Статьи

Развитие экосистемы «Сбера» потребовало перехода на новый уровень организации управления данными: возникла необходимость предоставить к ним доступ широкому кругу пользователей внутри компании и реализовать работу с данными как сервис. Нужно было дать пользователям возможность самостоятельно искать и заказывать данные, а кроме того, обеспечить автоматизацию процессов data governance и безопасности. Речь идет о создании «единого окна» доступа к данным, объем которых уже превысил 100 Пбайт.

Решением проблемы стало внедрение разработанной системы «Супермаркет данных», в рамках которой пользователь, работая с каталогом данных «Сбера» с применением поиска на естественном языке, может заказывать данные разово или получать их в виде регулярной поставки. При этом пользователь освобожден от выполнения служебных рутинных операций, связанных с получением доступа, изучением инфраструктуры и структуры данных и т. п., — все процессы централизованы и лежат «под капотом» клиентского сервиса.

О создании «Супермаркета данных» рассказали номинанты премии Data Award 2022 Борис Рабинович, старший управляющий директор — директор Департамента управления данными Сбербанка, CDO «Сбера», и Мария Юшанова, начальник Управления распространения данных Сбербанка.

— Каким был процесс получения данных пользователями раньше? В чем заключались ключевые проблемы?

Борис Рабинович: Для того чтобы начать использовать данные, сначала требовалось понять, где они расположены. И в банке, и в любой другой крупной компании есть множество учетных, клиентских и прочих систем. Аналитики должны были выяснить, где можно раздобыть необходимые данные, и обратиться за доступом к ним. После оформления всех необходимых заявок и их согласования приходилось разбираться со структурой данных и разрабатывать ETL-процесс для загрузки информации в то место, где будут строиться бизнес-решения.

Одно дело, когда такая проблема касается десятка или даже сотни сотрудников, и совсем другое — когда их счет идет на тысячи. Поэтому появилась идея оптимизировать и автоматизировать этот процесс: создать описание данных, их структурированный каталог, облегчить заказ данных, упростить доступ к ним. Но самое важное — заменить разработку тысяч ETL-процессов на единый сервис поставки данных. В масштабах «Сбера» это кратно сокращает трудозатраты и время доступа к данным. Важно отметить, что данные собраны в полном соответствии с действующим законодательством, с разрешения клиентов, и хранятся и обрабатываются они только в обезличенном виде.

— В чем суть созданного решения?

Б.Р.: Цель реализации нашего дата-сервиса — радикальное сокращение времени на доступ к данным, а также упрощение их поиска и потребления. Все происходит аналогично тому, как мы создаем заказ в интернет-магазине: находим нужный «товар» через поисковую строку на портале или в каталоге, добавляем в «корзину» и оформляем разовую или регулярную доставку.

Если раньше для получения данных требовался опытный ИТ-специалист, то теперь процесс доступен любому сотруднику. Более того, прежде даже специалисту на поиск, доступ и выгрузку данных требовалось до 60 дней, а сейчас процесс занимает не более трех часов.

Пользователь может заказать данные в пакетном режиме (разовая поставка, регулярная поставка по времени или по событию) в виде снэпшота или инкремента. Кроме того, работает потоковая поставка данных в режиме, близком к реальному времени.

— Из каких компонентов состоит «Супермаркет данных»?

Мария Юшанова: Важно понимать, что «супермаркет» — не только магазин с данными, где осуществляется заказ и дистрибуция данных. Это конгломерат, который обеспечивает все сопутствующие сервисы.

Супермаркет состоит из трех крупных частей: портал, бэк-офис и ядро, где происходит выполнение и обработка поступающих заказов. Обычно клиентский путь таков: пользователь заходит в супермаркет, видит структурированный каталог либо пользуется поиском на естественном языке — и поисковик предлагает ему необходимые дата-сеты с описанием. После этого пользователь набирает себе «в корзину» необходимые данные, при необходимости накладывает на них фильтры. Если у пользователя еще нет доступа к этим данным, ему не нужно создавать заявку на доступ — и в этом ключевое изменение: она будет сформирована автоматически и обработана по соответствующим правилам, в зависимости от категории данных.

— Сколько времени потребовалось на реализацию проекта, какие этапы он включал?

М.Ю.: Мы начали этот проект еще в 2019 году — с сессии дизайн-мышления. Мы видели возможности для ускорения доступа к данным и думали над тем, как их можно оптимизировать, — именно так и родилась идея супермаркета данных. Далее мы разработали MVP, который работал сначала только на пакетные загрузки и лишь внутри платформы Hadoop. Следующим этапом шло усложнение функциональности: мы развивали доставку на разные площадки, подключали различные системы хранения, увеличивали частоту поставок, охватили потоковые данные. Третий этап включал развитие с точки зрения управления доступом и правил data governance.

В этих направлениях зачастую работа шла параллельно — у нас всегда амбициозные цели: требуется всё, сразу и качественно. Поэтому понадобился еще год после появления MVP.

Мы увеличиваем ассортимент данных, расширяем «зоны» доставки данных, повышаем вариативность поставок и оптимизирум многое другое. На данный момент у нас 57 интеграций, включающих логистику от поставщика до потребителя в разных режимах в сопровождении обеспечивающих сервисов, таких как сервисы защиты данных, федеративного доступа, сервисов поставки и так далее.

— Расскажите об этапе дизайн-мышления.

М.Ю.: Это наша нормальная практика, появившаяся с переходом на Agile и ставшая важнейшей частью всех проектов. Таким образом совместно с заказчиком мы проговариваем не только запуск крупных продуктов, но и любые достаточно крупные изменения в них. Это позволяет сделать сервисы правильнее и удобнее, учесть все возможные нюансы, взглянуть на проблему со всех точек зрения. Кстати, в таких сессиях участвуют не только бизнес-пользователи, но и сотрудники служб безопасности и сопровождения.

Основные пожелания были очевидны: чем быстрее доступ к данным, тем лучше, и при этом решение не должно обойтись слишком дорого. Но именно в процессе дизайн-мышления, в котором участвовали разные категории потребителей, был найден оптимальный вариант взаимодействия пользователя с сервисом — принцип самообслуживания. Кроме того, мы выявили потребность в поиске данных на естественном языке и в наличии рекомендательного сервиса.

— Какие организационные изменения потребовались?

Б.Р.: Функции CDO в банке уже много лет, все процессы и политики уже давно выстроены. Поэтому в SberData была просто выделена команда, отвечающая за этот инструмент.

— Как «Супермаркет данных» стыкуется со стратегией управления данными, какое место в ней занимает?

Б.Р.: Это ключевой элемент в стратегии управления данными, и подразделение кибербезопасности нас в этом поддерживает. «Супермаркет» — единая точка доступа к данным в контуре «Фабрики данных» (единой платформы для работы с данными), и нет никакого другого способа получить данные, кроме как через него. Здесь проходят все процессы, связанные с правами доступа, распространением данных.

В рамках платформы сам бизнес-заказчик может увидеть все, чем он владеет, какие у него есть подписки, каков их статус. Аналогично, все службы могут понимать, кто к каким данным обращается, какие у кого права. Это краеугольный камень работы с данными.

— Сколько людей работает над этим продуктом?

Б.Р.: В SberData за «Супермаркет данных» отвечают около 40 человек.

— Поиск на естественном языке в каталоге данных — действительно громадный шаг навстречу пользователям. Как это решение реализовано, что оно собой представляет?

М.Ю.: В первую очередь данные должны быть описаны, причем строго по стандартам. У нас есть продукт «Карта данных», в нем владельцы данных получают физическую модель данных, за которую отвечают, и описывают эти данные на естественном языке по определенным стандартам. Далее описание данных выгружается в «супермаркет», и через поиск, реализованный на ElasticSearch, становится доступным пользователям.

Обычно пользователи не вводят запрос полностью, а указывают, например, «кредиты юридических лиц». Этого достаточно для того, чтобы подтянуть информацию по всем необходимым таблицам и атрибутам.

— На какие результаты от «Супермаркета данных» рассчитывали, как они соотносятся с практикой?

Б.Р.: Важным эффектом стала демократизация данных, именно на нее мы рассчитывали больше всего. Как и в случае с любым хранилищем, вопрос финансового эффекта — очень спорный, на него вряд ли кто-то сможет ответить. Вероятно, его можно оценить через человеко-дни в «условных миллиардах» для банка. Но ведь речь идет не столько об экономии времени работы специалистов, сколько об ускорении процессов и сокращении времени вывода продуктов на рынок. Поэтому мы больше склонны рассматривать эффекты с точки зрения ресурсов, занятых в работе с данными, и задействованной в этом инфраструктуры.

У платформенного подразделения есть преимущество в том, что мы можем принять проактивное решение о развитии инструментов управления данными, которые, по нашим оценкам, должны быть востребованы бизнесом. И бизнес-подразделения (возможно, после некоторых колебаний) действительно впоследствии начинают их применять.

До реализации «Фабрики данных» мы использовали «озерца» данных. Они были плохо связаны между собой, имели собственную инфраструктуру и процессы загрузки данных, сопровождения и разработки. Когда внедряется централизованный инструмент, для меня как CDO, отвечающего за платформу, важна его востребованность. И я вижу, что на платформу приходят десятки, сотни, а затем и тысячи человек — все сообщество потребителей данных переходит на целевую инфраструктуру. Ключевой драйвер этого «великого переселения» — продукты, которые существенно упрощают жизнь пользователей. Этот комплекс автоматически затягивает в себя все наше комьюнити D-people — дата-сайентистов, аналитиков и инженеров. Мы на это рассчитывали и ровно это получили в итоге. Более того, возможно, мы недооценили востребованность «супермаркета» и сейчас видим рост потребления сервисов, существенно опережающий заложенные темпы.

— А какими количественными результатами можете похвастаться?

М.Ю.: На текущий момент через «Супермаркет данных» по подпискам осуществляется более 70 тыс. поставок данных ежемесячно для более чем 2700 пользователей, и рост продолжается. Мы добились огромных результатов в высвобождении времени наших сотрудников от рутинных операций. С внедрением тегирования данных мы автоматизировали доступ к ассортименту. А после добавления подписки в корзину и разрешенного доступа к данным можно получать данные с задержкой от 15 минут до 3 часов, в зависимости от их объема.

Важно отметить, что платформа «Супермаркета данных» обеспечивает потоковую поставку данных в режиме, близком к реальному времени. В планах — довести производительность системы до 10 млн операций в секунду, что позволит вывести, например, рекомендательные системы на качественно новый уровень.

— Насколько радикальным стало сокращение времени разработки продуктов?

М.Ю.: Поиск данных и доступ к ним занимал несколько недель, и еще полтора месяца — разработка процесса ETL. Это время могло различаться в зависимости от объема и вида данных, а также других факторов, но в среднем составляло около трех месяцев. Именно о таком сокращении сроков реализации проектов идет речь, и, с учетом количества запросов на данные, это гигантские объемы.

— В результате внедрения «Супермаркета данных» у всех пользователей появилась возможность попробовать себя в новой роли — специалиста по работе с данными. Насколько востребованным это оказалось в реальности?

Б.Р.: ИТ-специалисты могут сами извлечь необходимую часть данных с помощью SQL-запроса и проанализировать их. Но ведь большинство сотрудников не обладают такими знаниями. Поэтому было важно дать им инструмент, позволяющий без какого-либо программирования и чьей-либо помощи получить данные и заняться их анализом. Благодаря этому нам действительно удалось привлечь новые группы бизнес-пользователей.

Важность фактора удобства подтвердил резкий скачок объема потребляемых данных. Планируя инфраструктурные мощности для «супермаркета», наши специалисты проанализировали число потенциальных пользователей, наиболее востребованные данные и частоту их потребления. Однако почти сразу же мощностей перестало хватать. Пользователи стали заказывать кратно больше данных, чем делали это обычно. Анализ причины оказался прост: людям было интересно сделать заказ, положив данные в корзину легко и быстро.

— Было ли что-то еще, что вызвало ваше удивление?

М.Ю.: Все же процесс был выстроен так, что вначале мы пообщались с нашими пользователями, узнали их потребности и пожелания и лишь затем их реализовали. Поэтому других сюрпризов, помимо скачка потребления данных, не было.

— В каком направлении будет развиваться проект?

Б.Р.: В дальнейшем предполагаем развивать клиентские пути и повышать удобство сервисов. Например, мы планируем реализовать функционал «джойнов» — объединять данные из разных источников. Мы видим, что в этом есть потребность: многие агрегируют информацию в собственных витринах или лабораториях. Если сотрудник кладет в одну подписку бухгалтерскую информацию и данные о сделках, то понятно, что в дальнейшем он будет объединять их между собой. Мы можем брать это на себя и сразу формировать джойн при предоставлении подписки. Это качественное улучшение — доставлять не только сырые данные для анализа, но и полуфабрикаты, готовые к применению.

Кроме того, мы прорабатываем внедрение нескольких стримов, связанных с искусственным интеллектом, — например, по прогнозированию объемов нагрузки, производительности и надежности логистической цепочки. Это позволит существенно улучшить клиентский опыт, повысить доступность данных и расширить круг их потребителей.

Розничные компании, находящиеся в условиях серьезной рыночной конкуренции, вынуждены непрерывно искать способы повышения своей конкурентоспособности и устойчивости на рынке. Но как понять, поможет ли реализация очередного предложения изменить бизнес к лучшему и стоит ли вкладываться в эту инициативу.

Чтобы ответить на эти вопросы, крупные интернет-проекты нередко применяют A/B-тестирование. Его суть заключается в том, что предложенные инициативой изменения вводятся только для части пользователей, тогда как для другой части все остается по-прежнему. По истечении некоторого времени данные по этим двум группам сравнивают, оценивают, а затем делают вывод о том, позволили эти изменения улучшить нужные показатели или нет. Масштабирование инициативы на всех пользователей происходит лишь в том случае, когда показатели действительно улучшились.

Работает ли метод A/B-тестирования в розничной компании с большим числом офлайн-точек? Опыт X5 Group свидетельствует о том, что работает, причем успешно: практически любая выдвинутая в компании бизнес-инициатива на самом старте «упаковывается» в дизайн-эксперимент с гипотезами и методикой оценки, а затем по итогам проведенной работы проходит проверку A/B-тестированием. Если результаты пилота признают полезными, его масштабируют на весь бизнес. О том, как A/B-тестирование работает в условиях X5 Group, какую пользу оно приносит и какая работа с данными за этим стоит, рассказывает Михаил Неверов, директор по анализу данных компании и номинант на премию Data Award 2022 .

- A/B-тестирование широко применяется в электронной коммерции. Как можно объяснить то, что оно достаточно редко используется в традиционном ретейле? И почему ваши коллеги посчитали, что оно им необходимо?

Традиционно в ретейле используют подход like-for-like (LFL) с разного рода усложнениями. Это базовый показатель, но он не всегда полностью отображает картину мира — особенно для узких бизнес-пилотов. Ситуация в ретейле динамично меняется, причем влияют на нее множество факторов. A/B-тестирование позволяет лучше, чем LFL, отслеживать границы случайных и неслучайных изменений. Оно редко применяется в «классическом» ретейле, вероятно, потому, что для проведения A/B-тестирования нужен достаточно большой объем данных — это необходимо для статистической значимости результатов. Поэтому если, например, розничная сеть охватывает всего 10 магазинов, то ей придется использовать именно LFL, поскольку для проведения A/B-тестирования имеющегося у нее объема данных будет недостаточно.

- В чем видят пользу A/B-тестирования бизнес-пользователи X5 Group ?

Процесс A/B-тестирования предоставляет компании общий подход к оценке разных бизнес-инициатив, что повышает ее точность. Он позволяет схожим образом оценивать и инвестиционные инициативы, и внедрение изменений (например, замену кассового оборудования на новое), и продуктовые инициативы. Компания получает возможность одинаковым образом получать ответ на поставленные вопросы: приносит ли та или иная инициатива деньги, какова ее выгода, следует ли ее продолжать? При проведении A/B-тестирования не нужно каждый раз изобретать новый велосипед — это универсальная форма проверки бизнес-гипотез.

A/B-тестирование — удобный и полезный инструмент принятия решений в отношении инвестиций. Каждый год компания проводит около 400 A/B-тестов. С их помощью мы получаем возможность уже на ранних этапах выявлять невыгодные инициативы и прерывать их финансирование, что позволяет более разумно распорядиться средствами.

- Кто явился непосредственным заказчиком платформы A/B-тестирования в X5 Group? Какие заинтересованные лица выступили в качестве спонсоров проекта по ее созданию?

Вся наша компания заинтересована в том, чтобы решения на основе статистических данных применялись на всех уровнях, потому что это делает процессы прозрачными как для сотрудников, так и для менеджмента.

Амбассадорами применения A/B-тестирования в компании стали специалисты из бизнес-единицы «Х5 Технологии» — центра компетенций по ИТ и большим данным для всех бизнесов и торговых сетей группы. Мы начинали с экспериментов на ИТ-продуктах, затем распространили идею на все торговые сети и теперь развиваем подход вместе с ними. До создания платформы мы проводили анализ данных фактически вручную. Когда пользователи убедились в том, что подход работает, а количество тестов перевалило за сотни, мы, чтобы не наращивать штат аналитиков, решили автоматизировать A/B-тестирование. Так, собственно, платформа и появилась.

- Как происходит сбор данных для A/B-тестирования, из каких источников они поступают и как их используют при проведении тестов?

Исходные данные для A/B-тестов — это чеки наших покупателей с указанием времени и места, где они были оплачены. Чеки обрабатывают, агрегируют, с помощью различных приемов сокращают статистические выбросы, после чего оценивают эффект. Большая часть первичных данных хранится в Hive. Разумеется, в платформе есть своя витрина данных, и в ней происходит некоторое упрощение исходных данных.

- Какие виды обработки и анализа используют в ходе A/B-тестирования в вашей компании? Как формулируют гипотезы и выбирают методы для проведения очередного исследования?

Исходной точкой для проведения A/B-тестирования является некая инициатива, в отношении которой бизнес хочет принять решение об инвестициях. Мы формулируем дизайн эксперимента: выбираем метрики, определяем, в частности, что будем проверять (розничный товарооборот или средний чек), фиксируем ошибки первого и второго рода. Затем происходит подбор контрольной пилотной группы, а по окончании A/B-теста — оценка результатов.

Из методов применяем медицинское тестирование, а также более современные подходы и основанные на них собственные разработки, отражающие специфику офлайн-бизнеса. Помимо этого, используем дерево принятия решений, нейронные сети, дискриминантный анализ, бустинг, байесовские классификаторы. Эти методы не являются чем-то принципиально новым для рынка, но мы как раз сторонники того, чтобы использовать проверенные подходы.

- Как проводят эксперименты, а затем оценивают и интерпретируют результаты исследований на основе A/B-тестирования?

Процесс организован следующим образом. Бизнес-сотрудники — пользователи нашей платформы формулируют гипотезу и вместе с adhoc-аналитиками «закрепляют» ее, то есть проводят предварительную оценку эффекта. Затем берется нужный объем данных, и в кластере A/B-тестирования его разделяют на две группы: в первой изменения происходят, а во второй — нет. Потом, по прошествии времени, проводится сравнение экспериментальной и контрольной групп. Если изменения есть, мы их оцениваем, интерпретируем (в частности, объясняем, можно ли считать их статистически значимыми) и выносим вердикт относительно гипотезы. После этого наши выводы валидируются специалистами из финансового блока. Дело в том, что при работе с финансовыми показателями в ретейле есть специфика: здесь применяются сложные методики расчета и аудита. И чтобы быть уверенными в правильности наших выводов в отношении инвестиций, мы проводим оценку результатов совместно с коллегами из финансового департамента. Это особенно важно, когда попадаются пограничные значения. Всего в A/B-тестировании принимают участие четыре стороны: бизнес, аналитики, специалисты по рискам и финансам.

- Можно ли говорить о том, что в компании выстроен процесс A/B-тестирования?

Да, процесс есть, он работает. Если вы придете на работу в X5 Group и предложите какую-нибудь бизнес-инициативу, то непременно станете участником этого процесса.

- И много ли в нем творческой или субъективной составляющей?

Если в процессе участвуют люди, доля субъективности тоже может быть. Инициативы очень разные, поэтому нередко приходится придумывать дизайн эксперимента и формализовывать его вплоть до стандартного процесса. Субъективная составляющая здесь, скорее, в экспертных оценках: мы часто привлекаем экспертов, чтобы они помогли ответить на вопрос, следует ли считать изменение того или иного показателя в ходе эксперимента индикатором того, что этот эксперимент прошел удачно.

- Удалось ли избавиться от влияния человеческого фактора на A/B-тестирование?

Мы избавились от него ровно в той мере, в какой это было эффективно. В зависимости от дизайна эксперимента мы можем использовать разные модели (у нас их большое количество). Обычно их выбор — это либо коллегиальное решение, либо выбор на основе предыдущего опыта. Кроме того, мы, естественно, привлекаем экспертов, чтобы они помогли интерпретировать полученные результаты.

- Какое место занимает платформа A/B-тестирования в общем ландшафте аналитики и управления данными в X5 Group?

У платформы обособленное место. Она выведена в отдельный контур, потому что отвечает на чувствительные для бизнеса вопросы. Было бы странно, если бы команда, которая выдвинула инициативу и готова взяться за ее реализацию, имела возможность полностью самостоятельно и независимо от других коллег принимать решение о ее успешности. У нас более 100 инициатив и продуктов, которые прорабатываются и реализуются в постоянном режиме, не говоря уже о больших стримах или экспертных направлениях. Чтобы компания могла одинаковым образом получать ответы на вопросы о целесообразности инвестиций в инициативы, их команды были отделены от процессов принятия решений по таким предложениям. A/B-тестирование — это, если угодно, самый независимый инструмент для оценки инициатив.

- В каких направлениях планируете развивать платформу A/B-тестирования в обозримом будущем?

У нас три основных направления развития. Первое — расширение количества вариаций экспериментов. Иногда встречаются очень сложные кейсы, для которых в библиотеках моделей нет соответствующего решения. В таких случаях нам приходится что-то дописывать или как-то улучшать базу экспериментов. Второе направление — повышение их точности. Иногда даже дополнительные полпроцента точности могут полностью изменить оценку инициативы. И третье — сокращение времени на получение результатов оценки, что, очевидно, ускорит принятие решений в отношении инициатив.

Работа с просроченной задолженностью не только давно вышла в правовое поле, но и стала технологичным бизнесом, напрямую зависящим от аналитических инструментов. Анализ качества приобретаемых портфелей задолженности напрямую влияет на прибыльность компании и эффективность процессов взыскания, а скоринг должников становится основой для персональной работы с ними.

Сервис по возврату проблемной задолженности ID Collect, являющийся частью международной финтех-группы IDF Eurasia, создавался с пониманием того, что работа с данными важна для общего успеха бизнеса. Андрей Савгуров, директор по анализу данных ID Collect и номинант на премию Data Award 2022 , рассказывает об истории реализованных в компании проектов и достигнутых результатах.

— Как в компании зарождалась работа с данными?

Еще изначально, только запуская компанию, мы делали ставку на технологичный подход. С самого начала было ясно, что для принятия правильных управленческих решений по покупке портфелей задолженностей нужно основываться на точных количественных данных по сборам, поведению должников, операционным показателям, обработке долгов и т. д. Поэтому требуется хорошо понимать, чем одни портфели отличаются от других; почему какие-то долги взыскиваются лучше других; чем банковские должники отличаются от должников сервисов альтернативного кредитования; в чем различия при взыскании задолженности по разным кредитным продуктам.

— С чего и когда вы начали? Что было сделано за это время?

Мы начали в 2018 году, когда было принято решение создать аналитическое хранилище данных. В нем мы собирали клиентские данные, статистически значимые показатели по должникам, по их поведению, по сборам. За это время провели большую работу: собрали все исторические данные по приобретенным портфелям, поработали над качеством данных, частично обогатили их. Кроме того, провели аналитику самой эффективности взыскания. Нам удалось понять, как эта эффективность зависит от разных типов портфелей с разными параметрами. Проанализировали, какие параметры сильнее всего влияют на собираемость, и, наконец, разработали скоринговую систему, которая эту собираемость прогнозирует.

— Какова цель реализуемых в компании проектов в области работы с данными?

У нас две большие цели по работе с данными. Первая — как можно точнее давать оценку прогнозов перед покупкой портфеля, чтобы точнее оценить доходность и максимальную цену, которую мы можем дать. Вторая цель — правильно отслеживать и анализировать эффективность уже сделанных вложений. Это позволяет нам улучшать процесс взыскания, повышать прибыльность.

— Как решается вопрос качества данных? С этим традиционно возникают большие проблемы…

На качество данных мы сразу обратили пристальное внимание, так как без этого эффективную аналитику и вообще скоринговую модель создать невозможно. Поэтому у нас есть выделенный аналитик по качеству данных, который занимается контролем качества информации, поиском ошибок и постановкой задач по их устранению, обогащением базы данных и т. д.

— В чем заключалась наболевшая проблема бизнеса? В чем суть реализованного проекта?

Основная проблема заключалась в необходимости прогнозировать доходность портфелей просроченной задолженности. Главная цель — не сработать себе в убыток при покупке портфеля и максимизировать прибыль. То, что мы сделали, позволяет заранее оценивать рентабельность каждого портфеля и понимать, какую маржу мы получим, какую максимальную цену можем дать по тому или иному портфелю, чтобы в итоге сделка оказалась экономически выгодной. Вообще, цессионные портфели приобретаются на специализированных площадках по принципу аукциона. Поэтому всем участникам, которые торгуются на них, важно понимать, где проходит граница цены, которую они готовы дать по тому или иному портфелю, чтобы покупка в итоге стала прибыльной. И еще более важно сразу отсеивать низкорентабельные и тем более убыточные предложения.

— Что собой представляет решение?

На данный момент это скоринговая модель, написанная на Python. Перед торгами к нам приходит реестр с данными по должникам. По каждому портфелю, еще до покупки, в обезличенном виде доступен определенный набор данных: социально-демографические параметры (возраст, пол, образование, социальный статус), сумма задолженности, платежная дисциплина должника, сумма процентов по основному долгу, сведения о передаче задолженности в коллекторское агентство и пр.

Мы прогоняем эти данные через скоринг и оцениваем, какую сумму денег мы можем взыскать в итоге. Наша финансовая модель берет прогнозы сборов, считает приблизительные расходы, которые мы понесем, добавляет маржу. В зависимости от этих параметров высчитывается максимальная цена, которую мы можем дать за портфель.

— Какие источники данных использовались в ходе проекта? И как в целом определяется, какая информация нужна?

Источников данных несколько. Основной источник — наша CRM-система. В ней мы храним всю информацию по долгам, портфелям, клиентскую информацию по должникам. Там же находится история работы с должниками, сведения об их платежном поведении, в том числе данные от предыдущего кредитора, анкетная информация и т. д. Проведя анализ, мы понимаем, какие параметры имеют высокую информативность.

— Какие инструменты применяются и почему именно они?

У нас есть несколько инструментов. С точки зрения баз данных используются Microsoft SQL Server, Oracle и Mongo DB, все это сливается в корпоративное хранилище ClickHouse. Для визуализации отчетности мы применяем Tableau, для разработки скоринга — модели Python. Это весьма популярные инструменты, с ними работают многие, и для решения наших задач они весьма эффективны. Ну и еще одна из причин: эти инструменты применяются во всей финтех-группе IDF Eurasia.

— Какие ресурсы потребовались для реализации проекта?

В ходе проекта команда несколько трансформировалась, но над последней моделью работали пять человек: два дата-сайентиста непосредственно разрабатывали скоринговые модели; два дата-инженера готовили дата-сеты, анализировали весь наш цессионный портфель и предлагали гипотезы по улучшению; один эксперт занимался качеством данных. По времени создание последней модели заняло около 4–5 месяцев.

— В чем заключалась самая большая проблема в ходе работ?

Как это обычно бывает, главная проблема — с качеством данных. Но стоит отметить и отсутствие достаточного количества данных для обучения. Со временем эта проблема решается. В дальнейшем уровень точности прогнозов будет планомерно повышаться по мере обогащения модели все большим объемом исторических данных.

— Какие эффекты удалось получить и за счет чего?

Нам удалось существенно повысить точность прогноза сборов по портфелям за счет разработки отдельных моделей по разным типам продуктов, сегментов, а также секторов — кредитных организаций и банков. Кроме того, мы смогли ощутимо улучшить качество нашего совокупного портфеля, находящегося в работе, за счет более точного анализа. Делая оценку перед покупкой, мы приобретаем портфели с более высоким уровнем собираемости.

Если говорить о наших показателях в цифрах, то после запуска скоринговых моделей мы уменьшили издержки почти на 25%, снизили ошибочность прогнозов примерно на 40%, а также повысили собираемость минимум на 15%.

— А каких результатов вы ожидали сами?

Нам удалось не только достичь желаемых результатов, но и в какой-то мере даже превзойти их. Мы не останавливаемся, постоянно совершенствуемся, пробуем новые модели, новые подходы, новые методы. Тут нет предела совершенству.

— Удалось ли показать экспертам из бизнеса что-то новое?

Разумеется, опытные коллеги, работающие с взысканием задолженностей, прекрасно понимают, какие параметры портфеля сильнее всего влияют на собираемость и эффективность. Но все же скоринговая система выявила некоторые неожиданные параметры, которые на деле оказались одними из самых важных и серьезно повысили качество модели. Эксперты не предполагали, что они так важны.

— Что дальше? Какими вы видите дальнейшие направления развития своей работы?

Мы активно работаем над разработкой поведенческих скоринговых моделей. Они позволяют анализировать поведение клиентов уже после покупки их задолженности, после начала взаимодействия с ними.

Кроме того, мы работаем над оптимизацией процессов по линии взыскания (реструктуризация, soft, legal и hard collection), основываясь на анализе данных, применяя машинное обучение для оптимизации издержек и увеличения сборов. Важно понимать, что у всех должников могут быть свои обстоятельства, и мы используем индивидуальный подход, помогая каждому подобрать оптимальные для него условия погашения долга. В частности, мы планируем создать модель по реструктуризации задолженности, которая бы позволяла оценивать наш портфель и определять клиентов, которым можно сделать скидку или реструктуризировать долг. Снизив свои требования, но подняв процент взыскания, мы работаем на максимизацию прибыли компании. И конечно, мы планируем улучшать и точечно донастраивать уже существующие модели.

Сократить время приезда скорой помощи на вызовы к больным — это самая важная задача для сферы экстренного здравоохранения. Сокращение времени даже на несколько минут, достигнутое при помощи анализа данных, становится дополнительной возможностью сохранить жизнь. Очевидно, что время реагирования скорой существенно зависит от того, как расположены точки базирования экипажей по отношению к основным районам, из которых приходят обращения.

В Рязани реализовали проект по оптимизации размещения экипажей скорой медицинской помощи для сокращения времени приезда на вызов. Он стал одним из победителей в конкурсе World AI&Data Challenge 2021 года. Результатами внедрения этого проекта стали оптимизация расположения подстанций, формирование расписания с указанием количества размещаемых экипажей и, как следствие, сокращение времени приезда экипажей на вызов. О выполнении проекта рассказывает Кирилл Поляков, руководитель департамента реализации проектов АНО «Цифровой регион» (Рязань) и лауреат премии Data Award 2022 .

— В чем заключалась проблема?

Пандемия 2020 года еще больше обострила ситуацию с нехваткой экипажей скорой помощи в Рязани. Если в условиях привычной сезонности станция еще справлялась с прогнозируемым количеством вызовов и соблюдала регламентные сроки, то после увеличения числа обращений в несколько раз это стало уже невозможным. При этом на существенное изменение в размещении самих подстанций или кратное увеличение количества бригад и автомобилей, конечно, рассчитывать не приходилось. Мы поняли, что надо искать решение в условиях имеющихся ограничений.

— Как решалась задача размещения экипажей скорой помощи до запуска цифровой платформы?

До того как началась разработка решения, размещение выполняли исходя из опыта руководства и основываясь на примерном количестве жителей в определенных районах (по данным переписей населения).

— Как родилась идея создать систему для оптимизации работы скорой?

Как известно, если не получается менять что-то физически, то необходимо поменять организацию. Мы исходили из того, что подход, предполагающий зависимость количества экипажей от числа граждан, зарегистрированных по адресам, закрепленным за подстанциями, зачастую неэффективен: фактическое проживание не всегда соответствует месту регистрации. Таким образом, мы решили, что, имея набор данных о фактических вызовах по различным адресам, можно создать гораздо более точную модель размещения экипажей, которая будет учитывать не прописанных граждан, а вероятность поступления вызова из конкретного района, причем с высокой точностью.

— Какие варианты решения этой задачи рассматривались? Или подача на конкурс World AI&Data Challenge была единственным вариантом?

Варианты всегда есть. Мы планировали решать задачу самостоятельно — например, договориться с региональным ИТ-вузом и дать им задачу на проработку или найти подрядчика и попробовать сформировать решение с ним. Но когда пришло предложение участвовать в конкурсе, организованном АСИ, мы поняли, что именно это — оптимальный способ. Во-первых, помимо того, что задачей занимались профессиональные разработчики, можно было выполнить экспертные оценки качества кода, эффективности решения и возможности его расширения. Конечно, оценить столько параметров самостоятельно нам было бы сложно. Поэтому конкурс стал для нас наилучшим выходом.

— Как была сформулирована задача для конкурса?

По требованиям конкурса, в задаче надо было обязательно указать имеющуюся проблему, критерии оценки качества решения и допущения. Поэтому задача была сформулирована следующим образом: по нанесенным на карту точкам вызовов скорой помощи (на основе имеющихся маршрутных листов) с помощью алгоритмов машинного обучения спроектировать оптимальную модель размещения и наполнения бригад в различных точках города, которая позволит максимально быстро и эффективно реагировать на вызовы в зависимости от складывающихся условий. При этом главным требованием было максимальное сокращение прогнозируемого времени ожидания приезда бригады.

— Какие данные использовались и откуда добывались?

Обезличенные данные были предоставлены коллегами со станции скорой помощи. Информация о поступивших вызовах включала маршрутный лист бригады (адрес, дата, время, тип жалобы), время приезда, принявшую подстанцию, а также лечебное учреждение, если помощь была оказана не на дому.

— Что в итоге представляет собой созданное решение?

Сейчас это веб-сервис, который позволяет загружать в установленном формате информацию о прошлых вызовах и формировать расписание для подстанций — количество экипажей, которое должно быть размещено по определенному адресу.

— Перечислите сильные стороны созданной платформы.

Это реально удобное и простое решение. Оно не требует специальных знаний и размещено в облаке. Подгрузка данных осуществляется в том же формате, в котором они выгружаются из системы скорой помощи. Интерфейс ведет пользователя по процессу, и, что немаловажно, реализована максимально эффективная «защита от дурака». Поначалу, когда мы только начали общаться с коллегами из скорой, они испугались и решили, что им навязывают очередную громоздкую и сложную систему. Но когда мы очно продемонстрировали, как работает решение, то они сказали, что с ним справится даже не слишком уверенный пользователь ПК.

— В чем заключалась самая большая проблема при запуске решения?

Конечно, в первую очередь проблема в людях. Благодаря политической поддержке АСИ проблем с запуском сервиса не было. Но убедить людей в том, что система не создает новые проблемы, а решает текущие, очень сложно. Существует некоторое недоверие к цифровым технологиям, искусственному интеллекту и т. д. Однако, когда коллеги увидели, что выводы, сделанные программой, в принципе соответствуют их предположениям и только больше их конкретизируют, они однозначно признали эффективность решения.

— Назовите основных пользователей системы.

Это руководство скорой помощи и Министерство здравоохранения.

— Что выяснилось в результате запуска решения?

После запуска подтвердилась гипотеза о том, что необходимы изменения в размещении экипажей. Скажем, в новый, активно застраивающийся район надо больше бригад, хотя люди там не регистрируются, предпочитая сохранять прописку в других районах — например, у родителей. Подтвердилось и предположение о том, что при размещении необходимо учитывать сезонность: весна и осень в «молодых» районах более критичны. Сейчас мы продолжаем работать и анализировать — может быть, получится выявить новые закономерности.

— Какие факторы теперь учитываются при размещении экипажей?

Самое главное — сейчас учитывается фактически поступившее количество вызовов, а не число жителей, прописанных в районе.

Коллеги из скорой помощи — довольно опытные специалисты, поэтому каких-то неожиданностей для них не было. А мы, например, узнали, что количество вызовов в праздники увеличивается. Еще интересно то, что зачастую в отдаленные районы скорая приезжает быстрее, чем в центр, — скорее всего, из-за пробок: иногда быстрее добраться до другого района, чем проехать пару кварталов.

— Какие достигнутые результаты вы можете отметить?

Сейчас идет тестирование решения: нам необходимо подготовить нормативные документы, провести апробацию в условиях, более-менее соответствующих тем, что были в эталонном периоде. Но с учетом того, что сокращение времени приезда даже на пару минут уже является огромной победой — спасенными человеческими жизнями, я думаю, что достижения будут очевидны всем.

— Есть ли возможность развития созданного решения? В каком направлении?

Конечно, такие возможности существуют. Например, можно обеспечить синхронизацию с базой вызовов в режиме реального времени. Следует доработать анализ маршрутных листов и донастроить маршрутизацию. Наконец, можно попробовать промоделировать распределение экипажей на большее количество подстанций по другим адресам, чтобы оценить эффективность такого решения.

Осенью 2021 года X5 Group первой из ретейлеров запустила свой собственный подписочный сервис. Подписка «Пакет» сочетает в себе опыт развития программ лояльности, создания собственных экосистем и стимуляции качественного спроса. Наличие этого продукта способно качественно изменить взаимоотношения между торговыми сетями и покупателями: ключевыми приоритетами становятся уровень обслуживания и сохранение лояльности подписчиков. К тому же такой подход формирует более осмысленное покупательское поведение и формирование инвестиционного подхода к повседневным тратам.

Технологическим фундаментом продукта стала платформа X5ID, формирующая «золотую запись» данных покупательского поведения для всех бизнес-единиц и торговых сетей X5. О реализации проекта рассказывает Евгений Галимский, директор по развитию сервиса идентификации в экосистеме и номинант на премию Data Award 2022 .

— Как появилась идея создания сервиса «Пакет»? Каковы его цели?

Ключевая цель проекта — за счет экосистемного подхода укрепить лояльность существующих клиентов X5 Group, нарастить розничный торговый оборот (РТО) внутри торговых сетей и бизнесов группы, привлечь новых клиентов благодаря выгодному и новаторскому для России набору сервисов. Идея с подпиской без конкретных предложений по ее содержанию появилась в рамках трехлетней стратегии компании.

— Что собой представляет решение?

Подписка «Пакет» — это проект, направленный на привлечение и удержание клиентов в контуре Х5 Group, программа лояльности нового поколения, полностью обеспечивающая базовые потребности клиентской миссии «Еда» и предоставляющая наборы привилегий за ежемесячный платеж. «Пакет» включает в себя не только гарантированные кешбэки, но и бесплатную доставку, бесплатный доступ к медиаконтенту и скидки от компаний-партнеров.

— Что принципиально нового привносит сервис во взаимодействие ретейлера с покупателями?

Принципиально новой является рекуррентная модель: купи что-то (подписку), а далее получай повышенные выгоды в течение месяца.

— Какие задачи требовалось решить при создании этого продукта?

Задачи можно разделить на три типа. Во-первых — технологические. Требовалось сделать так, чтобы предложения внутри продукта «Подписка» были технически исполнимы, в том числе с учетом корневых систем каждого бизнеса.

Следующая категория задач — продуктовые. Требовалось понять, как эта подписка должна выглядеть для клиента и какие драйверы существуют внутри нее.

Наконец, маркетинговые задачи — объяснить людям, что такое «подписка на еду», как она связана с базовой программой лояльности и чем отличается от нее.

— Какие проблемы возникали, как их решали?

Основная проблема — необходимость быстрой интеграции решения с множеством внутренних сервисов (Comarch, мобильные приложения и т. п.). Для этого потребовалось создать отдельную процессную схему и обеспечить постоянную коммуникацию рабочих групп со смежными командами.

Самым сложным на этапе запуска MVP было сформулировать первый драфт (составные части подписки) и найти компромисс с каждой из бизнес-единиц для тестирования гипотез. Мы стартовали с 28 вариантами подписки, предлагая каждый из вариантов разным группам клиентов Х5. Основными динамическими параметрами были ценовое предложение, скидка или кешбэк и размер предлагаемой скидки и кешбэка. В результате оценивали реакцию аудитории, модель потребительского поведения и обратную связь.

— Какова роль данных в реализации этого проекта? Что является ИТ-фундаментом сервиса «Пакет»?

ИТ-фундаментом стал собственный разработанный сервис со своим набором данных о пользователях. При этом основным идентификационным модулем является платформа X5ID, которая в том числе представляет персональные данные о пользователе, номерах карт лояльности и т. п. Она формирует «золотую запись» данных покупательского поведения для всех бизнес-единиц и торговых сетей в контуре группы компаний. Благодаря платформе клиентских данных (customer data platform, CDP) профиль пользователя обогащается идентификаторами пользователей в Интернете (cookies), что обеспечивает возможность не только построить сквозную маркетинговую воронку для последующей аналитики, но и обеспечить персонализированную автоматизированную медийную и CRM-коммуникацию. Значимая роль в проекте отведена разработанной нами платформе Dialog.X5.

— В прошлом году X5 участвовала в конкурсе с платформой Dialog.X5, которая стала основой аналитических сервисов для партнеров. Какова ее роль в нынешнем проекте?

Благодаря Dialog.Х5 (а конкретно — модулю Targeting) мы можем формировать сегменты клиентов по определенным признакам и делать им таргетированные предложения в платных медиа на основе имеющихся данных. Допустим, мы собрали сегмент клиентов торговой сети «Пятерочка», которые делают покупки всех категорий товаров, кроме бытовой химии. Мы предполагаем, что если предложить таким пользователям подписку с визуальным креативом и сообщением с фокусом именно на бытовой химии, то они могут осознать потенциальную выгоду и воспользоваться нашим предложением.

В качестве еще одного примера использования Dialog.X5 можно привести работу с сегментами клиентов и чеками в разрезе РТО за месяц. Мы нашли сегмент гостей Х5, которые находились «на грани» окупаемости подписки. За основу взяли стоимость подписки и собрали сегмент клиентов, траты которых находились в диапазоне 3,5–4 тыс. руб. в месяц. С помощью креатива мы доносили до клиента мысль о том, что, немного увеличив РТО в месяц, он не просто окупит подписку, но и получит еще бонусы от партнеров: бесплатный доступ к онлайн-кинотеатру и музыке на тот месяц, когда активна его подписка.

Такие сегменты и гипотезы можно формировать сотнями и тысячами.

— С какими данными работает сервис, помимо информации, предоставляемой клиентом при регистрации? Чем они обогащаются и как используются?

В первую очередь это данные, предоставляемые X5ID: регистрационные, контактные, данные о лояльности. Кроме того — собственные данные пользователя: статус оплаты, начало и завершение действия подписки и т. п. Больше пока никакие дополнительные данные не используются.

В перспективе нам будет интересно наблюдать за поведением нашего клиента за пределами ретейла. Сейчас мы понимаем о клиенте всё в ситуации, когда он планирует закрыть свою потребность в еде. Но ведь, помимо этого, существует и его обычная жизнь, где у него есть хобби, интересы, семья и другие потребности, которые влияют на качество жизни. Именно подобные обогащения будут нас интересовать в ближайшей перспективе.

— Лучшее понимание потребностей клиентов и их поведения имеет ценность только для ретейлера? Или для покупателей тоже есть польза?

Х5 системно работает с данными, и это позволяет не только получать экономический эффект от продуктов для офлайн-магазинов (алгоритмы для спроса, промо или работы с ассортиментом). Если ретейлер хорошо понимает своего клиента, это помогает формировать оптимальное предложение для него в зависимости от изменения его предпочтений. А это означает, что клиент будет получать необходимый продукт в самом удобном для него канале.

— Каков на данный момент процент заказчиков сервиса от общего количества клиентов X5? Что ожидается в дальнейшем, есть ли целевой показатель?

Продукт показал свою востребованность. Хотя проект является новым для России и в тестовом формате был запущен лишь осенью 2021 года, уже более 100 тыс. подписчиков регулярно пользуются возможностями «Пакета». 80% подписчиков остаются в активном статусе более четырех месяцев. Более того, мы видим рост объема ежемесячных покупок в торговых сетях и сервисах Х5.

До конца года планируем увеличить число подписчиков в несколько раз.

— Что с финансовым эффектом? И вообще, насколько серьезной может быть доля доходов от таких сервисов?

Мы рассчитываем на значимый финансовый эффект от реализации проекта. Пока говорить о конкретных показателях рано — это только первый год существования подписки. На горизонте 2–3 лет выручка может вырасти в несколько раз.

— Каковы планы по развитию сервиса, основой для каких новых продуктов он может стать?

Основные планы в 2022 году — это продуктовые доработки и фичи, которые упрощают знакомство с продуктом и максимизируют конверсию в его использование. При этом подписка может стать дополнительным инструментом для любого бизнеса Х5 в плане привлечения новой аудитории (например, за счет перетоков пользователей между бизнесами), а также использоваться как часть собственной программы лояльности.

— Ожидаете ли вы, что в будущем подобные сервисы станут массовыми на российском рынке?

На мой взгляд, подписочная модель актуальна в тех сферах бизнеса, где есть высокочастотное потребление услуг и товаров. Допустим, для застройщиков подписочная модель слабо реализуема, так как человек за жизнь может позволить себе купить в среднем одну квартиру. В сегменте же продуктового ретейла она более чем жизнеспособна.

Отдельно следует сказать о социальной значимости подобного проекта. Можно сказать, что мы стимулируем более осмысленное покупательское поведение и формирование инвестиционного подхода к повседневным тратам. Как следствие, это способно повысить общий уровень жизни, финансовой грамотности и благосостояния покупателей в средне- и долгосрочной перспективе.

Год назад в Нижнем Новгороде запустили платформу «Лобачевский», которая дает возможность принимать решения на основе интегрированных данных.

Как рассказал номинант на премию Data Award 2022 Марат Фатхуллин, директор департамента цифровой трансформации администрации Нижнего Новгорода, это не только помогло повысить эффективность работы городского руководства, но и стало стимулом для команды проекта поставить перед собой новую амбициозную цель — создать полноценную информационную модель города.

- Как вы стали директором по цифровой трансформации?

По образованию я программист, окончил Нижегородский государственный технический университет им. Р. Е. Алексеева (Учебно-научный институт радиоэлектроники и информационных технологий). Некоторое время работал программистом, затем был ИТ-консультантом крупного регионального медиахолдинга, главным редактором, создавал интернет-телевидение. Когда в 2018 году был объявлен конкурс на должность заместителя главы администрации по ИТ, принял в нем участие и вошел в число финалистов. Хотя победителем я не стал, мне предложили возглавить управление развития ИТ. Позже в результате структурных преобразований был создан департамент цифровой трансформации, и я стал его руководителем.

- Чем занимается ваш департамент?

Задача департамента — выстроить логику взаимодействия между информационными системами (как внутренними, так и внешними) в периметре администрации и понять, какие данные можно получить из них не механическим, а именно киберфизическим путем и как лучше их представить, чтобы было удобно анализировать. Например, департаменту, который занимается коммунальной техникой, необходимо видеть количество коммунальной техники по дням. Для этого он использует свою систему мониторинга. Подрядчики для таких целей применяют свои решения. Мы объединяем данные всех систем, включая системы подрядчиков и субподрядчиков. Выбираем из всех GPS-точек информацию по выходу, пробегу, скорости и визуализируем ее на дашбордах, глядя на которые можно оценить ситуацию по городу в целом.

- Как родилась идея платформы «Лобачевский»?

Если 2000 год можно обозначить как начало компьютеризации администрации Нижнего Новгорода, то 2018-й — как начало цифровизации. Тогда же стартовал проект «Умный город», а в структуре администрации появилась позиция заместителя главы города по ИТ. В 2018–2019 годах было создано несколько информационных систем для департаментов, которые ранее работали только «на бумаге».

В 2020-м, с приходом команды мэра Юрия Шалабаева, начался новый виток развития — цифровая трансформация. Использование систем города перешло от анализа процессов к анализу имеющихся в них данных. Мы поставили перед собой цель — обеспечить принятие решений на основе данных.

Получив первые данные, мы захотели принимать решения на основе моделей и сейчас идем к тому, чтобы выстроить информационную модель города на основе данных из профильных информационных систем.

Идеология, которую мы закладываем в будущую модель, — экосистема «Лобачевский». В центре экосистемы — интеграционная шина, а любая новая информационная система в периметре города является дополнением единой картины данных.

- Что представляет собой платформа?

«Лобачевский» — это целый стек технологий для визуализации, хранения и аналитики данных. Основная составляющая платформы — построенная на технологии Apache NiFi интеграционная шина, которая осуществляет обмен данными между системами без участия человека. Это инструмент подключения к другим системам, который позволяет и загружать файлы Excel, и делать различные запросы REST API, и выстраивать очереди запросов.

В системах города находятся сотни терабайт данных, поэтому всю эту информацию в платформу мы не «тянем». Производим калькуляцию в тех профильных системах, где работают сотрудники, а собираем и складируем на платформе статистические исторические срезы, чтобы выстраивать ретроспективу в дашбордах. Таким образом формируется витрина данных. У нас есть OLAP-кубы в системе Saiku, также используем Keycloack, который позволяет, единожды авторизовавшись, получить доступ ко всем информационным системам. Вместе с компанией «Горький AI» мы построили нейросеть, которая помогает обрабатывать поступающие по всем каналам обращения граждан, подсказывая модераторам, куда их следует направить. В числе интегрированных каналов — сервис «Вам решать», платформа обратной связи «Госуслуги. Решаем вместе», «Инцидент-менеджмент», а также Instagram губернатора и горячая линия главы города.

- Планируете ли в будущем отказаться от модераторов?

Сначала необходимо довести точность нейросети до 98–99%, тогда останется один модератор, чтобы обрабатывать оставшийся 1% ошибок. Пока мы подняли точность с 80% на старте до 86%.

- Такие экосистемы, как у «Яндекса» или «Сбера», образуют среду, которая буквально окружает пользователя. А что такое экосистема в вашем понимании?

В нашем понимании платформа «Лобачевский» является именно такой экосистемой. Витрина данных всех информационных систем (парковки, обращения, ордера и т. п.) создает связанную модель процессов, происходящих в городском управлении. Здесь все собрано в одном месте, чтобы управлять городом и принимать решения, получая объективную информацию и обратную связь. Глава города имеет доступ ко всем системам — так же, как мы работаем в системах условного «Яндекса» (от «умного дома» до «Яндекс.Музыки»), имея в руках только смартфон как средство доступа.

- Данные каких систем уже интегрирует «Лобачевский»?

К шине уже подключены системы, имеющие внешние интерфейсы: система обратной связи, парки, централизованная бухгалтерия, управление муниципальным реестром, единое парковочное пространство, система контроля дорожной техники, система согласования разрешительной документации, система автоматизации контрольно-надзорной деятельности, система контроля и управления доступом и система оплаты питания в образовательных учреждениях. Кадровую систему, написанную еще на Perl, переведем на «1С» в этом году и тоже подключим.

Обращения граждан, а точнее большое количество источников этих обращений, — проблема для любого органа исполнительной власти. «Лобачевский», объединив множество источников обращений в едином окне, позволил ее решить. Сообщения приходят из множества источников, обрабатываются в едином интерфейсе, а ответ направляется автоматически в ту систему, откуда поступило обращение.

Интеграция систем обратной связи стала первой быстрой победой, показав эффективность выбранного подхода. Все системы обратной связи интегрированы каждая по своему интерфейсу. В региональной платформе «Вам решать» нет своего API, поэтому применили RPA: раз в сутки робот выгружает поступившие обращения в Excel, переносит на файловый сервер и дальше распознает, что внутри. А «Инцидент-менеджмент», ГИС ЖКХ и платформа обратной связи работают c «Лобачевским» через API.

Исполнители в районах и департаментах получают назначенные им заявки через веб-интерфейс, а мы через выстроенную систему контроля видим, с какой скоростью накапливаются и отрабатываются обращения.

- Какие решения помогает принимать «Лобачевский»?

Например, на основании данных СКУД о проходе детей через школьный турникет и об их питании можно сделать вывод о начинающейся эпидемии. По данным централизованной бухгалтерии можно увидеть пики «текучки» и выявить наметившиеся проблемы в работе с кадрами в конкретных учреждениях.

В двух городских парках видеокамеры считают входящих и выходящих посетителей. Нейросеть, работающая на данных системы видеонаблюдения, присваивает каждому входящему свой «вес» и по этому параметру отслеживает его на выходе. Платформа дает возможность наложить эти данные на информацию о мероприятиях, чтобы проанализировать их посещаемость с учетом погодных условий и сделать вывод об эффективности и нужности мероприятий, выяснить, дает ли проведение мероприятия прирост посещаемости парка в конкретный день.

Четверть всех остановок в городе сделали «умными»: на каждой из них установлены четыре камеры видеонаблюдения, Wi-Fi, табло, кнопка SOS, функционал вызова такси. По данным с камер система мониторинга обнаруживает переполненные урны, забытые вещи, граффити, снежные накаты. Пока это пилотный проект, но совместно с правоохранительными органами мы уже так находили оставленный пассажирами рюкзак.

- Опирались ли вы на чей-то опыт при создании платформы?

Первую версию системы, обрабатывающей обращения граждан, мы делали сами. И как только получили первые результаты, стало ясно, что все получится. Мы побывали в Москве в павильоне «Умный город» на ВВЦ, были в Казани, но подобного интегрированного решения для руководства города нигде не увидели.

- Как изменилась жизнь городской администрации с появлением платформы «Лобачевский»? Какие результаты получены за первый год ее работы?

Существенно изменилась. Тематические совещания теперь проходят не на основе докладов ответственных департаментов, а на базе реальных цифр. Поэтому обсуждение проблем идет предметное, и в этом случае проще принимать решения и управленческие, и порой даже кадровые.

Переданные «Лобачевскому» данные мы структурируем так, чтобы по ним можно было принимать решения. Например, этой зимой были сильные снегопады, поэтому очень важен контроль работы подрядчиков и субподрядчиков, обеспечивающих выход снегоуборочной техники. Соответственно, регулярно проводятся совещания с дорожниками по вопросам уборки снега с использованием конкретных данных. Раньше, для того чтобы глава района на совещании озвучил какую-то цифру, минимум два сотрудника должны были потратить время на сбор и распечатку этих данных. Диспетчер должен был записать, сколько техники вышло в первую смену и сколько — во вторую, собрать тахометром примерный пробег или выписать такие данные из разных систем, скалькулировать и сделать отчет. Теперь все это не требуется.

Все машины с GPS передают данные — контроль стал простым. Одно дело, когда руководителю приносят бумажную выписку о том, что на улицы вышло 30 машин, и совсем другое — когда он в системе видит фактическое число 25. Раньше проблему формулировали так: почему плохо убирается район? А сейчас — по-другому: почему выходит только 30 из 50 машин? Проблема становится осязаемой, и мы разбираемся уже с причинами ее возникновения.

На примере обращений граждан результат виден лучше всего: сейчас стандартное время закрытия заявки — два дня, в то время как раньше это могло занять и 15, и 30 дней. До недавнего времени обработка происходила следующим образом: обращение поступало на почту, потом отправлялось в районную администрацию, оттуда писали: «Это не к нам, это в департамент транспорта», пересылали в департамент, а там — когда увидят, тогда и ответят. Сегодня, если обращение где-то зависло, разрешить ситуацию — задача модератора. Говоря языком бизнеса, происходит сокращение транзакционных издержек процесса. И оценка работы с обращениями теперь не сводится к умозрительному заключению: «Район не дорабатывает по обратной связи с жителями». Есть конкретное число поступивших и отработанных сообщений.

- Каким вы видите дальнейшее развитие проекта?

Цель — построение информационной модели города. Как будет выглядеть решение, пока не знаю. Нам хочется создать модель, которая покажет, к примеру, насколько с ростом количества обращений увеличится среднее время ответа, насколько упадет доход муниципального учреждения, поставляющего питание в школы, c уменьшением количества детей, посещающих школу, и т. д. Принятие решений на основе модели должно привести к тому, что мы не будем смотреть даже в дашборды — модель сама проанализирует прогнозируемый уровень осадков, предскажет увеличение числа заявок от жителей города, а уведомление департаменту транспорта о необходимости увеличить количество техники отправится автоматически. Мы хотим перейти от ручного управления к автоматизации.

Но чтобы этот план осуществить, нужно как минимум подключить больше систем. Тут сложностей немало. С системой «Безопасный город» мы уже выстроили интеграцию, осталось подтвердить на уровне постановлений, что мы используем эту информацию. В данный момент интегрируем огромную бухгалтерскую программу, но, поскольку она находится в защищенном секторе, забрать все данные во внешнюю систему мы пока не можем. В системе управления городским имуществом есть персональные данные, что делает процесс сложнее, однако интеграция с ней необходима, так как это источник доходов городского бюджета. И будет очень полезно протестировать на модели различные управленческие гипотезы и сравнить, к примеру, финансовый эффект от аренды и продажи имущества в разные периоды времени.

Кроме того, предстоит более тесная интеграция с федеральными системами, в связи с этим Нижний Новгород недавно вошел в рабочие группы по «Умному городу».

Один из открытых вопросов — получение данных из федеральных информационных систем: налоговой службы, ГИБДД, МВД, ЗАГС. Муниципалитеты не могут получать оттуда информацию, так как для региональных и федеральных органов власти они являются третьей стороной при передаче персональных данных. А информация из этих систем является существенным дополнением для экосистемы контура городского управления. Например, для получения льготной парковки человек присылает сканы документов, и для их проверки мы отправляем запрос в ГИБДД России, однако вынуждены ждать ответа до месяца. Мы работаем над решением этой проблемы, но без изменения нормативной базы «цифрового чуда» не произойдет.

- Можно ли назвать вашу целевую модель цифровым двойником?

Думаю, можно. Или же она очень близка к тому, что мы понимаем под термином «цифровой двойник». Многие регионы заявляют, что у них есть цифровой двойник, но данные с ГИС-подложкой — это еще не цифровой двойник. Двойник — это когда все или большая часть городских процессов представлены в виде модели. Когда видимыми становятся показатели состояния городского хозяйства в оцифрованном виде.

- Дашборды платформы предназначены только для управленцев или для жителей города тоже?

Если цифровая модель города — наша стратегическая цель, то прикладная задача — создание дашборда для жителя города. Уже есть внешние ресурсы, с которыми жители взаимодействуют: например, транспортная карта, баланс которой пополняется через мобильное приложение. Но существуют и другие запросы. Скажем, родителям школьников было бы удобно видеть в городском приложении, что их ребенок пришел в школу в такое-то время и получил такие-то оценки. Наша задача — выдать жителю информацию о нем в экосистеме городских информационных систем. Сейчас мы готовимся реализовать функционал, позволяющий жителю увидеть в дашборде все его обращения, отправленные по любым каналам взаимодействия, и стадии рассмотрения, на которых они находятся.

Пока предназначенный для жителей функционал «Лобачевского» в публичной части портала тривиален: обращения, голосования, афиша, инициативы. Но мы идем к «единому окну» для получения информации и услуг от города и в первую очередь будем разрабатывать мобильные приложения.

В 2021 году в Самарской области на участке автомагистрали М-5 протяженностью около 240 км была запущена Система мониторинга автомобильных дорог на базе распределенного акустического сенсора. Это первое подобное решение, применяемое для обеспечения контроля дорожной обстановки, и оно может стать неотъемлемой частью интеллектуальной транспортной системы.

Акустический мониторинг позволяет контролировать ситуацию на дороге на участках протяженностью до 100 км без подключения к энергетической инфраструктуре и с высокой точностью геопозиционирования событий на карте даже в условиях ограниченной видимости. Система способна в режиме реального времени распознавать дорожные события и визуализировать на картах обстановку. О создании этого решения и его перспективах рассказал Константин Голец, руководитель проекта «Цифровые дороги» компании «СМАРТС» и номинант премии Data Award 2022 .

- Какие проблемы решались при создании системы акустического мониторинга, почему они важны?

Для организации стабильной работы транспортно-логистического коридора через Самарскую область, сбора аналитических данных, моделирования положения на дороге в режиме реального времени и, конечно, оповещений о нештатных ситуациях необходима система, которая способна осуществлять мониторинг автодороги на всей ее протяженности. С ростом трафика будет увеличиваться и число инцидентов на автодорогах, приводящих к коллапсам и негативно влияющих на социально-экономическую обстановку в регионе. В связи с этим необходимо оперативно выявлять и устранять причины возможных происшествий.

При авариях и нештатных ситуациях на автодорогах необходимо как можно быстрее передавать информацию о месторасположении транспортных средств в диспетчерский или ситуационный центр для последующего анализа и принятия необходимых мер — организации выезда на место происшествия служб экстренного реагирования: МЧС, ГИБДД, скорой помощи, пожарной службы.

Для решения этих задач, в 2020 году мы приступили к созданию автоматизированной системы сбора данных и аналитики транспортного автомобильного потока. Такая система требуется для своевременного реагирования, принятия решений, моделирования ситуаций.

- Что такое акустический мониторинг, зачем он нужен?

Упрощенно можно сказать, что волоконно-оптический кабель, расположенный в теле автомобильной дороги, является своеобразным микрофоном, который «слышит» низкочастотные вибрации на участке длиной 70–100 км. При этом на всем протяжении не требуется наличия электропитания, оно необходимо только для оборудования распределенного акустического сенсора. Система акустического мониторинга работоспособна в любое время суток, в том числе в условиях ограниченной видимости. Этим она принципиально отличается от комплексов фотовидеофиксации, которые контролируют небольшой участок дороги и работа которых зависит от условий видимости. Таким образом, акустический мониторинг и фотовидеофиксация гармонично дополняют друг друга.

- Какова история этого проекта? Как он задумывался, как появилась идея?

История проекта началась в 2019 году, и изначальная задумка заключалась в контроле состояния линейно-кабельных сооружений, находящихся в теле автомобильной дороги. Поскольку АО «СМАРТС» занимается строительством телекоммуникационной инфраструктуры в автомобильных дорогах, мы задались вопросом, какова интенсивность вибраций, действующих на волоконно-оптический кабель в дороге. Нас интересовало, не приведут ли они к ускоренной деградации оптического волокна.

Для проведения измерений мы применили технологию виброакустического мониторинга. Полученный результат натолкнул нас на мысль о создании целой системы мониторинга автодорог. В ноябре 2019 года мы подали заявку в Российский фонд развития информационных технологий на внедрение «Системы мониторинга автомобильных дорог на базе распределенного акустического сенсора». Она оказалась в числе победителей, и, заключив соглашение с РФРИТ, мы приступили к ее внедрению.

- То есть это тот случай, когда «побочный» эффект может быть важнее основного?

Действительно, помимо первоначальной задачи — выявления проблем в работе линейно-кабельных сооружений транспортной многоканальной коммуникации и предупреждения аварий, связанных с механическим повреждением волоконно-оптических линий, система может быть задействована в работе сразу над несколькими важнейшими направлениями.

Самое очевидное из них — снижение аварийности на дорогах и реализация механизмов своевременного реагирования на события дорожного движения. Кроме того, появляется возможность визуально моделировать ситуацию на контролируемых участках в режиме реального времени и анализировать трафик на определенных участках дорог для подготовки рекомендаций по оптимизации дорожного движения. Наконец — повысить качество управленческих решений в области организации дорожного движения за счет оперативного предоставления данных, их полноты, достоверности и удобства отображения информации.

- В чем суть созданного решения, что оно собой представляет?

Решение соответствует Дорожной карте развития сквозной цифровой технологии «Компоненты робототехники и сенсорика» и является комплексной системой, включающей в себя не только методы измерения физических величин, но и методы обработки сенсорной информации. Решение включает три уровня: периферийный (оборудование распределенного акустического сенсора, комплексы фотовидеофиксации, чувствительный волоконно-оптический кабель, система передачи данных), серверный (средства хранения и обработки данных) и автоматизированную информационную систему «Акустический мониторинг» (АИС АМ).

АИС АМ получает и хранит информацию из распределенных акустических сенсоров, комплексов фото- и видеофиксации, обрабатывает ее в режиме реального времени, формирует отчеты в различных форматах по запросам пользователей и других подсистем.

Функционал системы достаточно богат. Например, есть возможность работы с картами и HD-картами местности, доступна визуализация ситуации на дороге: на картах отображаются все классифицированные транспортные средства, технические средства организации дорожного движения, а также другие объекты и события. У каждого объекта и события есть наименование, координаты, визуальный индикатор и т. п. Операторы системы могут переходить к просмотру детальной информации по представленным на карте объектам. Весь перечень объектов можно фильтровать по различным критериям или выполнять по нему полнотекстовый поиск. Для пользователей доступна навигация: переключение между разными слоями карт, изменение масштаба, фокусировка на выбранных объектах или событиях. Карта местности и список объектов и событий автоматически обновляются в режиме реального времени. Можно настраивать уведомления о событиях (например, об обрыве кабеля или вскрытии колодца) и их параметры, хранить исторические события, разграничивать роли пользователей.

Система способна выявлять такие события, как движение техники, выход на дорогу пешеходов, проведение дорожных работ, проникновение в колодцы кабельной канализации, затор, съезд транспортных средств на обочину и т. д. При помощи математических алгоритмов и нейросетей решение может выделять в общем потоке событий конкретный автомобиль и траекторию его движения.

- Кого можно отнести к потенциальным пользователям системы? Это только ГИБДД или кто-то еще?

На наш взгляд, это прежде всего ГИБДД. Кроме того, система может быть полезна региональному ситуационному центру для последующего анализа и принятия необходимых мер (выезд на место происшествия служб экстренного реагирования), а также организациям, осуществляющим эксплуатацию автомобильной дороги.

Очевидны и перспективы использования данной технологии в кооперации с другими системами. Например, в 2020 году мы реализовали участок «умной дороги» на Московском шоссе в Самаре. На протяжении примерно 1,5 км была развернута сеть V2X (vehicle-to-everything communications — система беспроводной связи, делающая возможным обмен информацией между транспортными средствами и другими объектами инфраструктуры без участия человека) в стандарте ITS G5. В ходе этого пилотного запуска мы отработали ряд сценариев с участием акустического мониторинга: предотвращение опасных ситуаций, связанных с переходом людей через нерегулируемый пешеходный переход, с работой уборочной техники, с открытым люком колодца.

Перспективы взаимодействия акустического мониторинга с инфраструктурой V2X прежде всего важны для функционирования высокоавтоматизированного и беспилотного автотранспорта. Поэтому в настоящий момент мы сконцентрировались на подготовке проекта внедрения такой сети на автодороге, связывающей два крупнейших города Самарской агломерации — Самару и Тольятти. Результатом проекта станет полноценная инфраструктура для отработки технологий и запуска высокоавтоматизированных транспортных средств.

- Какие именно практические задачи решаются? Что реализовано уже сейчас, что планируется делать в дальнейшем?

Система предназначена для работы в основном вне городских условий. Она умеет идентифицировать события, влияющие на безопасность дорожного движения: выявляет превышение скорости транспортных средств; выделяет места внепланового снижения скорости, что может указывать на вероятное препятствие на дороге; обнаруживает съезд автомобиля на обочину, в том числе в неположенном месте. Система может фиксировать движение пешеходов на определенных участках вдоль трассы, что особенно актуально в ночное время суток и в периоды ограниченной видимости. Отдельное направление — движение тяжелой техники вдоль дороги и проведение дорожных работ. Техника перемещается со скоростью, значительно меньшей средней скорости потока, и создает повышенную опасность для других транспортных средств. Наконец, существенное снижение скорости сразу нескольких транспортных средств подряд может свидетельствовать о заторе.

В дальнейшем планируем работать с потенциальными потребителями и расширять функционал системы с учетом их требований.

- Что «под капотом»? Из каких основных частей состоит решение?

Мы полагались на экспертизу нашего партнера — «Холмонт БР», который являлся исполнителем проекта по разработке и внедрению решения.

При создании АИС АМ использовались несколько платформ с открытым кодом. Подсистема сбора данных базируется на Hadoop, Hive, PostgreSQL, Kafka и Zookeeper; подсистема бизнес-анализа — на ClickHouse и Grafana; модуль мониторинга — на Grafana, Prometheus и AlertManager. В качестве геоинформационной системы применяется платформа GeoServer.

- Какие этапы включало создание решения, сколько времени потребовала их реализация?

Проект был рассчитан на два года: 2020-й и 2021-й. Мы закончили внедрение в декабре и в настоящий момент ведем переговоры с потенциальными заказчиками.

- В чем состояли основные проблемы в ходе проекта, как они решались?

В ходе реализации системы главными сложностями стали организация обработки, многоуровневое хранение и отображение большого количества событий от источников данных. В сутки система обрабатывает порядка 100 млн событий с перспективой увеличения. Каждое событие обогащается дополнительными данными системы; генерируются вторичные события и оповещения; события записываются в архив, в систему визуализации для оперативной работы и в OLAP для статистической обработки.

- Как появляющиеся новые объемы данных влияют на процессы управления компанией?

В настоящий момент в компании происходит цифровая трансформация. Мы переходим на облачную инфраструктуру, оцифровываем бизнес-процессы с целью использования data-ориентированного подхода, обучаем персонал.

- Какие результаты уже достигнуты, чем можно похвастаться? И что еще ожидается в будущем?

В режиме реального времени мы «слышим» 240 км автомобильных дорог Самарской области. Вам не кажется, что это фантастика?

В настоящее время установлено удаленное рабочее место в ГИБДД Самарской области. Ожидается, что в результате внедрения системы появится механизм, который позволит своевременно принимать управленческие решения за счет оперативного предоставления данных, их полноты, достоверности и удобства отображения информации. Это даст возможность значительно снизить аварийность и смертность на дорогах.

Конечно, мы не стоим на месте. Ключевое направление работ — взаимодействие акустики с V2X.

- Как будете развивать это решение?

Внедрение распределенного акустического сенсора в полотно автомобильной дороги позволяет развивать сквозную цифровую технологию дальше — уже с применением огромной базы дата-сетов, записываемых на реальной дороге. С помощью этих данных можно будет обучать нейросети распознавать новые события. Решение является масштабируемым, и опыт, полученный в Самарской области, мы будем распространять на другие регионы страны. И уже страны из ближнего зарубежья проявляют заинтересованность во внедрении нашей системы.

Еврокомиссия объявила о том, что компании гиг-экономики (gig economy), привлекающие работников без оформления в штат, должны быть более прозрачными в части использования средств алгоритмического управления и мониторинга. По мнению экспертов, если эти правила вступят в силу, их следует распространить на всех работников, управление которыми осуществляется с помощью автоматизированных систем.

Как и в случае с другими законами ЕС, соответствующие правила затронут в том числе и американские компании, работающие на территории стран Союза.

Предложенная Комиссией директива в отношении алгоритмического управления является одним из трех представленных недавно наборов мер. Предлагается, в частности, предоставить полноценный статус сотрудника всем, кто поддерживает взаимодействие с «цифровыми трудовыми платформами» (digital labor platform). К ним относятся системы предприятий, занимающихся перевозками пассажиров (например, Uber и Lyft), компаний, специализирующихся на услугах доставки (Deliveroo), а также платформы неофициальной занятости в сфере бытовых услуг (TaskRabbit).

По оценкам Комиссии, в ЕС насчитывается 28 млн гиг-работников. Ожидается, что в 2025 году их число возрастет до 43 млн.

Предложения в отношении алгоритмического управления призваны обеспечить работникам защиту от любого негативного воздействия автоматизированных систем, используемых для контроля труда на условиях временной занятости.

«Мы видим еще один шаг вперед в осознании рисков, порождаемых алгоритмическим управлением, – указал профессор трудового права университета KU Leuven (Бельгия) Валерио де Стефано. – И он будет сопровождаться проявлением повышенного внимания со стороны Еврокомиссии».

Алгоритмическое управление

Алгоритмическое управление – ключевой компонент цифровых трудовых платформ. Он включает в себя инструменты и методы, используемые для автоматизации различных аспектов процесса координации деятельности работников, в том числе распределения задач и отслеживания эффективности их труда. Вместо контроля со стороны человека все здесь опирается на сбор данных и наблюдение.

Однако использование алгоритмического управления вызывает опасения в отношении отслеживания и оценки системами, представляющими собой «черный ящик», всего, что связано с работниками. При этом у работников практически нет возможности оспаривать принятые ими решения.

В отчете, опубликованном некоммерческой организацией Worker Info Exchange, отмечается распространенность слежки за гиг-работниками и отсутствие у них средств правовой защиты при возникновении разногласий. В качестве примера приводится блокирование сервисами агрегаторов такси учетных записей водителей из-за сбоев программного обеспечения распознавания лиц.

Пагубные последствия алгоритмического управления и мониторинга работников освещались в ноябрьском отчете британских парламентариев. «Поскольку работники испытывают постоянное давление со стороны средств микроуправления и автоматической оценки, повсеместный мониторинг и технологии определения целей оказывают выраженное негативное воздействие на их психическое и физическое состояние», – указывают члены межпартийной парламентской группы в документе под названием «Новый рубеж: искусственный интеллект на работе».

«Автоматическое распределение задач и измерение производительности по своей сути не должны вызывать проблем, – отметила вице-президент Gartner Хелен Пойтевин. – Однако проблемы могут возникнуть из-за чрезмерной зависимости от технологии и недостаточно плотного взаимодействия с человеком. Если у вас, к примеру, нет никакой системы поддержки, которая помогала бы работникам расти и учиться, или машины ошибаются, а положительный имидж продолжает играть важную роль. Нужна поддержка на месте».

Предложения Еврокомиссии направлены на повышение прозрачности при использовании инструментов алгоритмического управления для гиг-работников. Они включают в себя:

— Информирование работников о характере использования автоматизированных систем для принятия решений и действий, «оказывающих существенное влияние» на условия труда.

— Исключение из собираемых о сотрудниках данных сведений, в которых нет явной необходимости. Особенно это касается разговоров личного характера и информации, связанной с их здоровьем и эмоциональным состоянием.

— Контроль со стороны человека за функционированием автоматизированных систем. Необходимо исключить для работников риски для здоровья и их психологического состояния, обусловленные алгоритмическим принятием решений.

— Предоставление работникам возможности оспаривать автоматизированные решения, влияющие на их трудовую деятельность. Особенно актуально это для людей, не оформленных в штат, которые регулярно сталкиваются с закрытием или приостановкой действия их учетной записи без объяснения причин.

— Предъявление к поставщикам платформ требования проводить консультации с представителями работников перед внесением существенных изменений в функционирование систем принятия решений.

Предложения Комиссии основаны на действующем регламенте ЕС об общем регулировании защиты данных (General Data Protection Regulation, GDPR), учитывающем интересы работников в части сбора данных. Но, по словам де Стефано, GDPR не обеспечивает такой же ясности в отношении алгоритмического управления, как правила, предлагаемые для гиг-работников. В Комиссии отмечают, что при отстаивании своих прав в рамках GDPR они сталкиваются с определенными трудностями.

Не ограничиваясь временной занятостью

Профессор права Оксфордского университета Джеремиас Адамс-Прасл приветствует правила, предлагаемые в отношении автоматизированных систем принятия решений.

«Вокруг статуса работников, подключаемых к платформе, ходило много споров, а выдвинутая директива охватывает не только эти, но и многие другие вопросы, – подчеркнул он, назвав предложения по-настоящему важным шагом вперед. – Действие правил должно распространяться на всех работников, контролируемых сегодня автоматизированными системами, а не только на тех, кто трудится на условиях временной занятости. Ошибочно рассматривать временную занятость как изолированную часть рынка труда. Я посоветовал бы законодателям подумать о распространении соответствующих правил на всех работников, не ограничиваясь лишь теми из них, кто подключен к платформе».

В последние годы алгоритмическое управление и мониторинг внедряются компаниями в различных отраслях. Довольно часто с алгоритмическим контролем и мониторингом приходится сталкиваться сотрудникам складов. Многие их действия отслеживаются и направляются с помощью программного обеспечения. В ретейле работодатели иногда используют программное обеспечение для автоматического планирования смен.

Традиционные рабочие места также все чаще подвергаются контролю со стороны инструментов мониторинга, с помощью которых эффективность их труда отслеживается во время пандемии COVID-19. Широкое распространение получили средства автоматической записи скриншотов и регистраторы нажатия клавиш.

«Аналогичная тенденция наблюдается на рабочих местах по всему социально-экономическому спектру, но зарождение многих из этих технологий мы наблюдали по большей части в области временной занятости, – указал Адамс-Прассл. – Именно этим и объясняется реакция регуляторов на положение дел в этой сфере».

«Сегодня главная задача заключается в том, чтобы распространить защиту директивы ЕС о цифровой трудовой платформе на всех работников, – заявил де Стефано. – В противном случае мы получим, по сути, сегментированный рынок труда, где будут защищены только работники, подключенные к цифровым трудовым платформам».

Подготовка почвы

Подобно любому другому закону ЕС, новые правила в отношении алгоритмического управления могут иметь серьезные последствия и за пределами 27 стран, входящих в состав Евросоюза.

Если предложения Европейской комиссии будут приняты, компании из других стран, ведущие свою экономическую деятельность в ЕС, должны будут соблюдать правила, утвержденные в этом регионе. Адамс-Прассл подчеркнул значимость своего рода «эффекта Брюсселя», выражающегося в том, что влияние европейского законодательства (в частности, GDPR) в значительной мере распространяется на другие страны и регионы. И он вполне может материализоваться в том числе и в части правил, которые относятся к людям, работающим на условиях временной занятости.

Несмотря на то, что американские компании не имеют непосредственного отношения к GDPR, многие из них оказываются затронуты этим законом. И, выпуская продукт, соответствующий правилам GDPR, они распространяют его по всему миру. Так что влияние эффекта Брюсселя не стоит недооценивать. В конечном итоге последняя итерация превращается в новый ожидаемый стандарт для всей платформы.

Прежде чем предложения будут приняты, они должны пройти обсуждение в Европарламенте и Совете Европы. Никаких установленных сроков вступления их в силу пока нет. А поскольку правила должны пройти процедуру согласования между государствами-членами, ввод их в действие ожидается не ранее 2024 года.

В феврале 2021 года вышел Указ Президента РФ № 68 «Об оценке эффективности деятельности высших должностных лиц субъектов Российской Федерации и деятельности органов исполнительной власти субъектов Российской Федерации». Согласно Указу, деятельность глав регионов и органов исполнительной власти субъектов будут оценивать по 20 пунктам, среди которых доверие к власти и другие социально-экономические показатели, а также качество городской и окружающей среды и «цифровая зрелость» органов власти. Для выполнения указа требуется обеспечить высших должностных лиц субъектов необходимой инфраструктурой и данными. Однако либо таких данных у регионов нет, либо требуется организовать их сбор, очистку и анализ. В числе прочего этим занимается АНО «Лаборатория Цифровой Трансформации», учрежденная Международным Союзом неправительственных организаций «Ассамблея народов Евразии». О ее создании было объявлено на ПМЭФ в июне 2021 года.

О построении системы сбора государственных и коммерческих отраслевых данных и о работе по созданию математических моделей на их основе рассказал Павел Басин, и. о. директора АНО «Лаборатория Цифровой Трансформации», ставший номинантом на премию Data Award 2022. Одна из главных задач организации — обеспечить готовность регионов к обмену информацией, готовыми моделями и процессами через «цифровые мосты», что позволит создать достоверную базу знаний, компетенций и наборов данных.

- «Лаборатория Цифровой Трансформации» появилась летом 2021 года. Каковы ее цели и задачи?

Идея ее создания родилась в 2019 году, когда Минцифры проводило проект по цифровизации контрольно-надзорной деятельности. Мы работали по соглашению с одним из банков и хотели определить, какого эффекта для государства и бизнеса можно достичь, анализируя весь поток данных, которым оперируют контрольно-надзорные органы в своей работе. Появилось видение структуры организации и проектов, которые можно реализовать через государственно-частное партнерство, концессию или контракты жизненного цикла. Например, стало ясно, что инфраструктура для сбора данных сама по себе может окупаться, однако, для того чтобы обосновать регионам необходимость создания таких систем, в любом случае потребуются расчеты эффективности, основанные на данных. Мы оценили разные отраслевые направления и увидели, что данных хватает далеко не везде и можно создать новый рынок по их «добыче», очистке и анализу.

После переговоров с одним из фондов появилась задача сформировать рабочую повестку с точки зрения расчета индексов инвестиционной привлекательности регионов. Такую же задачу мы рассматривали, организуя консалтинг по автоматизации госуправления на международных рынках в 2015–2016 гг. Позже она стала еще более актуальной с появлением «зеленого рейтинга» ESG (Environmental, Social and Corporate Governance). Затем коллеги из Минцифры добавили к нашим проектам и исследованиям искусственный интеллект, и мы поняли, что имеет смысл создавать тот самый рынок данных — не «открытых данных», о которых сейчас часто приходится слышать, а достоверных данных, пригодных и для расчета необходимых показателей, и для прямой монетизации. Данные и модели на их основе нужны рынку.

Изучая рынок и его игроков, мы поняли, что нужно фокусироваться не на самих данных, а на эффективных моделях, которые можно на них построить. Таким образом, речь идет о формировании реестра моделей эффективности в разных отраслях на основе данных, полученных в регионах. Многие из них как раз и используются для расчета ESG. На данный момент мы находимся в процессе его развития и формируем требования к данным.

Стартовав, мы сфокусировались на расчетах 20 показателей эффективности высших должностных лиц. Сейчас мы планируем в экспериментальном режиме обеспечивать точными цифрами и достоверными показателями ситуационные центры губернаторов.

- В ходе своей работы вы создаете СП с регионами. Почему был выбран такой формат?

Действуем исходя из реалий. Мы изучили опыт работы одного из АНО — оператора цифрового диалога между властью и обществом, для нас это важный пример. Кроме того, как некоммерческая организация, не имеющая допуска к гостайне, мы не можем работать с некоторыми данными, собираемыми регионом. Поэтому подписываем соглашение о создании совместной структуры с его правительством в лице руководителя цифровой трансформации (РЦТ).

В нескольких регионах наши эксперты, и я в том числе, уже входим в рабочие группы исполнения региональной стратегии цифровой трансформации. Изучая регион, мы наполняем дорожную карту и формируем план мероприятий по достижению показателей эффективности его руководства. Например, сейчас проходит эксперимент в Калужской области, связанный с учетом водоснабжения и водоотведения в магистралях водоканалов и контролем качества воды. Совместно с РЦТ региона и Минцифры создана межведомственная рабочая группа по формированию требований к показателям, которые нужно собирать через сигнальную сеть и передавать в Роспотребнадзор и в другие органы исполнительной власти.

- Вероятно, реализуемые проекты будут недешевыми…

К примеру, 2,5 тыс. датчиков с 10-летним обслуживанием для одного из заказчиков могут обойтись в 1 млрд руб. Но применение такого автоматизированного учета ресурсов позволит государственному предприятию сократить убытки в два раза, что выгодно для бюджета. На примере аналогичного проекта мы подтвердили, что модели, построенные на основе достоверной информации, эффективны.

- В рамках работы СП создается инфраструктура «добычи» данных, их нормализации и создания межрегиональной базы компетенций и обмена данными. Что она должна собой представлять?

Уже работает подсистема сбора данных ТОР КНД, оператором которой является Министерство цифрового развития, связи и массовых коммуникаций России. Недавно мы подписали с ним соглашение об использовании функционала этой подсистемы. Имея доступ к ее функционалу и совместно определяя требования к сайзингу, можно наполнять ее инфраструктуру. Вместе с тем мы понимаем, что далеко не каждый субъект готов увеличивать свои мощности по объему хранения и обработки данных, поэтому сформировали дополнительные требования к инфраструктуре.

Что касается базы компетенций, то, например, в ходе реализации проекта в Калужской области появилось понятие «цифровой мост». Регионы начали подписывать межрегиональные соглашения для обмена компетенциями, создавая их единую базу. Скажем, если в той же Калужской, Пензенской или Белгородской области наработаны эффективные компетенции по расчету определенных показателей, то через свою структуру совместных предприятий мы можем распространять эту модель.

- Что входит в спектр государственных данных? Какие данные уже не проблема, а какие еще предстоит «добывать»?

Государственные данные — это особые данные, территория происхождения которых принадлежит государству, как и в случае с недрами. Рынок необходимо научить создавать качественные продукты на основе таких данных и применять их эффективно. Очевидно, что такие продукты могут быть использованы как для изучения истории, следа исходных данных, прогнозирования или планирования, так и для оперативного принятия решений.

Чтобы сэкономить время коллег в регионах, мы собрали с них по три задачи, связанные с актуальными проблемами госуправления. Кому-то важнее демография, кому-то — транспорт и ЖКХ, многие заинтересованы в коронавирусной тематике. Именно исходя из этого, мы выбирали источники данных для формирования моделей. Если в каком-то регионе нужных данных нет, то через рабочую группу стратегии цифровой трансформации предлагается внести в план мероприятий создание инфраструктуры для их «добычи».

Можно констатировать, что достоверных данных в большинстве регионов недостаточно. Нам предстоит очень большая работа.

- Вы создаете реестр моделей с решениями актуальных задач регионального госуправления. Как появляются такие модели и как определяются наиболее удачные из них?

В начале 2022 года мы проведем соревнования — Всероссийский чемпионат по дата-моделированию. На нем будут представлены как раз те самые реальные задачи от органов государственной власти регионов. Сейчас мы консолидируем региональные данные, которые будут использоваться в этих задачах. Решения-победители будут распространены по лицензионной схеме во всех регионах для применения уже на «боевых» данных. Это будет серия чемпионатов при поддержке Минцифры и Минстроя.

Мы понимаем, какие данные у нас есть, а каких нет. В случае отсутствия какой-либо информации придется использовать полусинтетическую замену. Например, в регионе может не быть датчиков качества воды для постоянного мониторинга — проводятся только отдельные лабораторные исследования. Однако регион все равно хочет спрогнозировать закупку химии для очистки воды, потому что существует федеральная программа «Чистая вода» и есть платформа обратной связи, в которой обращения граждан по воде стабильно находятся в верхней пятерке. Конечно, чтобы в будущем определить источник проблем, потребуется оснастить систему водоснабжения соответствующими датчиками.

Уже есть модели, созданные на открытых данных, которые апробированы и предложены нам для применения. С их помощью мы можем считать показатели верхнего уровня, но не можем лицензировать такие модели, так как не считаем использованные данные достоверными.

- Вы планируете довольно динамичное наполнение реестра моделями — несколько десятков моделей ежеквартально. Почему выбран именно такой темп? И каким ожидается целевой объем реестра?

В первую очередь мы должны выполнять устав — то, о чем договорились с Минцифры: 20 показателей регионального руководства из Указа № 68. Динамика наполнения зависит от объемов данных, которые нам в данный момент готовы предоставлять регионы. И именно таким нам представляется цикл отработки моделей на реальных данных. Кроме того, надо учитывать готовность региональных кадров.

Что касается итогового количества моделей, то его сейчас трудно прогнозировать. Как известно, нет предела совершенству.

- Культура управления на основе данных постепенно прививается в коммерческих структурах. А как с этим в госсекторе?

По опыту работы с регионами я понял, что они готовы делиться компетенциями между собой. На самом деле региональное сообщество оказалось довольно слаженным, особенно это касается РЦТ. На региональных круглых столах удается встречаться со многими из них, узнавать об их ожиданиях (и даже требованиях) в отношении нашей работы и слышать их мнения: об обеспечении расчета индекса инвестиционной привлекательности, об оперативности принятия решений на уровне губернатора, о финансовых вопросах. Все без исключения говорят о важности качества данных, используемых для госуправления. Любой госструктуре важно обосновать принятие решений, получить возможность планировать свои действия. И еще важнее — достигать необходимых показателей, спускаемых для них через федеральные программы как по социальным показателям, так и по экономическим.

Сейчас пожелания РЦТ трансформируются в требования к предоставлению данных, их качеству и защите. Нужна не просто «большая куча информации», а каталогизированные данные с требованиями и описанием — для чего добываются, как используются.

- Госструктуры всегда были консервативными. Насколько быстро можно сломать старую, «аналоговую» модель управления и создать цифровую?

Прошло время, когда отраслевые специалисты «просили» айтишников не мешать им работать. Сейчас всем требуются новые идеи и инструменты, а технологии получают отраслевую направленность. Эффективность используемых решений легко подтверждается.

Важно, что мы создаем запрос на отраслевых специалистов, формирующих требования к инфраструктуре и данным. Это означает, что создаваемые системы будут востребованы.

Наконец, в октябре вышло Распоряжение правительства № 2998-р о создании единой системы сбора, учета и анализа социально-экономических показателей, в котором фактически говорится об оцифровке Госплана, а в ноябре был опубликован Указ Президента РФ № 633 «Об утверждении Основ государственной политики в сфере стратегического планирования в Российской Федерации». Для решения поставленных задач нужны достоверные данные, требования к получению информации и ее обработке. Мы занимаемся именно такой работой, и надеюсь, у нас это получится — необходимую поддержку мы имеем.

- Что даст создание реестра качественных моделей данных и алгоритмов прогнозирования в госуправлении? Какими могут быть эффекты для органов власти и граждан?

Приведу несколько примеров задач, которые будут представлены на чемпионате по моделированию. Предсказание увеличения нагрузки на социальную инфраструктуру, а также расчет объема дополнительных социальных выплат при текущем уровне миграционного потока. Определение предприятий, загрязняющих атмосферный воздух выбросами, превышающими ПДК. Электронная модель тепло-, водоснабжения и водоотведения. Оптимизация графика движения общественного транспорта. Снижение уровня смертности с помощью прогнозирования заболеваемости. Прогноз увеличения доли детей и молодежи, у которых выявлены выдающиеся способности и таланты на основе анализа проводимых конкурсных мероприятий.

Здравоохранение, транспорт, ЖКХ — определяющие направления социальной сферы. Во многом ситуация в них показывает реальную эффективность руководства региона. А для обычных граждан это означает рост качества жизни. Вероятно, в ряде случаев появится возможность не только своевременно выявлять проблемы и оперативно их решать, но и действовать проактивно, не дожидаясь обращений людей. А оперативные ответы на запросы повысят лояльность граждан властям.

- А по каким показателям будет измеряться эффективность работы «Лаборатории Цифровой Трансформации»?

Наш главный KPI — способность рассчитать и предоставить государству и бизнесу все необходимое для качественного планирования. Другие измеримые показатели – значительный список эффективных моделей в реестре, перечень сильных и технологичных участников и получаемый доход.

Конечно, лучше всего эффективность нашей работы будет демонстрировать реальное использование регионами цифровых моделей и их развитие. Если у вас есть бюджет для поддержания и развития в регионах необходимой инфраструктуры и кадрового потенциала, важно создать экосистему, чтобы созданный механизм работал.

- Каких реальных результатов уже удалось достичь?

Важно было отработать с регионами подход, который будет им понятен, и это пока нам удается. В субъектах разные типы административного управления: где-то с нами работает правительство, где-то — губернатор и его замы, где-то — отдельные министерства.

Сейчас на работу в рамках нашей программы подписано 7 субъектов РФ, с ними создаются СП. Мы уже подготовили и защитили серверную часть инфраструктуры. Собрано 30 региональных задач, которые будут преобразованы в реальные цифровые модели через чемпионат, в дальнейшем они будут отработаны на «боевых» данных. В нескольких регионах мы вошли в рабочие группы и составили план мероприятий по работе в нашей региональной сети.

В Калужской области проводится эксперимент по созданию системы учета водных ресурсов, реализованы два его этапа. Удалось увеличить доходность — эффективность очевидна. По итогам доклада руководства области Правительству РФ вышло распоряжение вице-премьера Дмитрия Чернышенко о тиражировании опыта в других регионах. Помимо прочего, на базе этого проекта отрабатывается межведомственное взаимодействие с применением межотраслевых моделей данных.

- В каком направлении будет развиваться деятельность «Лаборатории Цифровой Трансформации»? На чем будут сфокусированы усилия?

На первых этапах работы нам важно охватить большинство регионов, создать базу компетенций и наладить добычу данных и обмен, создать «рынок данных», удовлетворяющий конкретным требованиям. Это позволит обеспечить работу задуманных механизмов.

Предотвращение оттока клиентов представляет огромный дополнительный потенциальный источник дохода для любого бизнеса. Для предотвращения оттока, помимо постоянного улучшения продукта и сервиса, используется предиктивная математика.

Потери в результате оттока

Отток клиентов означает, что они прекращают отношения с компанией. Потери складываются из упущенной выгоды от отказа от бизнеса, а также понесенных затрат на привлечение ушедших клиентов. Затраты на первоначальное привлечение этого клиента, возможно, еще не были покрыты расходами клиента на сегодняшний день (приобретение клиента на самом деле могло быть убыточной инвестицией). Потери увеличиваются затратами на привлечение новых клиентов. Более того, привлечь нового клиента всегда труднее и дороже, чем удержать текущего платящего клиента.

Предсказание оттока

Уменьшение убытков и затрат, связанных с оттоком, является огромным дополнительным источником дохода. Поэтому важно уметь подсветить клиентов с высокой вероятностью оттока – с этим справляется предиктивная математика. При этом желательно иметь алгоритм практических действий для удержания – это уже область предписательной (рекомендательной) математики. Чтобы преуспеть в удержании клиентов, маркетологи, отдел продаж, контакт-центр – те, кто коммуницирует с клиентом, – должны быть в состоянии заранее предсказать, какие клиенты собираются уйти. Кроме того, они должны иметь разработанную последовательность маркетинговых действий, соответствующих профилю каждого клиента, наиболее успешно воздействующую с целью удержания. Вооружившись этими знаниями, можно устранить большую часть оттока клиентов.

От теории к практике

Теоретически это звучит просто, но на практике осуществить гораздо сложнее. Сложность заключается, в частности, в прогнозировании оттока: математические методы моделирования пытаются выявить шаблоны поведения и атрибуты клиентов, профиль которых сигнализирует о повышенной вероятности оттока клиентов на определенном горизонте. Точность предсказания имеет решающее значение для успеха любых активных усилий по удержанию: если маркетолог не знает о клиенте, который склонен к оттоку, никаких действий в отношении этого клиента предпринято не будет. Нейросетевые алгоритмы успешно выявляют склонных к деактивации клиентов. Кроме того, специальные предложения или поощрения, ориентированные на удержание, могут быть непреднамеренно предоставлены активным клиентам, что приведет к снижению доходов без уважительной причины.

Определения, необходимые для предсказания

Отток клиента – это тенденция клиентов отказываться от бренда или определенного бизнеса. Показатель оттока – процент клиентов, которые перестают пользоваться продуктами или услугами компании в течение определенного периода времени. Показатель оттока является индикатором здоровья организации. Некоторый естественный отток неизбежен, и эта цифра отличается от отрасли к отрасли. Но более высокий показатель оттока – верный признак того, что бизнес делает что-то не так. Компании с высоким уровнем оттока не справились со своими отношениями с бывшими клиентами, и, кроме того, наносят ущерб своим будущим усилиям по приобретению, создавая негативную молву о своих продуктах и услугах. Маркетинг может по-разному взаимодействовать с клиентами в зависимости от текущего показателя риска оттока. Один из способов расчета показателя оттока: на момент времени взять активных клиентов, подсчитать количество деактивизировавшихся клиентов на желаемом горизонте времени и вычислить частное. Определение «активного клиента» в компаниях может быть разным, как и горизонт, на котором наблюдаем деактивизацию.

План действий для снижения оттока

Для начала необходимо собрать информацию о клиентах. Далее следует разместить информацию в хранилище данных в правильно спроектированных таблицах, после этого применяется искусственный интеллект для выявления паттернов поведения – индикаторов потенциальных оттоков. После того, как математические методы «подсветят» подверженных риску оттока клиентов, принять соответствующие меры для увеличения интереса клиентов.

Роли, участвующие в антиотточной кампании

Специалисты по искусственному интеллекту создают инструмент, подсвечивающий клиентов, склонных к оттоку и рекомендательные системы, показывающие оптимальный набор действий для удержания.

Бизнес, отдел маркетинга, отдел продаж совершают коммуникации с клиентом с целью удержания. Успех достигается только при совпадении одновременно двух условий: точный сигнал и удачная коммуникация, т. е. при слаженной и умелой работе обоих ролей.

Типы аналитических инструментов, используемых в антиоттоке

Отчетность – это ретроспективный взгляд, она служит запаздывающим индикатором плохого качества обслуживания клиентов. Наивный индикатор «долго не активен» не позволяет реагировать на опережение, да и полностью ушедший клиент, вероятнее всего, уже не активизируется, как показывает практика.

Предиктивная модель прогнозирует отток клиента. Прогноз позволяет превентивно удерживать клиента.

Рекомендательная система предписывает действия для удержания клиента: рекомендует релевантный продукт, скидку, подходящий пакет. Она самая сложная, но и самая ценная!

Последовательность действий для выявления сигналов оттока

Для начала изучается история взаимоотношений с клиентом, вся доступная информация о нем. Посредством аналитических инструментов выявляются шаблоны поведения, сигнализирующие об оттоке. Математические модели (в частности, нейронные сети) раскрывают схемы поведения тех клиентов, которые уже покинули компанию. Рекомендательная система подсвечивает клиентов, склонных к оттоку, и, в самом продвинутом случае, подсказывает наиболее подходящее действие для удержания: конкретное действие из «противоотточного» меню (звонок, скидка, специальный пакет, допродажа). Далее действующая клиентская база сегментируется на тех, кто не склонен к оттоку, и тех, у кого высокая вероятность оттока. Система проверяет поведение текущих клиентов на соответствие выявленным шаблонам и сигнализирует, если обнаруживается поведение, похожее на предотточное. Бизнес совершает коммуникацию с клиентами, склонными к оттоку, с целью превентивного удержания.

Критерии качества прогноза

Главным критерием качества является степень совпадения прогноза и факта. Ошибки неизбежны: в данных много «шума», не все решения клиента могут быть математизированы, и не вся информация у нас имеется. Вопрос лишь в количестве ошибок и их значимости. Как известно, в статистике выделяют два вида ошибок прогноза: первого и второго рода. В результате ошибки первого рода рекомендательная система прогнозирует отток, в то время как клиент на самом деле не планировал этого. В этом случае совершается избыточная коммуникация и несутся расходы на нее. Совершая ошибку второго рода, система не прогнозирует отток, в то время как клиент планирует отказаться от услуг организации. Стоимость такой ошибки – потеря клиента. Стоимость ошибочной коммуникации, как правило, меньше упущенной выгоды от потери клиента.

Что делать с вероятностями оттока?

Математическая модель дает вероятность, трактуемую как склонность к оттоку. Что же делать далее? Ответ очевиден: задача бизнеса – сформировать «противоотточное меню» по удержанию клиента. Далее следует сопоставить каждой вероятности бизнес-действие из этого «меню». При этом чем выше вероятность оттока, тем агрессивнее должно быть действие по удержанию.

Дерево классификации клиентов состоит из четырех листьев. К первой, «хорошей» категории относятся активные клиенты, не планирующие уходить на интересующем нас горизонте времени. Вторая группа – активные клиенты с высокой вероятностью оттока. С ними необходимо провести упреждающую коммуникацию с целью удержания. Третья группа – неактивные сейчас клиенты, но планирующие активизироваться в скором будущем. С ними не следует совершать коммуникацию (и нести расходы). Наконец, четвертая группа – неактивные и не планирующие активизироваться в дальнейшем клиенты. Эту категорию желательно попытаться вернуть, хоть это и маловероятно.

Вероятность быть активным на горизонте времени T подразумевает два случая. В первом случае активные клиенты продолжают оставаться таковыми на выбранном горизонте времени. Во втором случае неактивные в данный момент клиенты активизируются на горизонте времени T. Далее выделяем три сегмента клиентов. Первый сегмент – безвозвратно ушедшие, с которыми не совершаем коммуникацию и не несем расходы. Второй сегмент – клиенты со значимой вероятностью активизироваться, с ними совершаем коммуникацию и несем на это затраты. Третий сегмент – клиенты, которые активизируется самостоятельно, с ними не совершаем коммуникацию и не несем расходы.

Выводы

Прогнозирование оттока важно только в той мере, в какой можно предпринять эффективные действия для удержания клиента, пока не стало слишком поздно. После того, как клиенты, которым грозит отток, определены, сотрудники должны точно знать, какие маркетинговые действия проводить с каждым отдельным клиентом, чтобы максимизировать шансы на то, что клиент останется таковым. Поскольку разные клиенты демонстрируют различное поведение и предпочтения, а также из-за разных причин ухода, очень важно практиковать «целевое упреждающее удержание». Для этого требуется заранее знать, какое маркетинговое действие будет наиболее эффективным для каждого клиента. Сокращение оттока клиентов – цель любого бизнеса.

Автор – Юрий Сирота, независимый эксперт. Создавал сигнальные антиотточные системы в крупных российских банках.