Статьи

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

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

— Как у вас возник интерес к Process Mining?

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

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

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

— Что в вашем понимании представляет собой цифровой след сотрудника?

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

— С чего решили начать?

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

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

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

— Как пришла идея, от кого она исходила?

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

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

— Что было сделано?

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

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

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

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

— Какие пути решения задачи были выбраны?

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

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

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

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

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

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

— Какие технические решения применяются? И почему именно они?

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

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

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

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

— Как решается вопрос качества данных?

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

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

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

— В чем заключалась самая большая проблема?

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

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

— Какие результаты проекта вы сами считаете ключевыми?

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

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

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

— Как именно происходит выявление функций для роботизации?

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

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

— Какие процессы в первую очередь будут замещаться искусственным интеллектом?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

— Какие барьеры пришлось преодолеть для реализации программы?

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

— Кто стал преподавателями?

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

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

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

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

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

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

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

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

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

— Как планируется развивать программу в будущем?

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

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

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

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

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

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

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

- А что говорят в России?

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

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

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

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

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

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

- И какие вызовы стоят перед ними?

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

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

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

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

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

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

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

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

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

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

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

- А технологические проблемы?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

На пути к AI-вики

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

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

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

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

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

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

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

Эффект – сто миллионов

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

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

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

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

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

Маркетплейс моделей

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

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

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

  Появление компании «Платформа больших данных» стало примечательным событием на российском рынке больших данных. Это совместный проект двух отечественных гигантов по развитию нового направления бизнеса, в который инвестируется миллиард рублей. Ожидается, что новая компания станет лидером рынка и серьезно усилит конкуренцию на нем. Учитывая масштаб  материнских компаний и степень их влияния на экономику, можно говорить о создании крупнейшего кросс-отраслевого источника данных. Максим Коновалихин, старший вице-президент, руководитель департамента анализа данных и моделирования банка «ВТБ», номинант премии CDO Award 2021, рассказывает об уже достигнутых результатах и делится планами дальнейшего развития.

- Как появилась идея создания «Платформы больших данных»?

Идея развития компетенции по работе с большими данными и создания продуктов на их основе появилась в банке в прошлом году. Стало очевидно, что, помимо внутренней трансформации, которая во многом основана на использовании больших данных, необходимо двигаться вовне, развиваться на конкурентном рынке как с точки зрения применения внешних источников данных,так и с точки зрения их монетизации через готовые сервисы. Изучались разные подходы к решению этой задачи, велись диалоги с лидерами рынка, экспертами в командах партнеров и консультантами. В итоге сложилась та конфигурация, которая существует сегодня, —  стратегическое партнерство с «Ростелекомом». 

-  Как определялась цель  проекта?

Цель проекта — создание лидера российского рынка в области работы с большими данными. Под лидерством подразумеваются как сильные компетенции команды и уникальные продукты, так и достижение жестких KPI по выручке и прибыли на горизонте пяти лет.

- Какова в этом проекте роль  ВТБ  и какова  — «Ростелекома»? 

Изначальная договоренность состояла именно в том, что стороны занимают паритетные позиции во всем. У «Ростелекома» есть серьезные наработки, связанные с технологиями работы с большими данными. Они уже используются во внутреннем контуре компании. Данные технологии можно применять для совместной работы, что позволит адаптировать их под новые задачи, увеличить монетизацию на внешнем рынке.

В свою очередь,  наш банк имеет отличный практический опыт построения алгоритмов машинного обучения, в том числе такого передового направления, как АutoML — автоматического машинного обучения, самостоятельно создающего новые модели. Эти наработки также будут использоваться в совместных проектах. Кроме того, у банка есть широкая сеть партнеров из абсолютно разных областей экономики. Наши бизнес-контакты — это тоже вклад в совместный проект. Конечно, стороны являются инвесторами в равных пропорциях, так как разработки в этой области трудозатратны и имеют значительный срок окупаемости.

- ВТБ и «Ростелеком» — крупные, довольно неповоротливые структуры, а новый игрок рынка данных должен быть инноватором. Что было сделано, чтобы он не унаследовал  нежелательных  качеств материнских компаний?

Специально для СП в марте было зарегистрировано новое юридическое лицо. С самого начала предполагалось создание самостоятельной компании, в команде которой  должны быть  профессионалы рынка, имеющие релевантный опыт работы. В последний год акционеры компании проходят активные фазы трансформации, чему очень способствовала пандемия.

У правления СП есть высокая степень свободы, которая отразилась в амбициозном проекте стратегии. В ближайшие месяцы финальная версия этой стратегии будет защищена, но уже сейчас можно сказать, что бизнес новой структуры опирается на рынок, а не только на материнские компании и партнеров.

- Что по сути представляет собой созданная  платформа? Каков  ее масштаб?

Лучше всего масштаб опишет рынок, на котором предстоит работать «Платформе  больших  данных». Его объем исчисляется десятками миллиардов рублей, и он растет очень уверенными темпами. Если говорить в терминах инвестиций, то стороны планируют совместно инвестировать в эту активность от 1 млрд руб. Масштаб амбиций также можно понять по широкому кругу компаний в периметре банка и «Ростелекома». 

Если говорить о платформе в разрезе продуктов, то планируется развивать четыре больших направления: финансовые продукты, геопространственный анализ, облачную инфраструктуру и рекламные сервисы. При этом нет ограничения по  продуктам: если команда видит потенциально сильный продукт, то его можно добавить в стратегию развития. Самое важное — чтобы этот продукт был востребован клиентами на В2В-рынке.

- Миллиард — серьезная инвестиция. Как оценивается срок ее окупаемости?

Сейчас мы находимся на этапе финализации и готовим защиту  стратегии. Срок окупаемости оценивается достаточно консервативно, что связано со сложностью разработки продуктов и наличием большого числа сильных конкурентов почти во всех сегментах рынка. Однако такое положение вполне соответствует привычному для банка уровню  риска.

- Какие принципы использованы при построении платформы?

Если речь о технологических принципах, то при построении платформы использовался принцип «гибридного» подхода. Отдельные компоненты платформы будут доступны в публичном облаке, это позволит нам быстрее тестировать гипотезы и в целом сократить время вывода продуктов на рынок (time to market). Кроме того, платформа должна обладать всеми передовыми системами обеспечения безопасности хранения и обработки данных. С точки зрения ПО мы делаем ставку на использование решений с открытым кодом и на российские разработки.

- Какие  ИТ-решения вы используете? Чем определяется ваш выбор? 

Наша основная цель — по возможности не использовать «неповоротливые системы» и не зацикливаться на отдельных вендорских решениях.

Компания ориентируется на решения из комплекса OpenStack, такие как Apache Kafka, Airflow, Hadoop, HBASE, Kudu, Ignite, Tableu и прочие. Кроме того,  применяем  ML-технологии Python и библиотеки для работы с данными Pandas и PySpark, библиотеки ML — от классических SKlearn, XGboost, LGBM до DL и графовых библиотек. Но некоторые решения, например управление мастер-данными (MDM), скорее всего, потребуют партнерства с тем или иным вендором.

- Какие данные объединила платформа? Как принимаются решения о включении того или иного источника?

На сегодняшний день тестируются очень разные наборы обезличенных данных, их пересечения, ищется оптимальная конфигурация. В нашем распоряжении уже более 1 тыс. параметров знаний о своей аудитории. Это очень ценные данные, на основе которых можно создавать конкурентные продукты и услуги  для рынка. Обезличенная информация  наших партнеров также  будет использоваться  в работе, если мы достигнем такой договоренности. Решения об использовании тех или иных данных команда «Платформы» принимает исходя из потребностей бизнеса и  в соответствии с текущим законодательством.

- Без стратегического подхода к управлению данными этот проект обойтись не мог. Каковы ключевые элементы стратегии управления данными?

Это верное замечание. Стратегическая цель СП — создать лидера рынка в области разработки и реализации продуктов на основе данных. В этом нас поддерживают  руководство банка и куратор от  правления. Для достижения этой цели необходимо придерживаться нескольких ключевых принципов. Первый из них — открытость: платформа будет доступна для подключения любому игроку, у которого есть такая потребность. Второй —  ориентация на самостоятельную окупаемость проекта. Это не кэптивный игрок, поэтому важна ориентация на рынок и его потребности. Третий  —  принцип центра компетенции по работе с данными. Его наработками может воспользоваться любой из акционеров и даже партнеров. Наконец — безопасность и максимальный охват: данные проходят процедуру мэтчинга  из различных источников на уровне однорангового взаимодействия на уровне единого идентификатора, то есть без прямого обмена семплами между партнерами. Они проходят процедуру обезличивания и преобразования в векторные представления посредством нейросетей. Восстановить  информацию о лицах или компаниях, которым принадлежат данные, невозможно.

- Что уже удалось сделать, какие продукты и сервисы появились?

На текущий момент в пилотно-коммерческой эксплуатации находится «Геоплатформа». У нее ряд серьезных преимуществ перед конкурентами: например, она имеет более 700 слоев геоданных и использует алгоритмы AutoML. Платформа активно проходит пилотную стадию и совершенствуется на основании отзывов от потенциальных клиентов.

- Что находится в разработке?

В разработке находятся продукты из разных сегментов: финансового, рекламного и инфраструктурного. Более точное описание продуктов сможем предоставить позднее, после защиты стратегии. Но уже сейчас можно заявить, что будет предложен новый интересный продукт на рынке рекламы.

В целом же платформа позволит эффективно решать бизнес-задачи в различных отраслях экономики, дополнять текущие цифровые продукты и конкурировать с ними, а также создавать сервисы нового уровня. Например, таким продуктом могут быть различные скоринговые оценки, представляющие вероятность исполнения различных целевых событий — от рисковых событий (вероятность дефолта или фрода),  выявления предпочтений различных продуктов  и  прогнозов  жизненных  ситуаций  до рекомендательных сервисов для различных сфер и областей. Ценность подобного сервиса очевидна:  «Ростелеком»  имеет большой охват как физических, так и юридических лиц, при этом до сегодняшнего дня эти данные не использовались в скоринговых моделях банковского сектора. Повышение качества скоринговых процедур банков  даст возможность  снизить нагрузку на капитал  банков и  тем самым позволит банкам иметь маневр в части снижения стоимости кредитования. Точность скоринга  поможет  повысить лояльность к банкам, а также потенциально снизит бюрократическую нагрузку.

Кроме того, речь  идет  о создании платформы обмена данными и маркетплейса моделей.  Различные компании — от финтех-стартапов до крупных и известных игроков — смогут строить модели на объединенных данных, используя передовые методы машинного обучения в выделенных песочницах  «Платформы  больших  данных». В дальнейшем исполнение моделей будет происходить также в контуре «Платформы» с получением результатов по API для использования  компаниями в их собственных производственных  процессах. 

- Каких финансовых и прочих производственных  результатов   удалось добиться ?

О финансовых результатах говорить пока что рано —  первая выручка ожидается в 2021 году. Самый главный результат сейчас — это готовая стратегия развития компании, которая проходит финализацию перед защитой у акционеров.

- Какое значение может иметь созданная платформа для рынка больших данных и услуг на их основе?

Платформа больших данных — первый уникальный  пример того, как  два больших институциональных игрока договорились использовать деперсонализированные данные для создания продуктов на внешнем рынке, и это без учета близких партнеров и их обезличенных данных. Такие заявления были, но по факту это ни у кого эффективно не работает.

Можно ожидать, что появление «Платформы» подстегнет конкурентную борьбу, от чего в конечном счете выиграет клиент — от небольшой кофейни до национального ретейлера. Время «сидения на своих данных» прошло, рынок активно развивается, и только те игроки, которые обладают достаточными амбициями и уверенностью в своих компетенциях, смогут занять на нем лидерские позиции.

-  Как вы представляете будущее  созданной  платформы?  Что ожидается в дальнейшем?  В каком направлении  она будет развиваться?

Мало кто может заглянуть за горизонт и сказать, какие продукты и технологии будут востребованы в будущем. Однако понятно, что наша платформа создается на принципах гибкости и адаптивности, поэтому при возникновении интересных технологий в области работы с данными она их быстро применит для создания новых решений. Знания о клиентах будут только углубляться, а мы приложим все усилия для того, чтобы предвосхищать их  потребности и  желания и реагировать на них быстрее конкурентов.

Объединение технических гуру и руководителей бизнеса, получившее название BizOps Coalition, ставит своей целью наметить пути преодоления разрыва между инвестициями в технологии и бизнес-результатами. Решить этот вопрос призвана предложенная ими инициатива BizOps Manifesto.

Манифест, опубликованный BizOps Coalition 13 октября, содержит 14 руководящих принципов, которые должны помочь компаниям достичь нужных результатов от проектов цифровизации.

В BizOps Manifesto отражены следующие основные принципы:

— Показателем эффективности реализации инициатив цифровой трансформации являются бизнес-результаты.

— Руководство бизнеса должно принимать обоснованные решения о технологических инвестициях, которые способствовали бы деловому росту, улучшали клиентский опыт, повышали степень вовлеченности сотрудников и максимизировали прибыль.

— Требования необходимо менять часто в зависимости от меняющихся рынка, клиентов и требований бизнеса. Изменения приветствуются даже после начала разработки программного обеспечения.

— Путь к укреплению доверия и уважения лежит через прозрачность, взаимодействие, значимые измерения и общие цели.

Манифест подчеркивает важность «усиления» цифровых решений с использованием средств искусственного интеллекта и машинного обучения, а также повышение качества на каждом этапе процесса создания ценностей цифрового предприятия. Еще одной провозглашенной в манифесте целью является создание инструментов для объединения разобщенных данных и их последующего анализа.

Разрыв между ИТ-организациями и бизнес-подразделениями влечет за собой существенные финансовые потери. Слишком много проектов цифровой трансформации не отвечают провозглашаемым целям, а новые проекты ежедневно запускаются без четкого плана, который гарантировал бы их успех.

Авторы манифеста намерены развивать идеологические основы своих принципов, предоставлять образовательные услуги и делиться передовым опытом разработки и эксплуатации цифровых решений. Те, кто хотят присоединиться к проекту, могут самостоятельно зарегистрироваться на сайте проекта. Принять участие в проекте может любой желающий. В особенности инициаторов проекта интересует вовлечение в него разработчиков программных средств, в том числе, в области DevSecOps.

Стилистика и само название BizOps Manifesto явно адресуется ко временам создания в 2001 году манифеста Agile Manifesto, в котором были закреплены основные принципы гибкой разработки программного обеспечения. По аналогии с тем, как agile-идеология изменило процесс разработки программного обеспечения, BizOps Coalition рассчитывает, что BizOps Manifesto поможет осуществить необходимые культурные сдвиги в процессе цифровой трансформации.

Многие называют роботизацию «костылями», заменяющими полноценную интеграцию систем. Однако, как согласились участники практической конференции «Роботизация бизнес-процессов 2020», организованной издательством «Открытые системы», эти костыли свое место в компаниях найдут и на этой земле след оставят. (Больше о конференции RPA 2020 см. в статьях «RPA 2020: Время роботов наступило» и «RPA 2020: О чем говорят платформы».)

В ходе секции «Опыт», посвященной практике использования систем роботизации, можно выделить несколько ключевых тенденций. Во-первых, компании скорее ориентируются на формирование внутренних компетенций, чем на привлечение услуг интеграторов. Во-вторых, все без исключения признают, что проект роботизации зависит от бизнеса больше, чем от ИТ. И наконец, компетенции в области RPA настолько востребованы на рынке, что очень многие задумываются об их монетизации.

Роботы в экосистеме делового туризма

Юлия Липатова: «Все клиенты бьются за стоимость услуги, но немногие осознают, сколько стоит время сотрудников, организующих командировку»

«Клиенты сами заставили нас думать о роботизации еще до того, как это стало мейнстримом, внедряя SLA – то, что заставляет поставщика сервиса работать быстрее», — заявила Юлия Липатова, генеральный директор агентства делового туризма «Аэроклуб».

Одним из значимых этапов роботизации внутренних процессов стала оптимизация процессов бухгалтерского и налогового учета, управления финансовыми потоками и расчетами с контрагентами, а также регламентированной и управленческой отчетности. В результате удалось роботизировать почти половину всех рутинных операций, а созданная экосистема позволяет на каждой командировке сэкономить до 90 минут рабочего времени. Как отметила Липатова, все клиенты бьются за стоимость услуги, но немногие осознают, сколько стоит время сотрудников, организующих командировку – на это уходят огромные ресурсы.

Не менее важной возможностью, предоставляемой с помощью роботизированных инструментов, стало управление тревел-бюджетом компании. Более того, перевод взаимодействия с клиентами в онлайн и его роботизация привели к тому, что компании начали экономить 10-15% бюджета только за счет того, что их сотрудники более осознанного подходят к выбору опций своих перелетов.

Компетенции ценой набитых шишек

«Важно помнить, что роботизация – это не ИТ-проект, и успех будет полностью зависеть от руководителей роботизируемых подразделений», — подчеркнул Артем Африкян, директор кластера Robotics компании JSA Group, дочернего предприятия «Металлоинвеста». Он поделился уроками, полученными в ходе реализации проекта, резюмировав: «Хорошо, что решили заниматься этим самостоятельно, хотя шишек и набили».

Артем Африкян: «Важно помнить, что роботизация – это не ИТ-проект, и успех будет полностью зависеть от руководителей роботизируемых подразделений»

Примерно год назад в «Металлоинвесте» было решено развиваться в направлении роботизации. Как обычно, пришлось принимать решение: ориентироваться на внутренние ресурсы, которых тогда еще практически не было, или привлекать интеграторов. В итоге стало понятно, что работа с интеграторами обещает быть очень плотной и обойдется довольно дорого. В итоге было принято решение развивать собственные компетенции, попутно создавая команду, готовую заниматься разработкой и поддержкой систем.

По словам Африкяна, благодаря программным роботам удается на 70% сократить долю рутинных операций, разгрузив сотрудников для выполнения более творческой работы. При этом уже в первый месяц деятельности робота проявляются его явные преимущества по сравнению с ручными рутинными процессами: ускоряется процесс обработки обращений в два с половиной — три раза при повышенном качестве обработки. В среднем один робот позволяет на 38-40% сократить время, затрачиваемое на взаимодействие между исполнителями.

Роль бизнеса неоценима

В «Евразийской группе» также не стали нанимать интеграторов при построении своей группировки роботов. По признанию Данияра Кульманова, начальника отдела тестирования, RPA и ALM-систем компании Business&Technology Services, входящей в состав «Евразийской группы», первые роботы делались долго и больно, часто ломались, но за два года подразделению удалось пройти путь от никому не известного отдела до направления, которое ценится на уровне топ-менеджмента.

«Нужно пытаться использовать собственные решения, если это возможно. Покупать все подряд не стоит», — рекомендовал Кульманов. Первые попытки роботизации были начаты в 2017 году с помощью инструментов категории Open Source. Впоследствии для ряда задач все-таки пришлось приобрести коммерческую платформу, которая используется для оперативного решения сложных задач, и сейчас используется комбинация этих подходов.

Особенностью любого промышленного предприятия является обилие людей в цехах. У большинства таких «работяг» нет компьютеров, но это не значит, что нет рутинных процессов или потребности в оперативном вводе данных. Из-за этого параллельно c RPA занялись чатботами – при наличии мобильного телефона это позволяет реализовать концепцию «SAP в кармане».

«Важно, чтобы большинство сотрудников понимало суть роботизации и могло подать идею для оптимизации процесса или даже самостоятельно применить свои знания при разработке робота», — отметил Кульманов. Роль бизнес-специалистов в реализации подобных проектов неоценима: ни один робот не запускался, пока не перешли от традиционных проектных методик к Agile, включив в продуктовые команды бизнес-заказчика.

Сейчас в «Евразийской группе» перешли к проактивному поиску процессов для роботизации. С этой целью создаются команды «детективов», которые проводят собственные расследования и занимаются определенным направлением, глубоко анализируя процессы. Например, сейчас они занимаются закупочной деятельностью.

Фабрика роботизации в РЖД

«Мы ожидаем очень существенный экономический эффект от роботизации процессов – речь идет о миллиардах рублей ежегодно», — заявил Дмитрий Жиденко, заместитель генерального директора и руководитель проектного офиса «РЖД-Технологии». Сейчас проект, который считается в РЖД пилотным, реализуется в рамках ИТ-подразделения – роботизируются рутинные операции Главного вычислительного центра, а число роботов на отечественной платформе Robin составляет несколько сотен. В рамках этого пилотного этапа отлаживается методология и инфраструктура, а со следующего года производство роботов будет увеличено в несколько раз и охватит другие направления.

Дмитрий Жиденко: «Мы ожидаем очень существенный экономический эффект от роботизации процессов – речь идет о миллиардах рублей ежегодно»

«С точки зрения функциональной применимости мы видим эту технологию абсолютно везде: не только в бухгалтерии, кадровой и финансовой службе, но и в основных подразделениях – например, дирекции инфраструктуры, занимающейся обслуживанием путей», — подчеркнул Жиденко. По его признанию, роботы привлекательны тем, что несут явный экономический эффект, причем это быстро окупаемые проекты. В программе цифровой трансформации РЖД есть проекты с окупаемостью более пяти лет, поэтому технологии RPA стали очень приятной частью портфеля цифровых проектов. При этом самый большой эффект заключается не в сокращении персонала, а в ускорении процессов и их стандартизации.

По мнению Жиденко, при массовом производстве необходим конвейер роботов, включающий их полный жизненный цикл – от отбора идей и подачи заявок до ввода в эксплуатацию. Без него быстро создавать роботов не получится. Например, в РЖД заявки на создание роботов проходят через систему Service Desk, в рамках которой каждый сотрудник, номинирующий свой процесс на роботизацию, заносит данные, необходимые для расчета его потенциального экономического эффекта.

В ближайших планах РЖД – интеграция со смежными технологиями: голосовыми помощниками и чатботами. Второе важное направление – экспансия вовне. Созданные роботы уже переносятся в облако, и далее планируется их вывод на внешний рынок.

Роботы руками бизнеса

«Зачем нам нужен RPA? Мы стараемся быть быстрыми – скорость для нас крайне важна, мы уже не в роли догоняющих, а сами формируем тренды на рынке», — обозначил задачи своей компании Дмитрий Гражданкин, руководитель направления сервиса информационных технологий в компании Tele2. Он рассказал историю создания сервиса самообслуживания, при помощи которого бизнес-подразделения самостоятельно разрабатывают роботов.

Дмитрий Гражданкин: «Зачем нам нужен RPA? Мы стараемся быть быстрыми – скорость для нас крайне важна, мы уже не в роли догоняющих, а сами формируем тренды на рынке»

Вариант разработки роботов для бизнеса мало устраивал, ведь у ИТ просто не хватило бы ресурсов на выполнение всех запросов бизнеса. Как известно, бизнес не любит задержек при воплощении в жизнь своих идей. В этом случае правильнее не увеличивать штат разработчиков, а предоставить бизнес-пользователям инструмент для самостоятельного создания роботов, решающих актуальные производственные задачи. Выходом стало создание локальных центров компетенций – подход, который рассматривается многими как будущее роботизации. Конечно, это требовало затрат на обучение персонала, но зато каждое направление смогло самостоятельно расставлять приоритеты, влиять на скорость создания роботов и обеспечивать высокую скорость реакции. Внутри ИТ разрабатываются только очень сложные роботы, которые бизнес-пользователям написать не под силу. Кроме того, ИТ выполняет менторскую функцию, занимается поддержкой и развитием платформы.

«Этот проект стал знаковым для ИТ-департамента – мы сами придумали этот проект и принесли роботизацию бизнесу как готовый сервис», — заявил Гражданкин. Именно поэтому было решено ориентироваться на коммерческие решения: в этом случае важна универсальная платформа, которая позволит предоставить RPA как сервис.

Сейчас в Tele2 создано шесть внешних команд, для которых было обучено 70 человек. На уже созданных в бизнес-подразделениях роботах достигнута годовая экономия 35 млн руб., и еще 27 млн ожидается сэкономить на роботах, созданных до конца этого года. Более того, в долгосрочной перспективе планируется монетизировать созданное решение, используя его не только для внутренних нужд.

Роботизация – это не будущее, а настоящее

«Время роботов уже наступило, для нас их разработка стала рутиной», — констатировал Михаил Верисов, руководитель центра компетенций RPA и инноваций «ММК-Информсервис». Центр компетенций RPA в ММК стартовал в 2018 году с трех человек, реализовавших рискованный пилотный проект в бизнес-процессе, связанном с учетом и оплатой сырья. Это очень сложный процесс, охватывающий несколько подразделений и десяток информационных систем. Параллельно с этим пилотом стартовал масштабный проект с привлечением консультантов по выявлению процессов, пригодных для роботизации, на базе которого была сформирована программа роботизации на ближайший год.

Сейчас в группе ММК работают более 100 «полноценных» роботов, полностью охватывающих какой-либо бизнес-процесс. Одной из особенностей реализуемого подхода является то, что роботы позиционируются не как конкуренты для людей, а как их помощники.

«Мы живем с роботами и постоянно взаимодействуем. Они растут и умнеют: маленькие и простые превращаются в больших и эффективных», — сказал Верисов.

Во многом благодаря этому сейчас бизнес полностью вовлечен в процесс роботизации. Предприятие прошло все классические стадии, с которыми приходится сталкиваться при внедрении новых технологий – от полного отторжения до полной лояльности. Как это часто бывает, те, кто больше всех сопротивлялся, теперь стали главными союзниками и предлагают новые идеи по оптимизации процессов с помощью роботов. Важна непрерывная обратная связь от пользователей, помогающая повышать эффективность системы.

За пару лет центр компетенций вырос до нескольких десятков человек, а его услуги также начали предлагаться на внешнем рынке, превратив его в успешное бизнес-направление.

Предприятиям нужна культурная трансформация, причем не только в рамках ИТ, но и в масштабах всей организации. Только так удастся не противостоять друг другу, а тянуть воз в одном направлении, добиваясь результатов в повышении эффективности. В рамках форума ITMF 2020, проведенного издательством «Открытые системы», вопросам именно таких корпоративных изменений было уделено очень много внимания. (Подробнее о форуме читайте в статьях «ITMF 2020: Цифровая трансформация ИТ становится актуальной тенденцией» и «Управление «новыми ИТ»: меньше общения, выше скорость, больше данных».)

Наибольший интерес вызвало выступление Леонида Новожилова, директора по развитию цифровых технологий «Ростелекома», рассказавшего о переходе от матричной модели управления ИТ к собственной, плоской модели Karma Framework. Она подразумевает,  что,  помимо традиционных ценностей  —  эффективности, гибкости, самоорганизации и  т.п.,  важна и эмоциональная составляющая отношений между ИТ и бизнесом.

Леонид Новожилов: «Лояльность бизнес-заказчиков для нас важнее любых KPI. Забота о них имеет гораздо большее значение, чем  выполнение  формальных  метрик,  и дает гораздо больше»

«Лояльность бизнес-заказчиков для нас важнее любых KPI. Забота о них имеет гораздо большее значение, чем  выполнение  формальных  метрик,  и дает гораздо больше», — подчеркнул Новожилов. Предназначение ИТ-подразделения в компании сформулировано предельно общо и даже философски: быть для бизнеса  лучшей ИТ-командой,  с  которой  ему приходилось работать. Спустя два года трансформационных процессов в компании снизилось давление на ИТ и  сократилось  количество неоправдавшихся ожиданий. ИТ действительно  меняются  к лучшему, и бизнес это видит.

Как отметил Новожилов, хорошая карма дает право на ошибку, а эмоциональное взаимодействие с заказчиками позволяет реагировать на изменения и оперативно менять общую атмосферу. Тем не  менее  Karma Framework  —  это в первую очередь не про отношения с заказчиком и выставление обещаний и ожиданий, а про изменение отношения к делу.

«У нас процесс трансформации безостановочный. Он происходит во  всей  компании, но  ИТ-подразделение  старается лидировать в этом процессе», —  отметил  Алексей Клепиков, вице-президент по ИТ компании «Ингосстрах». Несколько лет назад у бизнеса были претензии к скорости работы ИТ-подразделения, и  эту проблему  стали  решать.  В частности, в результате изменений все показатели ИТ стали доступны в онлайн-режиме, в том числе бизнес-пользователям. Это  стало  лучшей системой мотивации.

Отдельное внимание Клепиков уделил такой теме, как поиск общего языка с бизнес-подразделениями. По его словам, это проблема не только ИТ  —  процесс должен быть двусторонним. «Безграмотность бизнеса надо  “лечить”, необходимо  образовывать коллег. Не только ИТ должны понимать бизнес, но и бизнес должен учиться понимать ИТ, иначе нормального взаимодействия не получится», — уверен Клепиков.

«В отсутствие четких планов с четкими целями на первый план выходит культура работы людей и их способность  к  движению в общем направлении. От этого зависит все остальное», — признал Михаил Петров, директор департамента цифровой трансформации Счетной палаты РФ. Отсутствие планов стало общей головной болью: стратегию можно строить только тогда, когда хотя бы примерно известно, что будет происходить через несколько лет, но сейчас  в этом  не  смогут помочь  даже лучшие футурологи. Приходится принимать решения в условиях полной неопределенности, когда компания не знает своего будущего. Как следствие, невозможно выстроить пакет проектов с четко определенными целями, не работает принцип SMART, дает сбои классическое управление проектами.

Михаил Петров: «В отсутствие четких планов с четкими целями на первый план выходит культура работы людей и их способность  к  движению в общем направлении»

По словам Петрова, сейчас культура управления ИТ находится в сложной ситуации: с одной стороны, есть классический багаж стандартов по управлению сервисами,  а  с другой  —  новые методы управления, способные  привести к полной неразберихе  в  работе ИТ.  Например, в Счетной палате используется «адская смесь Agile и проектного управления»: из проектного управления пытаются удалить все лишние бюрократические процедуры. Тем не  менее  определенных успехов  удалось достичь:  построена гибкая матричная структура, с помощью которой  можно  очень быстро прототипировать и тестировать решения под потребности бизнес-заказчиков.

На цифровом языке

Подходы, используемые в ИТ, все чаще применяются к  остальным — не ИТ-сервисам.  «Цифровая трансформация именно об этом: мы начинаем говорить с бизнесом на языке цифровых сервисов, преобразуя бизнес-процессы», — заявил Андрей Косыгин, ведущий архитектор решений Micro Focus.

Что же еще можно организовать по тем же принципам, которые всем хорошо знакомы? В первую  очередь  это кадровая служба и административно-хозяйственный отдел, юридический отдел, отдел качества и маркетинг. Совершенно не важно, запрашивает пользователь доступ к системе или справку 2-НДФЛ, сломалась мышка или перегорела лампочка, требуется согласование документа или пользователь на сайте банка пишет гневное письмо о работе розничного отдела. Принципы обработки этих запросов схожи. Да и работа основных бизнес-процессов вполне может быть организована по тем же принципам. Это шанс повысить зрелость процессов и повысить их связность.

Косыгин рассказал, как в ходе проекта по автоматизации ИТ-процессов на одном из металлургических  предприятий  кадровая служба, увидев промежуточные результаты, заявила, что «хочет так же». Очень многие, оценив реальную эффективность ИТ, начинают примерять аналогичные подходы на свои возможности и задачи.

Скорость становится ключевым требованием  data-driven-бизнеса.  По словам Романа Шемпеля, эксперта в аналитических решениях и решениях по управлению данными IBM Russia, перед ИТ  стоят  две  ключевые  задачи: предоставлять данные как можно быстрее и  добиться того,  чтобы все бизнес-пользователи были довольны. И здесь на помощь приходит подход DataOps, являющийся следующим этапом развития «озер данных». Как полагает  Шемпель,  в ходе своего развития любая компания все равно придет к DataOps, потому что реализация  сформулированных  бизнесом задач в отсутствие подходящего инструмента происходит очень долго и может занять несколько месяцев.

«Людям всегда не хватало инструментов для реализации своих идей. И лишь в эпоху цифровизации многие технологии по скорости развития стали приближаться к человеческой мысли. Это дает возможность  “переизобрести”  многие привычные подходы к управлению. Это и есть цифровая трансформация», — отметил Никита Кардашин, руководитель отдела развития интеллектуальных систем Naumen.

Никита Кардашин: «Лишь в эпоху цифровизации многие технологии по скорости развития стали приближаться к человеческой мысли. Это дает возможность  “переизобрести”  многие привычные подходы к управлению. Это и есть цифровая трансформация»

Например, «360 градусов»  —  подход, известный из работы с  клиентами  и подразумевающий всеобъемлющий взгляд на объекты. Вполне  возможно  применить его и к ИТ-сервисам, и к остальным процессам, повышая их ценность для бизнеса. Сами процессы также должны стать другими, поскольку в них вовлечено множество участников на разных уровнях. Они перестают быть иерархическими и становятся самоорганизующимися сущностями, в которых сами участники зачастую определяют правила.

Вынужденный стресс-тест, который прошли в этом году ИТ-системы всех организаций, показал, что без реальных изменений в ИТ-службах цифровая трансформация рискует остаться абстракцией. Не случайно одна из основных сессий ежегодного форума IT Management Forum, организованного издательством «Открытые системы», была целиком посвящена практике трансформации управления сервисами в цифровой организации. (Подробнее о форуме читайте в статьях «ITMF 2020: Цифровая трансформация ИТ становится актуальной тенденцией» и «Культурное сближение: без чего невозможна трансформация».)

«Удаленка» остается

Лидер внутренних проектов по улучшению качества ИТ-услуг «Банка Зенит» Наталья Погорелова-Триппель рассказала, как меняются подходы к управлению и инструменты ИТ-службы для обеспечения работы из дома, на каких задачах должен фокусироваться департамент ИТ в этих условиях, а также поделилась планами улучшения управления ИТ-услугами в «новой реальности». «В сложившейся обстановке удаленная работа уже никуда не денется, — уверена она, — и крайне важно своевременно рассказывать пользователям о происходящих изменениях».

Наталья Погорелова-Триппель: «Удаленная работа уже никуда не денется»

Переводя сотрудников на удаленную работу, в «Банке Зенит» в первую очередь начали упрощать интерфейсы системы документооборота, оптимизировать процессы и повышать производительность. При этом фокус сместился на офисные приложения, которые раньше мало использовались. Так, деловые коммуникации сконцентрировались на платформе Microsoft Teams и в корпоративной соцсети Yammer. Также в практику ввели онлайн-обучение работе с самыми востребованными банковскими приложениями. Кроме того, пришлось уделить особое внимание отчетности, поскольку при дистанционной работе резко возросла важность контроля деятельности сотрудников.

Сейчас в банке занимаются развитием внутренних ИТ-процессов, объединяют ранее созданные сервисы и порталы, одновременно перерабатывая их интерфейсы, выстраивают систему онлайн-бронирования рабочих мест в связи с отказом банка от части офисов, а также готовятся запустить направление роботизации бизнес-процессов.

Минимальное общение

Первым опытом трансформации работы ИТ-поддержки и ее результатами поделились сотрудники «Лаборатории Касперского». Они рассказали о внедрении порталов самообслуживания, новых каналов обращений в поддержку, вендоматов, а также об интеграции системы мониторинга и системы заявок.

Заготовка простых форм для сбора первичной информации от пользователей IT Service Desk позволила сэкономить две ставки в ИТ-поддержке и вдвое сократить время ожидания выполнения заявок. Посредством интеграции системы мониторинга и ITSM-системы были автоматизированы рутинные действия дежурного системного администратора, благодаря чему среднее время первичной обработки запросов уменьшилось в два раза еще на этапе пилотирования проекта.

В службе ИТ-поддержки компании заняты 80 сотрудников, которые обрабатывают 2,5 тыс. запросов и и более 7 тыс. инцидентов в неделю.

«Пользователи хотят двух вещей: иметь большую красную кнопку 'Сделать' и ограничить время общения с сотрудниками техподдержки», — отметил Денис Волошин, руководитель отдела экспертной ИТ-поддержки «Лаборатории».

Движение к этой мечте происходит сразу по нескольким направлениям. Пользователям предоставили инструмент, позволяющий им самостоятельно разрешать часть простых инцидентов за 10–15 мин. Раньше время на регистрацию запросов и ожидание в очереди достигало 3 часов. Два вендомата выдают пользователям около 1,5 тыс. устройств в месяц — это более 70% всей мелкой техники и аксессуаров, выдаваемых службой поддержки.

Сегодня в компании формируют модуль машинного обучения для обработки неформализованных запросов пользователей, который будет интегрирован с ITSM-системой.

Максимальная скорость

Максимальная cкорость — приоритет в реализации проекта внедрения ITSM-системы, который сегодня близится к завершению в Государственной транспортной лизинговой компании.

«Быстро и с минимальными затратами внедрить продукт — вот что для нас было важнее всего», — сообщил Антон Жиряк, начальник управления автоматизированных информационных систем ДИТ ГТЛК.

Поскольку быстро кастомизировать предлагаемые на рынке решения невозможно, в компании искали отечественное коробочное решение, в котором уже реализован необходимый процессный подход, а также вендора с максимальным уровнем поддержки и экспертизы. В итоге выбор остановили на Naumen Service Desk Pro.

«Мы хотели использовать лучшие практики, а не пытаться сконфигурировать коробочное решение под себя», — пояснил Жиряк. Вместо долгого проектирования решения в компании сконцентрировались на приобретении навыков самостоятельной работы с ним и теперь уже могут настраивать процессы без привлечения подрядчика. Важным компонентом внедрения стало внутреннее обучение. Сотрудники ДИТ даже задерживались для этого после работы, понимая что внедрение системы позволит им в дальнейшем решать задачи намного быстрее, чем сейчас. Внедрение системы поддержки для 430 получателей ИТ-услуг заняло три месяца, причем половина этого срока была отведена опытной эксплуатации. В результате удалось минимизировать затраты времени сотрудников ДИТ.

«Несмотря на то что проект еще не завершен, уже сейчас мы видим ускорение обработки заявок за сутки», — отметил Жиряк.

Данные для трансформации

«Самое ценное в компании — ее данные, и эту ценность необходимо защищать», — напомнил Ингус Хомка, ведущий архитектор ИКТ-решений компании Tet. Ведь взломать можно любую систему, имея мотивацию и деньги.

«Количество атак стабильно растет каждый год, и свыше 90% из них направлены на финансово-банковские структуры, провайдеров разного рода интернет-сервисов и страховщиков. Между тем более половины компаний не имеют стратегии восстановления своих ИТ-систем после сбоев. Это страшные цифры», — отметил Хомка. И даже те, кто заинтересован в появлении такой стратегии, зачастую не хотят платить за ее реализацию.

Максим Афонасьев: «Трансформация бизнеса невозможна без трансформации ИТ-подразделения»

Другой аспект в отношении важности информационного обеспечения бизнеса затронул Сергей Довгань, технический директор «СДИ Софт». Как показал опыт, полученный им в ходе реализации двух десятков проектов, технические данные об ИТ-инфраструктуре, которыми, как считается, обладает бизнес, на поверку зачастую оказываются устаревшими, некорректными, неполными и практически всегда — недостаточно детальными. В результате случаются казусы — например, обнаруживается отсутствие сервера, на котором согласно мониторингу произошел инцидент. Границы между технологиями, разными доменами управления часто остаются недокументированными, что при каждой аварии порождает задержки и проблемы с ее устранением.

«Назначение нашей системы 'СДИ Базис' — предоставить удобные интерфейсы для прозрачного документирования технической информации, чтобы соответствующие службы могли централизованно получать достоверные данные об инфраструктуре в своей зоне ответственности и на стыках с соседями», — сообщил Довгань.

«Давайте честно признаемся: реальных примеров трансформации бизнеса не так много, — заявил Максим Афонасьев, директор по развитию Axus Group. — Такая трансформация невозможна без трансформации ИТ-подразделения».

Он обратил внимание слушателей на роль анализа данных в процессе трансформации ИТ. Анализируя информацию о незакрытых заявках по инцидентам в разных ИТ-системах, а также о доле критических сбоев, можно оценить не только эффективность работы инженеров, но и размер денежных потерь из-за временной недоступности внутренних ИТ-сервисов.

Аренда вычислительных ресурсов часто считается синонимом экономии на ИТ, причем это подается как непреложная истина. Отчасти это правда: например, если речь идет о сокращении или отказе от капитальных затрат. Но капитальные затраты (CAPEX) – лишь один из параметров экономики коммерческих ЦОДов. Помимо него, существуют множество других факторов, влияющие на итоговую стоимость услуг. Стоит изучить чуть глубже этот вопрос, и мы видим, что аренда мощностей подходит лишь определенной части заказчиков, но далеко не всем из них. Давайте разбираться.

Размер имеет значение

Один из часто встречающихся сценариев: компания выбирает аутсорсинговые ресурсы, если у нее нет средств на строительство собственной инфраструктуры. Это действительно оправдано в большинстве случаев – например, когда нужно модернизировать ИТ, но нет желания инвестировать крупные суммы, беря кредиты в банках под достаточно большие проценты. Или когда нужно запустить бизнес, не тратя время и деньги на непрофильные активы. Однако нужно помнить, что на горизонте пяти лет совокупные затраты на инфраструктуру при аренде часто бывают равны стоимости эксплуатации собственных систем. При этом абсолютно невыгодно использовать этот подход для крупных инфраструктур в сотни физических серверов или 50-100 стойкомест – такие системы, как правило, статичны, и стоимость аутсорсинговых услуг может существенно превысить затраты на поддержку ИТ собственными силами. Наилучший показатель эффективности будет при аренде нескольких стойкомест или инфраструктуры в 250-500 виртуальных машин.

Вывод: ориентируйтесь в первую очередь на параметр совокупной стоимости владения (TCO) и стратегию бизнеса.

Сочетание технологий

С облачными ресурсами ситуация тоже не всегда очевидна. При грамотном подходе можно и в самом деле сэкономить до 30-40% затрат на ИТ. Один из классических примеров – кейс крупного ретейлера бытовой техники: за год компания экономит порядка 20 млн руб. Секрет успеха – грамотное сочетание различных технологий: публичного облака и выделенного оборудования в коммерческом дата-центре. Использование лишь чего-то одного не привело бы к таким впечатляющим результатам. Дело в том, что каждая из указанных схем заточена под конкретную модель потребления. Если системы заказчика работают преимущественно ровно, без скачков нагрузки, их стоит размещать на физическом оборудовании. Если динамика потребления рваная, с непредсказуемыми пиками – лучшим выбором станет облако. Наконец, если в целом можно спрогнозировать изменение профиля нагрузки, что часто бывает у ретейлеров во время проведения акций и «черных пятниц» – гибридная модель подойдет как нельзя лучше.

Вывод: анализируйте реальную нагрузку на ИТ и выбирайте соответствующие типы вычислительных ресурсов.

Тяжелое наследие

Многие компании очень не любят расставаться со старым оборудованием. Примечательно, что это могут быть достаточно крупные организации, которые имеют средства для апгрейда инфраструктуры. По нашей оценке, фактически в любой компании, давно работающей на рынке, есть как минимум несколько аппаратных систем возрастом от 10 лет. Один такой заказчик – российский коммерческий банк – решил поставить архивное «железо» в ЦОД, чтобы проводить на нем различные тестирования. По предварительному расчету для размещения 40 стоек должно было потребоваться 300 кВт/ч в месяц, и набегала весьма круглая сумма за обслуживание. Вместо этого для решения бизнес-задачи было предложено использовать современное оборудование. Ту же мощность удалось уместить в 1,5 блейд-корзины за счет высокоплотной упаковки современных версий аппаратного обеспечения, то есть в меньшую сумму удалось «упаковать» еще и стоимость нового оборудования взамен старого. Результат – сокращение стоимости услуги и повышение качества и гибкости процесса тестирования.

Вывод: архивным системам место в музее, в реальной жизни выгоднее использовать новое оборудование.

Резервирование окупается

Зарезервированные системы стоят заметно дороже недублированных, но отсутствие резерва для бизнеса в целом обходится гораздо дороже. Про это многие забывают либо не хотят брать в расчет. Классика жанра: интернет-магазин размещен в облаке, стоимость аренды ресурсов – 200 тыс. условных рублей в месяц, а потери бизнеса из-за часа простоя – 10 млн руб. При этом инфраструктура не задублирована, так как для этого нужно дополнительно утвердить у финансового директора затраты в размере 300 тыс. руб. Первый серьезный сбой – и ретейлер несет издержки, в разы превышающие стоимость резервной инфраструктуры за целый год.

Другой пример: отказоустойчивую инфраструктуру специалисты компании настроили самостоятельно, но то ли не хватило рук, то ли экспертизы – архитектура работает неэффективно. Например, невозможно организовать постоянную репликацию между двумя площадками. Чтобы исправить ситуацию, придется проектировать все с нуля. Это дополнительные, весьма весомые затраты (они могут составлять два-три месячных платежа за услуги), но вновь построенная инфраструктура окажется в итоге дешевле.

Вывод: на резервировании нельзя экономить, и стоит привлечь грамотных архитекторов к созданию инфраструктуры.

Аутсорсинг оправдан

Многие компании обращаются к коммерческим ЦОДам и облаку, чтобы снять с себя задачу администрирования оборудования. Обычно у них два мотива: первый – нет желания тратить ресурсы на рутинные процессы, второй – недостаточная загрузка на проекте собственных сисадминов. Бывает, что сотрудники тратят всего лишь 5-10% своего времени на поддержку систем во внешнем ЦОДе, но зарплату им работодатель перечисляет в полном объеме. Поэтому привлечение сотрудников провайдера чаще оказывается выгоднее, даже если в качестве инженеров у поставщика услуги работают более высокооплачиваемые специалисты, чем в штате у заказчика. Более того, многие провайдеры автоматизируют клиентские запросы, такие как настройка инфраструктуры, мониторинг и т.д. В выигрыше оказываются все: владелец ЦОДа снижает свои трудозатраты, а вместе с тем уменьшается и стоимость услуги для клиента.

Вывод: аутсорсинг – это в первую очередь про упрощение администрирования собственными силами.

В заключение хочется добавить, что рынок аутсорсинга ИТ-функций сегодня в России уже очень хорошо развит. Любая компания, от небольшого интернет-магазина или аптеки до банка или представительства международной корпорации может найти хорошие решения, которое повысит эффективность ИТ и позволит заниматься профильными задачами, развивая бизнес, а не строить внутреннего интегратора.

Автор – Павел Колмычек, операционный директор «КРОК Облачные сервисы», PKolmychek@croc.ru