Статьи

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

Сырьевая база

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

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

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

Закон на подходе

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

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

Три диагноза от искусственного интеллекта

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

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

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

Видеть цель

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

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

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

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

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

На распутье: NLP или cтруктурированная галлюцинация?

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

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

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

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

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

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

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

Фабрика по производству отчетов

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

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

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

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

Аналитика как продолжение отчетности

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

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

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

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

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

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

Монетизация: где взять идеи?

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

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

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

Заключение

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

Авторы:

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

Андрей Шишов, аналитик департамента анализа данных банка УРАЛСИБ

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

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

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

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

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

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

Как компаниям застраховать себя от простоев и потери информации

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

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

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

Автор — Павел Колмычек, операционный директор КРОК Облачные сервисы

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

Сизифов труд для марафонцев

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

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

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

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

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

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

Управления данными не существует без бизнеса

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

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

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

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

Качество — забота каждого

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

- Каковы ваши дальнейшие планы по развитию аналитической системы?

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

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

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

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

Успехи базовой автоматизации

— Какие основные предпосылки программы «Технологический прорыв»?

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

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

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

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

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

— Какие задачи решались на первом этапе программы?

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

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

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

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

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

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

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

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

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

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

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

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

«Ментальная революция» и цифровая трансформация

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

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

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

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

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

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

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

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

Поэтому «мы» – это «Норильский никель».

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

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

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

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

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

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

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

Цель – безопасное и эффективное автономное производство

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

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

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

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

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

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

— Неужели имитационное моделирование рудников нигде не практикуется?

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

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

— Какие перспективы у «Технологического прорыва»?

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

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

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

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

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

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

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

— Как появилась идея школ DataDiving?

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

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

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

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

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

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

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

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

— Как устроена школа DataDiving?

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

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

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

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

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

— Кто учится и кто учит в школах DataDiving?

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

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

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

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

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

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

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

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

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

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

— Какие перспективы у DataDiving?

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

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

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

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

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

- Каковы предпосылки внедрения единого процесса и платформы управления маржинальностью?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

- Что определило выбор продукта SAP для платформы управления маржинальностью?

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

- Что подразумевает контроль качества данных в управлении маржинальностью?

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

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

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

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

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

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

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

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

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

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

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

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

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

- Каковы планы по развитию платформы?

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

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

- Что для вас было самым интересным в проекте?

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

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

- Какие итоги проекта вы считаете ключевыми?

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

Созданная в компании «Почта России» единая платформа больших данных стала основой для интеграции множества информационных систем компании и технологическим фундаментом ее сотрудничества с партнерами по логистическому рынку. Экономический эффект от создания платформы огромен, и оценить его в полной мере еще только предстоит. О внедренной платформе и полученных благодаря ее появлению результатах рассказывает Анна Ахобадзе, руководитель департамента обработки, хранения и аналитики больших данных «Почты России» и номинант на премию CDO Award 2021 .

- Ваша компания — обладатель, вероятно, одного из самых крупных массивов данных в нашей стране. Как давно у вас появилась стратегия в области управления данными? Каковы ее основные положения и приоритеты?

Заниматься управлением данными в компании начали достаточно давно, но в течение последнего года мы стали очень активно развивать это направление. Основные положения ИТ-стратегии «Почты России» в области данных вполне понятны: нужно накапливать максимально возможное количество данных, описывать их, верифицировать, проверять их качество и добиваться того, чтобы оно было достаточно высоким на всех уровнях систем и процессов, которые порождают и обрабатывают эти данные. С точки зрения демократизации данных нужно позаботиться о том, чтобы предоставить всем заинтересованным пользователям удобные инструменты для работы с этими данными и для принятия на их основе правильных решений. Наконец, компания рассчитывает на внутреннюю монетизацию накопленных данных. О продаже данных вовне речь не идет.

- Как в компании организовано управление данными?

Ответственность за управление данными в компании лежит на мне. Другими словами, я выполняю роль директора по данным.

Технологическую основу управления данными обеспечивает единая платформа больших данных. Она состоит из нескольких модулей. Один из них обеспечивает сбор данных из различных источников, их предварительную обработку и хранение в кластере Hadoop. Другой модуль предоставляет пользователям набор инструментов для доступа к данным. Третий модуль помогает отслеживать и контролировать качество данных внутри платформы и в других ИТ-системах компании. Для расчетов и дистрибуции витрин данных у нас применяется MPP-платформа. Для потоковой обработки данных используются популярные инструменты Kafka, Spark, Сassandra.

Кроме того, есть модуль описания данных (каталог данных): он содержит информацию о том, какими именно данными компания располагает и какие методы расчетов следует применять для определения тех или иных показателей. Этот модуль создан, для того чтобы помочь сотрудникам правильно пользоваться имеющимися данными.

Еще один модуль помогает обеспечить монетизацию данных. По сути, это инфраструктура для Data Science, разработки и продуктивной эксплуатации аналитических приложений, в том числе с использованием машинного обучения и моделей ИИ — для их написания используется популярная платформа Jupyter. Планируем также дополнить этот модуль возможностями для сбора внешних данных.

Информация может передаваться в платформу как один раз в сутки, так и в режиме, близком к реальному времени. Это одна из ключевых систем в архитектуре нашего ИТ-ландшафта. Она обеспечивает не только сбор и накопление данных, но и их обработку и передачу в различные системы для последующей работы.

- Как давно идет работа над созданием и развитием платформы?

Платформа создается в рамках масштабного долгосрочного проекта, который продолжается около трех лет. В минувшем году ее развитие шло особенно активно: темпы совершенствования платформы выросли в два раза. Это объясняется и тем, что к началу прошлого года уже была в целом завершена работа над базовыми элементами платформы, и тем, что именно в этот период работа над платформой была признана одним из приоритетных направлений развития ИТ в компании.

За минувший год был значительно расширен состав пользовательских сервисов, сформирована база знаний по использованию инструментов. Количество пользователей платформы выросло более чем в два раза. Кроме того, были сформированы KPI качества данных по ключевым сущностям компании, выстроены процессы мониторинга этих KPI.

- Какие основные бизнес-задачи решаются с помощью платформы? В каких бизнес-процессах она применяется?

Платформа применяется в огромном количестве бизнес-процессов. На ее основе рассчитываются ключевые показатели и принимаются различные управленческие решения. Она служит основой для исследований различных гипотез относительно бизнес-потенциала новых продуктов и их ценообразования. Наконец, поступающие из платформы данные используются в ключевых системах компании, в том числе тех, что поддерживают работу производственных подразделений.

- Как удалось совместить в единой платформе самые разные функции и возможности для решения таких разнообразных по масштабам и специфике аналитических задач?

Собственно, наша платформа для того и создавалась, чтобы с ее помощью решать самые разные задачи. Ключевое преимущество использования платформы заключается в том, что единая для всей компании модель данных помогает привести их в порядок, позволяя удовлетворять требования самых разных бизнес-заказчиков. Более того, платформа обеспечивает не только единое хранение данных, но и единую их интерпретацию, помогая упорядочить их и сделать понятными для всей компании.

В настоящее время в системе хранится около 5,5 Пбайт данных, для их обработки и анализа используется более 200 серверов.

- Кто является непосредственными основными пользователями платформы? В каких подразделениях компании они работают?

Платформу используют сотрудники производственных подразделений и почтовых отделений (у «Почты России» 42 тыс. отделений), которые отслеживают посылки и письма. Кроме того, с ней работают аналитики — и те, кто изучает информацию по отдельным продуктам компании, и те, кто отвечает за подготовку данных для принятия решений руководителями различного уровня. Сейчас мы активно привлекаем к работе с платформой наших топ-менеджеров.

Разным пользователям мы предоставляем разные инструменты для доступа к данным: аналитики предпочитают работать с витринами данных, руководители хотят получать наглядные и содержательные дашборды, сотрудникам производственных центров и почтовых отделений мы предоставляем отчеты, соответствующие их специфике деятельности.

Прежде, до создания единой платформы, пользователям нередко приходилось сталкиваться с ошибками ручного ввода и противоречивыми данными, взятыми из разных источников. К тому же не было уверенности в их полноте. Единая платформа хранит и предоставляет исчерпывающие и достаточно качественные данные.

- Какие результаты достигнуты благодаря созданию и использованию единой аналитической платформы? Что в компании удалось улучшить с ее помощью?

Приведу в пример интеграцию систем «Почты России» и Cainiao, логистического оператора AliExpress. Как известно, AliExpress — один из ключевых партнеров «Почты России». Благодаря интеграции наших баз данных об отправлениях, мы повысили непротиворечивость и целостность информации, в результате чего количество проблемных посылок (не дошедших до адресата или пришедших с большим отставанием от стандартных сроков доставки) уменьшилось более чем в два раза. И поскольку потоки отправлений, следующих между Cainiao и «Почтой России», огромны (счет идет на сотни миллионов посылок в год), мы получили огромный экономический эффект.

Появление платформы обеспечило и масштабный косвенный экономический эффект. Наши аналитики смогли оперировать более точными и полными данными, в результате руководители получили возможность быстрее принимать управленческие решения, а коммерческие подразделения научились создавать и быстрее выводить на рынок улучшенные и более востребованные продукты.

Платформа обеспечила интеграцию множества информационных систем компании, сопровождающих почтовые отправления в разных регионах и производственных подразделениях. Это помогло оптимизировать наши внутренние логистические процессы и ускорить доставку отправлений. В масштабах компании эти улучшения дают огромную выгоду.

Вот еще один пример оптимизации: в ходе проекта создания сети почтаматов на основе данных из единой платформы мы успешно решили задачу оптимальной расстановки этого оборудования по почтовым отделениям. Так или иначе, выгоду от создания платформы получили практически все подразделения компании. Этот эффект нам еще предстоит оценить.

Важнейшим достижением стало то, что, благодаря улучшению работы с данными, компания стала гораздо более зрелым и компетентным в технологическом плане логистическим партнером. В настоящее время мы сотрудничаем с 10 крупнейшими eCom-игроками России.

- Как внедрение единой платформы повлияло на корпоративную культуру работы с данными?

Наши сотрудники осознали, что необходимо использовать всю совокупность данных. И такая возможность появилась у них благодаря единой платформе. Они стали больше доверять данным, которыми пользуются, и активнее применять их в своей работе.

Существенно изменилось и отношение коллег к качеству данных: они осознали, насколько важно контролировать качество данных там, где они порождаются, и стали с гораздо большей ответственностью заботиться о том, чтобы данные изначально были правильными.

- По каким направлениям планируется развивать платформу в ближайшем будущем?

В ближайшее время мы предполагаем сосредоточить усилия на основных направлениях Data Governance: дальнейшем повышении качества данных, развитии описания данных, а также монетизации данных и извлечении различных выгод от их использования, в том числе с помощью Data Science, машинного обучения и других популярных технологий.

Счастье людей зависит не только от их дохода — теперь это подтверждено математикой. Чтобы повышать качество жизни в том или ином регионе, приходится глубоко вникать в проблемы его жителей, и лучшей возможностью для этого является «жалобная книга», которую представляют собой нынешние социальные сети.

Вячеслав Гойко, директор Центра прикладного анализа больших данных Национального исследовательского Томского государственного университета и номинант на премию CDO Award 2021, рассказал о реализации проекта «Оценка качества жизни населения регионов Российской Федерации по данным социальных медиа». Выводы о благополучии людей, полученные с помощью анализа их поведения в соцсетях, способны стать важным дополнением к традиционным статистическим методам и помочь в выработке управленческих решений, направленных на улучшение жизни граждан.

- Попытка измерения благополучия населения — важная задача. В некоторых странах есть даже министры по счастью. Как родилась идея использовать поведение людей в соцсетях для определения их качества жизни?

Тема благополучия и качества жизни в последнее время стала весьма актуальной. В научных кругах появилась концепция следующей, цифровой эпохи Индустрии 4.0. Ее жители — наши дети, которые родились с гаджетом в руках и многое воспринимают несколько иначе. Например, они хорошо принимают шеринг-экономику и восприимчивы к экологическим вопросам. Поэтому новая концепция направлена в первую очередь на повышение качества жизни людей и изучение новых аспектов их благополучия.

С другой стороны, все существующие методики основаны на субъективных оценках — то есть базируются на различных опросах. Объективные оценки строятся в основном лишь на статистических данных, мы же предлагаем использовать в качестве источника информации открытые данные.

Тематика родилась не случайно: наш Центр прикладного анализа больших данных, созданный в 2016 году, до недавнего времени назывался Лабораторией наук о больших данных и проблемах общества. Этими проблемами общества мы и занимались, поэтому задача измерения качества жизни населения буквально витала в воздухе. Мы начали работать с соцсетями, увидели, какие возможности дает анализ открытых данных из них, и в 2018 году возникла идея попробовать измерить «цифровое качество жизни».

Оказалось, что соцсети по своей сути представляют большую жалобную книгу. Соотношение негативных и позитивных сообщений составляет 7:1, то есть 85% контента имеет негативную тональность! Люди любят жаловаться, причем развитие интернета дало возможность высказываться всем. И в таких сообщениях часто содержится описание насущных проблем с привязкой к местоположению граждан, их социально-демографическому статусу, образованию. В отличие от опросов, где число респондентов исчисляется тысячами, здесь охват достигает десятков миллионов людей — получается довольно большая выборка.

Конечно, есть и ограничения. В первую очередь пользователи соцсетей не совсем точно отражают демографический срез населения России — там очень мало людей пенсионного и предпенсионного возраста. Однако средний возраст пользователя сети «ВКонтакте» уже перевалил за 30 лет.

- Почему только отечественные соцсети? Нет ли ощущения, что из-за этого теряется что-то важное?

Наша страна уникальна тем, что у нас мировые ИТ-гиганты, такие как Google или Facebook, встречают активное сопротивление местных игроков, причем весьма успешное. Более того, сеть «ВКонтакте» предоставляет открытые API — интерфейсы для получения данных. С точки зрения исследователя, это отличная возможность. Facebook же в 2015 году свои данные закрыл.

- Какие данные используются и почему именно они?

В первую очередь мы работаем с такой сущностью, как сообщество людей. В последнее время у многих пользователей снизилась активность на собственной странице — люди перешли в мессенджеры. Но в сообществах, особенно региональных, они продолжают обсуждать свои проблемы. По подпискам человека можно с высокой долей вероятности определить его регион, а чуть больше четверти пользователей и сами указывают свое место проживания. Весь контент мы обезличиваем, но оцениваем суть написанного и соотносим высказывание с субъектом РФ.

В итоге у нас появляется относительно объективная картина проблем и позитивных событий, присутствующих в обществе каждого из регионов. Даже несбалансированность негатива и позитива играет нам на руку, потому что динамика проблем отображает изменение качества жизни. Например, в известной пирамиде Маслоу потребность в безопасности находится внизу, являясь базовой. Поэтому люди сначала жалуются на безопасность, а уже потом — на отсутствие кинотеатров и других мест культурного проведения досуга. Это тоже может показывать прогресс или регресс качества жизни.

В масштабах региона получается неплохой слепок. Например, в Томской области проживают около 1 млн человек, свыше 300 тыс. из них пользуются сетью «ВКонтакте». По этим данным вполне возможно оценивать и состояние людей, и его динамику.

- Когда был начат проект? Какие этапы включал и каких реальных результатов с тех пор удалось добиться?

В 2018 году стартовал пилотный проект. В его ходе мы научились в полуавтоматическом режиме искать региональные сообщества, выгрузили из них весь контент за год. Даже с учетом относительно небольшой выборки это были миллионы сообщений, вручную их анализировать невозможно.

Далее мы перешли к следующему этапу — формированию ручной обучающей выборки для создания алгоритма, сортирующего сообщения по категориям. В пилотном проекте были определены 19 категорий (ЖКХ, образование, медицина и т. п.) и 3 сферы: социальная, экономическая и политическая. Наш подход оказался правильным: разметив большое количество сообщений, мы добились того, что алгоритм начал классифицировать сообщения с высокой точностью. Более того, он достаточно точно определял тональность сообщения, и уже с помощью этого удавалось делать определенные выводы. В следующем, 2019 году в наших данных появилась динамика, а кроме того, мы расширили классификацию сообщений. Результаты ожидались интересные, и нам удалось получить грант на проведение этого исследования.

Уже в 2020 году к нашей работе проявили интерес органы местного управления — администрации Томской области, Якутии, Архангельской области. Нам удалось связаться с Центром перспективных управленческих решений (ЦПУР), который нас поддержал в плане улучшения методологии. Причина их внимания очевидна: проект может с высокой точностью показать проблемы, актуальные для определенных регионов. Это может стать дополнительным инструментом мониторинга изменений. Наконец, мы начали сотрудничать с ВЦИОМ на тему сопоставления наших онлайн-данных с их опросами.

Сейчас наша задача — доработать методологию и нивелировать перекос в сторону молодежи. Очевидно, что мы пока достаточно плохо видим проблемы старшего поколения. Кроме того, нас интересует еще один важный параметр — субъективное психологическое благополучие, которое является показателем психологического состояния человека, а не только его отношения к внешнему миру. Есть много примеров того, что человек счастлив даже при плохом состоянии окружающего мира, и наоборот.

- Какие математические методы использовались в ходе исследования?

Классические методы машинного обучения. В ходе проекта мы использовали мощности суперкомпьютера СКИФ Cyberia, которым обладает ТГУ. К сожалению, в таких объемах ни хранить, ни собирать данные на обычных компьютерах невозможно. Обучение нейросетей также будет происходить очень медленно.

- Очевидно, в этом проекте речь идет не только о математике, но и о других дисциплинах — психологии, социологии и т. п. Какие специалисты и откуда привлекались, в чем заключалась их роль?

Проект поддержан Университетским консорциумом исследователей больших данных, в который входят 30 вузов. Ядром команды выступают специалисты из ТГУ. Научным руководителем проекта стал Евгений Щекотин из НГУЭУ, занимающийся вопросами субъективного благополучия. Кроме того, активно помогали коллеги из САФУ и СВФУ. Также мы работаем с компаниями «Форексис», которая помогает с машинным обучением, и Megaputer Intelligence, у которой есть хороший инструмент текстовой аналитики PolyAnalyst.

Наш коллектив объединяет компьютерщиков, социологов, психологов, лингвистов, экономистов. В нашей работе очень важна роль психологов. Проведя полноценное традиционное тестирование нескольких тысяч человек и затем проанализировав их цифровой след в социальных сетях, можно получить неплохую модель, способную по цифровому следу определить психологические характеристики человека.

Например, отдельное и важное направление нашего исследования — измерение качества жизни людей в Арктике. Это крайне важный для России регион с геополитической точки зрения, существует специальная стратегия его развития. Но пока непонятно, как повысить там качество жизни: несмотря на высокие зарплаты, люди уезжают из-за сурового климата и слабой инфраструктуры… Я бывал зимой в Архангельске. Световой день длительностью четыре часа производит гнетущее впечатление даже на сибиряка, провоцируя депрессию.

- Иногда решение сложной задачи приходит из совершенно другой области. Может ли оказаться, что мониторинг настроений в соцсетях заменяет официальную статистику или превосходит ее?

У нас несколько разные задачи: у статистики — количественные измерения, у нас — субъективные. Хотя они и идут бок о бок, для нас главными единицами измерения являются настроение человека и социума региона в целом. Поэтому статистика скорее дополняет наши методы, а вот с точки зрения ЦПУР, появление еще одного показателя может обогатить имеющиеся государственные данные. Таким образом, задача решается с разных сторон, и мы фокусируемся на извлечении из количественных данных качественных результатов: какие проблемы существуют, откуда они появляются и для кого важны.

- Что в ходе этого проекта было самым сложным?

На этом проекте мы набили много шишек. Это не умерило наше энтузиазм, но научились мы многому. Мы и раньше работали с алгоритмами машинного обучения, и нам приходилось классифицировать данные. Но размечать в таком объеме неструктурированные тексты, и в первую очередь жалобы, оказалось крайне сложно с концептуальной и содержательной точек зрения. Как отличить тематику одного сообщения от другого, если они описывают одно и то же событие? Кроме того, требуется с большой точностью разметить сообщения по тональности.

Подготовив разметчиков (целый коллектив, который размечал специально подготовленную выборку сообщений), мы начали работу — и результат нас расстроил. В ходе кросс-валидации (когда несколько человек независимо друг от друга размечают одни и те же сообщения) выяснилось, что точность работы крайне низка. Люди одно и то же сообщение зачастую трактуют совершенно по-разному, на таких данных обучать алгоритм невозможно. Пришлось потратить гигантские усилия, чтобы довести качество ручной разметки до приемлемого уровня. Как известно, самое сложное в обучении искусственного интеллекта — чтобы перед этим хорошо отработал интеллект естественный.

- Были ли в ходе проекта открытия, удивившие вас?

Оказалось, что регионы-соседи могут кардинально отличаться по восприятию качества жизни. Казалось бы, между людьми всего 200 км, но у них совершенно различное восприятие окружающего мира. Наша страна оказалась огромной не только территориально: проблемы сильно разнятся, причем нет универсального пути их решения. Скажем, если повсеместно отремонтировать дороги, люди счастливыми не станут. Чтобы принимать решения, нужно точно, до мельчайших подробностей знать ситуацию на местах.

Кроме того, это был первый проект, в котором мы работали бок о бок с гуманитариями. Первые полгода мы учились разговаривать на одном языке. Я по базовому образованию инженер-физик, и долгое время жил только в техническом мире. Реализация этого проекта заставила меня задуматься о гуманитарных проблемах. Честно скажу, я всегда считал, что главным критерием качества жизни является доход, а значит, в более богатых регионах качество жизни должно быть выше. Оказалось, что это совсем не так: он имеет значение лишь до определенного момента. То есть если всех людей сделать богатыми, счастливыми они не станут — как и в случае с хорошими дорогами. Поняв это, я слегка переосмыслил свои планы на эту жизнь.

- Что показывает практика? Какие действия в соцсетях наиболее показательны для оценки качества жизни?

С точки зрения нашей методологии показательнее всего комментарии. Ведь человек не просто «лайкнул» сообщение, но и потратил время на написание текста. Кроме того, если тема «горячая» и комментариев много, человек тратит много времени и на чтение дискуссии. Возникает гипотеза, что проблема действительно зацепила человека. Помимо содержания поста, мы используем лайки и репосты, чтобы оценить важность информации.

Но наша модель пока не учитывает распространение информации, а с этой точки зрения главный инструмент — репост. Более серьезный учет этого фактора остается в планах на будущее.

- Иногда человек ведет себя в Сети иначе — не как в реальной жизни. Является ли это проблемой для используемых методов анализа? И если да, то как она решается?

Да, часто люди в Сети себя ведут несколько по-другому, и это проблема. Если главная роль соцсети — жалобная книга, то вторая по значимости — место, где можно похвастаться чем-либо, и поэтому искажения неизбежны. Но нашими главными объектами наблюдения являются не люди или их посты, а обсуждения — то есть действия в сообществе, и там влияние индивидуумов снижается.

Но зато мы в явном виде столкнулись с тем, что позитивные новости во многих сферах жизни социально не одобряются. Если у людей все хорошо и они об этом рассказывают, то их мгновенно причисляют к «кремлеботам» и это сильно влияет на дальнейшие обсуждения. Конечно, есть и настоящие бот-аккаунты, привносящие определенную активность, и их приходится фильтровать.

Сейчас мы проводим исследование, чтобы понять, как и насколько сильно психологические черты человека проявляются в онлайне. Для этого нам нужны результаты традиционных офлайн-исследований, чтобы сверить их со своими наблюдениями.

- Очевидно, сам по себе анализ мало что дает, помимо определения общей картины. Гораздо важнее выдаваемые рекомендации к действию для изменения ситуации. Делаются ли уже попытки провести практические мероприятия на основе выведенных индексов?

До конца 2021 года при поддержке ЦПУР мы продолжим улучшать методологию, и одним из результатов станет разработка определенных рекомендаций по изменению ситуации в том или ином регионе. Именно для этого нам необходимо состыковать свои результаты с офлайн-исследованиями.

Сила нашего метода заключается в том, что мы можем спуститься до конкретного населенного пункта (разумеется, если его жители активно пользуются социальными сетями) и делать аналитику только по нему. Например, известна проблема оттока населения из сельской местности. Однако в период пандемии только из Москвы за город выехало 1–1,5 млн человек. Это отличная возможность замотивировать часть из них остаться в деревне — надо правильно спланировать соответствующие мероприятия. Для этого можно использовать нашу методологию: понять, чем люди недовольны; найти наиболее перспективный регион; оценить цифровой портрет человека, готового переехать жить за город, и определить число таких людей.

Мы сотрудничаем с администрациями Томской области и Якутии, пытаемся составлять для них первые практические рекомендации. Но следует быть очень осторожными: при использовании искусственного интеллекта неизбежно возникают этические вопросы. Все-таки качество жизни целого региона — весьма большая ответственность, поэтому мы стараемся делать эксперименты в малых масштабах, чтобы не навредить.

Кстати, у нас есть внутренний этический комитет. Мы исследователи, поэтому придерживаемся определенных правил. Во-первых, не используем персональную информацию, а ограничиваемся обезличенными данными. Во-вторых, стараемся перепроверять данные, прежде чем делать какие-либо выводы. Для уточнения выводов приглашаем представителей разных областей, в том числе органов власти, чтобы вместе выработать план действий. Наша цель — не распространять информацию о наличии проблем, а подготовить аналитику, которая поможет в принятии управленческих решений.

- Каким вы видите будущее этого проекта? Какое место он должен занять среди инициатив, направленных на социальную сферу?

Одним из главных результатов является проверка связи между онлайн- и офлайн-миром. С развитием технологий все больше людей будут проводить массу времени в Сети. Если мы научимся качественно анализировать онлайн-данные, которые порождаются цифровыми следами людей, то сможем персонифицировать разнообразные государственные блага. Мы будем понимать, где в условиях ограниченных ресурсов нужно строить детский сад, а где в первую очередь надо отремонтировать дорогу. Это даст возможность не только оценивать качество жизни, но и повышать его.

- Есть ли в этом риски?

Да, у нашего проекта есть несколько рисков, и главный из них — возможность мошенничества. Можно посадить специально обученных людей, которые будут генерировать контент, нужный заинтересованным лицам. Они будут сильно влиять на результаты анализа по какому-либо небольшому региону.

Скажем, у многих детей есть два аккаунта в соцсетях: один — «для родителей», а другой — для реальной жизни. Примерно то же самое может произойти и в нашем случае, и это опасно. Именно поэтому мы очень осторожно говорим об управленческих решениях на основе наших рекомендаций. И пытаемся перейти к качественным обезличенным показателям, чтобы свести к минимуму возможности фальсификации.

- Надо ли бояться своего цифрового следа?

Говоря о цифровой безопасности, многие впадают в истерику по поводу возможной слежки. Люди склонны к паранойе, всем нравится идея, что они для кого-то важны. Но мало кто задумывается, что все наши письма читает алгоритм антиспама. Многих этот факт приведет в бешенство, а лично я готов с этим мириться, лишь бы получать меньше спама. Можно принять некоторый уровень надзора ради большего комфорта.

Сейчас многие платформы дают возможность выбора — например, закрыть свой профиль. В первый месяц после появления такой возможности некоторые пользователи закрывали свою стену, но через некоторое время произошел откат: люди более трезво взглянули на потребность ограничения доступа к своей информации.

С точки зрения цифровой безопасности лучшее место — тайга, где нет связи. Но если мы живем в социуме, то следует развивать цифровую гигиену. Соцсети можно сравнить с краном, из которого течет грязная вода, и эту воду надо фильтровать, причем этим должны заниматься сами площадки. И надо сказать, что многие в этом преуспевают.

Один мой знакомый говорит: «Я всегда веду себя так, будто за мной наблюдают». Это один из наиболее разумных вариантов.