Статьи

Запустить цифровую трансформацию не так легко, как кажется поначалу. Как определить, готова ли к этому ваша организация? На какой ступени «лестницы цифровой зрелости» стоит она, а на какой — ее конкуренты? О популярных методиках оценки цифровой зрелости компании расскажет Марианна Данилина, эксперт с многолетним стажем трансформационных практик в финансовой сфере. Ее выступление состоится 2 июня на форуме [it]MF 2021 издательства «Открытые системы». В преддверии форума Марианна согласилась ответить на несколько вопросов о целях использования таких методик и о том, что мешает российским компаниям повышать уровень цифровой зрелости.

- Как становятся специалистами в области цифровой трансформации? Расскажите немного о вашем профессиональном пути.

Путь оказался непредсказуемым. Мне всегда хотелось заниматься чем-то инновационным и сложным, меня мотивируют новые направления. Я закончила журфак МГУ, мечтала стать экономическим обозревателем, поэтому вторую специальность получила в области экономики и в качестве корреспондента писала о финансах. Затем работала бизнес-аналитиком в очень интересном проекте по слиянию двух крупных международных банков. Так начался мой долгий путь в финансовой сфере, где в проектах по автоматизации процессов часто приходилось объяснять ИТ-специалистам, чего хочет бизнес, и обучать команды. Опыт работы в консалтинге позволил мне участвовать в самых разнообразных проектах, включающих как управленческую, так и ИТ-составляющую, а также дал возможность проводить исследование рынка цифровизации крупнейших российских компаний.

Все это помогло достичь понимания того, что нужно сделать организации, чтобы измениться. Цифровая трансформация — в большей степени касается не ИТ, а практик управления. Тенденции трансформации компаний начали появляться более 10 лет назад и включали в себя изменение бизнес- и операционных моделей. Начиная с 2016 года практики трансформации организаций стали фокусироваться на цифровизации и пришла мода на диджитал. Между тем очень многие технологии, которые сейчас подразумеваются под цифровой трансформацией, и средства «малой автоматизации» существовали задолго до этого. Например, скрипты использовались и до популярной ныне роботизации процессов. Но, благодаря развитию технологий и подходу low-code, теперь для их использования не обязательно быть программистом: сегодня бизнес-пользователи могут настраивать ИТ-инструменты самостоятельно. Соединяя цифровые технологии и людей, компании могут разрабатывать инновационные услуги и продукты, доступа к которым раньше не существовало.

- Что вас больше всего интересует на сегодняшний день в профессиональном плане?

Интересен опыт больших радикальных изменений в организации. Хочется применить свой опыт и знания, чтобы определить, как сбалансировать настоящее, обеспечивающее существование текущей бизнес-модели, и труднопредсказуемое желаемое будущее. Если совсем просто, change — это зона изменений, улучшения, нового. Run — регулярное, повторяющееся, имеющее цикличность. Мне нравятся «сhange-проекты», которые приносят изменения, развитие. Собственно, ими я и занимаюсь.

Интересны также программы акселерации, создание «песочниц инноваций» и реализация проектов по внедрению инновационных технологий, которые раньше не применялись в текущих процессах. Например, распознавание эмоций в продажах в банковской сфере. Решения, основанные на больших данных и нейросетях, позволяют не только показывать таргетированную рекламу, но и анализировать удовлетворенность клиента качеством обслуживания в отделении банка, управлять мотивацией сотрудников.

- Насколько такие проекты окупаются? В какой степени это интересная «игрушка» и в какой — реальный бизнес-инструмент, помогающий зарабатывать?

Если компания стремится принимать обоснованные решения на основе цифр, то, безусловно, она должна оценивать рентабельность инвестиций и окупаемость внедрения цифровых технологий. Однако следует иметь в виду, что эффект от технологии можно ощутить не сразу. Он проявится через 2–3 года, а то и через 10 лет.

Начиная инвестировать в перспективную технологию, компания уходит в минус: ведь мы вкладываем деньги, но никакого эффекта пока не получаем (пишем алгоритм, проводим тестирование, исправляем ошибки и пр.). Только после перевода технологии в промышленную эксплуатацию и начала стабильной работы решение начинает окупаться (и тоже через какое-то время).

Я бы советовала оценивать применимость инновационного решения для компании не просто сквозь призму коммерческой выгоды, но и с учетом косвенных преимуществ. Бывает так, что для компании важна не только экономическая эффективность, но и другие моменты. Например, есть имиджевые проекты, когда внедрение технологии не несет значительного экономического смысла. Однако для компании важно сделать proof-of-concept, чтобы понять, как дальше работать с этой технологией или сформировать повестку для будущих стратегических изменений.

Конечно, окупаемость не достигается на одном процессе. Требуется масштабное применение технологий либо фокусировка на прямой экономии затрат. К примеру, технология распознавания эмоций нацелена на увеличение продаж благодаря повышению лояльности клиентов, поэтому она применима в комплексе с множеством других изменений: продуктов, сервисов, бренда и т. п. Сама по себе технология может не приносить большого экономического эффекта, но как часть программы мероприятий по повышению привлекательности для клиента она является важным инструментом. С его помощью можно найти «точки соприкосновения» с клиентом и значительно повысить удовлетворенность и лояльность потребителей, а значит — повысить конверсию взаимодействия с ними, снизить отток клиентской базы или нарастить количество новых клиентов. И в конечном итоге — увеличить доход компании. Таким образом, сегодня инновации — это реальный инструмент, помогающий зарабатывать.

- С одной стороны, компании вкладывают ресурсы в изучение нюансов клиентского опыта, а с другой — роботизируют процессы поддержки клиентов, минимизируя возможности живого общения. Нет ли в этом противоречия, на ваш взгляд?

Нет. Есть компании, «рожденные цифровыми», чья бизнес-модель строится вокруг уникального продукта, лучшего клиентского опыта или цифровой платформы, которая дает технологическое превосходство. Они занимают свою долю рынка именно благодаря этим ключевым конкурентным преимуществам. Новые бизнес-модели являются клиентоориентированными, что полностью определяет их фокус на удовлетворение потребностей клиента и предоставление «мгновенных» сервисов.

Предприятия реального сектора, в отличие от сектора услуг, не фокусируются на создании новых продуктов или инновационных предложений. Для них важна именно перестройка традиционного производства и кратное сокращение издержек, которое достигается за счет новых технологических решений, таких как роботизация, внедрение IVR, виртуальных ассистентов в процессах обслуживания и поддержки клиентского сервиса. Если в крупной компании процессы выполняются с недостаточной скоростью и гибкостью, то возникает ситуация, когда в цифровые технологии инвестируются огромные деньги, однако клиент остается недоволен.

Поэтому большинство крупных компаний идут по пути «цифровой трансформации», задача которой — выделить процессы, которые приносят ценность клиенту, и обеспечить их эффективное выполнение с наименьшими затратами. Таким компаниям важно как изучить потребности своих клиентов, так и стать лидерами по снижению стоимости производства и иметь цену ниже, чем у конкурентов. А это достигается именно за счет внедрения цифровых технологий.

- В чем заключается ценность методик оценки цифровой зрелости? Зачем они нужны?

Такая оценка необходима прежде всего традиционному бизнесу, компаниям реального сектора. Прежде чем затевать цифровые перемены, они должны понять, зачем им это нужно. Чтобы подготовить фундамент будущих изменений, для начала нужно ответить на ряд базовых вопросов. Какие цели ставит перед собой компания с точки зрения цифрового будущего? Где компания находится сейчас и насколько готова к изменениям? Что именно нужно менять, чтобы получить эффект от цифровизации?

Для большинства организаций, которые не ответили на эти вопросы на старте, любая активность по цифровой трансформации будет бесполезна. Ведь усилия могут быть направлены на ложные цели.

Сначала компании нужно понять, где она находится по отношению к безусловным лидерам цифровизации и на кого она ориентируется. Простое копирование способов лидера не приведет к тому же результату. Нужно выбрать свой путь, определить четкую цель.

Есть простое правило: чтобы понять, куда двигаться, нужно осознать, где вы находитесь. Остается только определиться с методом, который вы будете для этого использовать.

Оценка цифровой зрелости — первый этап цифровой трансформации любой компании. Это основа для выявления зон роста и ключ к определению целей трансформации, подходящих именно вашей компании. Объективная оценка текущей ситуации помогает понять, где ты находишься, сравнить опыт своей организации и других компаний с точки зрения метрик эффективности, сопоставить текущую ситуацию с целевой, чтобы понять в каком направлении и как нужно меняться.

Более того, в России на государственном уровне запущены процессы цифровизации компаний. Министерство цифрового развития осенью 2020 года опубликовало «Методические рекомендации по цифровой трансформации государственных корпораций и компаний с государственным участием», в которых тоже рекомендуется оценивать уровень цифровой зрелости и на его основе определять цели цифрового развития компаний.

- На чем основаны эти методики? Откуда они выросли и насколько применимы?

Большинство методик оценки зрелости были разработаны консалтинговыми компаниями. Если говорить о цифровизации, то одной из первых методик оценки цифровой зрелости был «Индекс зрелости Индустрии 4.0.», разработанный компанией Acatech в 2011 году специально для программы трансформации немецкой экономики, так называемой Индустрии 4.0.

Сегодня методологий и фреймворков для оценки цифровой зрелости компании существует огромное количество.

Методики эти довольно субъективны. Все они (плюс-минус) сосредоточены вокруг оценки направлений работы компании, которые составляют ее бизнес-модель.

Можно воспользоваться любой методикой, если она есть в открытом доступе, — например методикой компании Cisco («Цифровое пианино»). А можно применить подход к оценке зрелости компании Arthur D.Little («Индекс цифровой трансформации») либо использовать фреймворки компаний «большой четверки». Также можно адаптировать или разработать собственный подход к определению готовности к цифровым изменениям, взяв за основу собственную шкалу оценки, исходя из направлений, важных для конкретной компании.

Методика, о которой я буду рассказывать на форуме, адаптирована к реалиям крупных традиционных организаций. Я называю ее «матрица готовности к цифровой трансформации» или «радар цифровой зрелости». В ней используются очень простые направления для оценки текущего состояния организации: цифровые каналы и продукты, клиентский опыт, ИТ, данные, зрелость процессов и корпоративной культуры, а также кросс-функциональное взаимодействие внутри организации и подход к работе с инновациями. Важно понимать, что любую методику придется адаптировать с учетом особенностей оцениваемой компании. Важна не столько методология, сколько преследуемая цель этой работы и конечный результат.

- Каков уровень цифровой зрелости российских компаний в разных отраслях?

Оценить готовность компаний в России можно только очень условно. Все попытки установить индекс цифровизации различных индустрий носят сугубо субъективный характер. Чтобы ответить на вопрос, могу сослаться на исследования компаний «большой четверки». Например, исследования КПМГ «Цифровые технологии в российских компаниях» и «Исследование по цифровизации и инновационной открытости российских предприятий», куда вошли результаты опросов крупнейших российских компаний. В 2019–2020 годах самыми зрелыми с точки зрения уже проведенных трансформаций и внедренных цифровых инструментов считались телекоммуникационные компании и компании металлургического сектора. Наиболее опробованные технологии — инструменты анализа больших данных, роботы, чат-боты и оптическое распознавание. Можно сказать, что к цифровизации лучше готовы компании финансового сектора (у них накоплено огромное количество клиентских данных) и нефтегазовые компании (у них больше возможностей в силу доступности инвестиций).

Что касается ретейла, то он не был на первом месте, но после пандемии ситуация кардинально поменялась, и сегодня ретейлеры, внедрившие сервисы доставки и бесконтактное взаимодействие с клиентами, вышли в лидеры.

- Каковы основные препятствия на пути повышения цифровой зрелости российских компаний?

Важно, чтобы цели по изменению организации были поддержаны на уровне ее топ-менеджмента. Если внутри большой компании нет лидера изменений, то она не сможет быстро трансформироваться.

Главные подводные камни — отсутствие готовности к изменениям и незрелость бизнес-процессов. Низкий уровень зрелости текущих процессов и отсутствие необходимой инфраструктуры могут значительно усложнить путь к цифровым изменениям.

Традиционные компании еще не успели описать все внутренние процессы. У них могут дублироваться функции, они могут не знать, кто отвечает за тот или иной процесс. Кроме того, в некоторых отраслях заметно мешают недостатки законодательной базы. Много технологических инициатив обсуждается, но по большей части такие вещи, как, например, применение беспилотников, все еще находятся на стадии тестирования.

Кроме того, нужно отметить отсутствие необходимых бюджетов и достаточного количества опытных специалистов цифровых специальностей.

- Что полезного для своей практической деятельности смогут вынести слушатели из вашего выступления на форуме [it]MF 2021?

По моему опыту, у подавляющего числа компаний трансформации проходят не так удачно, как хотелось бы. На форуме я планирую рассказать, как предсказать, что может пойти не так уже на старте изменений, и как этого избежать. Я расскажу, какие методики оценки можно выбрать, какие инструменты и данные использовать, на что важно обратить внимание. Исходя из своей практики, я перечислю, c какими ключевыми сложностями можно столкнуться при проведении оценки зрелости, и объясню, каким образом использовать результаты такой оценки в дальнейшем.

Прошлый и нынешний годы невозможно рассматривать без учета сложившейся ситуации с пандемией COVID-19 и эффекта, оказанного ею на весь бизнес. В новой реальности компании не могут позволить себе дорогостоящие и трудозатратные эксперименты. Результаты нужно получать в два раза быстрее, бюджеты — сокращать вдвое, а эффекты должны быть существенными и ощущаться сразу.

В эпоху глобальных потрясений аналогии с биологической эволюцией напрашиваются сами собой. Один из способов выживания в природе — возникновение и развитие самых разнообразных экосистем: содружеств различных биологических форм, помогающих друг другу адаптироваться и выживать в изменившейся среде благодаря получению дополнительных качеств от партнеров.

Вадим Пестун , партнер и директор по технологиям и цифровой трансформации BCG, рассказал о концепции «бионической компании», а также о возможностях запуска эволюционных механизмов и необходимых условиях для создания в компании устойчивых экосистем. Более подробно о его взглядах можно будет узнать на ежегодном форуме « [it]MF 2021. Управление сервисами и процессами цифрового предприятия », который издательство «Открытые системы» проведет 2 июня.

- Почему при описании эволюции в ИТ вы используете аналогии из биологии? Так проще объяснить бизнесу или есть какая-то другая причина?

В СССР была популярна бионика — прикладная наука о применении в технических областях принципов живой природы. Зачастую наблюдаемые нами процессы действительно очень похожи на биологическую модель: например, взаимодействие людей, технологий и бизнеса.

В природе есть такое интересное явление, как экосистемы, в которых сосуществуют разные биологические формы. При этом они не паразитируют и не поедают друг друга, а создают условия, способствующие процветанию своих видов. В жизни мне приходилось видеть странные живые экосистемы в Азии и Африке. Общее у них то, что они возникают в случаях, когда одному виду сложно выживать.

Мы находимся в похожей ситуации: пандемия поставила нас в условия, когда компаниям приходится очень непросто. Старые проверенные связи перестали работать в силу ограничений, а в области ИТ «старый мир» перестал удовлетворять потребности бизнеса. Когда все рушится — от логистических до производственных процессов — выстроенная архитектурная модель управления бизнесом вынуждена изменяться: слишком многие связи разорвались.

- Какие последствия это имеет для компаний?

Надо прекращать строить большие и сложные системы, которыми все увлекались раньше. Во-первых, ресурсов стало меньше. Во-вторых, люди, технологии и процессы оказались настолько тесно связаны друг с другом, что непонятно, как этот гордиев узел распутать. Построение внутри компании централизованных, хорошо выстроенных и сбалансированных систем приводит к их разрушению даже при незначительном воздействии.

Природа в таких случаях использует механизм экосистем. Они очень устойчивы ко всем изменениям. Кроме того, для их выживания не требуется искать долгосрочные оптимальные решения — напротив, они развиваются, делая небольшие конкретные шаги, дающие немедленный эффект.

Нам также следует использовать похожую тактику. Применение облачных технологий начинает размывать традиционную ИТ-архитектуру компаний. Этот процесс начался уже около пяти лет назад, но сейчас сильно ускорился. Он приводит к тому, что нет необходимости выстраивать единую прочную архитектуру — наоборот, создаются микросервисы. В этом и видится будущее автоматизации. Однако надо учитывать, что компании слишком долго инвестировали в создание корпоративного ИТ-ландшафта. Созданные системы все еще работают, и необходимо их максимально использовать, пытаться обеспечить возможность доступа к данным, которые в них «живут», для решения сиюминутных задач.

«Сиюминутных» — это важно. Бизнесу сейчас нужна немедленная выгода. Если он решил идти эволюционным путем, ориентируясь на короткий горизонт, ему важно получать ощутимый эффект за очень короткий промежуток времени. Система, построенная для решения такой задачи, не может быть огромной и, возможно, должна быть удалена от привычного разработчика — ИТ-компании или ИТ-отдела.

- То есть речь идет о разработке систем силами бизнеса?

Похоже, мы возвращаемся к подходам 1990-х годов, когда каждый заводик разрабатывал для себя собственную бухгалтерию. Только сейчас это будет происходить с применением современных инструментов low-code, легко осваиваемых бизнес-пользователями. Имея необходимые инструменты, они могут сами поставить задачу и решить ее. Необходим лишь доступ к данным.

Это возможно за счет создания над традиционными корпоративными системами нового слоя разделенных данных. К нему легко обеспечить доступ, и он не вступает в конфликт с существующими системами. Именно такой подход позволяет решать узкие задачи, встающие перед бизнесом.

- Что вы понимаете под «бионической компанией»?

Это компания, которая функционирует как экосистема: правильно определяет свои цели с точки зрения бизнеса и правильно выстраивает организацию, благодаря чему в ней не пропадают таланты и не исчезают зерна новых ИТ-решений. В ней правильно расставлены акценты с точки зрения развития технологий.

- О какой смене парадигм в ИТ-архитектуре бионических компаний идет речь?

Известная всем пирамида стандарта ISA-95 (международный стандарт, призванный обеспечить возможность взаимодействия систем управления бизнесом и производственных информационных систем. — Прим. ред . ), состоящая из многих уровней, хорошо структурированная и понятная, будет размываться. Часто вычисления будут производиться не централизованно (отдельно от сенсоров и датчиков, собирающих данные), а прямо на месте — сейчас это называется «граничные вычисления» (edge computing). Нет необходимости выстраивать сложную сеть передачи данных и отправлять показания датчиков в ЦОД. Их можно обработать на месте и немедленно использовать. Привычная нам структура, когда «мозг» отделен от исполнительных элементов, исчезает. Интеллектуальная составляющая появляется везде.

- Что должно стать основой бионической компании? Цифровая платформа данных?

Основная идея заключается в модульности системы и наличии разделенного слоя данных. Традиционные системы, обозначаемые трехбуквенными аббревиатурами, фактически являются оболочкой, построенной над данными. Чтобы до них добраться, существовали «правильные», общепринятые способы, использующие функции, описанные в этих системах. Были и недокументированные методы прямого доступа к данным, которые не одобрялись производителями.

Мы предлагаем на время извлекать данные и создавать из них отдельный, открытый для использования уровень, являющийся двойником данных, размещенных в системах. Над этим озером данных создаются микросервисы. Нижележащий уровень унаследованных систем тоже может использовать результаты этих вычислений.

- Какие принципы необходимо соблюсти?

Созданная архитектура компании должна позволить включить в процесс разработки не только «айтишников», но и бизнес — то есть создать кросс-функциональную команду. Как только появляется такая команда, возникают agile-подходы. И наконец, разработка на открытом коде снижает риски, связанные с зарубежными решениями.

За счет этого возможен серьезный рывок: создаем архитектуру, которая позволяет включить в процесс «ИТ-творчества» бизнес-пользователей, и при этом даем возможность бизнес-партнерам развивать этот подход, реализуя собственные решения. Получается настоящая экосистема, состоящая из большого числа микросервисных приложений, взаимодействующих друг с другом не напрямую, а через уровень данных.

Подобные экосистемы, созданные на базе микросервисов и использующие сильные стороны созданных ранее «тяжелых» решений, дадут толчок дальнейшему развитию компаний. Это будет быстро, довольно дешево и эффективно.

- Запуск эволюционных механизмов в компаниях — то, о чем мечтают многие. Какую тактику действий можно предложить? Какие организационные изменения нужны?

Нет необходимости строить что-то огромное. Нужна тактика маленьких прагматичных шагов. Мы рекомендуем подход минимально жизнеспособного продукта (minimum viable product, MVP). На таком продукте можно за пару недель протестировать модель и убедиться в том, что решение работает.

Например, в одной из компаний, в которую мы пришли с этими идеями, был проведен внутренний конкурс на создание нескольких MVP. Из десятков решений выбрали 4–5 наиболее интересных: бизнес отбирал задачи и по приоритетности, и по скорости реализации. Таким образом, мы не только показали бизнесу перспективные задачи, но и попытались обучить людей внутри компании, вокруг которых запустятся эволюционные процессы. Мы дали механизм того, как искать MVP, как создавать кросс-функциональные команды, как создавать технические продукты, с помощью которых можно решать задачи.

- О чем вы расскажете на форуме [it]MF?

Мы живем в эпоху перемен, и эти перемены требуют изменений внутри компании. Любая организация сопротивляется изменениям, но чем раньше она начнет понимать их необходимость, тем больше имеет шансов преуспеть в адаптации к новым условиям.

Мы видим эту адаптацию в виде создания бионической компании на стыке нескольких направлений. Во-первых, это правильное использование данных, во-вторых, правильное построение кросс-функциональных команд внутри новых компаний, где границы между бизнесом и ИТ размыты. Наконец, правильная фокусировка бизнеса на важных быстрорешаемых задачах. Как показывает практика, переход от глобальных проектов к коротким эффективным шагам тоже является непростой задачей.

Пандемия коронавируса дала сильный импульс развитию медицинских информационных технологий, и проблема доступа к большим медицинским данным получила шанс сдвинуться с мертвой точки. Состояние отечественного рынка данных здравоохранения, отраслевые кейсы применения аналитики и технологий искусственного интеллекта, а также ситуацию с доступом к медицинским данным и нормативным регулированием повторного использования обезличенных данных для машинного обучения эксперты обсудили на форуме BIG DATA 2021, проведенном издательством «Открытые системы». Кульминацией тематической сессии стал круглый стол «Качественные медицинские данные для ИИ-решений: где их взять?», организованный при поддержке Ассоциации «Национальная база медицинских знаний».

Сырьевая база

Медицинские данные стали, с одной стороны, отдельным объектом инвестиционного интереса для технологических компаний, а с другой — «топливом» для развития рынка систем искусственного интеллекта. И максимальная вероятность толкового их применения в ближайшем будущем сосредоточена в наиболее привлекательных для инвесторов направлениях: сервисы для пациентов, телемедицина и, конечно, искусственный интеллект.

В числе самых многообещающих областей применения искусственного интеллекта в здравоохранении — предсказательная аналитика, включающая решения по прогнозированию возникновения эпидемий, нехватки лекарств и нежелательных событий в организме конкретного пациента. «Мы научились использовать большие данные для сокращения неэффективных затрат на оказание медицинской помощи», — сообщил директор по развитию проекта Webiomed Александр Гусев, представляя участникам BIG DATA 2021 обзор рынка искусственного интеллекта для здравоохранения. По его мнению, два главных вызова для этого рынка в России — особый правовой статус стартапов в сфере больших данных и искусственного интеллекта, а также развитие национальной платформы, которая позволит собирать медицинские данные, предоставлять доступ к ним доверенным компаниям и осуществлять государственный надзор в этой чувствительной сфере. Планы создания такой отраслевой федеральной платформы искусственного интеллекта, основой которой станет защищенный банк обезличенных медицинских данных, были недавно анонсированы Минздравом. Разработчики рассчитывают, что в процессе реализации этого проекта основные проблемы, связанные с использованием больших данных в медицине, будут решены.

К 2020 году медицинские информационные системы внедрили 82% медицинских организаций России. И хотя 80% информации в электронных медкартах хранится в неструктурированном виде, с ней вполне можно работать с помощью технологий обработки текста на естественном языке (Natural Language Processing, NLP). По мнению Гусева, основные сложности на пути развития российского рынка «умных» решений для медицины создает неурегулированный оборот обезличенных медицинских данных и отсутствие понятной схемы возврата инвестиций в это рискованное направление.

Закон на подходе

Между двумя нежизнеспособными крайностями «данные должны быть доступны всем» и «данные не должны быть доступны никому» лежат компромиссные варианты порядка обращения обезличенных данных, пока еще не оформленные юридически. Медицинские данные выделены в специальную категорию особо чувствительных данных и не могут обрабатываться без согласия субъекта даже в обезличенном виде. Как сообщила Александра Орехович, директор по правовым инициативам ФРИИ, поправки, предусмотренные законопроектом об обезличенных персональных данных, который сейчас готовится ко второму чтению, дают надежду, что вопрос доступа к данным с целью разработки систем искусственного интеллекта вскоре будет урегулирован. Доступ будет предоставляться в определенном порядке определенным категориям организаций, которые соответствуют определенным требованиям. Но никакой конкретики в отношении этого порядка, категорий и требований пока нет — ясность появится только вместе с подзаконными актами. Когда будут выпущены проекты документов с правилами обезличивания данных и правилами доступа к ним, тогда и развернется по-настоящему острая дискуссия на эту тему.

Сегодня, когда одновременно идут процессы усиления защиты данных и полной открытости цифрового следа, настало время поднять вопрос о донации данных, полагает Борис Зингерман, гендиректор ассоциации «Национальная база медицинских знаний». «Сделать донацию данных легче, чем донацию крови, а пользы от нее тоже можно получить немало, — подчеркнул он. — Я с удовольствием поделюсь своими данными для науки, и таких пациентов будет немало».

Три диагноза от искусственного интеллекта

Интересный пример полезного использования данных о первичных приемах пациентов, накопленных в столичной системе здравоохранения, привела первый заместитель начальника Управления заместителя мэра Москвы по вопросам социального развития Юлия Урожаева. Она рассказала о системе поддержки принятия врачебных решений на основе искусственного интеллекта, которая с октября прошлого года работает во всех взрослых поликлиниках города. Для обучения нейросети, которая была разработана и откалибрована при помощи специалистов лаборатории искусственного интеллекта Сбера, использовали уникальную методологию разметки данных, сообщила Урожаева. Около 95% случаев обращения в поликлинику связано с одним из 265 диагнозов. На них и сосредоточились разработчики.

Проанализировав анамнез и введенные врачом жалобы пациента, система подсказывает три наиболее вероятных предварительных диагноза, а затем подбирает стандартные пакеты инструментальных и лабораторных исследований для подтверждения диагноза или его опровержения. К настоящему времени с помощью системы проведено около 4 млн амбулаторных приемов, и в 70% случаев выбор врача совпадает с предложением нейросети. Систему продолжают дорабатывать и обучать, пополняя новыми данными и диагнозами и повышая точность ее работы.

Свое выступление Урожаева завершила приглашением к сотрудничеству. «Очень ждем нестандартно мыслящих людей для разработки следующих продуктов», — обратилась она к участникам форума.

Видеть цель

Поиск качественных медицинских датасетов сродни добыче золота или алмазов, требующей переработки тонн пустой породы. Поиском редких данных в различных источниках и организациях занимаются специальные компании, и эти изыскания не всегда успешны. Качественный датасет получается, когда исследователь четко знает, какие данные и с какой целью собираются. Например, это происходит при написании диссертации. Но создать качественный универсальный датасет для абстрактных целей невозможно, уверен Зингерман.

«При использовании публичных датасетов, которые непонятно как собраны, приходится проводить процедуру кросс-разметки данных нашими врачами», — подтвердил операционный директор компании «Цельс» Никита Николаев. По его словам, качественных медицинских данных на сегодняшний день мало. Однако если качественно отстраивать процедуры разметки данных, можно повысить и точность решений, построенных на их основе. Николаев поделился опытом по оптимизации затрат на разметку медицинских изображений с помощью псевдо- и кросс-разметки, а также результатами эксперимента по привлечению к процедуре разметки маммограм силами сообщества «Яндекс.Толока». Эксперимент показал, что люди, размечающие снимки для обучения ИИ, находили рак не менее точно, чем врачи.

Накопленные к настоящему времени массивы ценнейших медицинских данных очень плохо структурированы, так как при их создании не учитывались цели последующего ретроспективного анализа, отметил Николай Павлов, CDO НПЦ «Радиология Москвы». Но те данные, которые начинают накапливаться сегодня, эти цели уже учитывают.

«Российское здравоохранение находится в двух шагах от того, чтобы перейти к медицинской аналитике на основе первичных данных, — полагает Игорь Башков, коммерческий директор «Нетрика Медицина». — В 2020 году COVID всех к этому подстегнул».

Так, многие регионы организовали автоматическое формирование регистров заболевших коронавирусом и оперативную передачу первичных данных о заболевших на федеральный уровень в структурированном виде. Это лишь одна из множества задач, которые «Нетрика Медицина» помогает решать региональным управленцам, интегрируя данные из 70 медицинских информационных систем различных организаций.

На распутье: NLP или cтруктурированная галлюцинация?

Структурированные или неструктурированные данные — важная развилка на пути дальнейшей цифровизации российского здравоохранения. Как отметил Павел Пугачев, заместитель министра здравоохранения РФ, идти по пути структурированных электронных медицинских документов (СЭМДов), добиваясь перехода всех медицинских организаций на единый формат — правильно, но долго, хотя этот подход прекрасно себя показал в ряде регионов, где интероперабельность и обмен данными с федеральным сегментом Единой государственной информационной системы здравоохранения обеспечивается с помощью СЭМДов. «Мы будем двигаться по этому пути, но нельзя отбрасывать и неструктурированные данные», — подчеркнул он. По мнению Пугачева, сегодня недостаточно проектов, которые работают с неструктурированными текстами и результатами анализов, между тем это направление может стать прорывным. В нем следует создавать заделы и реализовывать сервисы для медработников.

Главное предназначение медицинских данных — обеспечивать оказание медицинской помощи и преемственности лечения. Возможность последующего анализа данных — дополнительный бонус, ради которого далеко не всегда можно заставлять врачей заполнять сложные длинные формы. Иногда это слишком долго и дорого обходится. К тому же опыт показывает, что данные из неструктурированных источников зачастую оказываются даже более качественными.

Гусев поделился историей, когда по настоянию заказчика разработчики сделали форму врачебного осмотра, включавшую почти тысячу полей. Заполнение данных осмотра одного пациента стационара занимало 40 минут. Неудивительно, что врачи сразу переходили в конец формы, меняя лишь несколько полей и оставляя остальные шаблонными. «В итоге на выходе получилась очень качественно подготовленная и прекрасно машино-обрабатываемая… галлюцинация», — констатировал Гусев. Эксперимент подтвердил, что абсолютная формализация в реальной медицинской практике невозможна, и имеет право на жизнь разве что в клинических исследованиях. А в клинической практике более применим подход, сочетающий заполнение текстом крупных блоков структурированных документов, и последующее извлечение информации из них с помощью NLP-технологий.

Чем сложнее экранная форма, тем менее достоверны данные, ее заполняющие, согласен Пугачев. Он, в свою очередь, привел пример неудачной попытки наполнить регистр больных ковидом подробнейшими данными о хронических заболеваниях, в результате которой получили множество пациентов, у которых вообще отсутствовали хронические заболевания. Лишь когда в регистре оставили только группы хронических заболеваний, качество его данных существенно повысилось. Для повышения качества данных также важно использовать данные, поступающие с анализаторов, носимых устройств и предоставляемые самими пациентами. К примеру, при вакцинации заполняемость дневников наблюдения на портале госуслуг оказалась существенно выше ожидаемой, а этот формат дает возможность не только собрать дополнительные сведения, но и разгрузить врачей при сборе анамнеза.

«Нам нужен спрос на датасеты для создания сервисов на основе искусственного интеллекта, чтобы иметь возможность внутренней приоритизации, выстраивания процессов разметки, создания эталонных датасетов и их предоставления вовне, — заявил Пугачев. — Мы хотим поддерживать именно российских разработчиков и готовы выстраивать с ними коммуникации». Удачный опыт НПЦ «Радиология Москвы» по тестированию ИИ-решений, по его мнению, нужно расширять, и не только на анализ медицинских изображений.

Любой бизнес, если опустить специфические нюансы, сводится к непрерывному процессу принятия решений, который можно разбить на пять этапов: сбор информации, выявление возможных решений, их взвешивание, выбор оптимального решения, действие и, наконец, оценка результата. Очевидно, что залог успеха – принятие правильных решений, ведущих к росту прибыли, но одной ошибки на любом из этапов может быть достаточно для неправильного действия в ущерб интересам организации. Поэтому подходить к принятию решения нужно осторожно, методично, используя специальные инструменты автоматизации для повышения скорости работы и снижения влияния человеческого фактора.

О каких инструментах идет речь? Их существует великое множество, но мы сосредоточимся лишь на двух категориях: отчетность и аналитика. Очень часто эти категории ошибочно смешивают в одну из-за непонимания их различий. Результат – систематическая недооценка потенциала аналитики и переоценка значимости отчетности. Мы постараемся провести четкую линию между двумя понятиями, уделяя, при этом, внимание их взаимосвязи и преимуществам или недостаткам каждой из них.

Фабрика по производству отчетов

Начнем с простого – с отчетности. Она проста не потому, что легко реализуется, а потому, что каждый работник знает, что такое отчет, а значит, знаком с понятием «отчетность». Для наглядности, представим себе типичного менеджера. Его основная функция – принятие решений. Вспомним этапы процесса принятия решений, упомянутые ранее.

Очевидно, что менеджеру, необходима пища для размышлений – базис для выявления проблем и выработки их решений. Роль такой пищи играет информация о функционировании бизнес-процесса в прошлом и настоящем. Поэтому сбор информации – критически важная деятельность, обеспечивающая восприятие проблем и возможностей. В большинстве случаев непосредственный сбор информации делегируется другим работникам – ведь это работа тяжелая и длительная, менеджеру заниматься этим некогда. Но данные сами по себе могут быть слишком объемными или многогранными, то есть сложными для восприятия, из-за чего возникает необходимость их обработать и представить в понятной форме. У занятого менеджера есть совсем немного времени на усвоение этой информации; если он что-то не поймет или поймет не так, последствия могут быть весьма плачевными. Иными словами, его задача – извлечь максимум знаний за минимальное время. Тогда задача подчиненных – изложить максимум полезной информации в максимально сжатом виде.

Так мы и подошли к понятию «отчетность», которое кто-то сочтет повседневной утомительной каторгой, кто-то назовет наукой, кто-то – искусством. В любом случае, ее вклад в принятие важных для организации решений нельзя недооценивать: качество решений прямо зависит от качества предоставляемых менеджеру отчетов. Тем временем цифровизация организаций приводит к тому, что полезной информации копится все больше и больше, вплоть до того, что становится сложно это «сено» собрать в стог, а уж найти в нем иголку – и подавно. Выходов из этой ситуации, по сути, два: игнорировать информацию или научиться с ней работать. Первый чреват упущенными возможностями, а второй – расходами на совершенствование подходов и инструментария. Так, например, современные решения BI позволяют автоматизировать обновление отчетов и даже сделать их интерактивными, динамическими, чтобы потребитель отчета мог смотреть на представленные сущности с разных ракурсов.

При этом нужно помнить о том, что отчетность, как бы мастерски она не была подготовлена, дает лишь возможность взглянуть в прошлое и настоящее. Интерпретация содержащихся в отчетах знаний и последующий прогноз или действие – задачи, лежащие на плечах лица, принимающего решения. Это традиционная, известная всем практика, многократно показавшая свою эффективность. Но что если решений нужно принимать очень много или объем и разнообразие доступной информации не позволяют изложить все в отчетах так, чтобы менеджер мог оперативно и корректно принять решение?

Аналитика как продолжение отчетности

Можно пойти дальше и попытаться автоматизировать или делегировать следующие два этапа процесса принятия решений: выявление и взвешивание возможных решений. Это снимет нагрузку и ответственность с менеджера. Под делегированием понимается передача этих функций штату аналитиков, занимающихся поиском проблем и их оптимальных решений. Автоматизация (полная или частичная) подразумевает создание интеллектуальных систем, дополняющих экспертов-аналитиков.

Почему необходима автоматизация? Дело в том, что математические модели, опирающиеся на объективные данные, позволяют исключить из процесса анализа негативное влияние субъективности суждений эксперта и, таким образом, повысить точность прогнозов и рекомендаций. Ведь экспертная оценка в значительной мере опирается на интуицию эксперта, которая может и обмануть; кроме того, экспертное знание ограничено стереотипами и предыдущим опытом эксперта, что не дает ему возможности адаптироваться к быстроменяющейся действительности.

С другой стороны, построение системы на основе искусственного интеллекта невозможно при малых, ненадежных, нерепрезентативных объемах данных – в этих случаях экспертное мнение сильнее. Поэтому в тех случаях, когда задача слишком сложна или собранных данных недостаточно для уверенного ответа на поставленные вопросы, продвинутую аналитику следует рассматривать не как замену эксперту, а как его помощника.

Как бы то ни было, прогноз или рекомендация основываются на прошлых наблюдениях за состоянием бизнес-процесса. В каких-то случаях эта информация содержится в отчетах, и тогда аналитику можно справедливо назвать гармоничным продолжением отчетности. В остальных случаях, специфические аналитические задачи требуют специфического набора данных, не освещенного в отчетах. Однако сам процесс анализа нацелен на исследование конкретной бизнес-сущности, а значит, набор релевантных данных, формируемый в этом процессе, содержит в себе важную для бизнеса информацию; кроме того, очевидно, результаты аналитики представляют собой ценные знания. Следовательно, аналитика может выступать источником новых отчетов, давать толчок совершенствованию отчетности. Аналитика – больше чем отчетность.

Финансовый результат разработки отчетов оценить сложно: руководство просматривает их в процессе принятия и оценки качества решений, но выбор действия делает, исходя из собственных выводов. Таким образом, влияние отчетности на конечный результат лишь косвенное, неосязаемое, в то время как затраты вполне реальны. Рекомендательная система, напротив, берет задачу поиска решения на себя. Соответственно, финансовый эффект посчитать легко: предложенное системой решение приносит либо выгоду, либо убыток. Так вы понимаете, за что платите.

С потенциальной выгодой, конечно, растут и риски, и ответственность. Разработчики отчетов отвечают за качество данных и их визуализации, в то время как аналитики ответственны за корректность созданной рекомендательной системы, за ее внедрение, за эксплуатацию и за финансовый результат. Вы не только понимаете, за что платите – вы знаете, к кому обратиться и с кого спросить.

Монетизация: где взять идеи?

Важно понимать цель оптимизации бизнес-процессов – это положительный финансовый результат. Трансформация идеи в денежную выгоду – монетизация – начинается, как ни странно, с идеи; значит, путь должен начинаться с ее поиска.

Ясно, что оптимизировать следует то, что не является достаточно эффективным. Но как оценить эффективность? Во-первых, эффективность определяется степенью соответствия результата поставленным целям, то есть, зная цель, менеджер должен сравнить ее с тем, что есть на самом деле – для этого ему потребуется взглянуть в отчеты. Результаты нельзя назвать удовлетворительными? Почему? Как это исправить? Вот и идеи для аналитического проекта. Вывод: отчетность – ценный источник идей для развития бизнеса.

Однако определить факторы неэффективности далеко не просто, особенно это касается тех процессов, которые сложны, многоступенчаты по своей природе или бесхозны, или вовлекают большое количество участников. Так, источниками неэффективности могут выступать взаимодействие между сотрудниками, взаимодействие с клиентом, расположение точек продаж и т. д. – все это нельзя увидеть в отчетности. Продвинутая аналитика, при условии наличия данных, позволяет «провалиться» вглубь бизнес-процесса, выявить скрытые факторы неэффективности и предложить идею для монетизации.

Заключение

Подчеркнем еще раз, что цифровизация характеризуется ростом объема генерируемых данных, и это открывает большие возможности для их монетизации, но, с другой стороны, требует новых подходов к их анализу. Простой, хоть и проверенной временем, отчетности недостаточно – нужны более изощренные методы извлечения знаний из данных. В этом смысле аналитика – более совершенный и выгодный инструмент, но его нельзя назвать другим – он дополняет, совершенствует отчетность. Движение в сторону расширения аналитической мощи организации имеет смысл: оно обязательно приведет к увеличению конкурентоспособности и эффективности организации.

Авторы:

Юрий Сирота, старший вице-президент, руководитель дирекции анализа данных банка УРАЛСИБ

Андрей Шишов, аналитик департамента анализа данных банка УРАЛСИБ

Сбои в работе дата-центров происходят в последнее время регулярно, но далеко не все из них попадают в поле зрения общественности. Чаще всего их замечают, если провайдеры не могут устранить последствия длительное время (более одного дня), либо если проблема касается очень большого количества пользователей. Так недавно было с Twitter, а также Facebook, Instagram и WhatsApp. Для этих сервисов недоступность даже в двадцать минут чревата народным негодованием.

Однако пожары все же стоят особняком от прочих инцидентов, вызывающих простой информационных систем. Дело в том, что они случаются достаточно редко, но при этом не остаются незамеченным. Сложно игнорировать, когда полыхает крыша (или здание целиком, как в случае в OVH), прямо на глазах у публики.

В России подобные возгорания тоже случались. Во всех случаях они были связаны с достаточно тяжелыми последствиями для провайдеров: продолжительной неработоспособностью объекта, порчей дорогостоящего инженерного и вычислительного оборудования, потерей репутации и оттоком клиентов. При этом пожара в большинстве случае можно было избежать, выполняя ряд нехитрых требований к безопасности.

Если анализировать российскую практику, то только 20% возгораний в ЦОД связаны с неисправностью его оборудования. 80% приходится на так называемый человеческий фактор: некорректно выстроенные процессы эксплуатации, несоблюдение техники безопасности и т. д. Например, причиной пожара может стать загоревшаяся куча тополиного пуха на крыше дата-центра, как в одном из российских кейсов, или коробки от оборудования, оставленные в тамбуре или помещениях ЦОД, прилегающих к серверной.

Сложно представить, что такой востребованный среди клиентов объект, как дата-центр в Страсбурге, был построен с нарушением норм противопожарной безопасности. Подобные площадки проектируются и возводятся в строгом соответствии со стандартами Uptime Institute. Из этого можно сделать вывод, что скорее всего проблема кроется именно в неправильной эксплуатации.

Между тем, принципы обслуживания ЦОД также зафиксированы в стандартах Uptime Institute. В комплексе они позволяют свести практически к минимуму количество возможных инцидентов в дата-центре. Например, в них прописаны регламенты доступа в здание, проведения регламентных работ и т. д. Следуя им, можно обеспечить постоянную доступность объекта на протяжении десятков лет.

Как компаниям застраховать себя от простоев и потери информации

Рекомендации здесь универсальные. Во-первых, стоит обращать внимание на наличие сертификатов Uptime Institute. Предпочтительнее будут те провайдеры, которые смогут предоставить полный комплект документов, включая актуальный сертификат на операционную устойчивость (Tier Certification of Operational Sustainability Uptime Institute). Именно он свидетельствует о грамотно выстроенных процессах эксплуатации.

Во-вторых, при выборе поставщика услуги рекомендуется лично посещать объект. Незазорно попросить провести экскурсию, в том числе на крышу здания, и оценить, как соблюдается порядок в помещениях, не относящихся напрямую к серверным.

Наконец, нельзя забывать про планы восстановления в случае аварий (DRP), регулярно обновлять их в соответствии с новыми рисками, выполнять тестовые переключения, или даже резервировать данные, используя технологии High Availability. Последнее позволит восстановиться на независимой площадке за короткое время, даже если на основной ЦОД упадет метеорит.

Автор — Павел Колмычек, операционный директор КРОК Облачные сервисы

Самое важное и самое сложное звено системы управления данными — люди. В ходе практической конференции «Качество данных — 2021. Стратегия, инструменты, практика», организованной издательством «Открытые системы», очень многие эксперты фокусировались вовсе не на технологиях. По их мнению, в вопросах управления данными и обеспечения их качества гораздо важнее методология, правильно выстроенные процессы и отношения с людьми, причем на всех уровнях корпоративной иерархии. (О конференции см. также "Качество данных: советы бывалых".)

Сизифов труд для марафонцев

«Качество данных — это не только формальные процедуры проверки того, насколько они удовлетворяют заданным критериям. Это в большой степени и вопрос культуры организации, выстраивания процессов, дающих необходимый результат», — подчеркнул Михаил Петров, директор департамента цифровой трансформации Счетной палаты РФ.

Исторически в обязанности Счетной палаты не входили аналитика и работа с данными, этот орган выполнял контрольные функции. Сейчас происходит движение в сторону аналитической работы с данными, в том числе профилактики и системного анализа проблем. Переход к цифровому формату работы требует совсем другой культуры — необходимо менять мышление с «карательного» на аналитическое.

Для изменения культуры в числе прочего оказались весьма полезными конкурсы и хакатоны, в ходе которых совместно с сотрудниками формулируются ИТ-задачи для участников. Такие мероприятия стали очень эффективным инструментом, позволившим вовлечь сотрудников в работу с данными.

При создании службы управления данными был выбран децентрализованный подход, при котором работа с данными в значительной степени делегируется в подразделения. Взращивать компетенции в подразделениях — более длительный путь, но на стратегическом горизонте он принесет больше пользы.

«Термин 'качество данных' олицетворяет боль любой крупной организации: данных становится все больше, компании старательно собирают их, но чистить данные — сизифов труд, — признала Светлана Бова, директор по управлению данными ВТБ. — Можно достичь сколь угодно больших успехов, но с каждой новой порцией данных, с каждым структурным изменением все начинается заново».

Тем не менее без цикличного процесса контроля качества данных состояние «цифрового здоровья» организации будет ухудшаться. Команда, которая занимается качеством данных, сродни марафонцам: только у них достаточно воли и терпения для выполнения повторяющихся рутинных действий. Такая работа не всегда благодарная, поэтому, чтобы ею заниматься, необходимы высокая степень мотивации и понимание ценности данных для организации. Это достаточно сложный профиль при подборе персонала.

Управления данными не существует без бизнеса

«Люди — значимая история в нашей системе координат по управлению данными. Именно они выполняют процессы и корректируют их, используют внедренные инструменты в своей работе», — отметила Любовь Кайдалова, руководитель направления по качеству данных компании «Газпром нефть».

В компании очень много времени потратили на назначение ответственных за данные. По словам Кайдаловой, вкладываться в это направление необходимо, хотя это и трудоемко: игра стоит свеч, поскольку работать потом становится проще. Еще одной зоной повышенного внимания стали сами потребители данных. Как правило, люди, работающие с данными, могут сформулировать требования к ним и свои ожидания, но есть и много чрезмерно эмоциональных пользователей, не настроенных на конструктив. Надо концентрировать усилия на работе именно с теми, с кем можно продуктивно вести диалог.

«Обязательно вовлекайте бизнес-подразделения в работу с данными, потому что не существует управления данными без бизнеса», — порекомендовала Кайдалова.

Александр Афонин, директор департамента развития платформы по управлению качеством данных X5 Retail Group, рассказал о том, как важно правильно позиционировать роль подразделения Data Quality. «Мы не собираемся становиться клининговой службой, прибирая за бизнесом и исправляя некачественные данные», — заявил он. Верный подход — выстроить вместе с бизнесом правильные процессы, чтобы не допускать повторения ошибок в дальнейшем, а затем совместными усилиями устранить их. При этом ответственность за качество данных несет бизнес, а специалисты по качеству данных вынуждены иногда быть «плохими полицейскими», попутно объясняя и бизнесу, и ИТ, как нужно работать, чтобы качество данных повышалось.

Качество — забота каждого

Когда компании задумываются о рациональном управлении — то есть о принятии решений на основании данных, а не чьих-то субъективных мнений и эмоций, они осознают необходимость обеспечить отчетность. Как отметил Сергей Горшков, директор компании «ТриниДата», желание получать информацию для решения всех прикладных задач быстро приводит к тому, что отчетности становится очень много. Работа с ней занимает значительное время, а вот извлечь пользу из нее удается не всегда. Помимо выявления данных низкого качества, необходимо фиксировать методики расчета каждого показателя, но в компаниях не сразу приходят к пониманию важности решения этой задачи.

«Чтобы правильно работали процессы управления данными, должна быть выстроена мощная структура из методологических подходов», — уверен Олег Гиацинтов, технический директор компании DIS Group. Обеспечить возможность каждому пользователю легко воспользоваться данными — очень непросто. И правильные процессы здесь гораздо важнее, чем внедряемые для их реализации ИТ-решения.

При этом важно определить тех, кто отвечает за данные. «Вероятно, все думают, что их будут бить, поэтому отчаянно сопротивляются. Хотя на самом деле должно быть наоборот: они сами должны выдвигать требования к данным и наказывать нарушителей», — считает Гиацинтов. В любом случае бизнес может гораздо быстрее и лучше обеспечить качество своих данных. И самое главное — когда бизнес-пользователь хочет сделать что-то быстро, нужно дать ему возможность сделать это самостоятельно. Пользователи, желающие заказать данные, должны получить их быстро и автоматически, причем с качеством, которому будут доверять.

Анна Серебряникова, президент Ассоциации больших данных, рассказала о выстраивании работы с данными за рамками закрытого контура. По ее словам, 70% данных, интересных компаниям с коммерческой точки зрения, так или иначе связаны с персональными данными. Работать с такой информацией очень сложно с законодательной точки зрения, и это не позволяет ни развивать кросс-отраслевые проекты, ни обогащать данные, ни обучать качественные модели. Поэтому в Ассоциации сейчас активно занимаются проблемой работы с обезличенными данными.

Алексей Ильин: «Управление качеством данных должно стать в буквальном смысле задачей каждого сотрудника»

По словам Алексея Ильина, генерального директора российского офиса компании Ataccama, много проектов data governance приходят к тому состоянию, когда система внедрена и «лампочки мигают», но люди с ней не работают. Это проблема: нужно менять процессы, чтобы люди пользовались решением; задача управления качеством данных должна стать массовой. Каждый должен стараться улучшать их или хотя бы не ухудшать.

Надо стремиться к тому, чтобы все пользовались внедряемыми инструментами управления данными. Однако для этого важно дать пользователям удобный инструмент для работы с качеством в реальном времени, причем «оторвать» его от ИТ, предоставить возможность самообслуживания. Платформа должна помогать пользователям решать рутинные задачи — например, самостоятельно выявлять аномалии в данных, автоматически их идентифицировать и предлагать проверки по ним.

Самая большая проблема в проектах data governance — управление изменениями, в том числе культурными. Мало кому удается поменять культуру в организации настолько, чтобы качество данных стало задачей каждого.

Три года назад ВТБ завершил два крупных присоединения – Банк Москвы и ВТБ 24. В результате в банке образовалась очень сложная архитектура аналитического ландшафта. Естественным образом на нем сформировались три крупных архитектуры, построенных на различных технологиях и обладающих функционалом различной степени зрелости. Получившееся наследие не устраивало ни ИТ, ни бизнес: сразу же столкнулись с дублированием и разрозненностью данных, как следствие – высокой стоимостью разработки и долгим временем создания новых продуктов.

Кроме того, используемый технологический стек стремительно устаревал. Для ряда аналитических компонентов применялся комплекс Oracle SuperCluster, и еще большее число продуктов базировалось на Oracle BigData Appliance. Окончание жизненного цикла обоих решений стало огромной проблемой и привело к необходимости масштабной миграции ИТ-инфраструктуры на новую платформу.

Банк решился на создание единой полноценной платформы данных, которая должна включать в себя несколько компонентов. Во-первых, это часть, отвечающая за загрузку и управление данными оперативного хранилища данных. Вторая часть – хранилище данных с единой бизнес-моделью, включающее специализированные витрины для ad-hoc аналитики и банковских приложений, витрины с оперативными данными, пользовательские песочницы и т. д. Третья важная составляющая – озеро данных, ориентированное на задачи машинного обучения и data science, а также часть задач отчетности.

Этот проект стал первым опытом ВТБ по импортозамещению ключевой системы, участвующей в процессе подготовки отчетности для регулирующих органов. Осуществляемый переход призван обеспечить ВТБ полную свободу цифрового развития.

О создании центрального хранилища аналитических и отчетных систем рассказывает Ирина Петровская, вице-президент, заместитель руководителя департамента управления и координации технологических изменений Банка ВТБ и номинант премии CDO Award.

- Что получает бизнес от реализации проекта, кроме экономии на лицензиях и унификации инфраструктуры?

Бизнес получил ускорение расчета форм от двух до 11 раз, а также значимую оптимизацию стоимости владения. Мы планируем наращивать функционал этой системы. В будущем будет расти кумулятивный эффект от внедрения такого решения.

- Как происходил процесс выбора инструментов для построения новой платформы? Какие варианты рассматривались?

У нас было много критериев отбора: функциональность, производительность, качество поддержки, отсутствие санкционных рисков, безусловная оптимизация стоимости владения, возможность закупки решения в виде ПАКа (программно-аппаратного комплекса), возможность масштабирования, надежность. Немаловажны и планы по развитию платформы, на которые мы могли бы влиять как банк или как группа ВТБ. Наши пожелания должны учитываться – в новых технологичных платформах это достаточно важный критерий. Таким образом, наш выбор остановился на продукте Arenadata.

- Выбрав отечественное решение, банк обезопасил себя от санкционных рисков. Но не бывает проектов совсем без риска – какие новые риски вы приобрели вместе с новой платформой?

Действительно, на 100% захеджировать риски сложно. Но компания Arenadata достаточно широко представлена на российском рынке, у них очень функциональные решения и планы по развитию платформы, которые компания выравнивает вместе с нами.

- ВТБ – очень крупный заказчик со специфическими требованиями, поэтому вендоры часто дорабатывают свои продукты, чтобы их удовлетворить. Как при этом решаются вопросы интеллектуальной собственности: все права на доработки отходят банку или есть какой-то механизм включения их в широкий оборот?

Действительно, большинство наших разработок попадают под понятие интеллектуальной собственности и переходят к нам. При взаимодействии с Arenadata мы заранее договорились, какая функциональность будет включена в базовую поставку и дальше войдет в новую версию продукта. Такой подход достаточно выгоден и для поставщика, и для нас. В результате мы получаем базовый продукт, который широко поддерживается, а ошибки, которые возникают у других заказчиков, могут быть устранены у нас обычным патчем. Специализированная же версия под заказчика обычно налагает определенные трудности в поддержке и приводит к удорожанию решения.

- Как в целом банк относится к продуктам open source – это осознанная стратегия или вынужденный шаг? Выступает ли сам банк контрибьютором в проектах open source?

Банк положительно относится к открытым решениям: мы их часто используем сами, а также пользуемся услугами компаний-партнеров, которые обеспечивают для нас доработку таких решений до enterprise-уровня и обеспечивают соответствующую поддержку. Решение Arenadata является классическим примером такого подхода: приобретенный комплекс состоит из набора продуктов open source, которые компания доработала до корпоративного уровня. В частности, решены вопросы с резервным копированием, с восстановлением после катастроф, с информационной безопасностью.

В случае с другими продуктами мы сами становимся разработчиками и дорабатываем open source решения.

- Вместе с платформами устаревают знания по их использованию. Но если замена софта это в итоге лишь вопрос денег, то едва ли можно заменить всех специалистов, привыкших к старой системе. Как был организован процесс миграции с человеческой стороны?

Действительно, при миграции на новую платформу, на новое решение, у нас могут частично меняться интерфейсные слои, с которыми привыкли взаимодействовать бизнес-заказчики. Прежде всего мы постарались радикально не менять эти интерфейсные слои, чтобы сохранить некую преемственность решений в глазах пользователей. Кроме того, одновременно с началом работы над новой платформой, мы активно разрабатывали проект по системе управления данными, которая позволяет легко находить и определять, где какие данные доступны и в каких интерфейсных слоях, в какую систему они попадают. Эта система будет выступать справочником по данным, что значимо облегчает процесс миграции и перестроения на новую платформу.

- Кто пользуется системой – только профессиональные аналитики и дата-сайентисты или более широкий круг сотрудников? Как в банке развивается культура данных?

Если говорить только про проект по внедрению системы отчетности, то да, здесь действительно большую часть пользователей представляют профессиональные аналитики и сотрудники, работающие непосредственно с формами при подготовке их для отправки в ЦБ РФ.

Однако, если мы говорим в целом про платформу Arenadata и наши планы по их использованию, то это будет максимально широкий круг пользователей: дата-сайентисты, аналитики и просто потребители данных, которые видят данные через порталы, через привычные интерфейсы на планшетах с мобильными клиентами. С точки зрения культуры работы с данными, банк делает очень широкие шаги. В последнее время у нас значительно усилилась функция data science. Работая с продвинутой аналитикой, банк создает огромное количество моделей, и в целом у нас data-driven-подход практикуется все шире и шире. Это касается всех направлений деятельности: и работы на клиентских фронтах, и деятельности функциональных подразделений, таких как риски, финансы, бухгалтерия и т. д.

- Как обеспечивается качество данных? Какие методики и инструменты для этого используются?

По работе с качеством данных у нас организован большой процесс, для этого существует система автоматического контроля качества загруженных данных, которая автоматически в ежедневном режиме анализирует и подготавливает дашборды по качеству данных. После этого полуавтоматическим методом, с применением роботизации процессов (RPA), разбираются все инциденты. Таким образом, обеспечивается приемлемое качество данных для работы аналитиков и других потребителей.

- Понятно, что риск физической утечки всех этих терабайтов данных едва ли актуален, но есть же и другие угрозы. Как решаются задачи информационной безопасности в рамках данного проекта?

Безусловно, задачи информационной безопасности одни из ключевых для нашего проекта, именно поэтому у нас были выдвинуты специальные требования, которые сейчас включены в дорожную карту развития самого проекта и продукта Arenadata. Кроме того, все доступы и полномочия внутри платформы данных распределяются исключительно на базе вновь разработанной ролевой модели, которая учитывает и доступы к данным, и доступ к атрибутам – то есть на всех уровнях.

- Вы планируете внедрять какие-то функции на основе искусственного интеллекта в обработку данных? Как будет при этом решаться проблема предвзятости алгоритмов?

За последние полтора года у нас широко вошло в обиход использование искусственного интеллекта. Для применения таких продвинутых способов анализа были реализованы специализированные проекты, в том числе система управления моделями и платформа исполнения моделей. Эти два решения позволяют управлять жизненным циклом модели, в том числе проводить его ревалидацию со временем, и позволяет в автоматизированном режиме дообучать модели.

- Каковы ваши дальнейшие планы по развитию аналитической системы?

Планы достаточно широкие, разработанная программа развития рассчитана до конца 2022 года. В ее рамках мы будем решать вопросы не только унификации данных и повышения их доступности, но и расширение инструментария использования и применения данных. В частности, более широко  будем использовать методы продвинутого анализа, в том числе использования искусственного интеллекта и другие современные методики анализа и обработки данных.

В 2015 году горно-металлургическая компания «Норильский никель» стартовала рассчитанную на 10 лет комплексную программу с амбициозным названием «Технологический прорыв». Главной целью программы стала глубинная трансформация производственных процессов, их перевод, как сформулировано в программе, «в новое целевое состояние», которое характеризуется эффективным многовариантным планированием и оперативным контролем выполнения планов с использованием современных технологий.

За пять лет первого этапа программы компания прошла впечатляющий путь от «лоскутной» автоматизации к системе комплексной интегрированной цифровой поддержки процессов горного передела и управления ими. В 2020 году начат второй этап «Технологического прорыва».

Владимир Трапезин, директор по автоматизации и информационной трансформации производства компании «Норникель» и номинант премии CDO Award 2021, рассказал, что в его ответственность входит контроль за тем, чтобы концепция «Технологического прорыва» воплощалась в жизнь именно так, как она замышлялась. Мы побеседовали с Владимиром о достижениях первого этапа программы, планах на второй и о том, какие данные лежат в основе всего этого и какие инструменты работы с данными делают «Технологический прорыв» возможным.

Успехи базовой автоматизации

— Какие основные предпосылки программы «Технологический прорыв»?

В 2013 году новая управленческая команда приняла стратегию развития компании, направленную, с одной стороны, на сокращение затрат и оптимизацию неэффективных производств, а с другой – на концентрацию усилий на самых рентабельных, так называемых «первоклассных» активах.

Анализ показал, что неполные и не вовремя поступающие данные не позволяют оперативно планировать производство и эффективно им управлять. Руководством была поставлена задача реализовать программу повышения операционной эффективности производства с соответствующей информационной поддержкой.

Изучив опыт российских и западных компаний, мы поняли, что прежде всего должны устранить тот огромный разрыв, который существовал между «Норникелем» и мировыми лидерами. Но оказалось, что догнать тех, кто с 90-х вкладывает все возможные ресурсы в технологическое развитие, можно, только выработав свой путь повышения эффективности производства. Что мы и сделали, разработав программу «Технологический прорыв».

— Состояние работы с данными на момент начала «Технологического прорыва» – в чем были основные проблемы?

Аудит всех решений в области промышленной автоматизации «Норникеля» выявил более 200 никак не связанных между собой информационных систем. При этом бизнесу катастрофически не хватало полной, достоверной, актуальной на любой момент времени информации. У нас собирались терабайты данных о производстве продуктов, о свойствах материалов и другая важнейшая информация, но она недостаточно использовалась и не приносила необходимого эффекта бизнесу. Кроме того, на производстве было желание формировать не один, а 10-12 вариантов производственных планов с тем, чтобы сравнивать их и выбирать оптимальный, но уровень информационного развития не позволял это сделать.

— Какие задачи решались на первом этапе программы?

К 2020 году мы завершили базовую автоматизацию. Особое внимание уделялось таким группам задач, как связь и позиционирование, аналитика и отчетность, управление производством, планирование.

Горнодобывающая отрасль — это непрерывное производство с последовательностью технологических процессов бурения, взрывания, экскавации, транспортировки, складирования и обогащения полезных ископаемых. Нам необходимо было научиться планировать это в почасовом режиме, контролировать исполнение плана в реальном времени и оперативно управлять производством. Существующая процессная модель не позволяла это делать, необходимые процессы либо отсутствовали, либо не работали на достижение нужного результата.

Мы определили ключевые показатели эффективности по каждому процессу, сформулировали, какой результат процесса является успешным, оценили достижимость такого результата, зафиксировали основные вехи на ближайшие пять лет и под них сформировали проекты, сгруппировав их в единую программу.

В результате реализации первого этапа программы компания получила более 30 информационных системы и большое количество либо вновь созданных, либо трансформированных процессов.

Один из основных наших принципов – следовать от трансформации бизнес-процессов к их информационной поддержке. Выстраивание целевой процессной модели является первичным, и без этого этапа мы не приступаем к выбору технологий. Невозможно «пристроить» к старым процессам «цифру» и ожидать ощутимых и, главное, долгосрочных эффектов.

— Что изменилось в подходах к работе с данными при переходе от хаоса из более чем 200 систем к текущему состоянию?

Мы использовали архитектурный подход, причем строили изначально не ИТ-архитектуру, а именно бизнес-архитектуру. Благодаря этому мы увидели, какие данные и потоки данных у нас есть, и смогли понять, где и какие хранилища данных надо создавать, чтобы получить «единые источники правды».

Поскольку в компании не было ни одного корпоративного справочника, прежде всего совместно с Департаментом ИТ было принято решение выстраивать вертикально ориентированную систему управления НСИ – делать справочники с градацией на корпоративные и локальные, определять процесс управления ими и подбирать под это правильную платформу.

Следующим шагом стало создание PIMS – хранилища технологических данных. Эта система – «спинной мозг» архитектуры технологических данных в компании, она предназначена для централизованного сбора и хранения всей необходимой информации о производстве. Сейчас хранилище включает в себя более 100 тыс. параметров всех предприятий «Норникеля». При внедрении новых систем в рамках программы основным источником производственных данных является система PIMS. Тем самым мы добиваемся единообразия механизмов передачи информации в системы-потребители и гарантируем, что все они будут получать одни и те же значения запрашиваемых параметров.

Дальше стало понятно, что не хватает диспетчерского слоя информационных систем, на котором в соответствии с корпоративными правилами будут собираться обработанные реляционные данные.

Отдельная задача – управление активами и формирование соответствующего слоя данных. На основе мирового стандарта и его российской версии была разработана корпоративная политика управления промышленными активами. Собраны и оцифрованы все паспорта оборудования, а также технические карты наиболее критичного оборудования, что позволяет вести эффективное управление промышленными активами в единой системе.

Внедрение горно-геологических информационных систем (ГГИС) позволило создать единую горно-геологическую базу данных. Вдумайтесь, огромная горно-металлургическая компания вручную корректировала добычу рудных тел. А теперь 100% всех разведанных запасов оцифровано и уложено в 3D-модели. Большинство компаний на этом останавливаются, мы же реализовали полный цикл проектирования и планирования горных работ. Огромный слой оцифрованных недр позволил нам провести ревизию запасов, проанализировать, что и насколько эффективно добывали, и пересмотреть политику планирования добычи. Выяснилось, что раньше из запланированной работы горного производства по направлениям выполнялось только около 20%, сейчас же мы приблизились к 90% выполнения плана.

«Ментальная революция» и цифровая трансформация

— Какие еще можно привести примеры «прорыва» в управлении компанией благодаря реализации программы?

Например, благодаря цифровизации промышленных активов мы перешли от управления ремонтами к управлению активами. А управление активами – это управление надежностью, рисками, прибылью. Если раньше в ответ на предложение сократить затраты на ремонты на миллиард рублей мы могли только сокрушаться, то теперь приведем следующие выкладки: в этом случае под риском окажется прибыль в размере стольких-то млрд руб и вероятность реализации этого риска будет, допустим, 40%. Принимайте решение. Риск-ориентированное планирование в управлении активами – это высший пилотаж, настоящий прорыв.

Другой пример. Как понять, оптимален ли производственный план по добыче в подземных рудниках? Мы создали имитационные модели рудников – со всеми дорогами, поворотами, рудными телами, конвейерами, подъемными устройствами, поездами, самосвалами, погрузочно-доставочными машинами, буровыми и пр. Теперь этот симулятор в течение 10 минут проигрывает сформированный в ГГИС годовой план рудника – бурит, взрывает, возит, измельчает, поднимает и т. д. На выходе мы получаем информацию, выполним ли план, и с какой маржинальной оценкой. И это делается для 10-12 вариантов плана, после чего мы можем выбрать оптимальный, который позволит реализовать все необходимое с наибольшей эффективностью.

Сегодня «цифра» позволяет нам не только оптимизировать планирование, но и гарантировать выполнение плана. Приведу пример подземной диспетчеризации. Раньше диспетчеру требовалось несколько часов, для того чтобы передать новые инструкции горнякам под землей. А по окончании смены он готовил диспетчерский рапорт – огромную «простыню» с невероятными колонками цифр, собранными за смену, на основе этого планировалось задание на следующий день. В этих условиях ни о каком оперативном реагировании на отклонения от плана речи не шло.

Сейчас у нас под землей проложены сотни километров оптоволокна, размещено множество датчиков, и мы несколько раз в течение часа получаем данные от каждого элемента, задействованного в выполнении плана. И планирование, и контроль исполнения плана реализуются в почасовом режиме. Мы получили возможность оперативно влиять на ситуацию и гарантировать выполнение сменного задания. Более того, примерно за час до конца смены у нас есть информация о том, каков прогноз по результату, что позволяет планировать следующую смену. Это очевидное преимущество, реализовать которое без мощной системы передачи неограниченного объема данных из-под земли и обратно было бы невозможно.

— Кто это «мы» – кто владеет данными и отвечает за них? Кто задействован в процессах работы с данными?

Работают с этим все – и бизнес, и производство, и ИТ. Каждая система, реализованная в рамках программы, стала каждодневным инструментом для тысяч руководителей и специалистов в едином информационном пространстве.

Я предпочитаю избегать в нашем случае термина «внедрять» системы. Мы строим новые процессы, обеспечивая для них информационную поддержку. Сегодня на всех наших семи рудниках произошла «ментальная» революция, а после нее – грандиозная трансформация. Сломаны старые, родом еще с советских времен, производственно-технические отделы, вместо них появились центры оперативного планирования, в которых реализуются новые процессы с новыми инструментами и новыми ролями. Кто-то с помощью этих инструментов работает, планирует, контролирует исполнение, а кто-то отвечает за гарантированную работоспособность инструментария, за то, чтобы данные были на 100% доступные, достоверные и полные.

Поэтому «мы» – это «Норильский никель».

— А на ком лежит ответственность за то, чтобы данные были на 100% доступные, достоверные и полные? Это сотрудники ИТ, производственники?

Снова – и те, и другие. Допустим, ИТ-специалисту ставятся три контрольных показателя: коэффициент технической готовности системы (причем обратите внимание, я про ITIL вообще не говорю, он здесь не подходит, это для офиса), вероятность безотказной работы и коэффициент оперативной готовности. И он рано или поздно добивается целевых значений, а данные все равно не достоверны. Начинаем искать причину, задаем новые показатели: данные достоверны, своевременны, полны. И тут выясняется, что их достижение зависит не только от ИТ-специалиста. Поскольку под землей нет GPS, для позиционирования машин в рудниках размещаются автономные точки отметки. Такую метку необходимо не только повесить в нужное место, но и записать информацию о ней в нужный справочник корректно и своевременно. Только тогда система сможет корректно отслеживать рейсы. Если горняк неправильно внес эти данные в базу, система правильно работать не будет: не может быть достоверной информация, которая базируется на недостоверных базовых данных. А хозяином этих данных является не «айтишник», а горняк.

Мы в процессах прописываем обеспечение достоверности данных, прослеживая все факторы, которые на это влияют. Выяснилось, что в ряде случаев стандартные технологии у нас оказываются неприменимы. Например, для определения веса ковша мы используем нейронные сети – с помощью оптики смотрим загруженность ковша, определяем размер фракции и по данным о материале, значению насыпной плотности и другим параметрам вычисляем вес. Нам пришлось на это пойти, потому что с помощью обычных весов под землей на получение достоверных данных затрачивается слишком много времени.

— Приведите еще примеры таких нестандартных решений в работе с данными.

Многие считают метод предиктивных ремонтов наиболее передовым подходом к повышению эффективности работы с оборудованием. А я скажу – нет, это не так. Для прогнозирования поломок нужно обеспечить большой поток информации и его анализ, но при этом мы будем гнаться за уже произошедшими отклонениями, за уже наметившимися трендами. На самом же деле суть здесь в другом. Механизм не должен ломаться, работая в тех условиях, для которых он спроектирован и построен. Главным источником деструктивных изменений оказывается человек. Если человека удалить из процесса, потребность в предиктивных ремонтах значительно снизится. В контроле за действиями человека заложен куда больший потенциал повышения эффективности, чем в предиктивных ремонтах.

Мы и сделали это, создав так называемый паспорт оператора. Оператор получает задание с учетом всех нормативов, а система фиксирует фактическое значение параметров: на какой скорости он доехал из точки А в точку В, за сколько секунд зачерпнул рудную массу, за какое время вернулся, сколько секунд потратил на выгрузку, на какой передаче ехал, сколько было оборотов двигателя, сколько потратил горючего и т. д. Дальше анализируем результаты разных операторов на одной и той же машине и одной и той же операции и делаем выводы, почему они различаются. Потребуется ли, например, данному оператору дополнительное обучение или лучше перевести его на другую работу.

Но в конечном итоге мы движемся в сторону автономных либо дистанционно управляемых машин. В прошлом году прошло тестирование первого автономного подземного самосвала на одном из наших рудников, и сейчас идет к завершению проект по вводу в эксплуатацию беспилотных самосвалов под землей.

Цель – безопасное и эффективное автономное производство

— Какие дальнейшие шаги запланированы в программе? Чего сейчас не хватает с точки зрения оцифровки процессов и работы с данными?

Мы реализовали базовые инструменты, а теперь работаем над тем, чтобы задействовать в управлении производством более точные данные, для которых потребуются инструменты с более тонкой настройкой. Например, мы собрали в базу данных работу всех маркшейдеров, которые вручную проводят сканирование подземных выработок. Такие замеры делаются раз в 10 дней и имеют определенную погрешность метода, к тому же на них не может не влиять человеческий фактор. Если маркшейдерия будет оцифрована и станет полностью безлюдной, то, представьте себе: машина едет по своим делам, забирается в выработку и сканирует ее, эти данные в реальном времени, а не через 10 дней, поступают в базу данных, мы сразу видим отклонения и можем на них реагировать.

Да, огромное количество данных из готовых скважин уже уложены в базы ГГИС, получены 3D-модели рудных тел. Мы их один раз с заданной точностью оцифровали, сейчас идет их выработка, но в оперативной работе с точки зрения «цифры» маркшейдерия отстает. Мы пытаемся делать прорыв в этом направлении, потому что нигде в мире этого пока нет.

— В чем значение программы для отрасли? В чем ее уникальность? Чем вы особенно гордитесь?

Прежде всего, был выбран верный подход. Мы не рассматривали только цифровую трансформацию, под которой многие до сих пор понимают внедрение новейших технологий. Мы с самого начала понимали, что для достижения столь значимых целей необходимы сначала трансформация операционной модели, ментальная трансформация и затем уже цифровая.

Что касается технологий, то на первом этапе программы использовано много типовых решений мирового класса. Но есть и уникальные решения. Например, имитационные модели рудников полностью разработаны у нас. Мы приглашали известные западные и российские компании, но у них не получилось. Нашли двух молодых российских специалистов, которые не знали, что это невозможно, и они сделали. Наша система имитационного моделирования защищена патентом РФ, это действительно уникальная разработка, которой можно гордиться.

— Неужели имитационное моделирование рудников нигде не практикуется?

Практикуется, но не так, как у нас. Мы хотели полностью автоматизировать контроль за выполнением плана горных работ. Для того чтобы это стало возможным, нам пришлось совместно с институтом «Гипроникель» потратить полтора года на разработку методологических документов, вникнуть в каждый из принципиальных элементов подземного горного дела. Описав всю логику процесса, мы ее оцифровали, выбрали платформу с нужным быстродействием и поддержкой специализированной базы данных и т. д.

В результате сегодня мы не берем в работу план, пока он не проверен на имитационной модели. А модель может, например, сказать, что на самом деле для реализации плана необходимо не 12 машин, а восемь. Соответственно, сокращаются расходы на закупку оборудования. По итогам первого этапа программы мы получили существенный экономический эффект, отказавшись от закупки 40 единиц дорогостоящей горной техники.

— Какие перспективы у «Технологического прорыва»?

Сегодня мы находимся на середине намеченного пути, а нашей конечной целью является безлюдный или, точнее, автономный рудник. По плану, к 2025 году добыча руды на шахте «Глубокая» рудника «Скалистый», на глубине 2-2,5 км, будет осуществляться в максимально автономном режиме.

Почему именно там? Во-первых, это очень глубоко, во-вторых, там очень высокая температура. Для работы людей на такой глубине необходимо обеспечивать воздух и кондиционировать его для снижения температуры. В безлюдном руднике люди перестанут спускаться в шахту, по крайней мере на то время, когда происходит сама добыча, подача воздуха будет минимизирована, техника станет электрической, автономной и дистанционно управляемой, будет реализована вентиляция по требованию. Есть множество новых задач и технологий, над которыми мы сейчас работаем, и, если мы это сделаем, добыча на астероиде перестанет быть фантазией.

Безлюдный рудник предъявляет совершенно иные требования к надежности. Так, для того чтобы обеспечить надежную передачу данных туда и обратно для управления таким агрегатом, как многотонный самосвал, нужны специализированные технологии, офисный wi-fi не годится. Мы сейчас испытываем на своих полигонах решения связи от ведущих мировых поставщиков.

И это только один пример. Процессы, связанные с автономностью, требуют новых знаний и компетенций как от бизнеса, так и от специалистов на местах. Значит, необходимо будет позаботиться о соответствующем обучении. Кроме того, понадобится выстроить правильные процессы взаимодействия с государственными органами, которые требуют определенных документов для организации такой работы.

И, конечно, здесь открывается обширное поле для применения самых передовых технологий обработки данных – анализа больших данных, машинного обучения, искусственного интеллекта. Мы уже начинаем применять многие из этих инструментов, выбирая оптимальные в зависимости от задачи. Появление базового слоя «цифры» дает возможность пытливым умам двигаться дальше. Например, если на обогатительной фабрике оцифрованы самые разнообразные данные, почему бы не поэкспериментировать с ними: построить систему-советчик для оптимизации технологического процесса, чтобы сделать его более безопасным, или более производительным, или более эффективным. На каждой из трех обогатительных фабрик компании такие работы ведутся, причем инициированы они людьми самых разных направлений – из ИТ, из департамента промышленных активов. Это тоже один из элементов движения к прорыву.

Университетский консорциум исследователей больших данных – ассоциация, объединяющая российские университеты, которые ведут фундаментальные и прикладные проекты в области аналитики больших данных. Одно из направлений деятельности консорциума – серия школ и образовательных интенсивов по обучению работе с данными, получившая название DataDiving.

О развитии университетских инициатив в области прикладного анализа больших данных и назначении проекта DataDiving рассказал Михаил Мягков, председатель правления ассоциации «Университетский консорциум исследователей больших данных» и номинант премии CDO Award 2021.

— Как появилась идея школ DataDiving?

Первую экспериментальную лабораторию по прикладному анализу больших данных мы основали на базе Томского государственного университета пять лет назад. Уже тогда было понятно, что количество данных, накапливаемых в мире, растет по экспоненте. А сейчас можно сказать, что вокруг нас – океан данных, который мы бороздим без карт, без подходящих кораблей и, главное, без четкого понимания целей и задач своего путешествия.

Серьезная проблема, и у нас, и на Западе – это колоссальный разрыв между гуманитарными и математическими научными областями в плане работы с данными. Очень мало проектов, в которых алгоритмы разрабатываются в кооперации социологов, политологов, психологов, математиков и предназначаются для решения конкретных задач общества и бизнеса. Это наследие общепринятого подхода к развитию науки, основанного на формировании обособленных дисциплинарных «кланов».

Но когда перед обществом встают серьезные вызовы, как это обстоит сейчас с данными, то возникает острая необходимость не просто в междисциплинарном сотрудничестве, а в таком подходе к организации проектов, когда для решения конкретной задачи собираются вместе все необходимые компетенции из самых разных областей.

Идея реализации такого подхода, который я называю «постдисциплинарным», лежала в основе организации Университетского консорциума исследователей больших данных. Решение подобных задач силами одних университетов было бы невозможно, поэтому ключевой составляющей нашего консорциума являются индустриальные партнеры. Консорциум был основан при активной поддержке компании «Крибрум», впоследствии к нам присоединились Megaputer Intelligence, Forecsys и другие. Мы создавали инфраструктуру для решения конкретных проблем, а не для абстрактных междисциплинарных исследований. Например, как данные помогут приемной комиссии привлечь более качественных абитуриентов? Как снизить отток квалифицированных кадров и удержать их в регионе? Как на базе анализа цифрового следа в социальных сетях увеличить уровень благотворительной активности? Или как на ранних стадиях распознать экстремизм и радикальные течения?

Основной целью консорциума является наполнение университетов командами (подчеркну это слово), способными решать конкретные задачи с помощью окружающего нас океана данных. Потому и родилась идея такого названия для образовательных инициатив – DataDiving. Мы «погружаем» людей в океан данных, чтобы они смогли найти и поднять на поверхность скрытые в нем «жемчужины».

— Наверняка у многих университетов – членов консорциума уже есть свои программы в области работы с данными. Этого недостаточно?

Да, у многих вузов есть такие программы. Но наша задача не в обучении конкретного человека по конкретному курсу. Посредством DataDiving мы создаем инфраструктуру единомышленников для совместной работы над актуальными проблемами.

Приведу пример. В начале пандемии у Министерства образования и науки РФ появился срочный запрос на выявление проблем при переводе образовательной среды на дистанционный формат. Для обработки всех тех данных, которые позволили бы дать релевантный ответ на эти вопросы, потребовалась бы крупная организация, целиком задействованная на таком проекте. Мы же в рамках консорциума распределили эти данные между 10 университетскими командами, которые одновременно включились в работу. Это позволило предоставлять ведомству актуальную картину происходящего практически в режиме реального времени. В университетской среде нет другой организации, способной осуществлять подобные проекты с такой скоростью и гибкостью.

— Как устроена школа DataDiving?

Мы создали своего рода конструктор для формирования школ прикладного анализа данных, из которого, как из кубиков LEGO, можно складывать программы, различающиеся по количеству учебных часов, тематическому фокусу, аудитории и т. д.

Так, одна из школ, прошедшая в декабре, состояла из трех основных частей. Первая – недельный пре-модуль в онлайне, на котором слушатели проходили теоретическую подготовку по основам анализа данных. Задача этой части программы – дать представление о том, как соотносятся между собой реальная жизнь, данные и модели, и показать, какие инструменты используются в анализе больших данных. Здесь важно сотрудничество с нашими партнерами из индустрии, которые безвозмездно предоставляют свои программные решения (например, платформу «Крибрум» для сбора данных из социальных медиа или систему Polyanalyst для текстовой аналитики) и помогают учить студентов.

Но самое интересное происходило в рамках второй части – очной сессии, на которой была дана путевка в жизнь конкретным проектам. В течение нескольких дней шла кропотливая работа с участниками школы, выбирались темы проектов, формировались команды. Здесь требовались не только технические и методические навыки – нужно быть еще немного психологом, а в чем-то и «свахой», потому что конечный успех школы зависит от вовлеченности людей, от их заинтересованности в результате проекта, способности работать в команде.

Что касается тем проектов, то их можем предлагать не только мы, но и сами участники. Иногда возникают совершенно неожиданные для нас темы. Например, недавно разрабатывалась задача использования анализа данных для предотвращения супружеского насилия. Выяснилось, что в обществе есть большая потребность в таких инструментах.

Финальная часть – сопровождение проектов. Мы помогаем найти правильных людей и собрать эффективные команды, чтобы инициированные в рамках школы проекты имели хорошие шансы на успешное развитие.

— Кто учится и кто учит в школах DataDiving?

Так как наше общество уже погружено в океан данных, то любой человек, которому в его работе может понадобиться анализ данных – наш потенциальный студент. Для примера, это могут быть социологи, технические специалисты, политологи, лингвисты, специалисты из некоммерческих благотворительных организаций или государственного управления.

Преподавателями выступают представители университетов – участников консорциума, а также эксперты со стороны индустриальных партнеров. Также в зависимости от задач программы мы можем приглашать наиболее значимых спикеров из бизнеса или научного сообщества. Главное – обеспечить проектную синергию, выстроить мост между академическими знаниями и реальной жизнью.

Обучение анализу больших данных в наших школах прошли уже более 600 человек из 15 регионов России. По итогам прошедших занятий уже реализовано более 10 проектов .

— Каким образом эти проекты учитывают потребности общества и бизнеса в анализе данных?

Инфраструктура, которую мы создаем на базе университетов, является инструментом для взаимодействия и с обществом, и с бизнесом. Наше активное участие в программе подготовки CDO (директоров по данным) – хорошая тому иллюстрация. Когда возникла задача обучить большое количество чиновников и представителей коммерческих структур проектной деятельности по работе с данными, выяснилось, что консорциум это может реализовать быстро и эффективно.

А без совместных проектов с бизнесом консорциум вообще был бы нежизнеспособен. Эффективность того, что мы делаем, должна измеряться тем, насколько мы активно и продуктивно сотрудничаем со средой за пределами университетов.

В качестве примера – мы участвуем в совместном проекте с компанией, которая экспортирует в Россию экзотические фрукты. Компетенции университетских центров прикладного анализа данных задействованы в решении задачи прогнозирования и контроля состояния товара на момент его поступления на полки магазинов на основе больших объемов данных об условиях сбора и транспортировки фруктов.

— У консорциума широкая география. Насколько ваши школы и проекты привязаны к региональной специфике, какой потенциал тиражирования этих инициатив?

Сегодня в консорциум входит около 30 университетов из разных городов и регионов: Томска, Архангельска, Якутска, Тольятти, Москвы (МГУ им. Ломоносова, НИУ ВШЭ), Чечни, Крыма и пр. Наша философия подразумевает активное участие вуза – члена консорциума в реализуемых инициативах и проектах. Томский госуниверситет выступает в роли координатора работ.

Широта охвата проекта зависит от его задач. Есть и региональные, но большинство имеют федеральный масштаб. Например, сейчас мы совместно с Центром перспективных управленческих решений (ЦПУР) развиваем инициированный в Томске проект по составлению динамического рейтинга качества жизни в регионах на основе различных официальных данных и цифрового следа человека.

— Какие перспективы у DataDiving?

У нас не может быть других перспектив, кроме как создавать все новые и новые инструменты для работы с океаном данных, которые позволят отвечать на различные вызовы и повысить качество жизни общества. Наша инициатива развивается очень успешно, создаются новые программы, многому учимся сами по ходу дела, поскольку здесь нет опыта, на который можно было бы опереться. Наш консорциум – уникальная организация не только для России, но и в мире. Мы научились быстро создавать новые образовательные программы под конкретные нужды, учимся все лучше координировать проектную деятельность, чтобы она давала успешные результаты. Мы рассчитываем стать флагманским кораблем флотилии в океане данных, при этом готовы продуктивно сотрудничать со всеми, кому это важно. У нас открытые данные, которыми мы безвозмездно делимся со всеми, кто в этом реально заинтересован.

— Что для вас самое сложное, а что – самое интересное в образовательных инициативах консорциума?

Я почти четверть века работаю в университетской среде в России и на Западе, и глубоко убежден, что развитие человеческого капитала – основная миссия университета. В этом я вижу и свою главную цель. Самое сложное в наших инициативах – найти и замотивировать людей, которые не просто отсидят учебные часы, а сделают запущенные в рамках школы проекты частью своей профессиональной жизни. Инициативных, активных, увлеченных людей пока не хватает. В наших школах мы работаем индивидуально с каждым, чтобы создавать продуктивные проектные команды. Это и самое трудное, и самое интересное.

Маржинальность — важный показатель эффективности основной деятельности компании, демонстрирующий разницу между выручкой от реализации продукта и понесенными затратами на его производство. В компании Tele2 контроль и анализ маржинальности являются одними из ключевых процессов для повышения эффективности бизнеса. Оператор выстроил единую комплексную систему управления маржинальностью.

О создании такой экосистемы, ее преимуществах и роли данных в этом проекте рассказывает Григорий Игумнов, руководитель направления по управлению маржинальностью бизнес-операций и контролю операционных проектов компании Tele2, ставший номинантом на премию CDO Award 2021.

- Каковы предпосылки внедрения единого процесса и платформы управления маржинальностью?

Телекоммуникационная индустрия сменила вектор своего развития с экстенсивного на интенсивный. Если на заре становления индустрии операторы связи стремились прежде всего к тому, чтобы привлечь как можно больше абонентов и увеличить свою выручку за счет количества потребителей услуг связи, то сейчас рост абонентской базы сильно замедлился, поскольку рынок телекоммуникационных услуг уже поделен между основными операторами. Это заставляет компании смещать стратегический фокус с увеличения количества абонентов на повышение доходности предлагаемых тарифов и услуг.

Понимая это, акционеры Tele2 поставили задачу детально проанализировать микросегменты, чтобы повысить рентабельность. Микросегменты бизнеса оператора связи — это абонент, тарифный план, услуга, B2B-клиент, точка продаж, сайт (сетевой инфраструктурный объект), роуминг-партнер и др. Вклад каждого из таких микросегментов в маржу оценивается отдельно. Мы должны были обеспечить возможность определять эффективность на уровне каждого микросегмента, находить утечки маржи и на основе этих данных принимать управленческие решения по повышению эффективности.

Анализом маржинальности мы занимались и раньше, однако технологии не позволяли делать это регулярно и с такой глубокой гранулярностью. Зачастую приходилось ограничиваться анализом показателей по крупным сегментам бизнеса или филиалу в целом. Предельный уровень детализации в нашей индустрии — это абонентская транзакция. Зная, какую выручку компания получает за каждую абонентскую транзакцию, а также имея возможность правильно относить на нее полный перечень затрат, можно вычислить маржинальность, агрегируя ее до любого микросегмента. Именно это и необходимо было реализовать на новой платформе.

Перед началом проекта мы провели несколько пилотов с различными интеграторами, тестируя программные решения, способные сформировать маржинальность на уровне микросегментов. Это были как промышленные инструменты, так и «самописные» продукты, разработанные для задач операторов связи. В результате подтвердились наши выводы о том, что такую аналитику действительно необходимо внедрять и развивать, а выбор был сделан в пользу решения SAP Customer Profitability Analytics (CPA).

- Такой комплексный подход к оценке маржинальности и использование анализа в качестве ключевого инструмента повышения эффективности характерны для всей отрасли или это «ноу-хау» Теlе2?

В телеком-отрасли принято анализировать показатели маржинальности в разрезе микросегментов. Но далеко не все это делают на регулярной основе. Более того, далеко не у всех есть единая, согласованная со всеми бизнес-подразделениями методика расчета показателей маржинальности: какие затраты включать, какие драйверы использовать для их распределения. Не у всех есть регулярные процессы, регламентирующие, в какие сроки формируется отчетность, как и когда проводится проверка качества данных и т. д. Очень часто такой анализ ограничивается ad-hoc-отчетом внутри бизнес-подразделений.

Мы в Tele2 первыми на рынке СНГ внедрили промышленную платформу по управлению эффективностью бизнеса SAP CPA и выстроили на ее основе единые процессы по управлению показателями маржинальности бизнеса.

- Что собой представляет процесс управления маржинальностью? Как вы его формировали?

Первым этапом проекта было создание единой методологии расчета показателей маржинальности по микросегментам, помогали нам в этом консультанты из компании Deloitte. Если раньше у разных аналитиков в зависимости от разных задач подход к расчетам мог значимо меняться, то теперь мы постарались его унифицировать, согласовать со всеми бизнес-подразделениями и сформировать единую методику.

Вторая задача процесса — это отчетность, то есть ее регулярное формирование с поддержкой различных регламентных процедур, в том числе контроля качества данных. Из них самая важная — проверка данных на сходимость с финансовой отчетностью (раньше, когда специалисты из подразделений занимались аналитикой разрозненно, такая сверка не всегда была возможна). Кроме того, результатом нашего проекта стала возможность интегрировать расчеты маржи по микросегментам в различные источники данных и использовать для их анализа разнообразный инструментарий (начиная от sql-запросов к витринам данных в корпоративных хранилищах и заканчивая аналитикой и публикацией отчетов с помощью инструментов self-service BI).

Третья задача — это регламентация процесса. Мы должны были договориться с бизнес-функциями о том, какие показатели маржинальности находятся в зоне их ответственности, как и с какой периодичностью мы проводим их анализ, находим утечки, как их устраняем, когда проводим постанализ и пр.

Результаты проекта стали одним из стимулов формирования функции управления данными в компании и основополагающим фактором создания функции Margin Assurance.

- Кто вовлечен в работу с данными в процессе контроля маржинальности? Какие изменения в работе этих сотрудников произошли в результате внедрения единой платформы?

Во-первых, это пользователи в региональных филиалах и макрорегионах. В прошлом году мы запустили процессы по контролю маржинальности объектов сети и торговых точек. Теперь сотрудники «на местах» понимают до деталей, из чего складывается экономика их филиала и на чем стоит в первую очередь фокусироваться. Во-вторых, это люди в корпоративном центре, отвечающие за развитие сегментов бизнеса (продукты, клиенты, каналы продаж и многое другое).

Теперь все коммерческие подразделения компании вовлечены в анализ показателей маржинальности, которые находятся в зоне их ответственности. Аналитики имеют доступ к системе, сами выгружают нужные данные и анализируют их. При этом есть функция Margin Assurance, сотрудники которой отвечают за регламентацию и поддержку этого процесса. Мы сопровождаем, обучаем пользователей, обсуждаем с ними, что получается, а что нет, но сам анализ и работа с его результатами лежат на бизнес-подразделениях.

- Какие источники данных вы используете? Какие в проекте были сложности с точки зрения работы с данными?

Одним из самых сложных этапов в проекте стали интеграция множества разрозненных источников данных и приведение их к единому формату модели управления маржинальностью TM Forum в SAP CPA.

Источниками в первую очередь послужили данные различных биллингов (абонентские, межоператорские), формирующие доходную составляющую. Но чтобы правильно и корректно посчитать маржу, требовалось включить в расчет данные по затратам. Поэтому были также интегрированы системы по взаиморасчету с контрагентами (дилерами, контент-провайдерами и др.), системы управленческой и финансовой отчетности и, в частности, реализована прямая интеграция данных из ERP.

Задача усложнялась тем, что эти многочисленные источники данных различались по архитектуре и модели, у них были разные сроки формирования отчетности и гранулярность.

- Что определило выбор продукта SAP для платформы управления маржинальностью?

Выбору предшествовали долгое изучение рынка, проведение нескольких пилотных проектов, кропотливая работа наших архитекторов. SAP CPA оказался единственным «коробочным» решением, в котором была заложена вся необходимая аналитика для сравнения различных паттернов поведения микросегментов. Система позволяет в базе с десятками миллионов абонентов в два клика «провалиться» до конкретного клиента, услуги, тарифа, понять, какая у них экономика, как они ведут себя по сравнению с остальными, выявить тенденции (рост или падение), определить, какие потенциальные проблемы с ними связаны. И такой анализ можно проводить, используя 100 различных атрибутов, заложенных в модели.

- Что подразумевает контроль качества данных в управлении маржинальностью?

Интегрируя множество источников данных с разными моделями хранения и регламентами управления данными, мы не могли не столкнуться с большим количеством проблем, связанных с качеством данных. Но для нас это не стало «ахиллесовой пятой». Мы, как люди, имеющие отношение к финансовой функции, умеем проверять цифры, поэтому разработали целую систему контроля качества и процедуры сверки на каждом этапе формирования данных. А на финише цифры сверяются с регламентной финансовой отчетностью. Во время закрытия очередного отчетного периода запускаются специальные автоматические процедуры проверки. Сотрудники службы поддержки получают отчеты по качеству, и если что-то идет не так, об этом оповещает специальное «красное» уведомление — сигнал для принятия мер.

- Каковы масштабы проекта? Сколько времени он занял, сколько пользователей охвачено, какие объемы данных анализируются?

Проект длился около двух лет, у платформы сейчас сотни пользователей. На данный момент реализованы регулярный трендовый анализ и контроль утечек маржинальности по всем ключевым микросегментам, количество транзакций измеряется миллиардами в каждый отчетный месяц. Для справки: только абонентов у Tele2 на конец 2019 года было порядка 44,6 млн.

- Платформа создана. Можете привести примеры, когда контроль маржинальности повлек за собой конкретные решения, способствующие росту эффективности бизнеса?

Финансовая функция теперь регулярно проводит поиск провалов маржинальности по микросегментам, результаты которого разбираются совместно с бизнес-функциями. Итогом стало реформирование ряда проектов. Например, удержание абонентов, инвестирование в капиталоемкие проекты, оценка нагрузки на сеть, корректировка условий для партнеров — все это теперь анализируется с учетом данных маржинальности.

Один из примеров: с конца 2013 года всем абонентам сотовых компаний России доступна услуга MNP (mobile number portability) — переход от одного оператора к другому с сохранением номера. Оператор-донор заранее знает, какой абонент подал заявку и хочет от него уйти, поэтому, как правило, предпринимает ряд мер по его удержанию. Теперь, зная маржу с детализацией до конкретного абонента, мы понимаем, что можем предложить абоненту, чтобы это, с одной стороны, было ему выгодно, а с другой — не оказало негативного эффекта на финансовый результат компании.

- Каков вклад проекта в трансформацию компании в сторону data-driven?

В результате создания единой экосистемы управления маржинальностью бизнес-операций стала совершенно прозрачной и понятной экономика каждого микросегмента.

Топ-менеджмент Tele2 получает не только отчетность по маржинальности, но и аналитические выводы, сделанные на основе таких данных, и это становится основой для data-driven-решений. Трансформация бизнес-аналитики позволила формировать отчет с едиными управленческими показателями, который обсуждается на еженедельном собрании нашей управляющей команды. На основе этих данных оцениваются операционные результаты и закладывается основа для будущих стратегических решений.

Руководители высшего звена получают ежемесячные рассылки с данными по маржинальности. В этих рассылках представлены как регулярные выводы, так и выводы, основанные на новых бизнес-инсайтах. Каждая такая рассылка позволяет не только оценивать текущее положение дел по результатам закрытого месяца, но и формировать план действий для дальнейшего повышения рентабельности бизнеса.

- Вы упомянули, что проект был одним из факторов создания функции управления данными в компании. А какое место сейчас занимает управление маржинальностью в стратегии Tele2 в области данных?

Да, действительно, невозможно консолидировать источники с миллиардами транзакций и обойти стороной вопрос управления данными.

Сейчас функция Margin Assurance выступает своеобразным полигоном для тестирования практик стратегии управления данными. Так было с формированием процедур по контролю качества данных. Так это происходит с проектом под названием «Школа аналитики», в котором мы участвуем совместно с функцией управления данными. Сотрудники нашего подразделения смогли трансформироваться из рядовых финансовых аналитиков (с базовыми знаниями таблиц excel, систем бюджетирования, ERP и т. д.) в специалистов, способных самостоятельно анализировать большие массивы данных, в том числе с помощью написания процедур и скриптов для выгрузки данных из корпоративных хранилищ, работать с self-service-инструментами и формировать BI-отчетность для сотрудников компании.

- Каковы планы по развитию платформы?

Сейчас мы развиваем внедренный функционал — в частности, запустили ряд процессов по углублению срезов маржинальности. Создаются отчеты с данными по маржинальности для отдельных направлений и сегментов бизнеса. В результате улучшается анализ тех направлений деятельности компании, где раньше применялись подходы с крайне приблизительными оценками.

Кроме того, мы находимся в постоянном контакте с командой разработки продукта CPA в офисе SAP в Германии, сообщаем им о выявленных проблемах, предлагаем новые функции, необходимые телеком-бизнесу. И мы друг друга очень хорошо слышим.

- Что для вас было самым интересным в проекте?

Во-первых, знакомство с новыми людьми, большими профессионалами как в ИТ-сфере (мы работали с несколькими подрядчиками), так и в бизнес-подразделениях Tele2.

Во-вторых, в компании, и особенно в финансовой функции, мы с большим вниманием и трепетом подходим к анализу данных, обнаружению узких мест, которые требуют совершенствования. До реализации проекта существующая отчетность давала возможность выявлять основные бизнес-инсайты, при этом не всегда хватало данных для более глубокой аналитики. Поэтому мы очень ждали первых результатов — отчетности по дилерам, точкам продаж, сайтам, тарифам и т. д., чтобы внимательно ее изучить, открыть для себя новые инсайты и с их помощью вместе с бизнесом улучшать процессы. Я очень рад, что наш проект помогает компании повышать свои результаты и становиться более эффективной.

- Какие итоги проекта вы считаете ключевыми?

Я считаю, что главным достижением проекта является тот факт, что бизнес-подразделения компании теперь говорят на одном языке данных, одинаково считают и оценивают рентабельность микросегментов в своих зонах ответственности. Мы научились лучше слышать и понимать друг друга, что в конечном итоге делает нашу компанию более конкурентоспособной и более привлекательной для наших клиентов.