офиса данных, который объединяет все наши инструменты в единый удобный пользовательский интерфейс. Еще одним важным элементом нашей системы является платформа управления качеством данных Ataccama.

Принципы, которые мы пытались соблюсти при построении нашей системы управления данными, – обеспечить пользователей данных инструментом, который будет наилучшим образом подходить для каждой роли. Мы понимали, что потребности наших пользователей данных достаточно разные. Есть аналитики, которые обладают хорошими знаниям SQL и могут самостоятельно анализировать данные – им необходимо понимать структуру хранения данных, знать где найти нужные им витрины и понимать из каких атрибутов они состоят. Есть руководители подразделений и бизнес-заказчики, которые пользуются готовыми отчетами, – им нужно понимать, какие отчеты уже существуют, как к ним можно получить доступ, какого качества данные они содержат, кто их создал, какие в них охвачены показатели. Это совсем другие потребности.

– Как в компании определяется понятие «качество данных»?

У нас достаточно классическое понимание, что такое качественные данные: это данные, пригодные для анализа или для использования в каком-либо бизнес-процессе. Мы прекрасно понимаем, что для каждого бизнес-процесса существуют свои критерии качества. Данные, которые являются достаточно качественными для статистического анализа, при этом могут быть некачественными для формирования, например, индивидуальных предложений для клиента.

Для каждого бизнес-процесса критерии качества данных определяются совместно с владельцем бизнес-процесса. Только благодаря совместной работе с бизнесом у нас формируются релевантные критерии качества, и применив их к данным, мы можем сказать, являются ли данные качественными для этого процесса или нет.

– Как именно боретесь за качество данных?

У нас есть несколько этапов, которые ложатся в общий процесс управления качеством данных. В первую очередь, мы профилируем данные на этапе разработки витрин и отчетов, чтобы убедиться, что используемые данные являются качественными. Далее, создавая новый data-продукт, мы совместно с бизнес-заказчиком и владельцем процесса определяем критерии требований к качеству данных. На основании этих требований мы разрабатываем контроли качества данных, которые в дальнейшем будут работать в автоматическом режиме.

Следующий этап – мониторинг. Это результаты работы автоматических контролей качества данных, которые могут показать, где у нас наблюдаются проблемы. Данные меняются постоянно, и крайне важно своевременно выявлять проблемы и устранять их для того, чтобы пользователи в своих отчетах видели корректные цифры. Поэтому исправление инцидентов по результатам мониторинга – это наша ежедневная работа, которой на регулярной основе занимается поддержка. В случае выявления проблем в качестве данных мы информируем заинтересованных пользователей оних, для того чтобы они могли учесть это в своей работе и, например, исключить, какой-то период из анализа. Также пользователи могут следить за ходом исправления выявленных ошибок. Последний важный этап в работе с качеством данных – анализ причин появления инцидентов качества данных и устранение этих причин. Если у нас начинают появляться ошибки, недостаточно просто каждый раз их исправлять – нужно понять, где у нас проблемы в бизнес-процессе или источнике данных, и почему эти ошибки возникают. Это отдельная задача, которой занимаются менеджеры по качеству данных.

– Как можно понять, что данным действительно доверяют?

Как мне кажется, основной показатель доверия к данным – это их активное использование. Мы видим, что у нас динамично развивается self-service отчетность: дашборды, разработанные самими пользователями на основе предоставляемых данных, пользуются большой популярностью. Также постоянно растет потребность в создании новых витрин и расчетах новых показателей, растет количество пользователей аналитики. Мы видим, что результаты анализа данных используются на самых высоких уровнях, все больше бизнес-процессов применяют их, то есть становятся data-driven.

– Как оценить сокращение времени доступа специалистов к данным?

Это достаточно сложный вопрос. Мы несколько раз пытались провести такую оценку и понимаем, что это один из ключевых критериев, показывающих эффективность внедрения и работы платформы управления данными. Например, до ее внедрения сотрудник тратил на поиск необходимых данных и получение доступа к ним несколько месяцев, а после – возможности поиска стали шире, и доступ гораздо быстрее. Мы оцениваем субъективный эффект, используем оценки и ощущения наших пользователей, которые действительно говорят, что время доступа к данным значительно сократилось.

Это особенно заметно на примере новых сотрудников, которые не знают структуры данных, и где их можно найти. Они говорят, что начать работу с данными в нашей компании очень просто – буквально несколькими словами в поисковой строке аналитики могут найти все, что им нужно для выполнения своих задач. Среди сотрудников, которые уже давно пользуются данными, мы также видим большую популярность нашего каталога данных. Это является показателем того, что платформа действительно полезна.

– Пытаетесь ли вы в целом оценить эффект от создания единой платформы? Какими результатами можете поделиться?

70% пользователей платформы используют ее на регулярной основе – не реже нескольких раз в неделю. Практически каждый день они пользуются каталогом данных, чтобы получить какую-либо информацию. Для нас это очень важный показатель, мы понимаем, что именно он демонстрирует «приживаемость» системы. Тех сотрудников, кто уже знает о нашей платформе и начал ее использовать, нам легко удается вовлекать и удерживать. Отдельная и более сложная история – как вовлечь новых пользователей.

Благодаря наличию каталога данных все больше пользователей создают свои отчеты самостоятельно. Рост пользователей инструментов самообслуживания за прошлый год составил более 150%, уже четверть сотрудников компании используют self-service BI. Для нас это крайне важный показатель: бизнес самостоятельно быстрее решает свои задачи, мы считаем что централизованное подразделение BI-разработки не сможет реагировать так же быстро, а значит не может быть настолько же эффективным. При этом мы понимаем и некоторые минусы такого подхода.

– Популяризация работы с данными – важный шаг. Планировалось это заранее или появлялось по ходу действия?

Важность коммуникационной платформы стала понятна практически с момента создания офиса данных. Внедрение новых процессов связано с изменением привычной культуры и подходов к работе. Это требует достаточно больших усилий, и всегда происходит не просто. В первую очередь, мы проработали нашу модель коммуникации: кого, когда и о чем следует информировать. Мы создали нашу еженедельную рассылку, в которой рассказываем о происходящем в офисе данных, о реализации новых задач, о появлении новых инициатив. Информируем пользователей о важных изменениях в каждой системе и проблемах в них, о качестве данных в ключевых витринах и объектах. Есть ежеквартальный дайджест, в котором мы рассказываем на верхнем уровне о наиболее крупных и интересных задачах. Для вовлечения пользователей в работу с конкретными инструментами, мы проводим обучающие мероприятия – вебинары и демодни. Очень хорошо работает демонстрация на «живых» примерах, когда сотрудники бизнес-подразделений сами рассказывают коллегам, как они с помощью наших решений выполняют свои операционные задачи. По результатам проведения таких мероприятий всегда наблюдаем приток новых пользователей в наших платформах.

– Каковы направления развития платформы управления данными в Tele2?

Мы знаем, какие данные у нас есть, где они расположены, как между собой связаны, кто ими владеет, и как они связаны с бизнес-показателями. Теперь мы хотим понять, как наши данные участвуют в бизнес-процессах, и на какие из них влияют. Например, в случае инцидента в качестве данных неплохо понимать, насколько ошибка серьезна, к чему она может привести. Связать наши данные с бизнес-процессами – довольно амбициозная задача, мы работаем над ней совместно с дирекцией по бизнес-процессам. Без нашей платформы управления данными реализовать ее просто невозможно.

Другая актуальная задача заключается в интеграции показателей качества данных. Мы уже понимаем, какого качества данные в наших физических объектах – таблицах и витринах, это было достаточно легко реализовать с помощью интеграции платформы управления качеством данных и дата-каталога. Теперь мы хотим научиться считать показатели качества на уровне бизнес-показателей и отчетов – важно показывать пользователям, насколько можно доверять тому или иному ключевому показателю.

Мы хотим прийти к тому, чтобы понимать все данные в компании, выявлять пересечения и дубли – как с точки зрения физического хранения, так и с точки зрения использования данных и исключения разночтений в использовании показателей. У нас есть инициативы и идеи по развитию единой платформы управления мастер-данными и нормативно-справочной информацией, и отдельная инициатива по усилению контроля безопасности использования данных.

Crosstech Solutions за последний год реализовала несколько идей, которые легли в основу как модернизации собственных дата-процессов компании, так и разработки коммерческих решений для рынка информационной безопасности. Об истории создания этих решений рассказывает Никита Андреянов, руководитель отдела внедрения и продвижения решений департамента цифровой трансформации Crosstech Solutions Group и номинант на премию Data Award.

— Как родилось направление, подразумевающее использование технологий больших данных в сфере информационной безопасности?

Основная категория данных, с которой нам чаще всего приходится работать и решать прикладные задачи, являются события информационной безопасности. Речь идет про журналы аудита операционных систем и баз данных, логи, генерируемые на средствах защиты информации, и прочие данные, так или иначе связанные с информационной безопасностью. Как следствие этого, наши платформы по работе с данными также направлены в первую очередь на отрасль информационной безопасности.

Здесь отдельно стоит упомянуть про два наших продукта – DataGrain ESO и DataGrain RUMA. DataGrain ESO (Events Stream Optimization) – система, позволяющая централизованно собирать, фильтровать и профилировать разнородные ИБ-события в большом объеме. В базовом варианте решение может отвечать за централизованное хранение данных и реализацию ретроспективного поиска. В более продвинутом – это комплексная дата-платформа, которая является некой фабрикой данных, отвечающей не только за хранение данных, но и за удобный и быстрый доступ к прикладным данным без длительного ожидания. В частности, она поддерживает и ad-hoc запросы, и работу с данными в self-service режиме для различных категорий пользователей.

DataGrain RUMA (Remote User Monitoring Analytics) – система, отвечающая за поведенческий анализ пользователей, активов и иных сущностей, а также за мониторинг и выявление поведенческих аномалий. Решение построено на базе статистического анализа, алгоритмов машинного обучения и анализа временных рядов. Используемый стек технологий позволяет выявлять инциденты, которые невозможно описать сигнатурным способом. В частности, система на базе анализируемых данных строит рамки поведения каждого пользователя, отклонения от которых фиксируются как инциденты.

RUMA может интегрироваться с ESO и дополнять ее новым полезным функционалом в части анализа собираемых данных. Помимо этого, нередки сценарии, когда нам приходится работать, в том числе, и с бизнес-данными, когда основной целью является монетизация этих самых данных. Здесь чаще всего источниками данных выступают непосредственно СУБД, CRM, HR и другие бизнес-системы. Так как в подобных бизнес-сценариях основной целью стоит максимально эффективное использование данных, ключевым фактором становится качество, согласованность и корректность этих данных.

— Представленные продукты берут начало в реализации внутренних проектов. Какова их история: в чем заключались решаемые проблемы, каковы были боли бизнеса?

Мы систематизировали реальные запросы бизнеса и сделали акцент на тренды импортозамещения и поддержку отечественного бизнеса эффективными инструментами работы с данными. Так и начали появляться наши продукты.

Crosstech Solutions – молодая компания, но уже сейчас мы имеем востребованную линейку продуктов, каждый из которых решает общие и специализированные задачи бизнеса. Мы хорошо понимаем структуру бизнеса каждого из наших заказчиков и обеспечиваем гибкость разработки. Созданные решения отвечают реальным потребностям заказчиков в долгосрочной перспективе – мы справляемся с задачей поддержки отечественного бизнеса и разделяем общие ценности с нашими бизнес-партнерами.

За каждым нашим продуктом стоит решение конкретной проблемы. Так, драйвером для разработки решения DataGrain ESO стала необходимость сокращения финансовых затрат на покупку лицензий для SIEM-решений. Поскольку количество эксплуатируемых информационных систем и средств защиты корпоративной информации неуклонно растет, пропорционально увеличивается и поток данных, поступающих в SIEM. Соответственно, увеличиваются издержки по обеспечению работоспособности средства защиты. Мы знаем, что офицеры информационной безопасности вынуждены постоянно решать задачи по оптимизации и совершенствованию своих инструментов. Причем это приходится делать как в контексте финансовой составляющей, так и в контексте прикладных задач, — то есть требуется предпринимать меры, которые превращают функциональные возможности решений в прикладной инструмент решения поставленных задач.

ESO предназначено для сокращения входного потока в SIEM. Оно позволяет консолидировать большие объемы данных в сжатом формате в централизованном хранилище данных и перенаправлять в SIEM только тот срез данных, который необходим для прикладного функционала, — в частности, для выявления инцидентов информационной безопасности на базе правил корреляции. При таком подходе наше решение оптимизирует финансовые затраты на лицензирование и повышает эффективность работы SIEM, предоставляя необходимые данные уже в обработанном и нормализованном формате.

Решение RUMA появилось вслед за ESO. Драйвером его разработки стала необходимость эффективно использовать большие массивы исторических данных. Мы поняли, что данные, которые мы можем централизованно собирать и долгосрочно хранить, могут также эффективно использоваться для задач ретроспективного анализа. Это, в свою очередь, решает очередную актуальную проблему бизнеса, а точнее – целый спектр проблем и запросов со стороны информационной безопасности и бизнеса в целом, связанных с возможностями такого анализа.

В частности, RUMA позволяет строить поведенческие профили на базе накопленных данных и впоследствии выявлять отклонения и аномалии в деятельности пользователей. В качестве центральной сущности такой аналитики могут выступать и различные активы, — например, серверы или подсети. Этот подход позволяет выявлять инциденты ИБ, которые невозможно описать сигнатурными правилами корреляции, так как это делается в SIEM. Таким образом, внедрение RUMA и ESO как усиление уже функционирующей SIEM позволяет существенно расширить список реализуемых ИБ-кейсов, основанных на анализе больших срезов данных.

Это лишь два примера того, что явилось драйвером для разработки решений. Кроме описанных продуктов, есть и ряд других направлений разработки. Мы непрерывно отслеживаем общие тренды и проводим исследования по поиску новых технологий и вариантов их применения.

— Сколько времени и какими силами создавалась платформа?

Платформа создавалась около двух лет относительно небольшой командой, в которой были и разработчики, и бизнес-аналитики, и ИБ-инженеры, и дата-сайентисты. В целом, экспертиза команды позволила направить разработку в соответствии с четким пониманием потребностей бизнеса, расширить функционал системы современными фишками, что выгодно отличает нас от зарубежных вендоров, которые уже давно присутствуют на рынке и оказались в своеобразной зоне комфорта — они не спешат развивать свои продукты.

Мы считаем, что уже достигли хороших результатов в такие сроки. Сейчас над развитием платформы работает больше людей — мы укрепляем команду разработки. У нас еще много идей в части математических моделей и алгоритмов, которыми в дальнейшем будет дорабатываться решение.

— Каковы типичные сценарии решений?

Типичные сценария применения зависят от того, рассматриваем ли мы эти две системы по отдельности или как единую комплексную платформу.

Для DataGrain ESO типовой сценарий — это снижение входного потока данных в SIEM. Как следствие, мы снижаем затраты на лицензии, стоимость которых зависит от индексируемых событий, и в то же время не теряем ни одного события, сохраняя все данные в нашей платформе. Таким образом, организация соответствует требованиям регуляторов, получает возможность решения задач ретроспективного анализа и при этом экономит бюджеты, выделяемые на поддержку SIEM.

DataGrain RUMA отвечает за выявление аномалий и реализацию сложных нетиповых кейсов — когда мы понимаем, что паттерн-инцидент сложно или невозможно описать сигнатурной логикой.

В комплексе эти два решения образуют data-платформу, позволяющую решать широкий спектр задач в сфере информационной безопасности и не только — начиная от сбора, обработки и хранения данных, заканчивая решением прикладных задач для бизнеса.

— Каков портрет типичного заказчика? Кто может быть наиболее заинтересован в использовании решения?

О потрете типового заказчика трудно сказать в двух словах. Думаю, общей чертой для любого заказчика будет заинтересованность в использовании возможностей современных технологий и внедрении отечественных решений. При этом не имеет принципиального значения, насколько развиты бизнес- и ИБ-процессы в организации. Здесь должно работать стремление к максимальной эффективности бизнеса в современных условиях.

Наиболее распространенный тип заказчика для линейки наших решений — это средние и крупные компании, в которых давно присутствует SIEM-система, выстроены процессы информационной безопасности и оценки эффективности бизнеса. В таких компаниях часто присутствует понимание того, что бюджеты, выделяемые на иформационную безопасность или на другие направления, расходуются не так эффективно, как хотелось бы.

Также нашим заказчиком может быть и небольшая компания, обладающая скромным бюджетом и планирующая выстраивать все процессы по работе с ИБ-данными на базе нашей платформы. В таком случае мы проводим аудит текущей инфраструктуры, внедряем и настраиваем систему как консолидирующий центр по работе с данными, помогаем выстраивать соответствующие data-driven процессы.

Мы готовы работать как с теми, кто находится на достаточно низком уровне зрелости, так и с теми, кто четко понимает свои потребности и осознает проблемные места в инфраструктуре по работе с данными.

— Где уже нашли применение решения?

Конечно, наиболее яркие для нас кейсы связаны с крупными заказчиками — это банковский, промышленный, государственный, транспортный секторы. В целом, сценарии применения платформы едины, однако каждый проект имеет свою специфику задач и применения.

— Каких результатов удается достичь заказчикам, в чем они могут заключаться?

ESO в первую очередь повышает финансовую эффективность в части оптимизации распределения бюджетов на SIEM-системы, которые являются очень существенной статьей расходов. RUMA позволяет решать сложные и персонализированные ИБ-кейсы, связанные с активностью пользователей. Так, например, решение позволяет выявлять инсайдерскую деятельность на раннем этапе и предотвращать серьезные финансовые и репутационные потери, а не расследовать уже фактически произошедшие инциденты.

Платформа применялась для достижения различных прикладных целей. В качестве достигнутых результатов, можно отметить значительное снижение издержек по эксплуатации систем, обеспечивающих информационную безопасность, оптимизацию отдельных бизнес- и ИБ-процессов организации, а также реализацию превентивного подхода к событиям безопасности.

— А что вы считаете главным своим достижением?

Хочу еще раз подчеркнуть, что наша основная цель как производителя, — помочь отечественному бизнесу эффективно использовать передовые технологии для решения своих задач. В силу усиливающихся трендов на импортозамещение и цифровизацию нам очень важно и приятно осознавать, что мы делаем доступными современные технологии для малых и средних игроков на рынке, которым тяжело самостоятельно выстроить экосистему, позволяющую эффективно работать с данными. В то же время мы помогаем и крупному бизнесу более оперативно выстраивать data-driven процессы, позволяя сосредоточиться на прикладном использовании данных внутри организации и формировании базы интересующих кейсов, нежели решению инженерных задач по построению архитектур, позволяющих с этим данными эффективно взаимодействовать и работать.

— Каковы направления развития решений?

Говоря о прикладном аспекте, в ESO мы наращиваем базу поддерживаемых источников «из коробки» и занимаемся развитием пользовательского интерфейса для того, чтобы снизить порог входа для конечного пользователя. В RUMA же активно ведутся работы по тюнингу существующих поведенческих алгоритмов и разработке новых. В целом, мы движемся в направлении обогащения нашей платформы. Планируем развивать текущий функционал и интегрировать новый. Как я ранее отметил, мы ведем постоянную работу в части отслеживания актуальных тенденций рынка и нужд наших партнеров и заказчиков.

Наши решения развиваются не только технологически – мы в первую очередь хотим, чтобы они были доступны широкому кругу заказчиков. Поэтому сейчас мы также сконцентрированы на том, чтобы платформа сохраняла вариативность и гибкость, — как в части архитектуры внедрения, так и формирования конечной стоимости решения.

Применение инструментов для самостоятельной работы пользователей с данными становится все более распространенной практикой. Именно за счет self-service BI компании избегают «бутылочного горлышка» в виде ограниченных ресурсов ИТ-подразделений и повышают оперативность разработки дата-продуктов. В группе компаний «Деловые Линии» анализ данных силами бизнес-пользователей дает возможность обеспечить непрерывность производственных процессов, оперативно реагировать на возникающие проблемы и повышать эффективность обеспечительных процессов. О причинах построения решений self-service BI и достигнутых результатах рассказывает Фарид Мадани, генеральный директор ГК «Деловые Линии».

— Как развивалась в компании работа с данными? Какие ключевые этапы можно выделить?

Работа с данными для нас – всегда одна из первостепенных задач: массивы информации трудно анализировать. Раньше для корпоративных информационных систем всегда действовали ограничения на глубину анализа данных, отчеты формировались относительно долго и имели недостаточную гибкость. Но главной проблемой было отсутствие консолидации данных в одном месте. Поэтому первым шагом в этом направлении для нас стало внедрение корпоративного хранилища данных, в котором происходила консолидация из основных источников и формировались витрины информации для последующего анализа, а также внедрение BI-системы. Следующим этапом было внедрение озера данных, которое значительно расширило наши возможности по анализу данных, в том числе больших и неструктурированных массивов. Когда уже были внедрены основные компоненты консолидации и работы с данными, мы приступили к передаче функции анализа данных в руки бизнес-пользователей – появились инструменты для самостоятельной работы с данными (self-service BI), которые развиваются и сегодня.

— В чем заключалась главная боль бизнеса, какие задачи требовалось решить за счет внедрения self-service BI?

В компании рос интерес к принятию решений на основе данных, и со временем стала выстраиваться очередь из запросов от бизнес-подразделений в ИТ-отдел, который, среди прочего, занимался разработкой отчетов и выгрузкой данных. Если же требовалось самостоятельно поработать с данными, то согласование доступа занимало очень много времени. Это замедляло бизнес в проверке гипотез и принятии решений, от которых и зависит успех наших инициатив. Так назрела потребность внедрения сервисов самообслуживания, которые дали возможность оперативно получать доступ к нужной информации и самостоятельно проводить ее анализ.

— Аналитика требует надежного фундамента. Что лежит в основе построенной системы?

Если говорить о технологиях, то озеро данных мы построили на базе Hadoop, хранилище данных сделано на решениях Microsoft, а в качестве BI-систем используем QlikView и Power BI. Для эффективной работы пользователей с инструментами self-service BI наш партнер – BIA Technologies – разработал специальные компоненты, которые позволили значительно ускорить сбор данных и работу с ними, а также упростил получение к ним доступа. Например, у нас появился коннектор BIA Tech Bridge, который обеспечивает быстрый сбор данных из систем «1С», или инструмент DMT, который позволяет просто – без написания кода – получить данные в песочнице бизнес-пользователя.

— Какие данные и какие платформы для работы с данными используются?

Используем учетные системы на базе «1С», корпоративные сайты и прочие внутренние источники: данные по клиентам, заказам на перевозку, остаткам и заказам на закупку и поставку расходных материалов, данные по загрузке сотрудников, сбор финансовой отчетности.

Бизнес-пользователями создана практика прототипирования отчетов, систем планирования и производственных систем, не требующих оперативных данных.

— Как выстроена архитектура инструментов self-service BI?

Это не одно решение, а целый инфраструктурный, программный и методологический комплекс. Основой работы сотрудников является «песочница», в которой развернуты все компоненты для комфортной работы с данными. Она находится в защищенном контуре и соответствует всем требованиям информационной безопасности. Внутри «песочницы» есть необходимый инструментарий для анализа данных. Также внедрен сервер публикации, на котором могут размещаться разработки пользователей, если к ним требуется доступ другим сотрудникам.

— Вероятно, потребовалось изменение культуры сотрудников. Какие мероприятия были проведены?

Это одна из самых сложных задач – вовлечь сотрудников в работу с данными. Для начала мы стали проводить мероприятия по ознакомлению коллег с возможностями self-service BI и выгодами, которые дает сервис при решении задач, по сравнению с прежними подходами. Для тех, кому была нужна помощь в освоении инструментария и ознакомлении с практикой анализа данных, мы разработали курсы и сейчас проводим обучение и ведем базу знаний. И, конечно же, мы обеспечиваем полную поддержку всем пользователям, которые занимаются самостоятельным анализом данных. Это дает эффект – интерес к self-service BI растет.

— Насколько эти инструменты востребованы в реальности? Какой процент сотрудников пользуется инструментами, какой целевой показатель?

Мы видим, что сервисом пользуются. Об этом говорит постоянно растущее число Power Users – так мы называем сотрудников, которые изучили инструментарий self-service BI и используют его в своей повседневной деятельности. Регулярно растет и количество опубликованных отчетов и наборов данных, которые впоследствии доступны конечным пользователям.

— Каких результатов удалось достичь?

Если говорить о самостоятельном анализе данных, то результатов много. Начиная от публикации локальных отчетов, которыми пользуются сотрудники подразделений, до более глобальных решений. Например, силами бизнес-пользователей финансового департамента и подразделения маркетинга была создана модель, которая позволяет создавать более целевые предложения нашим клиентам. Еще можно привести пример службы по работе с поставщиками, которая многие процессы внедряет при помощи инструментов self-service BI.

В целом это ведет к повышению уровня удовлетворенности клиентов за счет контроля ключевых показателей и оперативного реагирования на возникающие трудности в производственных процессах – так обеспечивается своевременность поставок. Но, пожалуй, самый важный результат – увеличение вовлеченности бизнес-пользователей для работы с данными.

— Было ли среди результатов то, что действительно удивило?

Удивила скорость внедрения практики самостоятельного анализа данных в некоторые подразделения. Созданный подход и инструментарий оказались настолько удобными для некоторых бизнес-подразделений, что они его внедряют во многие свои процессы, и происходит это за считанные недели.

— Как это отражается на финансовых показателях?

Можно говорить как о прямом, так и о косвенном эффекте. Например, службе по работе с поставщиками удалось значительно оптимизировать затраты на закупку пиломатериалов. Не понадобилось также увеличивать штат сотрудников за счет более тонкой настройки процессов и распределения задач – с помощью инструментария self-service BI.

— Что дальше? В каком направлении будет развиваться система?

Сейчас мы сосредоточены на повышении качества данных: на основании неточных данных могут приниматься плохие решения. Также мы смотрим в направлении онлайн-аналитики, и особое место в нашей «дорожной карте» занимает предсказательная аналитика. И, безусловно, мы собираемся и дальше совершенствовать уже внедренные решения.

Развитие велосипедной инфраструктуры в России существенно отстает от любой развитой страны. Проект «Велогород.online» ставит своей целью сделать города безопасными для всех: автомобилистов, велосипедистов и пешеходов, — и направлен на сбор данных о велосипедном трафике. Важно помочь исследователям лучше изучить жизнь города, правильно распределить ресурсы и возвести велосипедную инфраструктуру именно там, где это наиболее важно. О реализации проекта рассказывает Илья Абросимов, генеральный директор Исследовательского центра городских технологий и урбанистики.

— Как появилась платформа «Велогород.online», что стало мотивом ее создания?

Транспортная система города — это в некотором смысле живой организм. Она растет и развивается по определенным законам. Эти законы транспортные инженеры, подобно ученым-биологам, изучают годами, наблюдая за процессами и собирая огромное количество данных. Современные города изменяются с оглядкой на эти законы, и существуют десятки, если не сотни очень приличных работ про общественный транспорт, личные автомобили и даже пешеходов.

А вот про велосипедный трафик известно довольно мало. Зато стереотипов про велосипеды в России превеликое множество: «не тот климат», «транспорт для нищих», «ездят в основном спортсмены» — можно продолжать долго, список окажется довольно внушительным. Работать с этими стереотипами можно только одним способом — с помощью объективных данных.

Ежедневно стоять на перекрестках с листком бумаги и карандашом — довольно нудная и ресурсоемкая задача, поэтому идея цифрового решения лежала на поверхности. В 2020 году плавный рост интереса к велосипедам сменился на резкий скачок, а в разгар пандемии COVID-19 появился новый спрос на альтернативу общественному транспорту и транспорту для курьеров. Как следствие, у городских планировщиков появилось много вопросов, на которые «Велогород.online» и помогает найти ответы.

— Каких целей пытаетесь достичь? Почему это важно?

Проект ставит своей целью сделать города более эффективными и безопасными для всех: автомобилистов, велосипедистов и пешеходов. Мы хотим помочь градостроителям, проектировщикам и урбанистам лучше изучить жизнь города, правильно распределить ресурсы и возвести инфраструктуру именно там, где это наиболее важно. При этом мы автоматизируем самую объемную и нудную работу по сбору, валидации, систематизации и визуализации данных.

По сути, существует всего два подхода к созданию современных мультимодальных городов. Первый — переделывать всё и сразу. Такой подход довольно дорог, и позволить его себе могут только пара-тройка городов России. Второй — эффективно вкладывать средства и модернизировать инфраструктуру сначала там, где это жизненно необходимо. Этот подход доступнее, и единственная возможность его реализовать — использовать данные.

— Что представляет собой платформа?

Платформа представляет собой распределенную базу данных, расположенную на нескольких серверах-узлах на территории страны. На каждом узле также находится набор программных модулей для сбора, обработки и визуализации различных наборов данных: в непрерывном режиме собираются данные с фитнес-трекеров и прокатов, климатические и экологические данные, данные о безопасности на дорогах и даже о ценах на топливо в регионе. Доступ к данным пользователи получают через одноименный веб-сайт «Велогород.online».

На платформе развернута карта ДТП с большим количеством инструментов аналитики, что позволяет на ранних этапах обнаруживать «узкие места» в инфраструктуре и оперативно принимать решения по их устранению. Она интегрирована с самым популярным приложением для велосипедистов Strava, погодными и другими сервисами.

Также с платформой связан Telegram-бот, через которого пользователи могут пожаловаться или наоборот похвалить конкретное инфраструктурное решение для велосипедистов. Бот передает сообщение на модерацию, а после нее – в специальный канал, на который подписаны представители администрации города. Быстро, анонимно и только по делу.

Сейчас мы также работаем над интеграциями с системами распознавания образов на улично-дорожной сети и собственным мобильным приложением, мотивирующим людей к поездкам на немоторизованном транспорте и прогулкам пешком.

— На кого платформа ориентирована, кто ключевые пользователи?

У платформы два основных вида пользователей: генераторы данных и их потребители. Генерируют данные сами велосипедисты и пользователи средств индивидуальной мобильности, а потребляют их в обработанном виде проектные организации и администрации городов.

Особенность платформы заключается не только в полной автоматизации процесса сбора и обработки данных, но и в привлечении реальных пользователей к развитию инфраструктуры. Становясь частью системы, у пользователя формируется чувство сопричастности и понимание того, что без лишних временных и ресурсных затрат в инфраструктуре будут учтены его интересы.

Про бизнес мы тоже не забыли, и кое-какие полезные инструменты для владельцев веломагазинов, мастерских и прокатных сервисов у нас тоже в скором времени появятся.

— Каков фундамент? На каких технологиях работает решение?

Пока это небольшая «солянка», где фоновые ресурсоемкие операции с данными выполняются на Python, базовые манипуляции происходят на веб-сервере под управлением Apache, а интерфейсы пользователя доступны благодаря отечественной системе управления контентом «1C-Битрикс: Управление сайтом». Интерактивные графики мы предпочитаем рисовать сами, используя JavaScript, язык разметки векторной графики SVG и мощности библиотеки D3.js.

Большую часть алгоритмов пришлось разрабатывать самостоятельно, ориентируясь на современные работы по транспортному планированию и моделированию, адаптируя методы обработки под велосипедный трафик. Планируем подробнее рассказать про это в научных публикациях в ближайшее время.

— Где уже используется платформа, каких ключевых результатов удалось добиться?

Нашими пилотными регионами стали Южно-Сахалинск и Якутск. При довольно суровом климате и некоторых экологических особенностях, микромобильность в этих городах существует и развивается. Флагманом с точки зрения результатов бесспорно является Южно-Сахалинск, где у центра развития городской среды получилось серьезно продвинуть город в вопросах мультимодальных улиц. Благодаря собранным данным удалось обосновать более 30 км велосипедной и велопешеходной инфраструктуры, оборудовать более 20 специальных велопереездов на перекрестках. Более того, город стал претендентом на звание велосипедной столицы России, как бы странно это ни звучало. Летние фотографии Южно-Сахалинска уже можно будет легко спутать с фотографиями небольших улиц европейских городов.

Мы собрали лучшие data-driven практики Южно-Сахалинска и планируем в этом сезоне внедрить их в Калининграде и еще нескольких региональных центрах.

— Каким должен быть эффект после масштабирования платформы на всю территорию России?

Последние большие исследования в городах-миллионниках показывают, что на текущий момент только около 20% всей возведенной велоинфраструктуры являются эффективными. Остальные же 80% практически не востребованы, так как возведены в неправильном месте и в неправильное время. Мы работаем над тем, чтобы развернуть эту печальную пропорцию в противоположную сторону.

Кроме того, ежегодно в ДТП погибают или получают травмы в среднем 4 велосипедиста на каждые 100 тыс. населения — это огромные числа в масштабах страны! Ситуация не меняется на протяжении семи последних лет, но мы очень надеемся, что продуманная инфраструктура, опирающаяся на данные и лучшие практики, поможет сделать города более безопасными для велосипедистов и пользователей средств индивидуальной мобильности.

— Каковы направления развития платформы?

Мы понимаем, что велоиндустрии и бизнесу в целом сейчас будет нелегко, поэтому в первую очередь работаем над тем, чтобы включить в нашу платформу решения для бизнеса. Спектр инструментов довольно широк: от суперточного таргетинга и интеграций с системами лояльности до решения для развития ESG-принципов на крупных предприятиях.

В технологическом плане основными направлениями на ближайший год-два станут распознавание образов для полного автоматического расчета модального расщепления на городских улицах, а также собственное мобильное приложение и перевод системы из сервер-серверной плоскости к туманным вычислениям.