Статьи

Чтобы оперативно принимать решения на основе данных, необходимо вовлечь в работу с ними как можно больше сотрудников. Какие шаги предприняли в Сбере, чтобы быстро и с разумными затратами проверять различные гипотезы, находить эффективные решения и за считанные часы вводить в эксплуатацию модели на базе машинного обучения? Как на платформе «Фабрика данных» появилось «Рабочее место D-people» и что за этим последует, рассказывает номинант CDO Award 2021 Борис Рабинович, CDO Сбербанка, старший управляющий директор, директор департамента управления данными Сбербанка.

- Как зарождался data-driven-подход в Сбере?

После того как мы поняли, что с текущими темпами роста наших объемов данных масштабировать текущую архитектуру будет очень дорого, было принято решение о запуске программы создания «Фабрики данных». В рамках этой программы была разработана новая, современная архитектура, принята политика управления данными, внедрены функция и вертикаль CDO, началась проработка централизованных политик управления корпоративными данными и качеством данных.

- Чем занимается ваш департамент?

Миссия департамента — создание эффективной и доступной для всех подразделений банка среды работы с данными. Он отвечает за разработку, внедрение и сопровождение платформы, а также за управление корпоративными данными.

По смыслу и платформа, и департамент разделены на этапы жизненного цикла данных: загрузка, внутренняя обработка, предоставление данных. Отдельные классы задач — работа с интегрированными данными и сопровождение в режиме 24x7.

Поначалу программа создания «Фабрики данных» воспринималась бизнесом как пассив и факультативная нагрузка, поскольку платформа развивалась в соответствии с приоритетами, поставленными в основном технологическим блоком. Чтобы изменить это отношение, мы поменяли парадигму — пошли от задач бизнеса: определили ключевые проекты бизнес-блоков, связанные с данными, разобрались, что требуется от платформы этим проектам, сделали бэклог задач, привязанный к вехам этих проектов, распределили такие задачи по командам в департаменте и включили в эти команды представителей бизнес-блоков. Кроме того, мы ввели понятие «поколение платформы». Каждая смена «поколений» характеризуется качественным скачком, произошедшим в результате запуска ключевых бизнес-проектов.

В течение двух лет мы организовали подключение к платформе более 250 источников данных, выстроили инструменты для конкретных пользователей. Сейчас каждый третий трайб (группа команд. — Прим. ред. ) имеет на платформе свои решения. Количество решений выросло с 12 на конец 2019 года до 90 на конец 2020-го. Это масштабные аналитические системы, каждая из которых решает множество задач.

- Что собой представляет «Фабрика данных»?

Это платформа, которая на данный момент состоит из более 100 элементов и сервисов, таких как компонент загрузки данных в реальном времени, журналирование действий пользователя, аудит, проверка прав доступа, карта данных как средство навигации, механизм проверки качества данных, механизм распространения данных и т. п. Все эти процессы увязаны и работают так, чтобы в нужное время в нужном месте у наших клиентов были данные и решения. Часть платформы — промышленная область, где процессы выполняются без участия людей (по расписанию и для интеграции с внешними системами). Другая часть связана с процессом разработки, будь то инженерия, создание отчетов, аналитика или задачи data science.

- В чем заключается политика Сбера в работе с данными?

Политика по управлению корпоративными данными — это утвержденный правлением банка нормативный документ, свод правил, вокруг которого выстраиваются организационная вертикаль CDO, набор процессов управления данными, роли, их функции и взаимодействие друг с другом (CDO банка и блоков, владельцы предметных областей, менеджеры данных, дата-стюарды, дата-инженеры, архитекторы по работе с данными и др.).

Это верхнеуровневый документ, в котором структурированы и описаны ключевые вопросы работы с данными в банке и опорные точки, на которые мы ориентируемся: качество данных, описание данных, владение данными, предоставление прав доступа к данным.

Жизнь не стоит на месте, мы понимаем, какие области надо развивать, и сейчас выходит уже третья версия политики. На 2021 год стоит задача внедрить управление жизненным циклом данных — программу ILM (Information Lifecycle Management), чтобы обеспечить сквозное управление данными на всех этапах — «от рождения до смерти».

У нас не было подхода к «смерти» данных, но сейчас ясно: объем такой, что некоторые данные хранить нецелесообразно — мы их никак не используем, а они занимают место и стоят денег. Особое внимание направлено на все, что связано с конфиденциальными и персональными данными. Мы должны очень четко понимать, где они «живут», как мы их используем и обезличиваем для разных целей применения и как удаляем. Кроме того, все операции с данными необходимо выполнять в строгом соответствии с правилами действующего законодательства в части персональных данных, банковской тайны и других чувствительных данных.

Будет и четвертая версия политики, действие которой распространится на работу с данными не только Сбербанка, но и всей экосистемы. Нет предела совершенству.

- «Кладбище» данных еще не организовали?

Устроить «чердак» данных перед уничтожением — это хорошее предложение, я подумаю. Тема важная, потому что объемы данных Сбера колоссальны. В «Фабрике данных» около 12 Пбайт полезных данных, а с учетом репликаций — около 40 Пбайт. А кроме того, есть еще транзакционные системы, их копии — с ними объемы данных ушли уже далеко за сотню петабайт. Стоит их хранение очень прилично. Поэтому нам предстоит разобраться, нужно ли это хранить и можно ли перевести их хранение из «горячего» в «холодное». Фрагментарно это уже делается, но задача CDO — сделать это системно на уровне всего банка.

- Какие задачи превалируют: направленные на оптимизацию процессов или на создание новых продуктов и сервисов?

У меня три приоритета. Первый и основной — дать возможность бизнесу эффективно реализовывать на платформе все его задачи. Цель каждого из 90 решений — заработать денег и минимизировать потери банка. Второй важнейший приоритет — высочайшие стандарты кибербезопасности платформы. Третий — ее надежность и эффективность. При этом я слежу за тем, чтобы банк получал максимальный эффект, тратя минимальные деньги.

- Какую цель перед собой ставили, начиная работу над проектом D-people?

Ставилась цель — существенно повысить эффективность работы сотрудников D-people (дата-инженеры, дата-сайентисты, дата-аналитики) за счет сокращения времени создания и вывода моделей в промышленную эксплуатацию. Для этого и создавали единое рабочее место. Когда была запущена программа AI-трансформации, в банке появились сотни дата-сайентистов и еще больше дата-инженеров, которые готовят фичи (наборы данных, на которых работают модели. — Прим. ред. ). Если для такой армии созданы оптимальные условия работы (инструменты, доступные данные и пр.), то это в конечном итоге отражается на эффективности компании. Ради этого все и затевалось. Созаказчиком тут выступил розничный бизнес, трайб «Массовая персонализация», возглавляемый Игорем Зарубинским, где сосредоточено большинство D-People розницы.

Основные процессы для исследователей данных — это разработка моделей, анализ их работы, вывод в эксплуатацию и проверка результатов. Но фактически на это коллеги тратили лишь 10–15% времени, остальное занимала рутина — получение инфраструктуры, прав доступа, самих данных, разрешения на вывод модели в промышленную эксплуатацию. В любой крупной организации каждый элемент этой цепочки — длительный процесс. В результате на создание прототипов и проверку гипотез тратились не недели, а месяцы.

- Когда началась работа и какие задачи решали в первую очередь?

Ключевой компонент — лаборатория данных — появился в 2019 году. Это инфраструктура, которая доступна пользователям для прототипирования, проверки гипотез и разработки моделей.

Первая проблема заключалась в длительности процесса получения данных — заказа, получения согласований и разрешений для разовой загрузки данных на сервер. Мы обсудили с коллегами наболевшие вопросы и выяснили, что они хотят концентрироваться на своем ключевом навыке — строить модели, а не тратить время на решение «коммунальных» вопросов.

Разложив процесс работы дата-сайентиста на части — от получения выделенной инфраструктуры до вывода модели в промышленную эксплуатацию, — мы увидели, что проверка одной гипотезы занимает три с лишним месяца. Так жить нельзя!

И мы сосредоточились на том, чтобы многократно ускорить получение результата, выстроив новую цепочку процессов и совместив их с инструментарием, компоненты которого интегрированы друг с другом. Сделали супермаркет данных, позволяющий заказать любые доступные в банке данные.

Товары на «полках» нашего супермаркета — это дата-сеты, построенные на основе копий систем — источников информации, с полным описанием атрибутного состава и другой необходимой информации. К выбранным дата-сетам можно заказать доступ: кладешь в корзину, выбираешь к какому времени они нужны, куда их нужно выгрузить и нажимаешь кнопку «Заказать». Формируется подписка. Данные отгружаются c указанной заказчиком периодичностью. Параллельно в этом же интерфейсе происходит предоставление прав доступа.

Также мы запустили магазин инфраструктуры, где можно выбрать виртуальный сервер необходимой конфигурации — с нужным числом ядер, объемом памяти и «начинкой». Заказываешь — и в течение часа разворачивается Hadoop и создается твой персональный сервер. Специально для тебя! Получается новый клиентский опыт: развернув сервер, заказываешь данные в супермаркете, получаешь права доступа — и эти данные автоматически отгружаются на твой сервер.

На следующем шаге дата-сайентисту нужны инструменты. Поэтому рабочее место D-People наполнено всеми современными инструментами обработки данных (spark, hive и пр.), UI (hue, Jupyter Hub) и библиотеками.

Когда сервер развернут со всеми инструментами и современными библиотеками, дата-сайентист начинает делать фичи и моделировать. Следующая задача — вывести витрину фичей и саму модель в промышленную эксплуатацию. Вывод витрины занимает до недели, но это разовая акция, а вот для вывода самой модели, когда витрина уже есть, мы сделали модельный DevOps, оптимизировав этот процесс до 4 часов.

Таким образом, весь цикл организационной работы дата-сайентиста сжат с трех с лишним месяцев до одного дня.

- Какие источники данных использовались?

Сейчас загружено более 250 внешних и внутренних источников данных плюс внешние справочники. Но гипотетически в банке более 300 централизованных систем, есть и децентрализованные. У дочерних обществ Сбера появляются данные, которые тоже нужны в контуре банка. Поэтому количество источников постоянно растет.

- Какие платформы применяются в работе с данными?

Источниками служат главным образом legacy-системы на базе Oracle, основное хранение данных осуществляется в Hadoop в сборке от Cloudera. С помощью OGG (Oracle Golden Gate) и Apache Kafka мы ежедневно поставляем данные как в пакетном режиме, так и в реальном времени. Движок супермаркета данных и инструмент для загрузки данных — наша собственная разработка на Java, фронтенд сделан на JavaScript. Лаборатория данных обладает динамической инфраструктурой под управлением OpenStack/OpenShift и позволяет динамически развернуть необходимые сборки (Hadoop/Spark/РСУБД), содержащие все нужные инструменты для дата-сайентистов. Инструментарий DevOps AI для прототипирования витрин и моделей с последующим выводом в эксплуатацию строится на стандартном наборе Jenkins, BitBucket, Nexus и прочих решений open source — тут мы ничего не изобретаем.

- С какими сложностями пришлось столкнуться в проекте D-people?

Проблем было несколько: технологическая, процессная и человеческая.

Во-первых, надо было сделать так, чтобы созданные инновационные компоненты стабильно работали с нужной функциональностью и нужными объемами данных. Через это надо было пройти, набить шишек и масштабироваться.

Во-вторых, нужно было поменять процессы банка так, чтобы права доступа и согласования стало возможно заказывать и получать автоматизированно и чтобы все эти механизмы были узаконены. Вывод компонентов в эксплуатацию потребовал изменения регламентов по порядку проведения приемо-сдаточных испытаний и по правилам вывода моделей — это был большой труд.

Но наиболее сложной была человеческая история: необходимо было убедить людей в том, что мы делаем действительно нужные, полезные и перспективные вещи. Добиться, чтобы люди начали доверять созданному нами решению, стали амбассадорами нового бренда и начали «переманивать» коллег выходить из привычных им систем, убеждать их в том, что новое решение эффективнее и за ним будущее.

- Что стало главным достижением этого проекта?

Ключевой эффект — сокращение времени дата-сайентиста на построение модели с трех месяцев до дней. Этот проект обеспечил единое окно к океану данных всему сообществу дата-инженеров и дата-сайентистов. Время доступа к данным сократилось с нескольких недель до часа, получение вычислительных мощностей — с нескольких месяцев до часа. Также инструмент позволил быстро выводить разработанное решение в промышленную эксплуатацию.

- Какие результаты своей деятельности вы считаете главными и как оцениваете свою роль в реализуемых проектах банка?

Первый результат — команда, второй — передовая платформа.

Одним из ключевых изменений стало новое представление о «Фабрике данных» в банке. Мы внедрили совместную ответственность за части платформы тех бизнес-блоков, которые наиболее заинтересованы в результате или создании того или иного компонента. Например, за компоненты загрузки и распространения данных совместно с блоком технологий отвечают розничный и корпоративный блоки. Во главу угла были поставлены проекты, приоритетные для бизнес-блоков. Мы разбираемся до «винтиков» в том, что нужно сделать, чтобы этот проект «полетел», и устанавливаем для команд сроки, чтобы обеспечить бизнесу нужную функциональность в нужное время. В итоге и у сотрудников, и у руководства сложилось другое представление о платформе.

Помимо благодарности контрагентов, для меня мерилом успеха является число клиентов и количество решений, которые запускаются на платформе. Если бы клиенты не были удовлетворены, то к нам не приходили бы новые пользователи. А я вижу очень высокий спрос, и это для меня важный результат.

- Как платформа будет развиваться дальше?

Количество требований к платформе возросло за год с 250 до 750. В стратегии до 2023 года обозначены задачи, связанные с надежностью уже запущенных инструментов, которые нам предстоит поддерживать, c ростом количества источников и подписок. Кроме того, для улучшения клиентского опыта мы внедряем еще одно цифровое решение — рабочее место аналитика. Так как практически каждый сотрудник банка работает с отчетностью и данными, мы хотим, чтобы у любого из них был инструмент, с помощью которого он может видеть аналитику своего подразделения и делать отчеты.

Данные генерируются во все больших объемах, и выигрывает тот, кто максимально оперативно реагирует на события. Учитывая быстрый рост экосистемы, мы хотим перейти на работу в реальном времени и иметь возможность реагировать на миллионы транзакций. Мы поставили цель — обеспечить обработку более 10 млн транзакций в секунду (это события, которые генерируют наши клиенты во всех каналах одновременно). Поверх этих данных будет выстраиваться рекомендательная система реагирования на действия клиента во всех каналах.

Следующее направление — оптимизация, уменьшение стоимости инфраструктуры и переход на собственные сборки программных продуктов. Мы сделали свою сборку стека Hadoop, назвали ее Sberbank Data Platform, также будет собственная сборка реляционной БД Greenplum. Такие сборки при наших объемах данных позволят существенно снизить стоимость инфраструктуры.

Еще одна тема, как я уже говорил, — внедрение концепции управления жизненным циклом информации.

- А каким вы видите дальнейшее развитие проекта D-People?

Одна из перспективных задач — вывод всей платформы в SberCloud (SberCloud — это наш облачный провайдер). Мы хотим вывести платформу как набор интегрированных друг с другом дистрибутивов, чтобы дать возможность нашим дочерним компаниям строить на них свои решения. Рабочее место D-People — основной компонент облачной платформы, который позволит любому сотруднику загрузить свои данные и выполнить свою задачу. Эта инфраструктура уже до конца текущего года станет доступна внешнему миру.

Ступени CDO Борис Рабинович более 15 лет проработал в консалтинговых организациях, отвечая за такие области, как внедрение хранилищ данных, отчетность, системы управления справочниками. Позднее, в компании «Сбербанк Технологии», он возглавлял центр компетенции BI, затем — департамент BI и больших данных. При реструктуризации перешел в Сбербанк на должность руководителя управления загрузки данных. Летом 2019 года Борис стал директором департамента управления данными, и сегодня как CDO Сбербанка он отвечает за все централизованные функции по работе с данными банка и за программу создания «Фабрики данных».

В России в настоящий момент есть острая потребность в квалифицированных менеджерах, способных возглавить работу с данными. Это подтверждает опыт компании BSSG, специализирующейся на управлении данными и организующей обучение руководителей CDO/CDTO.

Почему компании стремятся управлять данными, как они решают проблему подготовки CDO и кого назначают на эти должности, рассказывает Юрий Клочко, управляющий партнер компании BSSG и номинант на премию CDO Award 2021 .

- По вашим оценкам, насколько велик интерес российских компаний к управлению данными?

Российские компании долгое время игнорировали необходимость выводить управление данными в отдельную корпоративную функцию (Data Governance), ограничиваясь исключительно некоторыми практическими областями: управление мастер-данными, управление контентом и построение аналитических систем. Исключение составлял финансовый сектор, где управление данными было институциализировано как норма соответствия соглашению Базельского комитета по банковскому надзору — «Базель III», которое вышло в 2010 году.

Радикальные изменения произошли, когда российские компании начали реализовывать масштабные и амбициозные программы цифровой трансформации: интерес к управлению данными начал расти лавинообразно. И хотя руководители компаний из различных отраслей экономики по-разному смотрят на управление данными, они ясно осознают: невозможно извлечь ценность из того, чем не управляешь. Сегодня практически все компании из топ-100 организовали отдельные офисы по управлению данными и наняли CDO.

- Что сегодня стимулирует российские компании управлять данными?

В моей практике встречались компании с различной мотивацией.

Вариант первый: топ-менеджеры, стремящиеся «быть в тренде», полагают, что организация, опирающаяся на данные в принятии управленческих решений, более привлекательна для инвесторов. Нередко такие руководители инициируют проведение формальной оценки уровня зрелости управления, чтобы зафиксировать в отчете вывод о том, что их компания опирается на данные и умеет извлекать из них ценность. Впрочем, такой подход встречается в России нечасто.

Другой вариант: у бизнеса, осуществляющего цифровую трансформацию, еще нет ясного представления о том, как извлечь выгоду из имеющихся данных, поэтому руководители изучают опыт других компаний схожего профиля. Менеджеры, отвечающие за цифровую трансформацию, понимают, что под управление данными нужно выделить одну из вертикалей управления. А для того чтобы охарактеризовать качество данных, их вовлечение в транзакции и т. п., определяют основные целевые показатели. В общем, они пытаются начать работать с данными как с активом компании.

Наконец, третий вариант — это «чемпионы», как я их называю. Это организации, которые считают свои способы применения данных одним из конкурентных преимуществ, научились извлекать выгоду из данных и понимают все нюансы этих процессов. Они сфокусированы на том, чтобы сделать доступ к данным еще проще, быстрее, шире, использовать данные для обучения моделей ИИ и увеличивать количество процессов, управляемых с помощью таких моделей.

Идея состоит в том, что у многих компаний схожего профиля и процессы схожи. Если сотрудники могут перейти из одной организации в другую, то данные и способы их применения уникальны, разработанные модели крайне плохо переносятся из одной организации в другую. Ощутимое конкурентное преимущество — это именно данные и модели на их основе. Яркий пример «чемпиона» — компания X5 Retail Group. В их департаменте больших данных трудится более 500 специалистов, и это при том, что бизнес X5 — это ретейл, а не ИТ.

- Как меняются потребности российских предприятий в квалифицированных руководителях по управлению данными и как решаются вопросы их подготовки?

В 2018 году на HeadHunter мы наблюдали всего пять-шесть вакансий CDO за весь год. В 2020 году вакансия CDO открывалась раз в две недели. Одновременно с этим стали искать специалистов и на другие традиционные роли в системе управления данными, например стюард данных и инженер по данным. По нашим оценкам, даже в крупных компаниях еще не полностью сформированы команды, отвечающие за данные, а спрос на CDO будет расти еще три-пять лет.

Как я уже сказал, организованная функция управления данными появилась всего несколько лет назад, и взять опытные кадры в России просто неоткуда. Поэтому на должность CDO сегодня ставят в основном сотрудников, имеющих опыт в управлении мастер-данными, нормативно-справочной информацией и аналитикой. Иногда ими становятся разработчики, отвечающие за обработку данных, а иногда — бизнес-руководители, которые пытаются понять, как монетизировать данные. Некоторые компании нанимают экспатов, имеющих опыт управления данными в зарубежных компаниях или их российских филиалах.

Типичные кандидаты на должность CDO — менеджеры-технари. Например, те, кто занимался управлением проектами или руководил отделами ИТ-департаментов. Если помните, в COBIT есть элементы корпоративного управления данными, и если ИТ-менеджеры владеют этими знаниями и навыками, то могут достаточно быстро переквалифицироваться в менеджеров по управлению данными.

- Какие факторы вы считаете главными барьерами на пути подготовки CDO в России?

Главное на сегодня препятствие на пути широкой подготовки CDO, которое я вижу примерно в половине российских организаций, — это то, что руководителями по цифровой трансформации и по данным назначаются сотрудники, недостаточно хорошо владеющие английским языком. Английский язык просто необходим, чтобы расширять знания и следовать зарубежным практикам.

В результате такие сотрудники ищут каналы обучения на русском языке и переводы основных западных сводов знаний и управленческих фреймворков. Предприятия готовы оплачивать обучение на курсах по управлению данными. Такая картина характерна в первую очередь для банков: они отправляют на курсы своих директоров по данным или эквивалентных по рангу руководителей, желающих погрузиться в эту тематику.

Вопрос квалификации CDO сейчас крайне актуален, и в 2021 году мы ожидаем высокого спроса на систему профессиональной сертификации кадров. За рубежом, как известно, есть уже не только учебные курсы по управлению данными, но и сертификация, в первую очередь Certified Data Management Professional (CDMP), предусматривающая три уровня знаний. Такой сертификат является серьезным свидительством компетентности сотрудника, а специалисты, получившие сертификат CDMP верхнего уровня, очень востребованы и легко трудоустраиваются. В 2021 году мы планируем начать подготовку к сертификации CDMP на русском языке. Мы уже ведем переговоры об открытии филиала ассоциации профессионалов в области управления данными DAMA в России, тогда мы сможем и экзамены проводить на русском языке.

- Какими знаниями и компетенциями должен обладать претендент на должность CDO?

Я согласен с предложенной Harvard Business Review системой классификации CDO, основанной на установках и знаниях кандидатов. Они выделяют среди CDO шесть направлений: директор по данным и аналитике, антрепренер данных, разработчик систем данных (Data Developer), менеджер по защите данных, «заведующий данными» (Data Governor) и менеджер по этике данных (Data Ethicist).

Например, директор по данным и аналитике является наиболее распространенной ролью в финансовых компаниях и фокусируется на математическом моделировании и data science. Антрепренер данных развивает основанные на данных продукты, применяя имеющиеся в компании технологии. Для него важно бизнес-образование, продуктовое мышление и ориентированность на продажи. Роль заведующего данными – методолога – распространено в компаниях, находящихся на высоком (4+) уровне зрелости в области управления данными. Менеджер по этике данных актуален для компаний потребительского сектора, где уделяется особое внимание защите персональных данных. Ему может быть полезно, в числе прочего, юридическое образование, опыт PR или GR, а также умение работать с людьми.

В российских компаниях чаще всего можно встретить CDO, которые вышли либо из службы корпоративной аналитики, либо из ИТ-департамента. Сейчас намечается интересная тенденция: появляется серьезный спрос на «антрепренеров» – CDO предпринимательского типа, поскольку практически все промышленные компании взяли ставку на создание коммерческих продуктов, основанных на данных.

- На каких аспектах управления данными концентрируют внимание ваши курсы?

Управление данными в академическом формате (DAMA-DMBOK) — крайне непростая и довольно скучная тема. Поэтому мы стараемся сделать курсы интересными и для представителей бизнеса, и для технических специалистов в области ИТ и науки о данных. Каждый обретает новый взгляд на аспекты управления данными. По форме у нас есть однодневные и многодневные программы, достаточно глубокие для подготовки к сертификации CDMP.

- Что нового и уникального вы предложили вашим слушателям?

Нами была предложена модель жизненного цикла компании в цифровой экономике. В этой модели имеется четыре последовательных стадии – от People Driven Company, где основой компании являются ее сотрудники, до Model Driven Company, в которой основа компании — ее модели.

Мы уверены, что компании, достигающие более высокого уровня зрелости, получают определенное конкурентное преимущество по сравнению с теми, кто находится на предшествующих уровнях. Считаем, что компании неизбежно будут проходить каждую из стадий жизненного цикла, в том числе Data Driven Company — это обязательный и важнейший этап перехода к цифровой компании. И мы показываем нашим слушателям, как на каждой стадии жизненного цикла меняются требования к данным и технологиям их обработки.

- Насколько инновационным вы считаете ваш процесс обучения руководителей по управлению данными?

Мы делаем акцент не на передаче знаний, к которым слушатель может легко получить доступ самостоятельно, а на аспектах мышления «данные первичны» (Data-First): показываем, как смотреть на одни и те же явления с позиции данных, а не процессов.

Приведу пример одной российской компании. Речь идет об электронной площадке, где частные лица могут приобретать и продавать различные подержанные вещи. Создатели изначально построили платформу на основе автоматизации процесса купли-продажи, упустив из виду данные о товарах. В результате продавцы в своих объявлениях каждый по-разному описывали свойства своих товаров, причем на естественном языке. Получалось, что два объявления о продаже одного и того же товара могли оказаться настолько разными, что объединить их в одном поисковом запросе было практически невозможно. Чтобы решить эту проблему, компании пришлось заняться разметкой данных в объявлениях и для этого организовать группу из 200 человек. Если бы изначально был применен подход Data-First, то система была бы разработана так, чтобы клиенты многократно использовали созданные когда-то описания товаров. Тогда объявления можно было бы легко объединять в поисковых запросах, а данные о движении одинаковых товаров было бы гораздо проще извлекать для последующей монетизации.

- Возможна ли эффективная подготовка руководителей по управлению данными с использованием дистанционного обучения?

С нашей точки зрения, любой образовательный процесс можно перевести в онлайн-формат. Вопрос в том, что разработать и осуществлять качественный онлайн-формат совсем не дешевле очного, как многим кажется. В условиях локдауна 2020 года на базе технологий Московской школы управления «Сколково» мы смогли сделать онлайн-формат не менее захватывающим.

- Сотрудничаете ли вы со смежными учебными программами «Сколково» ?

Да, мы участвуем в различных программах Московской школы управления «Сколково». Наиболее значимым для нас является тот факт, что мы разрабатываем и ведем модуль по данным в программе «Управление цифровой трансформацией». Я сам выпускник «Сколково» и использую те подходы и методики, которые лежат в основе всех программ Московской школы управления.

- Как вы оцениваете вклад вашей компании и ваших курсов в решение общей задачи формирования культуры и практики управления данными в России?

Мы стараемся быть проводниками культуры в области данных. Совместно с партнерами мы адаптируем к российским реалиям лучшие международные практики, в том числе переводим на русский язык сложный понятийный аппарат и наиболее важные материалы. В 2019 году мы закончили монументальный проект по переводу на русский язык свода знаний по управлению данными DAMA-DMBOK. В настоящее время у нас локализуются сразу несколько фреймворков по управлению данными.

В компании X5 Retail Group разработали сервис, который поможет покупателям избежать ненужных контактов в продуктовых магазинах: чтобы совершить покупку и быстро покинуть магазин, минуя кассу, потребуется только мобильный телефон. «Экспресс-скан» — система бесконтактных покупок с помощью мобильных устройств. Для подключения к ней нужно скачать приложение для iOS или Android и зарегистрироваться с помощью X5 ID. После этого можно собирать корзину, сканируя штрихкоды товаров с помощью видеокамеры мобильного телефона. Оплатив покупку в один клик через интерфейс приложения, можно смело покидать магазин, не вступая в контакты с людьми.

Запуск сервиса, повышающего безопасность посетителей магазинов, положил начало формированию новой модели покупок в продовольственном ретейле. Впервые в России систему полностью бесконтактных платежей встроили в действующую ИТ-архитектуру и операционные процессы обычных супермаркетов и магазинов «у дома». Как устроена система бесконтактных покупок, с какими сложностями пришлось столкнуться при ее создании и что было самым интересным в этой работе, рассказал номинант премии CDO Award 2021 Иван Мельник, директор по инновациям Х5 Retail Group.

- Как родилась идея сервиса?

Во время первой волны COVID стало очевидно, что люди в очереди боятся заразиться: стараются отвернуться друг от друга и осуждающе смотрят на «чихающую бабушку». Понятно, что им психологически тяжело и нужна помощь. Первой такой помощью стал сервис экспресс-доставки, получивший массовое распространение, но и в офлайн-магазинах помощь тоже требовалась. Когда первая волна пандемии начала спадать, мы обсудили эту проблему с директором «X5 Технологии» Антоном Мироненковым (лауреатом CDO Award 2020. — Прим. ред. ) и пришли к выводу, что в сложившейся ситуации людям крайне важно чувствовать себя в безопасности.

Во время эпидемии покупатели стали заметно больше пользоваться кассами самообслуживания. Если в начале года доля самообслуживания в трафике «Пятерочки» составляла 13–14%, то сегодня — уже 22%. А в некоторых «Перекрестках» и «Пятерочках» этот показатель превышает 50%. Скачок произошел в среднем на 4–5%, и это существенно. Привычки и предпочтения людей начали меняться. Мы поняли, что самообслуживание — правильное направление, востребованное у покупателей, и подумали, как здорово было бы разработать мобильное приложение, в котором можно самому отсканировать товар и оплатить его. Мы решили создать сервис, обеспечивающий полностью бесконтактные, быстрые и безопасные покупки с удобным сканированием и оплатой посредством телефона, без обращения в кассу. И внедрить такое решение не в одном или двух магазинах, успешно отчитавшись о пилоте, а сразу масштабно — для многих сотен торговых точек и миллионов покупателей. Поскольку вторая волна была прогнозируемой, команда проекта работала очень быстро: за три летних месяца сервис прошел путь от идеи до массового применения — невиданная скорость для проекта такого масштаба.

- Какая работа с данными была проделана?

Чтобы покупатель увидел в приложении полную информацию о выбранном товаре (состав, вес, страну производства, калорийность и т. д.), был проделан огромный объем работы по нормализации и систематизации всех описаний и названий в сложносоставных товарных матрицах магазинов. Мы привели их к виду, понятному покупателю. Практически все товары сфотографировали, потому что при сканировании человеку удобно увидеть изображение и понятное описание того, что он держит в руках, а не сокращения, принятые в торговой системе. Ничего нового в этом нет, просто нужно было очень быстро сделать большой объем работы.

- Какие источники данных использовались?

Мастер-системы хранения золотых записей по товарам, системы лояльности, описания товаров, массивы ассортиментных матриц и цен были выгружены в центральные сервисы, которые передают данные мобильным приложениям. Фактически все публикуется во внешнем контуре, чтобы мобильное приложение могло эти данные получить. Обычно это «святая святых» ретейлера, поэтому очень много внимания было уделено безопасности и выгрузке строго необходимого и достаточного набора данных, который, с одной стороны, не является избыточным, а с другой, обеспечивает достаточную функциональность. Приложение подключается не к самому магазину, а к его виртуальной реплике. Сканируя штрихкод, покупатель привязывается к матрице конкретного магазина — его онлайн-слепку, который постоянно синхронизируется.

- Как устроено решение?

В нем много слоев. Первый слой — мобильные решения для покупателей — выполнен с помощью классических фреймворков для iOS и Android.

Вторая составляющая — централизованные платформы обмена и управления данными. Они базируются на микросервисной архитектуре и содержат множество приложений на платформе Unix, потому что это дает скорость, устойчивость, да и элементарно дешевле по сравнению с другими способами.

Цены и ассортимент во всех магазинах разные, а в приложение должны поступать актуальные данные конкретного магазина. Поэтому была создана централизованная система хранения, постоянно синхронизируемая с магазинами сети, которая c высокой скоростью выдает наружу данные для мобильных сервисов о ценах, промоакциях и остатках.

Централизованная платформа управления клиентскими данными моментально обрабатывает данные клиентской базы, содержащей сведения о более чем 50 млн человек. Компания решила сразу запустить сквозную авторизацию пользователей, единую для всех магазинов и сервисов Х5, и мы разработали универсальную учетную запись Х5 ID, которая даст возможность пользоваться сервисами в наших торговых сетях после однократной регистрации.

Когда покупатель вводит номер телефона при регистрации, тут же сканируются все записи, связанные с этим номером, и к его профилю в приложении автоматически привязываются карты магазинов, которыми он пользуется. То есть при использовании «Экспресс-скана» действуют промоакции и цены конкретного магазина, в котором находится покупатель, начисляются стандартные баллы за покупки на его карту или карту, которую он сам привязал к своему профилю, чтобы, например, копить бонусы для всех членов семьи.

Для оформления фискальных чеков в приложении мы построили централизованную ферму на 1,5 тыс. онлайн-касс, подобную той, которой пользуются службы такси. Ферма фискализации чеков балансирует нагрузку и распределяет запросы от мобильных устройств. Интеграцию облачной кассовой фермы, учетных и торговых систем и регистрацию транзакций обеспечивает фискальный брокер — он обслуживает запросы мобильных приложений и транслирует их на ферму, к нему же подключены все онлайн-сервисы. Поскольку чек надо вернуть обратно в магазин, чтобы его видели финансовые службы, пришлось дорабатывать торговую систему и интегрировать решение с SAP.

- На каком технологическом стеке выполнено решение и реализованы омнисервисы?

Из совместных библиотек мы используем «Яндекс.Карты» для отображения карт и магазинов в приложении, Firebase — для статистики, аналитики и мониторинга стабильности приложения, AppsFlyer — для использования Onelink, а также Scandit.

В части авторизации применяется связка Keycloak и Tarantool Datagrid. Это отказоустойчивый кластер с репликацией в режиме active/active, обеспечивающий единое управление профилями клиентов. Остальное — микросервисная архитектура на платформе Java.

Архитектура мобильного приложения основана на принципе распределения функций по отдельным независимым блокам. К основным блокам относятся: управление доступом и профилем клиента; сборка корзины и оплата; предоставление данных о товарах; регистрация продаж в учетных системах. Каждый блок использует свой технологический стек, подходящий для решаемых в нем задач. Это позволяет гибко масштабировать каждую часть приложения, разрабатываемую отдельной командой.

Для высоконагруженных веб-приложений и реализации REST API мы применяем язык Python, в частности фреймворк Django. Операционная информация размещается в кластерах базы PostgreSQL, а наиболее запрашиваемые данные храним в памяти, используя СУБД Redis. Для хранения больших объемов данных в части ассортиментной матрицы и управления профилями пользователей используем решения на основе Tarantool Datagrid.

Учетный блок реализован на стеке Java, который позволяет наиболее органично реализовать и просто поддерживать сложную бизнес-логику наших legacy-систем. Управление микросервисной платформой осуществляется на основе собственного облака X5Cloud.

- С какими сложностями пришлось столкнуться?

Сложно было все: и описать 25 тыс. позиций товарного ассортимента за три месяца, и купить и установить оборудование, которое будет «тянуть» огромные нагрузки, и обеспечить изменения в бизнес-системах SAP. В нормальных условиях такой сложный комплексный проект, оформленный по всем канонам, длился бы год. В нашем же случае всего за три месяца кросс-функциональная команда из почти 100 человек смогла из состояния «ничего нет» создать пилот сразу для нескольких десятков магазинов с тысячами покупателей, чтобы потом, если новый способ оплаты понравится покупателям, быстро развернуть сервис на многие сотни торговых точек.

Сложной была и каждая ветка проекта в отдельности. В одно целое были объединены бизнес и ИТ: в магазины нужно было внедрить новый процесс и новое решение для покупателя и интегрировать их в сложное многообразие внутренних систем. Как у любого ретейлера, у нас огромный «зверинец» решений, каждое из которых выполняет свою задачу: торговые, логистические, системы лояльности, безопасности — целая вселенная.

Но самое сложное — построить решение, готовое к масштабному применению. Сделать продукт для 10–15 магазинов может и небольшая команда, а вот когда нужно построить систему, которая будет обслуживать тысячу магазинов, все резко усложняется из-за объема транзакций, требований к стабильности и отказоустойчивости, к безопасности и автономности. Когда нужно выполнить проникновение через слои интеграции, обеспечить глубокую связь с данными, начинается «космос».

- Что для вас было самым интересным?

Работа с покупателями. Когда идешь с первой версией к клиентам, для которых это тоже абсолютно новая история, и смотришь, как они реагируют, как обучаются. Ты делаешь очень простые в использовании решения, и они ценят эту простоту.

Проанализировав результаты пилотного проекта, запущенного в сентябре, мы доработали сервис, ускорили процесс авторизации в системе. Пользователям оказалось важно подтверждать успешно проведенную оплату через систему внешней валидации — кассу самообслуживания, отдельно стоящий валидатор или у ассистента в зоне выхода.

Наша команда рассматривала покупательские отчеты, которые формировались в магазинах: что удобно, что нет. Кто-то попросил сделать в приложении звук, как на кассе, чтобы стало ясно, что сканирование прошло успешно. Многие, нажав кнопку «оплатить», боялись выходить из магазина, потому что нужно пройти через кассу и вроде бы кто-то должен дать разрешение на выход, а такого человека нет. Поэтому мы придумали конечные устройства в магазинах. Сканируешь QR-код на панели, включается режим оплаты, нажимаешь «оплатить» — и большой телевизор над кассой громко говорит: «Оплата прошла успешно!» Тогда и покупатель понимает, что можно выходить, и кассиры понимают, что система зарегистрировала покупку. Некоторые магазины оснастили небольшими валидаторами, в некоторых других можно поднести телефон к кассе самообслуживания, и она скажет: «Спасибо, проходите». Вот эти вещи вызывали самые большие эмоции. Придумали сделать сканирование с ценника: вроде мелочь и ненужная функция с точки зрения программиста, а с точки зрения покупателя — очень важная и нужная, иногда помогающая сэкономить.

- Пользователи сервиса — кто они? За счет чего будет прирастать их число, когда вопрос социальной дистанции перестанет быть актуальным?

Это сервис в первую очередь для людей, которые хотят экономить время. Анализируя статистику, мы увидели, что при покупке с «Экспресс-сканом» человек тратит в среднем на 3–4 минуты меньше, чем обычно для быстрой покупки. Если умножить эти минуты на число походов в магазин, наберется чуть ли не неделя сэкономленного жизненного времени. Вроде бы немного, но заставляет задуматься. Мы четко видим, что люди, которые попробовали такой вид оплаты, начинают делать покупки чаще.

Ближайшее будущее продуктовых магазинов — за смартфонами, мобильными сканерами и кассами самообслуживания. Если в 2004–2005 годах системами самообслуживания пользовались 1–2% покупателей, то сегодня у нас есть магазины, где через них проходит больше половины трафика. Самообслуживание с помощью смартфонов сейчас только начинает набирать обороты. Пройдет несколько лет — и проникновение мобильных технологий в ретейл вырастет в разы. Зачем стоять на кассе, если можно положить товар в корзину, отсканировать его, нажать на этапе оплаты «ОК» и уйти.

- Ошибки, которые часто возникают при сканировании, удлиняют процесс покупки и требуют участия сотрудника магазина — то есть покупка перестает быть бесконтактной. Как этот вопрос решается в случае работы с «Экспресс-сканом»?

По статистике, прерывания на кассах чаще всего случаются из-за алкоголя и табака, так как закон требует проверить возраст покупателя, прежде чем продать ему товар. Поэтому в «Экспресс-скане» стоят блокировки на эти категории товара, возможность их покупки не предусмотрена. Мы решили формировать полезные привычки.

Остальной ассортимент видим в реальном времени. Система мониторинга бизнес-показателей отслеживает, сколько корзин сорвалось из-за того, что покупатель не смог отсканировать товар. Мы все опробовали на себе. Практика показывает, что помощь сотрудника магазина может понадобиться в момент обучения, для первых двух-трех покупок, а дальше покупатель уже делает все сам, без подсказок.

- Какой эффект получила компания?

Основной эффект — лояльность покупателей: они покупают быстрее и больше. Выбирая магазин, человек учитывает, где придется стоять в очереди, а где быстро и безопасно. Стандартная покупка с помощью «Экспресс-скана» занимает всего 5–6 минут. И клиенты переключаются на нас. Они заполняют персональные данные, привязывают к профилю в приложении свою банковскую карту, получая взамен удобство и комфорт. Более 22 тыс. пользователей создали уникальные профили Х5 ID, свыше 5 тыс. человек еженедельно совершают покупки с помощью «Экспресс-скана», большинство из них — регулярные, и число таких покупателей ежедневно растет. Экономится и время персонала: каждый чек, оформленный с помощью нового способа оплаты, высвобождает не менее минуты работы кассира.

- Чем вы особенно гордитесь в этом проекте?

Командой. Я еще не видел таких проектов, когда несколько больших команд, отвечающих как за технологии, так и за бизнес, как внутренних, так и подрядных, работают в едином порыве, с хорошей коммуникацией, без каких-либо внутренних противоречий и нестыковок, синхронно и с высокой скоростью. Все хотели помочь людям и были очень вдохновлены. Одно дело, когда ты просто создаешь процесс или систему, и совсем другое — когда ты реально помогаешь людям в критический период. Все делали этот проект с горящими глазами, носились — только «пятки сверкали». Даже если уберегли от заражения всего несколько человек, то это уже благо.

- Как планируете развивать проект?

Итерационно улучшать функционал, повышать скорость, делать удобнее — учитывать пожелания, оставленные в отзывах. Например, покупателям не нравится, что пакеты нельзя взять сразу на входе. То есть предстоит много операционной работы.

И масштабировать — система как раз построена так, чтобы быстро масштабироваться. Если в сентябре к сервису было подключено около 60 магазинов, то в декабре — уже свыше 500, и сейчас каждую неделю подключаются десятки новых. В ближайшем будущем «Экспресс-скан» будет во всех столичных магазинах «Пятерочка» и «Перекресток», а также в сети «Перекресток» в Санкт-Петербурге, Ленинградской и Московской областях. По результатам обязательно рассмотрим выход и в другие регионы.

- Проект будет окупаемым?

Я уверен в этом. Это видно по текущим метрикам: люди чаще приходят в магазины и покупают немножко больше, это приносит дополнительную выручку.

Подход «сделай сам» (Do It Yourself, DIY) компания «Леруа Мерлен» не только пропагандирует среди клиентов, но и распространяет на себя. Процесс работы с данными в ней полностью децентрализован: реализована концепция Data Mesh, в рамках которой подразделения (домены) самостоятельно отвечают за данные и создают продукты на их основе. В результате в подразделениях начался процесс автономного развития data-driven-культуры. За два года команда data-акселератора («десанта», который помогает создавать продукты на основе данных) создала более 10 продуктов, пять из которых оказались успешными и принесли несколько миллиардов рублей. За этот же период все подразделения компании самостоятельно запустили более 20 продуктов, оценочный эффект от внедрения которых в разы превышает эффект от действий data-акселератора.

Дмитрий Шостко, CDO «Леруа Мерлен» и номинант на премию CDO Award 2021, сравнивает Data Mesh с кафетерием, противопоставляя его «ресторану» в виде централизованного data-офиса. Дмитрий рассказал о том, как в компании пришли к подходу Data Mesh, о развитии корпоративной культуры и достигнутых результатах.

— Как в «Леруа Мерлен» зарождался data-driven-подход, откуда растет интерес к работе с данными?

У нас, как и в любой индустрии, есть процессы, изначально основанные на данных. В ретейле это логистика и поиск точек для открытия новых магазинов. В обоих процессах алгоритмы машинного обучения применялись еще 10 лет назад — просто никто не знал такого термина. Но в определенный момент приходит понимание того, что существует масса процессов, где данные также можно использовать по-другому — не так, как раньше.

Несколько лет назад у «Леруа Мерлен» был период экспансии в России: открывалось около 20 магазинов в год. Об оптимизации процессов в такой ситуации думать некогда — фаза роста бизнеса подразумевает сосредоточение усилий совсем в другом направлении.

В 2018 году руководство компании пришло к выводу о необходимости выстраивания баланса между расширением и эффективностью процессов. С этого момента анализ данных стал одним из ключевых направлений и вышел на первый план. Инвестиции в эту область включают две важные составляющие: долгосрочные инвестиции в платформу и реализацию отдельных «быстрых побед», позволяющих поддерживать интерес компании к проекту.

Очевидно, что выстраивание процессов работы с данными открывает новые горизонты. Например, на текущем этапе развития мы поменяли стратегию — отошли от продажи исключительно товаров, чтобы трансформироваться в компанию-платформу (или экосистему) по благоустройству дома. В этом случае речь идет о сопровождении человека с момента возникновения у него идеи обустройства дома до полного завершения ремонта и в дальнейшем выполнения экстренных или плановых действий (вплоть до замены лампочек). К такому подходу сейчас стремятся абсолютно все.

Это стандартная эволюция бизнеса: сначала развиваем базовую бизнес-модель, затем оптимизируем, далее строим платформенные решения. Сейчас мы находимся на втором этапе и постепенно исследуем возможности использования данных в рамках платформы по обустройству дома.

— Какое место в иерархии «Леруа Мерлен» занимает CDO ?

У «Леруа Мерлен» нет «лишних» иерархических звеньев, структура выстроена довольно плоско. CDO входит в управляющий менеджмент компании (в «Леруа Мерлен» он называется «группа лидеров»), и это очень важно. Если требуются изменения, то их следует проводить и «снизу», и «сверху», причем изменения сверху — это всегда изменение мышления. Если у руководителя нет необходимого уровня влияния, то возможность воздействовать на работу большого числа ключевых специалистов уменьшается.

Эта роль — «плавающая». В какой-то момент я очень плотно работал с CIO, затем — с заместителем генерального директора, курировавшим финансы и поиск новых точек открытия магазинов, сейчас — с заместителем генерального директора, отвечающим за цифровые сервисы. Поэтому трудно сказать, кто мой шеф, — на эту роль «претендуют» около 6–7 человек, как в России, так и в штаб-квартире. Такова наша специфика, хотя для обычной российской компании это покажется абсурдным. Но я к своим руководителям отношусь скорее как к компаньонам — людям, с которыми мы взаимно развиваемся. С их помощью реализация проектов, связанных с данными, происходит быстрее — если бы я занимался этим в одиночку, эффективность моей работы была бы ниже.

— Компания начала активную работу с данными довольно поздно…

Конечно, пионерами мы не являемся. Активные действия начались в начале 2019 года, когда я присоединился к компании. Разумеется, начинал не на пустом месте: и в России, и на глобальном уровне существовали и озеро Hadoop, и хранилище Teradata. Но тогда в компании не было стратегического видения пути развития платформы данных, не существовало целей, к которым можно стремиться.

Однако технологии за те 6–7 лет, на которые нас опережают лидеры в использовании данных, существенно изменились. Многие компании, сделавшие ставки на определенные технологические решения, сейчас вынуждены задуматься. Например, многих очаровал Hadoop, начинавшийся примерно в 2008 году. Сегодня понятна вся его экосистема: что работает хорошо, а что — не очень. Компании, начинающие лишь сейчас, имеют определенное преимущество: и более развитые технологии, и серьезный опыт, накопившийся на рынке. В случае правильных действий они могут найти короткий путь и «срезать круг», сэкономив несколько лет.

— Какие были выбраны подходы для этого?

На уровне группы было много разных решений, по-своему хороших. Мы попытались посмотреть на них новым взглядом, оценить их с учетом накопившегося опыта, и определили метапринципы, на базе которых создается платформа. Технологический стек не так уж и важен, гораздо важнее правила, по которым ведется работа.

Главным требованием стала горизонтальная масштабируемость платформы. Значит, надо ориентироваться на работу в облаке (быть cloud ready), проектировать платформу с учетом этого (быть cloud native) и даже предусмотреть возможность платформы работать в нескольких облаках одновременно (быть cloud agnostic) — другого подхода для нормального масштабирования нет. Еще один принцип — возможность самостоятельной разработки, а значит, нам нужен open source. Проприетарные продукты сложные и закрытые, там не все доступно для самостоятельных работ. И все новые технологические веяния сначала появляются в открытых решениях, а в проприетарных продуктах они реализуются с запаздыванием.

Кроме того, нам следует инвестировать во внутреннюю разработку, а не во внешнюю. Во-первых, в этом случае проще соблюдать утвержденные принципы. Во-вторых, мы разделяем философию компании — ориентироваться не на «ресторанный бизнес», а на «кафетерий», подразумевающий самообслуживание. Во многих компаниях создается огромное подразделение по анализу данных, обслуживающее всю организацию. Это определенно не наш случай. Мы хотели создать площадку, где каждый может набрать нужные ингредиенты и приготовить из них собственное блюдо. Лучший суп — сваренный для себя, в соответствии со своими потребностями. А мы предоставляем ингредиенты и функционал кухни.

И последнее: все наши продукты должны быть стабильными и легкими в использовании. То есть важно их восприятие бизнес-заказчиком. Если продукт важен и нужен компании, но не нравится пользователям, мы что-то делаем не так. Кроме того, мы не строим платформу несколько лет, чтобы потом предоставить заказчикам сразу все ее возможности. Каждый месяц, каждый квартал мы вводим новые функции, элементы, которые сразу становятся доступны всем пользователям. Непрерывная обратная связь — самое важное для нас.

— Какие ИТ-платформы применяются и почему именно они?

Сформулировав метапринципы, мы стали искать технологии, которые обеспечат их реализацию. Во-первых, необходима крупная аналитическая площадка — классическое хранилище данных. Его мы начали строить на платформе Greenplum, и результаты подтвердили правильность этого выбора. Во-вторых, данные, которые туда загружаются, должны быть доступны в реальном времени. Так у нас появилось решение Apache Kafka, а также NiFi, AirFlow и Debezium, отвечающие за процесс загрузки.

Появление остальных продуктов также связано с нашими потребностями. Например, нам был нужен процессинг данных, но мы не стали использовать для этого Hadoop — это довольно сложный стек, для его поддержания нужна большая команда и не всё в нем работает идеально. Однако есть распределенные файловые системы, аналогичные HDFS, — интерфейсы S3, которые стабильны, хорошо работают со Spark и в полной мере подходят для data science.

— Как появилась идея data-акселератора?

Как я сказал, мы вынуждены искать баланс между долгосрочными, малоинтересными для бизнеса работами по построению платформы данных и яркими краткосрочными проектами, приносящими прибыль. Очевидно, нужно заниматься продуктами на основе данных, приносящими прибыль внутри компании. Внедрение нескольких удачных проектов может окупить инвестиции и в платформенную часть, и в продуктовую, что попутно позволит добиться расположения бизнеса. Однако сам data-продукт — часть довольно сложного комплекса, куда также входят клиентский опыт, сервисы, технологии, бизнес-процессы. Data-продукт — еще одно звено в этой цепочке, добавление которого делает конечный продукт более качественным или даже кардинально иным.

Эти быстрые бизнес-ориентированные проекты реализуются с помощью data-акселератора. С самого начала мы заявили, что для создания data-продукта нужна не централизованная команда, которая будет его разрабатывать и внедрять, а «десант», приходящий «в гости» к подразделениям и реализующий проект вместе с ними. При этом преследуются две цели: помимо достижения экономического эффекта, изменяется мышление и развивается data-культура внутри подразделений. Очень важно не только дать подразделениям технологическую площадку, но и внедрить в них новые компетенции, навыки, мышление.

— Каковы успехи в изменении культуры?

Главным стало то, что созданная полноценная аналитическая площадка, куда поступают данные в режиме реального времени, востребована пользователями и имеет позитивные отклики. Это наши ключевые метрики успеха. За два года увеличилось количество пользователей и возросла популярность наших базовых курсов, помогающих освоить работу с данными. Число активных пользователей сегодня превышает 300 человек. Конечно, сначала подразделения демонстрировали скепсис в отношении платформы и средняя оценка удовлетворенности работой с ней колебалась около 3 по пятибалльной шкале, но сейчас наш рейтинг — 4,8.

— Как вы пришли к подходу Data Mesh?

Когда начинали строить платформу данных, то еще не знали такого термина. Руководствовались здравой логикой, сформулированными метапринципами и пониманием того, что важно дать автономию подразделениям в работе с данными, а не развивать централизованную команду. Децентрализованный подход и в технологиях, и в использовании данных подразумевает хорошую площадку, позволяющую реализовать такую автономию, и практики, предоставляющие возможность специалистам решать свои задачи.

Я анализировал тенденции в ИТ, определяемые разработкой архитектуры фронтенда и бэкенда. В части использования бэкенда весь мир движется от монолитных систем к микросервисам. И аналогично, компании движутся к микрофронтендам, чтобы дать автономию отдельным командам и иметь возможность разрабатывать один большой продукт с участием множества команд. То же самое можно делать и с данными. За данные отвечают их владельцы: каждый домен самостоятельно отгружает данные в платформу, следит за их качеством и описательной частью. И это реально работает.

Лишь потом мы увидели, что на самом деле не придумали ничего нового. Стали активно изучать тему Data Mesh и перенимать чужой опыт. Это позволило избежать некоторых ошибок.

— Почему именно Data Mesh? Какие рассматривались альтернативы?

Сама компания «Леруа Мерлен» по сути децентрализованная. Подход Do It Yourself (DIY) транслируется не только вовне — клиентам компании. Мы сами живем по тем же принципам. Нам было понятно, что вначале придется инвестировать в централизованную команду для создания компетенций, практик и ИТ-площадки, а затем все больше инвестиций потребуется направлять на развитие навыков в других подразделениях.

Например, в компании нет ИТ-департамента как такового. Ее структура управления предполагает, что команды, отвечающие за операции, и команды, создающие продукты и сервисы, работают вместе, образуя домены. И такие домены самостоятельно работают с данными.

— Несмотря на децентрализованность процессов работы с данными, политики — это нечто общее. Как определяются политики работы с данными?

Политики работы с данными — это стандарты, правила, подходы и практики. Если мы делаем то, что удобно пользователям, подходы и практики быстро становятся популярными. Да, на первых порах предложенные правила требуется поддерживать внешними механизмами — для утверждения во всех подразделениях. Мы следуем выбранным правилам, они принимаются коллективно и работают в рамках всей компании. Их довольно много — например, они касаются качества данных, доступности данных в платформе, ответственности за метаданные…

— А как решается вопрос качества данных?

Все компании его решают примерно одинаково, но у нас есть преимущество. Мы, как и все, пишем DQ-тесты, но в случае Data Mesh они действительно эффективны, потому что приближены к операциям и людям, которые эти данные порождают. Всегда можно понять, что пошло не так и почему это происходит, — ведь низкое качество данных часто говорит о некорректных операциях.

— Какие источники данных использовались? И как в целом определяется, что нужно компании?

Используем практически все, до чего можем дотянуться. Если есть данные, они должны быть доступны всем — разумеется, за исключением определенных ограничений. Если в компании появились новые данные, их владелец должен заявить об этом, описать их и отдать в нашу платформу. При подходе Data Mesh это важно.

У нас больше 200 типов источников, но польза от них различна. Правило Парето применимо и здесь. Примерно 90% наших аналитических активностей закрывается 70 источниками.

— В чем заключалась ваша самая большая проблема?

Конечно, это изменение мышления людей, которые много лет работают в классических профессиях. Директора, руководители направлений — люди, выросшие в доцифровом ретейле. Для них новые технологии — не самая простая история. Изменить их взгляды — это и ключевой, и самый непростой момент. Требуются правильные примеры и аналогии, чтобы привлечь их на свою сторону.

— Какие data-продукты были созданы? Приведите несколько примеров.

Хорошим примером является продукт «Светофор». Как известно, в ретейле есть операция приема товара от поставщиков, и она включает проверки. Проверять всё от всех поставщиков экономически невыгодно, это требует огромных ресурсов. Но если изучить историю работы с поставщиками и возникавшие с ними проблемы, то процесс можно оптимизировать и проверять не всех поставщиков и не все товары, а делать выборочные проверки, сокращая затраты. Осуществляя контроль по определенным правилам, которые создаются машиной (проверять лишь одну из нескольких поставок), мы находим до 80–90% брака.

Кроме того, можно выделить работу с комплементарными товарами. Такая продукция есть в любом бизнесе, и обустройство дома не исключение. Во многих случаях товары лучше приобретать вместе: либо один без другого невозможно использовать, либо их совместное применение ускоряет процесс ремонта, либо речь идет о «красоте» – элементах декора. Долгое время компания смотрела на комплементарные товары лишь глазами экспертов, определяя связи между ними. Но когда речь идет о работе с 60 тыс. различных номенклатурных позиций, то число таких связей исчисляется десятками миллионов. Никакая экспертная группа такую работу не осилит, да и человеческий взгляд не гарантирует абсолютной правоты выводов. Гораздо интереснее взглянуть на взаимосвязи глазами клиента, оценив, что и в какой последовательности он изучает на сайте, что подбирает в магазине. Это ценная информация, которая обогащает знания экспертов. И мы видим значительный рост эффективности апсейла и кросс-сейла в рамках маркетинговых активностей.

— Каких финансовых результатов удалось достичь с помощью data-акселераторов и в ходе дальнейшего развития инициатив на уровне всей компании?

Экономический эффект от деятельности нашего «десанта» за два года составил несколько миллиардов рублей. Это результат оптимизации продуктов и бизнес-процессов. На уровне всей компании эффект оценить сложнее, поэтому проводятся лишь приблизительные расчеты. Но уже довольно много сотрудников самостоятельно работают с данными, и, по текущим оценкам, эффект от активности всех подразделений в этой сфере в разы превышает экономический эффект от деятельности data-акселератора.

Надо сказать, что наша цель — показатели, в несколько раз большие. Мы ожидаем в ближайшие пару лет рост финансовых результатов от двух до пяти раз.

— Вероятно, многие компании мечтают запустить процесс автономного развития data-driven-культуры. Что для этого нужно?

Вначале нам самим не верилось в это. В ресторанном бизнесе люди тянутся к хорошему обслуживанию — это очевидно. А если речь идет о самообслуживании, то изначально непонятно, будут ли люди приходить и готовить сами. Оказалось — будут. Более того, зачастую это удобнее, понятнее и прозрачнее, когда домены сами отвечают и за ИТ-системы, и за процессы, и за данные. Они сами инвестируют в необходимые им направления, привлекают необходимые компетенции, контролируют получение результата.

— Какие результаты своей деятельности в компании вы сами считаете ключевыми? Как вы оцениваете свое место и роль в реализуемых проектах?

Я рассматриваю себя как «играющего тренера» в команде по десятиборью. Во многих процессах приходится участвовать не только в теории, но и на практике. Часто требуются и коучинг, и размышления о будущем, и оценка способов реализации, а иногда приходится вместе с командой впрягаться в решение задачи.

— Что дальше? Какими вы видите дальнейшие направления развития проекта?

Работа с данными станет частью любого бизнес-процесса компании. Не будет ничего особенного или тем более зазорного в data science и анализе данных. Подразделения будут потреблять данные в рутинном режиме — это станет базовой гигиеной, которая выработается у всех, это будет нормой, без которой невозможно развиваться. Вопрос лишь в том, как это сделать быстрее остальных и пройти такой путь на максимальной скорости. И мне кажется, подход Data Mesh здесь неплохо работает.

Модель доставки приложений в виде сервиса стала настолько распространенной, что для многих организаций вопрос заключается уже не в том, стоит ли внедрять у себя SaaS, а в том, насколько доминирующее положение эта модель должна занимать в ландшафте корпоративного программного обеспечения.

Потенциальные преимущества SaaS хорошо известны: сокращение затрат, повышение гибкости, упрощение масштабируемости и т.д. «Простота и быстрота развертывания наряду с инновационными преимуществами SaaS помогают бизнесу ускорить проведение цифровой трансформации», – констатирует директор IDC по исследованиям в области SaaS и облачного программного обеспечения Франк делла Роса.

Однако использование облачного ПО сопряжено и с определенными трудностями, особенно в условиях резкого роста числа удаленных работников в период пандемии, и ИТ-службам необходимо решить эти вопросы до того, как ситуация выйдет из-под контроля.

Проанализируем три главных вызова, с которыми приходится сталкиваться организациям при переходе в среду SaaS, а также советы экспертов по преодолению возникающих препятствий.

Стремительное размножение SaaS

Число SaaS-приложений в организациях нарастает как снежный ком, что придает вопросам управления и контроля расходов особую важность.

В отчете '2020 Businesses @ Work' компания Okta, предоставляющая платформы управления идентификацией, сообщает, что каждый из ее клиентов уже развернул в среднем 88 приложений SaaS. С 2019 года их число увеличилось на 6%, а с 2017-го – на 21%. У 10% клиентов эксплуатируется 200 и более приложений.

«Модель SaaS демократизировала принятие решений о покупке приложений, позволив руководителям подразделений и даже конечным пользователям самостоятельно закупать программное обеспечение для решения стоящих перед ними задач, – указывает делла Роса. – Но, получив повышение быстроты и гибкости, ИТ-службы теперь вынуждены заниматься дополнительными вопросами управления и соблюдения нормативных требований. Популярность SaaS растет, а исследования IDC показывают, что многие ИТ-руководители не вполне уверены в том, что знают, сколько приложений используется на предприятии. В некоторых случаях речь может идти о сотнях неизвестных им приложений. ИТ-службам нужны автоматизированные инструменты, помогающие идентифицировать используемые приложения и лучше управлять рисками, связанными с безопасностью и необходимостью соблюдения нормативных требований. К числу ведущих поставщиков в этой области, по данным IDC, относятся VMware, Cisco, AWS, Microsoft Azure, Google Cloud и Micro Focus».

«Чтобы справиться с вызовами повсеместно внедряемой модели SaaS, компаниям необходимо задуматься о рисках и приоритетах – определить, какие приложения наиболее важны для успеха их бизнеса, и приступить к их развертыванию, – отмечает аналитик Gartner Кайл Дэвис. – Зачастую у ИТ-службы нет ресурсов, чтобы поддерживать все то количество приложений, которое организация намерена внедрить в форме SaaS. Как правило, компании начинают с нескольких приложений, затем их число увеличивается до пары десятков, потом до пары сотен, а в крупных организациях в конечном итоге начинает исчисляться тысячами. Ранее внедрение программного обеспечения осуществлялось совсем по-другому. Во времена преимущественно локальных ИТ-инфраструктур у организаций имелось несколько больших платформ, и все строилось вокруг них. Когда у вас имеются сотни и тысячи приложений SaaS, ИТ-служба просто не в состоянии обладать экспертными знаниями каждого из них. Нужно классифицировать их с учетом рисков для бизнеса, связанных с отсутствием развертывания и поддержки со стороны ИТ-службы. С высокой степенью вероятности на предприятии постоянно будут появляться какие-то 'теневые ИТ', внедряемые в виде SaaS бизнес-пользователями, ощущающими такую потребность. Но даже в этом случае пользователи в конечном итоге будут обращаться за поддержкой к ИТ-службе. И тогда ее специалисты смогут оценить, стоит ли бизнес-подразделению или ИТ-службе заниматься дальнейшим продвижением этого приложения или же лучше заменить его на что-нибудь другое. Функции регулирования, выполняемые ИТ-службой, должны быть сбалансированными. Ни тиранического контроля, ни полного отказа от него быть не должно. Приложения SaaS должны рассматриваться с точки зрения риска, который возникает у организации при их использовании».

Безопасность, конфиденциальность и соблюдение нормативных требований

Еще один серьезный вызов — необходимость решения вопросов, связанных с безопасностью, конфиденциальностью и соблюдением нормативных требований при использовании приложений в облаке. Ситуация осложняется значительным увеличением числа удаленных работников из-за пандемии коронавируса и соответствующими распоряжениями организовать работу на дому.

«Большое количество используемых SaaS-приложений делает многие компании уязвимыми к утечкам данных и кибератакам, – подчеркивает делла Роса. – Инструменты управления экосистемой SaaS могут помочь ИТ-службам определить политики и процедуры, соотносящие необходимость повышения скорости выполнения с обеспечением конфиденциальности данных и соблюдением нормативных требований. К крупнейшим поставщикам средств управления SaaS относятся компании Blissfully, Zylo, G2 Track и Better Cloud. Развивающаяся сфера управления операциями SaaS (SaaSOps), предлагаемого большинством поставщиков подобного инструментария, помогает компаниям сделать направление SaaS приоритетным, рекомендуя новые приложения и трансформируя ИТ-службу из регулирующего органа в орган поддержки. ИТ-служба могла бы отслеживать подозрительную активность и защищать от неправомочного совместного доступа к данным. Файлы можно регулярно проверять на предмет утечки конфиденциальных данных. Для соблюдения законодательных требований имеет смысл определить автоматические политики».

«Крайне важно, чтобы организации требовали от сотрудников осознания своей ответственности и вовлеченности в процесс использования SaaS, – указывает Роберт Уолден, ИТ-директор компании Epsilon, предоставляющей маркетинговые сервисы и технологии. – Когда речь заходит об обеспечении правильного использования решений SaaS, именно сотрудники играют роль первой линии обороны — или, по крайней мере, должны это делать. Невнимательность не может служить оправданием».

Организациям необходимо проводить надлежащую политику, обучение и обеспечить постоянный контакт с сотрудниками, информируя их о своих обязанностях и последствиях их невыполнения. Крайне важно также, чтобы предприятия внедряли у себя процессы управления, инструменты и средства контроля, снижая риски безопасности и организуя защиту данных.

«При оценке предложений SaaS во главе угла должны стоять вопросы безопасности, – добавляет Дэвис. – Для этого компаниям следует определить набор критериев, которым должны соответствовать поставщики с точки зрения безопасности. Главный вопрос заключается в том, можно ли поставщику средств SaaS позволить делать то же самое (если не больше), что и при использовании локальных средств? Нужно понимать, как поставщик публикует и раскрывает информацию о брешах, как организовано управление физической безопасностью, и каким образом осуществляется защита ваших данных в процессе их перемещения и при хранении».

Многие разработчики SaaS-решений предлагают свои сервисы через крупных провайдеров – Amazon Web Services, Microsoft Azure и Google Cloud Platform, делая ставку на средства безопасности этих платформ. Но компании в любом случае должны убедиться в том, что используемые ими SaaS-приложения соответствуют нормативным требованиям, предъявляемым к защите данных, и внедряются с должным вниманием к управлению доступом.

Интеграция облачных решений

Третьим серьезным вызовом является интеграция различных облачных приложений, которые должны работать совместно, решая определенные задачи или поддерживая бизнес-процессы. При попытке интегрировать облачные приложения друг с другом или с приложениями на локальных серверах организации, вероятно, столкнутся с определенными ограничениями.

Внедрение новых SaaS-приложений или переход от локального к SaaS-приложению зачастую требует перестройки существующих бизнес-процессов. Кроме того, переход на модель SaaS вызывает необходимость проведения незапланированной интеграции с другими SaaS-приложениями или с локальным ПО.

Чем более стратегическое значение приобретает SaaS-сервис для организации, тем выше вероятность того, что потребуется интеграция с другими приложениями. Хорошим примером здесь является электронная почта. Многие приложения и системы используют электронную почту для рассылки уведомлений, и компаниям нужно подготовиться к тому, что произойдет с этими взаимозависимостями при переводе приложения электронной почты на модель SaaS.

В современном виде SaaS – это не изолированный инструмент, а платформа, на которую опирается организация. Соответственно, нужен необходимый набор API, позволяющий пользователям интегрировать свои технологические и бизнес-процессы.

Ведущие поставщики SaaS-приложений решают проблему интеграции, максимально упрощая реализацию наиболее распространенных сценариев интеграции. Но на типичном предприятии для полной интеграции пользовательского опыта и бизнес-процессов этого все равно недостаточно.

Поэтому организациям необходимо тщательно оценивать возможности интеграции и интерфейсы предложений SaaS. В некоторых случаях для удовлетворения конкретных нужд потребуется создать адаптированные решения.

«Быстрое распространение SaaS-платформ облегчает бремя интеграции и адаптации благодаря общей модели данных, стандартным инструментам и устойчивым публичным API, – отмечает делла Роса. – Это имеет еще более важное значение для нового поколения SaaS, которое характеризуется переходом от монолитных корпоративных приложений к чисто облачной архитектуре, состоящей из составных и контейнерных микросервисов».

Создание аналитических продуктов на базе накопленного пула больших данных  —  одно из ключевых направлений стратегии цифровой трансформации Х5 Retail Group. Большинство инициатив на основе больших данных ставят целью оптимизацию собственных бизнес-процессов  компании:  улучшение промо, планирование ассортимента, повышение эффективности ценообразования. Алгоритмы становятся элементом  data-driven-культуры  Х5, когда все решения принимаются на основе данных и продвинутой аналитики.

Но развивается и разработка цифровых сервисов на основе больших данных для внешнего рынка. В этом году был сделан серьезный шаг в этом направлении  —  выпущена платформа Dialog X5, которая объединяет аналитические продукты, предназначенные для поставщиков X5 Retail Group.

О возможностях Dialog X5, ее роли во взаимодействии ретейлера со своими партнерами, первых результатах и перспективах монетизации рассказывает Дмитрий Прусов, директор департамента продаж продуктов больших данных X5 Retail Group и номинант премии CDO Award 2021 .

— Как появилась идея создания платформы?

В конце прошлого года мы запустили аналитический портал, который позволяет поставщикам в режиме 24х7 оценивать различные показатели, влияющие на продажи их продукции. Востребованность этого решения подтолкнула нас к мысли объединить на одной цифровой площадке все сервисы X5 для поставщиков и партнеров, предоставив им удобный цифровой канал взаимодействия с торговыми сетями Х5.

Платформа Dialog X5, выпущенная осенью этого года, на данный момент состоит из четырех модулей, но в перспективе на нее мигрируют все решения, разработанные в X5 для поставщиков и партнеров. Пройдя один раз авторизацию, пользователь будет иметь доступ ко всем данным и аналитике, необходимым для решения его бизнес-задач.  Фактически  мы создаем удобное, многофункциональное рабочее место аналитика, аккаунт-менеджера и других ключевых специалистов компании-поставщика. Пользователи получают аналитические продукты с возможностью генерации отчетов с нужной степенью детализации для принятия управленческих решений и улучшения взаимодействия между торговой сетью и производителем.

— Что принципиально новое привносит Dialog X5 во взаимодействие ретейлера с поставщиками?

Это взаимодействие по максимуму переводится «в цифру». Платформа предоставляет единую точку доступа ко всему многообразию сервисов для  существующих  и  будущих поставщиков  X5. Если раньше нашим партнерам приходилось держать в голове, что разные бизнес-процессы привязаны к разным окнам, то сейчас мы предлагаем подобие МФЦ с единым окном для всех процессов взаимодействия с  Х5 —  от логистики до анализа потребительской корзины, сбора аналитики по сегментам для запуска своей новинки и  т. д. 

А для самой X5 платформа обеспечивает прозрачную модель взаимодействия с поставщиками, реализует единую систему контроля этого взаимодействия и упрощает внедрение новых инициатив. Мы разработали общие руководства и способы  авторизации таким образом,  чтобы любая бизнес-функция внутри компании могла при желании без проблем интегрировать свои задачи в Dialog X5.

— С какими данными работает платформа?

Это транзакционные данные, данные программ лояльности для построения гипотез изменения потребительских предпочтений и последующих выводов с точки зрения знаний о покупках клиента (customer insights), данные для логистического модуля относительно качества поставки и уровня сервиса. Платформа постепенно охватывает все больше и больше бизнес-сущностей.

Пока мы стараемся «выжать» максимум из внутренних данных компании и не замахиваемся на обогащение внешних. Но команда  Dialog X5  открыта к конструктивному диалогу с потенциальными партнерами. Мы готовы рассматривать варианты взаимовыгодного сотрудничества с учетом требований и ограничений  законодательства  как с поставщиками товаров, так и с агентствами по рекламе и консалтингу, национальными и региональными ретейлерами, а также с зарубежными партнерами для формирования максимально эффективной и полной аналитики рынка.

Dialog X5 объединяет бизнес-сервисы, в основе которых разные по объему, степени детализации и сроку хранения данные. Для одних сервисов не требуются исторические аналитические данные, для других  —  нужны данные более длительного хранения для анализа изменений внутри категории от года к году, от месяца к месяцу. Например, в модуле Insights для понимания изменения продаж необходимы данные за достаточно долгий период (сейчас предоставляются сведения с 2017 года), и это требует от нас более существенных затрат на их правомерное хранение и обработку.

— Dialog X5  —  новое направление бизнеса  компании? Вы  продаете поставщикам новый тип сервиса, верно? Каким образом платформа монетизируется?

Да, в настоящее время Dialog X5 объединяет платные аналитические модули, хотя мы уже начали процесс переноса на платформу и бесплатных цифровых инструментов для поставщиков.

Insights и Logistics  —  это аналитические сервисы, предоставляющие возможность строить аналитические отчеты по выбранным метрикам и категориям. Поставщик приобретает лицензию на софт, чтобы иметь доступ к этим данным и отчетам и искать те инсайты в покупательском поведении, миграции покупок клиента внутри  категории,  к конкурентам и пр., которые позволят ему улучшать бизнес-процессы, добиваясь повышения уровня сервиса.

Targeting  —  это рекламный сервис, который позволяет на основе обезличенных данных собирать сегменты для таргетированной цифровой рекламы. Сервис также решает важную задачу объединения  онлайн-  и офлайн-миров, предоставляя по завершении рекламной  онлайн-кампании  статистически значимые отчеты по метрикам, характеризующим продажи в офлайн-магазине: как реклама повлияла на реальные продажи, был ли рост категории либо продаж конкретного бренда. Этим сервисом пользуются в основном рекламные агентства крупных производителей, он позволяет оценить эффективность рекламных кампаний, запущенных на данных Х5, и стимулировать рост активности поставщика во взаимодействии с торговой сетью.

Сейчас мы работаем над построением единого цикла, интегрирующего аналитику Insights с запуском действий в модуле Targeting. Поставщик сможет проследить, что происходит с категорией с точки зрения продаж, и выделить интересующий его сегмент, а затем посмотреть, какие изменения в поведении категории произошли после рекламной кампании. Более того, дальше можно будет подключить модуль Logistics, чтобы понять причину проблем с  продажами:  дело в выкладке и стоимости товара и недостатках рекламы или его просто не довезли в конкретный магазин.

—  Как долго  платформа уже доступна поставщикам, сколько у нее клиентов?

Объединенную платформу мы запустили в сентябре, но с отдельными модулями поставщики работали и раньше. На данный момент клиентами платформы являются более 20 международных брендов, модуль Targeting используют более 50 рекламных агентств, подключения активно продолжаются.

— Какой это процент от общего количества поставщиков X5?

У X5 Group около 5 тыс. поставщиков, но не всем эти сервисы необходимы. Все зависит от масштаба бизнеса. В первую очередь в таких инструментах заинтересованы крупные международные компании, которые уже имеют  практику  работы с данными и понимают, какую ценность они могут извлечь из аналитики.

Мы рассчитываем, что к концу следующего года  топ-100  поставщиков X5 станут пользователями платформы.

— Какие преимущества получает поставщик от использования платформы и в чем выгода для Х5?

Среди наших клиентов  —  такие компании, как PepsiCo, «Боржоми», Ferrero,  «Балтика»,  и ряд других крупных  поставщиков. Некоторые  из них уже  публично рассказали,  каким образом решают свои бизнес-задачи с использованием инструментов платформы Dialog X5. Например, PepsiCo с помощью  Dialog X5  сумела оценить эффективность активации в акции «Битва завтраков»  —  измерить ее инкрементальный вклад в развитие категории, определить метрики, которые способствовали росту продуктовых групп, участвующих в инициативе, выявить лучшие маркетинг-механики для дальнейшего применения в бизнесе. Сервисы  Dialog X5  помогли компании «Боржоми» провести анализ динамики покупок групп потребителей и на его основе скорректировать позиционирование брендов, ассортиментные матрицы и  промостратегию.  Компания Nestle использует  Dialog X5  для анализа промоактивностей в категории, оперативного принятия решения для исправления ситуации с доступностью товара на полке.

Использование  Dialog X5  становится конкурентным преимуществом для поставщиков, поэтому не все они готовы открывать свои успешные кейсы, особенно сейчас, когда приходится жить и работать в условиях неопределенности. Dialog X5 позволяет быстрее реагировать на постоянные изменения. Вы не только анализируете бенчмарки и можете сопоставлять аналогичные периоды, но  и  практически в режиме реального времени понимаете, что происходит, какие факторы влияют на продажи, запуски новинок и  т. д. 

Для Х5 основные выгоды  —  это повышение прозрачности работы с партнерами, реализация важного направления цифровой трансформации  (data-driven-подход  в принятии решений), очередной прорыв в стремлении к технологическому лидерству, к системному позиционированию себя в качестве цифровой компании. Что касается преимуществ в операционной деятельности, то платформа обеспечивает эффективную модель взаимодействия ретейлера с поставщиками, поддерживая открытый диалог между ними.

— А насколько серьезной будет доля доходов от таких цифровых сервисов?

С  точки зрения монетизации  мы не останавливаемся  на текущих  сервисах. Прорабатываем  новые, полезные рынку предложения на основе аналитики данных. Мы  —  за аналитические продукты, а не простую передачу сухих данных, которая кажется бессмысленной и неинтересной рынку. Наша цель  —  стать центром экспертизы по решению определенных бизнес-задач.  И  конечно, это направление бизнеса должно быть экономически оправданным.

Как новый цифровой бизнес мы показываем хорошие  результаты:  в этом году увеличили выручку по сравнению с предыдущим и планируем рост на следующий год. Наша команда зарекомендовала себя как успешный стартап внутри компании с эффективной бизнес-моделью.

— В заявке на премию вы отметили, что «прозрачность инструментов на основе данных позволяет поддерживать честную конкуренцию, формировать новую добросовестную практику на рынке». Поясните, каким образом это достигается с помощью платформы Dialog X5?

Идеальная картина мира, к которой мы стремимся, состоит в том, чтобы  и  торговая  сеть,  и производитель-поставщик работали с единым пулом данных и принимали решения исходя из понятных  обеим сторонам факторов, чтобы добивались  увеличения своей доходности, не руководствуясь домыслами, а  за цифровым «столом  переговоров» с единой точкой входа и прозрачными процессами на основе данных. Именно это обеспечивает платформа. Dialog X5  —  не просто название платформы,  а  определяющая характеристика взаимодействия X5 со своими партнерами.

— Является ли Dialog X5 конкурентным преимуществом для самого ретейлера?

Безусловно. Платформа со столь широким набором различных инструментов  —  уникальный проект для российского рынка.  Наши основные  конкуренты тоже делают шаги в этом направлении, но подход, когда поставщик может  решить множество  своих задач по принципу единого окна, пока не имеет аналогов.

— Можно ли говорить о влиянии подобного решения на развитие отрасли розничной торговли в России?

Думаю, да. Почему платформу используют в первую очередь международные производители? У крупных мировых брендов стратегия завязана на данные,  у них  уже  создан data-driven-бизнес.  Они понимают значение аналитики для развития своей производственной цепочки, усиления своих позиций в продажах и  т. д. 

Но и среди российских компаний все больше тех, кто активно  использует данные  и  видит,  какую пользу  можно  извлечь из наших аналитических сервисов. И это, на мой взгляд, становится триггером для формирования индустриальной практики. Поставщик не ограничен только Х5, он работает и с другими сетями. И если он понимает, что с помощью цифровых решений, прозрачной аналитики может достичь большего эффекта для своего бизнеса,  то  будет стремиться расширять эту практику на других своих партнеров.

— Какие сложности были при создании платформы?

Основная сложность стоит перед нами сейчас  —  это масштабирование. Любой стартап подходит к тому этапу, когда нужно переосмыслять свое будущее развитие. На старте мы вдохновлялись опытом мировых разработчиков аналогичных решений, но перекладывали его на бизнес-задачи производителей в России. Постепенно в процессе развития платформы  —  появления нового функционала, новых типов отчетности, новых интерфейсов  — расширялось  наше представление о том, какой должна быть Dialog X5.

И сейчас мы достигли той стадии, когда продукт требует переосмысления. Мы получили продвинутый BI-инструмент, в котором, возможно, определенные функции нуждаются в унификации и упрощении, нам нужен поиск новых способов взаимодействия поставщика с аналитикой. Мы находимся в очень тесном контакте с нашими клиентами и постоянно собираем  информацию о том,  чего им не хватает, чтобы реализовать это в платформе.

Кроме того, существует необходимость технологического масштабирования. Перед нами стоят амбициозные задачи по оптимизации архитектуры данных с учетом роста количества пользователей и обеспечения безопасности данных, с одной стороны, и объемов  данных,  с другой. Строим планы на 2021 год по модернизации архитектуры, улучшению обработки данных и повышению скорости генерации отчетов, чтобы пользователи платформы получали максимально полезный результат за минимальное время.

— А какие планы по созданию новых сервисов для внешнего рынка?

Ряд продуктов уже находятся в стадии прототипирования и  пилотов  ad  hoc,  для того чтобы подтвердить гипотезу. Это кардинально новые решения с точки зрения  как  бизнеса, так и технологий. Надеемся, что сможем выпустить их на рынок в будущем году.

Анализ цифровых следов человека получает все большее распространение и начинает использоваться в самых различных направлениях деятельности — от маркетинга до информационной безопасности. В МТС разработали систему анализа бизнес-процессов на основе цифрового следа (Process Mining), и первым местом ее внедрения стал Единый центр управления сетью. Используя технологии автоматизации, дата-инжиниринга и машинного обучения в комплексе, Process Mining позволяет анализировать цифровой след сотрудников и обеспечивает мониторинг загруженности работников технического блока, решающих задачи управления инфраструктурой, а также прогнозирование нагрузки и выявление функций для роботизации. В дальнейших планах компании — использование системы в других подразделениях, развитие ее аналитических возможностей и ее вывод на внешний рынок. Телекоммуникационные компании являются одними из лидеров по количеству данных и уровню цифровизации, поэтому многие успешно обкатанные внутри МТС подходы и решения в дальнейшем адаптируют и предлагают внешним заказчикам.

Иван Исаев, директор направления анализа данных и искусственного интеллекта для проектов технического блока ПАО «Мобильные ТелеСистемы» и номинант на премию CDO Award , поделился деталями проекта по разработке системы Process Mining, осуществляющей учет и прогнозирование эффективности работы сотрудников на основе анализа цифрового следа, с использованием методов машинного обучения.

— Как у вас возник интерес к Process Mining?

В последнее время анализ «цифрового следа» сотрудников становится все более популярным подходом. Информацию об их действиях при выполнении работы можно изучать с различными целями. С переходом многих на режим удаленной работы оставляемых «следов» стало больше: цифровизировались процессы взаимодействия, которые раньше отследить было невозможно. Появляется возможность проанализировать все, что касается сотрудников компании, включая коммуникации, навыки, эффективность работы. По результатам можно принимать решения, направленные на повышение эффективности процессов, и это в целом повышает возможности цифровой трансформации компаний.

Разумеется, речь идет не только о сокращении кадров или выводе части задач на аутсорсинг с целью снижения издержек. Для любой компании не менее важно бороться с перегрузками сотрудников и предотвращать их выгорание, а также выявлять ценных специалистов, склонных к увольнению.

В Boston Consulting Group даже создали методологию BioTag, рассказывающую о том, как «правильно» внедрять анализ цифрового следа сотрудников внутри компании. Их идея разметки данных с помощью бизнес-тегов мне понравилась, и мы потихоньку к ней идем. Это поможет в оцифровке действий сотрудников, в структурировании и оптимизации их деятельности.

— Что в вашем понимании представляет собой цифровой след сотрудника?

Это информация о том, чем человек занимался в процессе работы, — любые его действия, оставившие цифровой отпечаток, и, что крайне важно, с обязательной привязкой ко времени. Конечно, это не цифровой двойник человека, ведь мы рассматриваем его однобоко — лишь с профессиональной точки зрения, но это отпечаток его присутствия в каждый момент времени. Это могут быть записи звонков диспетчеров по рабочим вопросам, текстовые сообщения, а также сведения о событиях, вносимые в информационные системы. В рамках данного проекта очень важно собрать полноценную картину того, чем человек занимается в течение рабочего времени.

— С чего решили начать?

У МТС есть огромное сетевое хозяйство, в обслуживании которого занято около 10 тыс. человек. Естественно, что периодически приходится заниматься оптимизацией технического блока, такие меры инициирует HR-служба в рамках программ автоматизации. Цель — оптимизация зарплатного фонда.

Вероятно, ситуация знакома многим: у директора в подчинении несколько сотен человек, и к нему приходит требование о сокращении 10% сотрудников. Руководитель в ответ заявляет, что у него и без того дефицит кадров, все сотрудники перегружены и для нормальной работы требуется увеличить штат еще на 20%. В этом случае для прояснения реальной картины требуются весомые аргументы, и предоставить их может лишь комплексный анализ работ, проводимых специалистами. Они заносят в информационные системы данные по инцидентам и работам разного вида по обслуживанию сети; обсуждают проблемы по почте; ведут задачи в Jira. Чтобы получить комплексную картину их труда, эти данные нужно объединить. При этом каждый источник довольно объемный, а его бизнес-логика сложна и специфична для каждого подразделения.

Ранее руководителям приходилось пользоваться электронными таблицами, используя такие термины, как годовой объем работ и среднее время решения инцидента, и вычислять потребность в сотрудниках. Этот подход уходит в прошлое, такие оценки субъективны и для внешних экспертов выглядят неубедительно. На смену ему приходят более серьезные, научные методы.

— Как пришла идея, от кого она исходила?

Моя компетенция заключается в том, что я внедряю машинное обучение в технические процессы, ищу конкретные места, где автоматизация может помочь заработать или сэкономить. Ко мне обратились директора департаментов технического блока, занимающиеся обслуживанием радиосети, транспортной сети, коммутационной сети. Им требовалось получить реальную оценку эффективности труда работников. Разумеется, это важно не только для «защиты от HR», но и для повышения собственной эффективности. У каждого подразделения своя механика работы, и она сильно зависит от предметной области. На первом этапе требовалось обеспечить полную прозрачность действий сотрудников.

Перманентный вопрос о необходимости обоснованной и ясной картины по загруженности персонала и оценке его работы волнует всех. Между тем уже достаточно давно консультанты провели аудит, по результатам которого появились зародыши методик расчета эффективности. Мы эту методику развили в программное решение.

— Что было сделано?

Нам удалось создать систему анализа эффективности работы сотрудников. На основе всех источников создается единая витрина данных, и по данным из нее рассчитываются коэффициенты эффективности. Эти коэффициенты учитывают такие факторы, как утилизация рабочего времени, успешность и своевременность выполнения задач, сложность задач и их критичность для работы сети. Система по прогнозированию и учету эффективности в данный момент находится в опытной эксплуатации.

Далее в процесс вступают механизмы машинного обучения — несколько аналитических модулей. Например, с их помощью мы будем прогнозировать перегрузки и выгорание сотрудников, планировать обучение, создавать кадровый резерв и формировать профиль увольняющихся сотрудников для принятия заблаговременных мер по их удержанию.

На базе этого возможно реализовать вполне конкретные решения. Скажем, в конце года по ряду причин загрузка некоторых сотрудников сильно возрастает по сравнению с началом года. Возможно, в этом случае оправданно привлечение аутсорсинга. Помимо этого, выявляются функции, которые можно автоматизировать. Например, глядя на график использования рабочего времени сотрудников подразделения, можно обратить внимание на то, что существенную долю времени (например, 40%) они тратят на диспетчеризацию поступающих заявок и выявление причин инцидента. С помощью модели машинного обучения и анализа естественного языка из переписок, систем управления задачами и комментариев к инцидентам можно создать ассистента (систему-советчик на основе машинного обучения), способного помогать в определении причин инцидента и даже самостоятельно отправлять сообщения другим специалистам. Так можно сократить число людей, работающих на диспетчерских линиях, и экономить операционные расходы.

Еще один пример возможного развития системы анализа цифрового следа: для ряда инцидентов, связанных с сетью, можно реализовать функционал прогнозирования — система автоматически сможет заводить заявку в системы и инициировать работы по предотвращению инцидента.

— Какие пути решения задачи были выбраны?

Для этих целей сформировано отдельное озеро данных, которое в дальнейшем консолидируется с единым озером данных компании. Оно было реализовано в собственной пилотной зоне. Мы создали прототипы моделей и витрин, после чего это средство будет масштабироваться с использованием промышленных решений.

— Какие данные использовались? Как принималось решение о выборе источников?

Какие данные потребуются, стало понятно далеко не сразу. Более того, до сих пор появляются потребности в новых источниках.

Конечно, основными источниками данных стали информационные системы, в которых работают сотрудники. Наиболее распространенные решения для управления операционными процессами и обработки инцидентов (такие как BMC Remedy Service Desk и Oracle Siebel) — монструозные системы, существующие в телеком-компаниях более 10 лет. Они огромны, в них сделано множество доработок, и довольно сложно оценить, что именно оттуда брать и как это сделать. В зависимости от специфики подразделений, требуется соответствующим образом обогащать собранные данные, ведь перед нами стоит задача восстановить 100% рабочего времени сотрудника — лишь так можно оценить его эффективность. Если это будет 50–60%, то это мало что даст.

В течение нескольких месяцев я проводил аудит работы подразделений и узнавал, как именно работают сотрудники. Благодаря этому сейчас наш мониторинг охватывает около 99% их действий. При дальнейшем масштабировании системы внутри компании и для внешних заказчиков, конечно же, потребуется добавлять новые источники.

Мы специальным образом готовили данные, чтобы вывести коэффициент сложности работы сотрудника — это влияет на его показатель эффективности. Учитывали довольно много параметров, проделали огромную работу по структурированию данных из существующих регламентов — то есть оцифровывали неструктурированные данные. На их базе создавали методики расчета эффективности сотрудника. Мы выводим показатель того, насколько сложными являются те или иные виды работ, выполняемых сотрудником, определяем внутренний грейд сотрудника — насколько он авторитетен в подразделении. Эти подходы, наравне с методикой BCG, позволяют получать больше знаний из имеющихся данных.

— Какие технические решения применяются? И почему именно они?

Изначально прототип делали на решениях open source: СУБД PostgreSQL, скрипты на SQL, модели на Python — я являюсь сторонником открытых платформ. В качестве инструмента визуализации используем Power BI.

Однако по мере подключения к системе различных подразделений рано или поздно встанет вопрос масштабирования. Это предусматривает создание более масштабного озера и инструментов управления, включая глоссарий данных. В качестве системы управления данными планируем использовать Informatica — у нас уже есть опыт применения этого решения. На первом этапе мы опробовали интеграционную платформу, далее потребуются бизнес-глоссарий и каталог метаданных.

Система подразумевает подключение более десятка подразделений, и для этого нужен глоссарий для описания данных, методик расчета показателей, различных сущностей (инцидентов, плановых работ, проектных задач, записей звонков, почтовых сообщений), с которыми работают подразделения. Все это требует оцифровки, а на дальнейших стадиях станет необходимым звеном.

Кроме того, при появлении источников неструктурированных данных понадобится переход на платформу Hadoop — реляционной СУБД обойтись уже не удастся.

— Как решается вопрос качества данных?

Разумеется, качество данных в источниках далеко от 100%. Но даже если данные находятся в местах, которые принято называть «болотом», их качество приходится улучшать постфактум — можно их очищать и обогащать. Часто данных не хватает, и тогда мы создаем в источниках новые поля, позволяющие проследить, например, траекторию изменения инцидента в системе. В работах над серьезными инцидентами принимают участие много исполнителей, и лишь с помощью новых полей в базах данных, в которые выгружается информация с оборудования, удается проследить их цифровой след.

Кроме того, применяя искусственный интеллект, мы боремся с аномалиями в данных и нормализуем их. Переписываем много унаследованных систем, чтобы они выгружали данные в нужном нам виде.

Довольно долго проработав с предприятиями реального сектора, я могу констатировать, что в телекоме ситуация с данными гораздо лучше, чем в других индустриях, за счет хорошей инфраструктуры и возможности сбора практически любых данных. Этому уделяется много внимания. И этот опыт мы также можем транслировать как провайдер цифровых услуг для других отраслей непрерывной промышленности. Например, еще один недавний проект нашей команды — цифровизация цеха производства удобрений в компании «Уралхим».

— В чем заключалась самая большая проблема?

В большой компании процессы достаточно бюрократичны и инертны. Но с этим, вероятно, сталкиваются все.

Серьезным вызовом стали неоднородность данных и необходимость создания глоссария, который позволил бы их упорядочить, обеспечив правильное масштабирование проекта. Подразделения очень разнородные, они работают с разными сущностями: кто-то работает за компьютером, а кто-то ездит по базовым станциям и заводит там дизельные генераторы. Их работу надо привести к общему знаменателю и масштабировать. С одной стороны, для этого необходим высокий уровень абстракции, чтобы подводить под логику работы системы функционирование многих подразделений (может быть, даже нетехнических), а с другой — требуется учесть специфику работы каждого подразделения, которая часто уникальна.

— Какие результаты проекта вы сами считаете ключевыми?

Результаты внедрения новой методологии и реализации модулей машинного обучения, апробированных в ряде подразделений компании, показали прирост эффективности работы сотрудников от 5% до 15%. Обслуживанием сетевой инфраструктуры у крупных операторов занимаются десятки тысяч человек, поэтому эффект от масштабирования подобной практики как у телеком-компаний, так и у других промышленных компаний (например, из отраслей сырьевой промышленности) получается значительный — это сотни миллионов рублей.

Достижение четкого экономического эффекта, выражающегося в конкретных «живых» деньгах, было нашей тактической целью. Повысить качество работы сети — это хорошо, но оно не дает прямой и немедленной финансовой отдачи. А вот автоматизация рутинных функций с помощью математической модели — совсем другое дело: компания перестает нести расходы на их выполнение. Персонал может быть или сокращен, или перенаправлен на решение задач, действительно требующих участия людей.

Со стратегической точки зрения это очень важный инструмент для дальнейшего измерения эффекта от цифровизации и для осознания наиболее перспективных направлений для нее. Понимая, на что тратят время сотрудники и какие действия выполняют, мы совершенно точно можем посчитать эффект от автоматизации любой функции. Это действительно очень важно, потому что до сих пор такой эффект было очень проблематично посчитать, чтобы оценить целесообразность проекта.

— Как именно происходит выявление функций для роботизации?

Мой подход включает несколько составляющих. Во-первых, необходим комплексный аудит того, что происходит. Приходится «идти в поле», тесно общаться с людьми, узнавать, что их волнует. Внутри технического блока у меня есть большие рабочие группы таких «следователей», приносящих пул конкретных инициатив. Другое дело, что результаты этих инициатив сложно рассчитать в деньгах.

Например, сотрудник просит разработать решение, способное оценить реальное время простоя базовой станции, и убеждает, что это «очень нужно для работы». Но где здесь экономический эффект? Да, прислушиваться к пожеланию специалистов необходимо, но еще важнее проследить цепочку изменений, приводящую к измеримому эффекту — сокращению простоя станции, увеличению трафика, повышению производительности сотрудников.

— Какие процессы в первую очередь будут замещаться искусственным интеллектом?

Моя область — машинное обучение, как классическое, так и глубокое (связанное с анализом текстов). В каждом из направлений у меня есть набор областей, где можно найти эффект. В классическом машинном обучении это выявление инсайтов, где можно, прогнозируя события, добиться автоматизации конкретной функции. Сюда относятся, скажем, предиктивные ремонты, направленные на предотвращение инцидентов. В случае с анализом текстов следует найти задачи, где задействована лишь одна когнитивная функция — например, принятие решений на основе текстового сообщения.

— Что дальше? Какими вы видите дальнейшие направления развития проекта?

Важным шагом станет добавление неструктурированных данных и развитие проекта от классического машинного обучения в сторону глубокого обучения. Одна из идей — создать аналог алгоритма обработки естественного языка GPT-3, выпущенного OpenAI, который может, проанализировав произведения, писать стихи, музыку и даже программный код.

В нашем случае цель такой модели может заключаться в анализе экспертной информации диспетчеров. Тогда в нашем распоряжении окажется инструмент, который сможет проанализировать труд диспетчеров и стать единым ассистентом для них. Очевидно, что он будет применим и для других компаний, в том числе для непрерывных производств.

С развитием бизнеса S7 Group видит потребность в руководителях продуктов и проектов в области продвинутой аналитики. Компания решила самостоятельно подготовить профильных специалистов и открыла первую в России кафедру по их подготовке на базе МФТИ. О том, как стартовала новая учебная программа и как она развивается сегодня, рассказывает Никита Матвеев, заместитель генерального директора по управлению данными S7 Group и номинант на премию CDO Award 2021.

— Как появилась идея запустить совместно с вузом подобную учебную программу?

Авиационная отрасль характеризуется крайне высокой конкурентностью и низкой маржинальностью. Для того чтобы преуспеть, компаниям важно внедрять наиболее передовые технологии. Одна из них — это продвинутая аналитика, включающая имитационное моделирование, машинное обучение, нейронные сети и т. д. Четыре года назад мы в S7 Group начали пилотировать системы продвинутой аналитики, получили хорошие результаты и решили развивать их по всем направлениям деятельности компании. Однако столкнулись с дефицитом специалистов, которые могут находить наиболее перспективные задачи и создавать продукты в этой области. На рынке их почти нет, а обучение занимает много времени.

Для этих задач требуются люди, которые, во-первых, владеют навыками проектного и продуктового управления, во-вторых, обладают базовыми знаниями в ИТ и управлении данными и, в-третьих, имеют хорошее математическое образование. Таких профессионалов настолько мало, что они сразу становятся звездами. При этом до последнего времени программ подготовки специалистов такого профиля в России не было. Обнаружив это, мы сами запустили обучение по управлению продуктами Data Science. Базой для нашей кафедры стал МФТИ.

Структуру магистерской программы удалось сформировать буквально за два месяца, затем мы начали ее прорабатывать, привлекать преподавателей. Я курировал весь процесс, создавал концепцию программы и организовывал часть, связанную с практической научной работой в S7.

— Какие задачи призвана решить созданная программа, что она собой представляет?

Магистерская программа рассчитана на два года и состоит из трех крупных блоков: стандартные курсы; научная работа (включая разработку моделей Data Science для задач S7); стажировка в компании в условиях работы с реальными аналитическими продуктами (чтобы учащиеся сразу погружались в дело, изучали устройство внутренних процессов и порядок выполнения различных задач).

Учебная часть как таковая сфокусирована на получении технических, ИТ- и бизнес-навыков. Мы хотим вырастить условных T-shaped people — то есть профессионалов в области работы с данными, управления проектами и разработки новых решений.

Наши студенты проходят два курса по Data Science (включая основы управления данными, базовые методы выявления закономерностей, задачи машинного обучения и оптимизации). В части ИТ они изучают системную аналитику, бизнес-аналитику, разработку ИТ-систем с нуля, построение отчетов в BI-инструментах. Также есть большой блок по архитектуре систем — практика показывает, что эти знания и инструменты часто необходимы владельцам аналитических продуктов в крупных компаниях для внедрения своих разработок. В части бизнес-задач речь идет о том, чтобы научиться выявлять точки роста компании. Этот блок строится на основе кейс-метода, который широко используется в международных программах MBA, а также в компаниях стратегического консалтинга (McKinsey, BCG). В дополнение изучается архитектура предприятия — то, как компания функционирует с научной точки зрения.

В результате выпускник программы — это продуктолог, который умеет анализировать процессы в рамках определенного функционального бизнес-блока и выявлять его потребности в области задач с данными. Он формирует гипотезы — как достигать поставленной цели с помощью аналитических инструментов, реализует прототип для проверки гипотезы и, в случае успеха, внедряет систему в эксплуатацию. Например, цель авиаперевозчика — снизить потребление топлива, для чего можно уменьшить вес самолета или перестроить траекторию взлета. От такой верхнеуровневой идеи нужно перейти к проверке гипотезы — выяснить, доступны ли исторические данные для построения модели и возможно ли в принципе так поменять процессы в компании, чтобы ее внедрить. По итогам этой работы создается прототип, который проверяет гипотезу. Затем проводятся испытания полнофункционального продукта и выполняется его внедрение в промышленную эксплуатацию. Здесь как раз и нужны сильные навыки проектного и продуктового управления.

— Программа больше ориентирована на закрытие потребностей компании или на развитие рынка специалистов по данным в целом?

Безусловно, запуск такой магистерской программы — это наша инвестиция в рынок в целом. В то же время это и возможность вырастить специалистов, которые смогут предлагать и проверять перспективные для компании идеи, участвовать в экспериментах и выполнять проекты для задач бизнеса.

— Какие барьеры пришлось преодолеть для реализации программы?

Основным барьером было то, что это новая специальность, при этом не совсем техническая. Наша кафедра в МФТИ в значительной степени менеджерская, и информацию о ней нужно было в деталях донести до студентов. Для этого мы организовали ряд мероприятий. В начале мы подробно рассказали о профессии владельца аналитического продукта, подчеркнули ее плюсы и востребованность на рынке. Потом провели встречи с сотрудниками S7 – владельцами аналитических продуктов. Они увлекли и вдохновили людей необычными и масштабными задачами, а также ответили на все вопросы по функционалу. И в конце студентов, проявивших наибольшую заинтересованность в программе, мы вывезли в тренинг-центр, где готовят бортпроводников и пилотов S7 Airlines. В итоге заявки на обучение подали 100 студентов (примерно половина — не из МФТИ) при наличии всего 10 мест.

— Кто стал преподавателями?

Поскольку программа охватывает очень большой набор тем, нам было важно, чтобы преподаватели могли сконцентрировать обучение на ключевых вещах. Поэтому каждый из наших преподавателей – специалист высокого уровня с опытом работы более 10 лет. Треть из них – сотрудники S7, еще треть – преподаватели МФТИ и, наконец, еще треть – сотрудники других компаний.

— Какова мотивация учащихся, приходящих на эту программу? Как они на нее попадают?

Главное, что мотивировало студентов поступать на нашу программу – это специализация и работа над задачами в сфере авиации. Специализация сильно заинтересовала студентов, так как она позволяет не только проводить аналитику и разрабатывать новый функционал, но и определять путь развития своего продукта. Что касается задач, то аналитические задачи в авиации, пока не так широко распространены и изучены, как, например, в банковской или страховой отраслях. Кроме того, они привлекают многих своей масштабностью и влиянием на результаты. Например, модели наших аналитиков используются при планировании ремонтов двигателей и определении цен на билеты.

Отбор на программу состоял из двух этапов. На первом проверялись технические знания – нужно было решить задачи по программированию и Data Science. Разработка задач и организация тестирования стали отдельным крупным проектом. Мы решили провести экзамен в формате соревнования по аналогии с Kaggle на платформе «Яндекс.Контест». На решение каждой задачи отводилось по два часа. Решения проверялись автоматически в режиме реального времени. По каждому решению студент получал оценку – либо точность модели кластеризации, либо скорость работы программы. Количество подач решений было почти неограниченным. За счет этого в течение экзамена была возможность протестировать различные подходы и найти лучший. Это позволило сделать экзамен динамичным и практически исключить трудозатраты сотрудников на проверку решения.

Затем проводились собеседования — мы предлагали студентам выбрать три аналитических продукта, которыми им бы хотелось заниматься. Например, предиктивное техническое обслуживание самолетов, рекомендательная система для пассажиров и система ценообразования. Далее студенты встречались с владельцами этих продуктов и специалистами по Data Science и обсуждали, какая из задач студента интересует больше и насколько они подходят для их решения. Таким образом оценивались компетенции и мотивация.

Кроме того, мы задавали самим студентам вопрос о мотивации, и многие отмечали, что хотели бы видеть бизнес-смысл своей работы, влиять на управление решаемыми задачами. Наконец, примерно для трети учащихся главным фактором оказалась отраслевая привязка — то есть работа с необычными задачами авиакомпании.

— Насколько значимой может стать ваша программа для российского рынка в целом, в том числе с точки зрения примера для остальных?

Мы знаем, что специалисты, которые проходят обучение по нашей программе, востребованы сегодня в самых разных компаниях — транспортных, логистических, финансовых и пр. Большинство выпускников сможет принять сама S7 Group. У нас запускается по 5–7 аналитических продуктов ежегодно, и лучшим студентам найдется работа.

В свою очередь, студенты, уже прошедшие обучение, дают очень хорошую обратную связь: средняя оценка — 8 из 10. Для дальнейшего продвижения программы среди студентов планируем запустить проморолик, организовать встречи с текущими студентами и даже пригласить на внутренние демо аналитических продуктов, где показываются результаты работы команды.

— Как планируется развивать программу в будущем?

Будем подбирать интересные задачи для студентов исходя из актуальных потребностей компании. В частности, на ближайший год в фокус внимания попадают обработка сбоев, повышение эффективности потребления топлива, а также отработка более узких моделей предиктивного ремонта (например, модели предсказания поломок шасси в зависимости от внешних условий). Такими задачами студенты будут заниматься в ходе практической работы.

В целом планируем повышать качество материалов, разрабатывать различные методические пособия по курсам, подбирать интересные домашние задания, которые коррелировали бы с реальными бизнес-задачами. В идеале хотим, чтобы курсовая работа стала реальным проектом в компании.

Если пару лет назад роль директора по данным и функции офиса данных чаще всего имели отношение к деятельности ИТ-подразделения, то сейчас картина кардинально изменилась. Согласно последнему исследованию, проведенному IDC по заказу компании Informatica, 80% CDO подчиняются бизнес-руководителям, иногда даже напрямую первому лицу компании, и имеют соответствующие бизнес-ориентированные показатели эффективности. Мы побеседовали об изменениях в подходах компаний к организации работы с данными с Александром Тарасовым, управляющим партнером DIS Group и членом экспертного совета CDO Award .

- Какие изменения в последнее время наблюдаются в настроениях CDO, их статусе и функционале?

Важно понимать, что CDO — позиция не слишком новая, но в ней по-прежнему много неизвестного. Как показывает опыт, при некоторой общности взглядов на то, что данные становятся главным активом, подходы организаций все-таки остаются различными. На позицию CDO влияет множество факторов, связанных с историко-культурными ценностями конкретной компании.

На этапе завершения цифровизации должен быть построен с той или иной степенью точности цифровой двойник компании. Однако организационные и процессные модели компаний далеки от совершенства. До 70% их инвестиций так или иначе направлены на модернизацию процессов: повышение их скорости, поиск скрытых резервов и внутренних инсайтов. Это значит, что организационно-процессные модели далеки от идеала. Если в такой ситуации создавать цифрового двойника, то компания «унаследует в цифре» все существующие проблемы. Более того, при оцифровке эти недостатки «подсвечиваются», становятся еще более очевидными.

Это становится проблемой CDO как человека, отвечающего за функцию управления данными. А проблема выходит за пределы данных и превращается в новое прочтение классической задачи: «подружить всех между собой и сделать процессы оптимальными». Многие задаются вопросом: какая у CDO главная задача? И 65% отмечают, что он в первую очередь является коммуникатором. В конечном итоге все сводится к задаче модератора дискуссий между подразделениями об унификации бизнес-терминов и показателей, методик их формирования и расчетов. Таким образом, начиная разговор о данных, мы очень быстро вторгаемся на территорию бизнеса.

- А что говорят в России?

Около 90% CDO, с которыми мне приходилось разговаривать, заявляют о коммуникациях как о своей главной задаче и в целом о «политической» направленности своей работы внутри компании. К сожалению, при этом они отмечают недостаток внимания со стороны первых лиц: их по-прежнему воспринимают как модное и перспективное, но все-таки ИТ-ответвление. Нынешняя пандемическая ситуация должна ускорить процесс становления CDO: именно переход в цифровые каналы выводит их действия на повестку дня. И есть надежда, что в момент построения цифрового двойника компании голос CDO будет услышан.

Институт CDO в России хоть и молодой, но уже состоявшийся. А по квалификации и уровню компетенций наши специалисты ничуть не уступают западным. Вопрос лишь во влиянии. Господа, обратите на это внимание: в цифровой трансформации надо переходить от лозунгов к практике. Фактически это означает: дайте CDO необходимые им полномочия, относитесь к директорам по данным как к бизнес-партнерам.

- Какие приоритеты сейчас ставятся перед CDO, к чему привязаны их KPI?

По данным исследования, проведенного IDC совместно с Informatica, около 80% CDO имеют бизнес-ориентированные KPI: увеличение прибыли, сокращение затрат, улучшение качества обслуживания. Три года назад, во время предыдущего исследования, бизнес-метрики имели лишь 15% CDO, а остальные ориентировались лишь на качество данных. Можно ли говорить о глобальных изменениях, сказать сложно, но тренд очевиден. И 80% CDO сейчас подчиняются бизнес-руководителям: либо напрямую первому лицу компании, являясь членами правления, либо руководителю уровнем ниже — например, операционному директору. Три года назад вопрос о месте CDO в корпоративной иерархии был еще открытым и большинство из них находилось внутри ИТ-подразделений. Тенденция очевидна: CDO перемещаются в бизнес — с соответствующим изменением их показателей эффективности. Это означает, что уже все понимают: CDO генерируют прибыль наравне с другими подразделениями.

- Как вы считаете, оправданна ли такая бизнес-ориентированность работы CDO?

Вполне. В новой реальности кто-то должен стать драйвером изменений. Я помню самое начало становления российского ИТ-рынка, когда на нем был абсолютный вакуум — не было ни людей, ни компетенций. Наиболее успешными в тот период стали люди, владевшие знаниями и в прикладной области, и в ИТ. Так и нынешние CDO должны понимать не только данные, на которых стоят, но и предметную область. Сейчас именно они находятся в идеальной позиции, чтобы обеспечить компаниям новый рост.

- И какие вызовы стоят перед ними?

Задачи CDO сейчас сводятся к процессу Know your data — поиску новых источников, определению качества данных, каталогизации, построению бизнес-глоссария и т. д. Многие сходятся во мнении, что эта деятельность сродни профессии библиотекаря. Если перед CDO ставят KPI, которых можно достичь с помощью данных, ему нужна твердая почва под ногами. Человеку, отвечающему за генерацию прибыли с помощью данных, неплохо понимать, чем он владеет и на что может опираться.

- Какие новые роли появились с повышением значимости работы с данными в бизнесе компаний?

Дата-стюарды — новый институт, который на данный момент воспринимается как экзотика. Проекты Data Governance в большинстве компаний пока идут на довольно высоком уровне: происходит выстраивание платформы и первых прототипов решений. Далеко не везде они успели опуститься на землю. Но как только будет создана цепочка жизненного цикла данных, проблема наличия дата-стюардов — тех, кто обслуживает данные на протяжении всего их жизненного цикла, — встанет в полный рост.

Кроме того, мы приходим к необходимости четко определить роли владельцев данных, а также кандидатов на роль владельцев данных — функции, которую я раньше не встречал. Крайне перспективным, но пока очень слабо проработанным в нашей бизнес-среде, представляется институт офицеров по качеству данных. Из утилитарной задачи это вполне может превратиться в отдельную вертикаль и, вероятно, будет выделено в бизнес-функцию.

При этом надо не изобретать велосипед, а искать возможности в смежных областях. Например, многие незаслуженно забывают про ключевых бизнес-пользователей, всегда игравших важную роль при внедрении бизнес-приложений. Они всегда выступали аккумулятором знаний в подразделениях. Эту роль было бы полезно тиражировать на управление данными — получится что-то очень похожее на дата-стюардов.

- А какие еще идеи извне могут быть тиражированы на управление данными?

В целом я бы рекомендовал смотреть на вопросы шире: многие вещи уже давно изобретены. Например, стандарты качества, которые отлично подходят к данным, или подходы риск-менеджмента.

В ходе дискуссии на нашем форуме INFADAY 2020 участники высказали простую, но гениальную мысль: качество данных прямо пропорционально уровню финансового риска. Отсюда следует необходимость применения инструментов риск-менеджмента к качеству данных. Это объективная идея, лежащая на поверхности. Однако в компаниях риск-менеджментом занимаются одни, а качеством данных — совсем другие, вплоть до того, что эти люди даже незнакомы.

Как и до какой степени инвестировать в качество данных? Примените подходы риск-менеджмента: если за этими данными стоят прямые финансовые потери или очевидные бизнес-перспективы, в них надо инвестировать. Например, инвестировать точно надо в качество данных о клиентах, которые по правилу Парето делают 80% прибыли компании. Качество остальных данных — вопрос дискуссионный.

- Какие проблемы в целом видят CDO, в чем их головная боль?

Главная проблема — недостаточность статуса. Дело не в названии должности, а в наличии административного ресурса, то есть практических рычагов влияния — возможности премировать, наказать или даже уволить. CDO должен найти скрытые источники резервов, подружить между собой подразделения, которые упорно не хотят этого и вовсе не стремятся в цифровое будущее, но, к сожалению, он не имеет возможности серьезно влиять на сложившуюся ситуацию. Как известно, «добрым словом и пистолетом» можно добиться гораздо большего.

- А технологические проблемы?

Многие CDO фокусируются на технологиях Big Data в части создания больших данных и погружаются в технические детали. Зачастую вопрос управления данными для них сводится к технологическим дискуссиям: что, чем и как грузить. Вопросы качества данных и их каталогизации, распределения ответственности остаются за рамками их внимания.

Кроме того, не все осознают важность технологий Data Governance как единой платформы. Зачастую компания выбирает решения исключительно по цене. Такие приобретения поначалу кажутся эффективными, но часто заказчики вскоре возвращаются к платформенным решениям, способным закрыть все ключевые области управления данными.

- В CIO Magazine в ходе одного из исследований выделили три архетипа CIO: «стратеги», «трансформаторы» и «функциональщики». В Deliotte таких архетипов выделяют целых восемь. Успели ли аналитики разработать подобную классификацию для директоров по данным?

В исследовании IDC и Informatica выделены четыре типа директоров по данным, и во многом такое разделение определяется не их мировоззрением, а областью, из которой конкретный CDO родом, его набором компетенций. Первая категория — «оптимизаторы операций» (Operational Optimizers), видящие свою задачу в повышении операционной эффективности компании. Это традиционный «айтишный» подход к управлению данными. Такие директора фокусируются на создании систем отчетности по запросам бизнес-подразделений.

Далее идут «гуру управления» (Governance Gurus) — люди, находящиеся на другом полюсе по отношению к первой категории. Они занимаются глобальными задачами на уровне правления компании, выстраивают процессы управления данными, запускают программы Data Governance в масштабах всего предприятия, разрабатывают глобальные политики. Они фокусируются на разработках систем мониторинга.

Следующий тип — «цифровые инноваторы» (Digital Innovators). Во многом их функционал близок к задачам директоров по цифровой трансформации. Они — практики и ищут цифровые решения для развития бизнеса, нацелены на поиск бизнес-кейсов. Часто именно они возглавляют конвейер монетизации данных. «Инноватор» — это типичный бизнес-лидер, но при этом он уделяет большое внимание цифровой культуре компании и управлению знаниями.

Наконец, четвертый тип — «борцы за аналитику» (Analytics Сhampions). Такие специалисты «вырастают» из хранилищ данных и являются проповедниками аналитики, стремятся обучить всех сотрудников самостоятельной работе с данными и мотивируют их быть немножко аналитиками. Это полезно тем, что способствует появлению собственных цифровых лидеров в каждом бизнес-подразделении.

Сложно говорить о том, кто из этих CDO «правильный». Вероятно, в идеале в компании должны присутствовать все четыре типа: и оптимизаторы, и евангелисты, и монетизаторы, и «профессора» — возможно, стоящие над первыми тремя.

- То есть CDO не должен быть единым? Речь идет о целой команде?

Сейчас в исследованиях никто не берется определять истину. В зависимости от корпоративной культуры и текущей ситуации может доминировать тот или иной архетип CDO. В любом случае это не вопрос эволюции CDO — скорее вопрос эволюции бизнеса и его собственников.

- Для какой компании какой тип CDO лучше подходит? Вероятно, понимание этого могло бы сильно облегчить карьерный путь директоров по данным и избавить их от серьезных ошибок…

Компаниям, которые были «рождены в цифре», нужны «цифровые инноваторы» — фактически это для них вопрос выживания. А вот для компаний реального сектора, возможно, важно не столько развитие новых направлений бизнеса, сколько наведение порядка в существующих. В ближайшее время они будут заниматься изысканием и удалением «подкожного жира» — сокращать производственные издержки и складские запасы, повышать технологическую эффективность и т. п. Поэтому я бы рекомендовал им фокусироваться на «борцах за аналитику».

«Гуру управления» сейчас важнее всего для госсектора, там их очень не хватает. В нашей стране реализуется такое количество цифровых инициатив, что вызывает затруднение даже подсчет существующих баз данных. На государственном уровне всерьез обсуждается создание единого цифрового профиля гражданина, введение крипторубля, и там стоит задача не столько повышения эффективности конкретных сервисов, сколько выстраивания сквозных процессов управления данными, лежащих в основе этих сервисов. Придется объединять различные министерства едиными подходами к управлению данными.

А «оптимизаторы процессов» — они нужны всем, но более всего тем, кто еще не задумывался о цифровой трансформации и внедряет отдельные ИТ-решения для повышения эффективности отдельных направлений.

Более года назад был создан Альянс в сфере искусственного интеллекта, в который вошли шесть компаний: Mail.Ru Group, «Яндекс», Сбербанк, «Газпром нефть», РФПИ и МТС. Его изначальная цель – мероприятия, позволяющие ускоренными темпами развивать в России компетенции в области машинного обучения и искусственного интеллекта. Несколько дней назад альянс представил библиотеку AI Russia Works, в которой представлены лучшие примеры применения технологий искусственного интеллекта.

По словам организаторов, к созданию библиотеки решений привел целый ряд предпосылок. Например, IDC оценивает мировой рынок искусственного интеллекта в 2020 году более чем в 150 млрд долл., и через несколько лет он удвоится. В России же рынок решений на базе искусственного интеллекта ничтожно мал и не превышает 200 млн долл. – это существенно меньше, чем можно было бы ожидать. Однако очевидно, что у нашей страны огромный потенциал и ему надо помочь реализоваться – искусственный интеллект способен стать одним из драйверов развития экономики.

На пути к AI-вики

Роман Стятюгин: «Запуская эту библиотеку, мы даем старт самостоятельному проекту: он в дальнейшем будет поддерживаться и теми, кому интересно читать об успешном опыте, и желающими им делиться. Тогда в перспективе сформируется AI-вики»

«Мы стали оценивать возможности помощи рынку и увидели определенные барьеры, типичные для многих компаний», — отметил Роман Стятюгин, руководитель аналитических сервисов PREDICT Mail.ru Group, играющий роль одного из координаторов библиотеки кейсов. Например, на отечественных предприятиях (разумеется, если не говорить об общепризнанных лидерах рынка) отсутствует информация, как искусственный интеллект может улучшить их показатели – экономить или получать дополнительную выручку. Получается замкнутый круг: спрос компаний недостаточен для активного развития готовых продуктов, а уровень готовности решений пока недостаточен для стимуляции спроса на них.

Рынку требуется добавить прозрачности – информации о том, как решения с использованием искусственного интеллекта помогли их коллегам, и главное – какой экономический эффект был получен. При формировании библиотеки был сделан акцент не на технологии, а именно на бизнес-эффект. Как известно, получить такую информацию бывает непросто. Именно поэтому, по словам Стятюгина, в альянсе решили, что нужна авторитетная база знаний, верифицированная экспертами, о том, в каких индустриях внедряются технологии искусственного интеллекта и какие результаты приносят.

«Запуская эту библиотеку, мы даем старт самостоятельному проекту: он в дальнейшем будет поддерживаться и теми, кому интересно читать об успешном опыте, и желающими им делиться. Тогда в перспективе сформируется AI-вики, которую сообщество будет самостоятельно развивать и дополнять», — считает Стятюгин. Кроме того, ежегодно будут награждаться лучшие из представленных проектов.

«Мы демонстрируем кейсы, которые позволяют вдохновиться и заняться их тиражированием», — заявил Кирилл Булатов, генеральный директор Альянса в сфере искусственного интеллекта. По его словам, сейчас в библиотеке собраны более 40 примеров успешных внедрений в российских организациях самых различных отраслей с доказанной эффективностью. 80% кейсов уникальны и нигде не публиковались, причем 40% из них представляют внутренние разработки предприятий. Основные сферы их применения – производство, маркетинг и клиентский сервис, а один даже направлен на формирование стратегии.

Кирилл Булатов: «Мы демонстрируем кейсы, которые позволяют вдохновиться и заняться их тиражированием»

Составители библиотеки «целятся» в средний и топ-менеджмент компаний самых разных сфер. При отборе кейсов оценивают, насколько быстро окупилось решение, каким образом влияет на рост выручки или снижение расходов, рост производительности и качества продукции. При этом обязательно наличие внутри созданного решения не только «интеллектуальной начинки», но и доказанного количественного эффекта, в том числе подкрепленного финансовой отчетностью и проведением независимых аудитов.

Эффект – сто миллионов

Одним из проектов, описанных в библиотеке AI Russia Works, стал проект в Росэлторге – крупнейшей электронной площадке, на которой проходят государственные и корпоративные закупки; в год там проходит около миллиона тендеров на общую сумму 4-5 трлн руб. В компании накопился огромный объем информации о проводимых торгах, их участниках и победителях, а также исполнении ими договоров. Главной решаемой задачей стало повышение конкурентности торгов. В этом цели организатора и заказчика схожи: для «Росэлторга» тоже важно успешное закрытие тендеров – ведь они берут плату с победителей.

Андрей Кашутин: «Мы столкнулись с тем, что достигли потолка по успешному закрытию торгов. Повысить эффективность в этой области помогли именно технологии машинного обучения»

«Мы столкнулись с тем, что достигли потолка по успешному закрытию торгов. Повысить эффективность в этой области помогли именно технологии машинного обучения. Было важно более таргетированно приглашать поставщиков к участию в закупочных процедурах, не превращать эти приглашения в спам – разобрать несколько сотен приглашений в день абсолютно нереально», — рассказал Андрей Кашутин, первый заместитель генерального директора Росэлторга. На основе анализа данных удалось построить модель, которая позволяет четко понимать, кто из потенциальных участников с большей вероятностью будет участвовать в конкретной закупочной процедуре – с учетом его прошлых действий, географии, анализа семантики лота. После этого стали делать узкие, но таргетированные рекомендательные подборки для поставщиков – в 8 случаях из 10 удается угадать, что поставщику тендер интересен, и он подает документы на участие в нем. В результате площадка на 5,3% подняла число успешно закрываемых лотов, это довольно большие деньги.

Кроме того, требовалось предсказать, какие торги рискуют остаться незавершенными, а значит им требуется уделять повышенное внимание: настойчивее звать в них участников, обеспечивая конкурентность, – возможно, даже звонить и убеждать. Машинное обучение позволяет довольно хорошо выявлять такие закупки.

«В 30-40% случаев мы заблаговременно понимаем, что число участников не превысит одного, а значит лот не будет закрыт и мы не получим свою комиссию. В этих случаях все усилия маркетингового центра направляются на то, чтобы все-таки сделать торги конкурентными», — сказал Кашутин. И компании все лучше это удается: за первый год работы этого проекта была получена дополнительная выручка более 100 млн руб.

Маркетплейс моделей

«Создание библиотеки верифицированных кейсов крайне важно. Видя доказанный эффект, многим заказчикам будет проще сделать первый шаг – возможно, даже пропустив этап пилотного проекта или существенно сократив его. Это позволит российскому рынку развиваться быстрее зарубежного», — подчеркнул Дмитрий Дырмовский, генеральный директор группы компаний ЦРТ.

Не менее важно в рамках создания библиотеки «умных» решений каталога предобученных моделей для решения практических задач. Это принципиально важный вопрос: обмен информацией создает базис для развития технологий, а наличие готовых продуктов дает импульс для их внедрения.

«Мы бы очень хотели, чтобы наша деятельность привела к появлению библиотеки предобученных моделей или даже маркетплейса моделей», — признал Стятюгин. Перейти от информирования и популяризации непосредственно к предоставлению готовых решений было бы правильным шагом. Но для этого рынок должен немного созреть. Искусственный интеллект может выступать вишенкой на торте, но для нее нужна надежная основа – от инфраструктуры и наличия качественных данных до редизайна производственных процессов и встраивания в них интеллектуальных решений.