Статьи

X5 Retail Group все чаще предстает на рынке как технологическая компания: большие данные и машинное обучение, магазин без покупателей и лаборатории инноваций, электронные ценники и многое другое. В числе ключевых направлений стратегии цифровой трансформации ретейлера — создание готовых аналитических продуктов на базе собственной Big Data Analytical Platform. Бесспорно, компания рассматривает большие данные как важнейший бизнес-актив.

О том, как строится работа с данными, Антон Мироненков, директор по большим данным X5 Retail Group, рассказывал в качестве номинанта первой премии CDO Award 2019. С тех пор сделано многое.

В X5 создали аналитический слой больших данных с сервисом, доступным каждому из 2 тыс. аналитиков компании. С его помощью они смогут быстро принимать решения на базе больших данных, анализируя все основные типы данных: товары, чеки, клиентов-поставщиков и их контрагентов. Количество продуктовых команд выросло с 8 до 15. Алгоритмы становятся в Х5 неотъемлемым элементом культуры data-driven, когда все решения принимаются на основе данных и продвинутой аналитики. Так компания может снизить цену человеческой ошибки и ускорить принятие решений.

Но самое интересное — в X5 сформировалось направление внешней монетизации данных. Ретейлер, располагающий большими данными и оснащенный арсеналом средств для их обработки, сам становится поставщиком информационных услуг для своих партнеров. «Зачем отдавать ‘руду’, если можно переплавить ее в ‘сталь’ и продавать уже готовое решение?», — говорит Антон Мироненков, номинант CDO Award 2020.

Сейчас X5 развивает два основных направления внешней монетизации, для которых в дирекции больших данных разработали собственные программные решения: таргетинг рекламы и портал поставщика. Компания чрезвычайно внимательно относится к данным и предъявляет повышенные требования к работе с ними, ориентируясь на лучшие мировые и европейские практики.

Рекламным площадкам — топливо для двигателя торговли

Чтобы выяснить, какая категория потенциальных покупателей действительно заинтересована в конкретном продукте и какой аудитории стоит показывать рекламу, клиенты и партнеры X5 обращаются к аналитическому сервису, использующему накопленные данные об истории продаж для таргетирования цифровой рекламы. Из информации о продажах можно с высокой вероятностью выявить, к примеру, потребительские привычки владельцев кошек как социальной группы и т. д. Следует особо отметить, что сервис использует только аналитическую информацию и не содержит персональных данных клиентов.

Инструмент дает рекламным агентствам и носителям рекламного инвентаря возможность самостоятельно конструировать сегменты любой сложности из более чем 1,3 тыс. категорий товаров в зависимости от частоты продаж бренда и других параметров, а затем запускать рекламные кампании на ресурсах Mail.ru, «Яндекса», Facebook, Instagram и GPMD в адрес социальных групп, имеющих идентичные потребительские предпочтения.

«Наконец поставщики и рекламодатели могут оценить, насколько их реклама была эффективной, — говорит Мироненков. — За это с нами готовы делиться частью рекламных бюджетов».

Методология основана на оценке роста продаж и по своей сути схожа с классическим А/В-тестированием, позволяя сравнить изменение покупательской активности при взаимодействии с рекламой продукта и в ее отсутствие. С максимально возможной точностью из оценки исключается влияние таких факторов, как сезонность, промоакции, активность конкурентов. Решение дает возможность на основании статистически значимых данных сделать выводы о влиянии креативности, частоты, предложения и формата рекламы.

В следующую версию программного продукта добавят опции создания смешанных таргетингов, формирования сегментов по склонности к покупке бренда или категории, определения аудитории с максимальной вероятностью покупки в период рекламной кампании, а также анализа результатов видео- и аудиорекламы в магазинах.

Поставщикам — аналитика в розницу

Отделы категорийного, бренд- и маркетинг-менеджмента любого производителя хотят понимать, востребована ли на рынке выпускаемая продукция и насколько хорошо она продается. И кто как не ретейлер обладает максимально глубокими сведениями о том, как меняется поведение потребителя, его корзина и предпочтения?

Второй внешний сервис, родившийся в дирекции больших данных X5, — аналитический портал поставщика, который предназначен для категорийной и потребительской аналитики. Несколько модулей, аккумулирующих историю продаж и информацию о поведении потребителей, позволяют находить способы улучшения бизнес-показателей.

Инструмент помогает партнерам не только анализировать продажи, но и выявлять источники изменения спроса и изменения продаж на конкурирующие торговые марки, отслеживать ротацию, перемену предпочтений.

По мере развития продукта на его аналитических модулях воплощается множество пилотных проектов. Для цифровых кампаний и мультикатегорийных тестов изучаются эффективность продаж и магазинов, уровень возврата инвестиций, источники изменения продаж, а также факторы, влияющие на изменение потребления. Для того чтобы оценить успешность запусков новых товаров, определяются эффективность запуска по сравнению с аналогичными, длительность «эффекта новизны» для продаж, источники продаж и доля каннибализации. По словам Мироненкова, информация о запускаемых на рынок новинках очень востребована: как эти новинки принимают, покупает ли их молодежь или люди среднего возраста, каков средний чек покупки? Портал дает поставщикам редкую возможность точно увидеть, какие социально-демографические характеристики присущи аудитории потребителей продукции и как аудитория реагирует на те или иные действия.

Пока на портале доступен функционал для формирования трех отчетов: диагностика категории, источники продаж и миграция покупателей. Предполагается, что число отчетов в программе будет расти. Уже в первом полугодии 2020 года планируется ввести в промышленную эксплуатацию еще восемь модулей, которые сейчас тестируются партнерами: для анализа промоакций, анализа корзины, построения дерева принятия решений, профилирования, анализа репертуара покупок, а также тестирования, кластеризации магазинов и трекинга запуска новинок.

Доступ к программе предоставляется на основании лицензионного договора. За фиксированную плату поставщик получает на определенный период времени доступ к функционалу программы и приобретенным аналитическим отчетам по его продукции и категории.

Новая на российском рынке услуга воспринимается клиентами очень по-разному, иногда настороженно, несмотря на то что представители поставщиков могут сравнивать свою компанию только с категорией в целом, а не с конкретными конкурентами. Аналитический портал поставщика предоставляет уникальную для рынка аналитику как по содержанию, так и по срокам ее получения, утверждают в X5. «Никто из ретейлеров в нашей стране этого еще не делал, а за рубежом похожие проекты обычно реализуются с внешними компаниями», — говорит Мироненков. Кстати, аналитики, работающие в самой X5, тоже заинтересовались новым информационным сервисом и намерены им пользоваться.

У чистого истока

Проблемы, с которыми CDO пришлось столкнуться в этом проекте, типичны: при всем обилии больших данных, для выполнения конкретной задачи их приходится добывать, очищать и обрабатывать разными способами, чтобы получить нужные разрезы. И это требует существенных затрат. «Мы тратим приблизительно одинаковое время на собственно разработку продукта и на то, чтобы добыть для него данные, настроить регулярное обновление и сделать витрину чистой, с корректной и аккуратной выдачей», — делится Мироненков.

Портал поставщика использует исключительно легальные внутренние источники данных, главным образом чековую информацию и данные программ лояльности. Для повышения качества данных в момент их загрузки применяется набор, состоящий из примерно 70 тестов, в ходе которых выявляются экстремумы, пустые интервалы, отсутствующие данные и пр. Такая работа постоянно ведется в отношении всех формируемых в компании витрин данных.

Если на вход поступают «грязные» и некачественные данные, то добиться их чистоты невозможно, полагает Мироненков. Поэтому внутри бизнес-подразделений были назначены ответственные за то, чтобы в их домене генерировались нужные данные требуемого качества. Им «дали руки» — технических специалистов, которые помогают выгружать данные из систем, описывать, создавать регламенты и следить за их исполнением.

Кроме того, дирекция больших данных организует семинары, проводит внутренние конференции и воркшопы. «Если бизнес хочет решать какие-то задачи, используя, например, данные о перевозках, сначала надо научиться такие данные сгенерировать и озаботиться тем, чтобы они были качественными», — рассказывает Мироненков. Значит, необходимо вместе прикладывать все силы, чтобы эти данные правильно создавались, хранились и выгружались — без пропусков и в допустимых диапазонах.

И, самое главное — нужно, чтобы все понимали, как агрегируются и считаются эти данные. Если в системе фигурируют три разных показателя выручки, не всегда можно понять, какой из них что означает. Поэтому, кроме технических действий по очистке и фильтрации больших данных, необходим каталог данных, который содержит метаданные, описывающие как получены эти данные, из какого источника взяты. С его помощью можно понять, какой из показателей следует выбрать в конкретном случае. Это важный элемент, помогающий формировать культуру работы с данными и дающий понимание, что информация собирается не для дирекции больших данных, а для бизнеса. «Мы можем только помочь, обеспечить техническую и методическую поддержку, но, если сам бизнес не будет этим озабочен, ничего не получится», — подчеркивает Мироненков.

Пять к одному

Функции дирекции больших данных не ограничиваются только лишь обеспечением приемлемого уровня качества данных, их доступности и технической возможности анализа через витрины. Еще одно большое направление деятельности — разработка продуктов. «Продуктовые команды по большей части состоят из наших сотрудников, мы занимаемся и созданием архитектуры продукта, и разработкой кода, и бизнес-анализом», — отмечает Мироненков.

До сих пор продукты создавались с прицелом на внутреннюю монетизацию, на результат в существующем бизнесе: сокращение издержек, увеличение продаж или их прибыльности. Изменение этих показателей даже на доли процента в масштабе всего бизнеса X5 — это уже огромная цифра, поэтому внутренняя монетизация по-прежнему остается более значимой для компании. Это отражается и в соотношении сил: на внутренний «рынок» работает порядка 15 команд, на внешний — только одна, правда, большая. По мнению Мироненкова, в ближайшие годы существующая пропорция сильно не изменится. «Масштаб внешней монетизации все-таки не столь велик, мы пока только набираем пользователей, — говорит он. — Чтобы выйти хотя бы на тот же уровень доходности, который мы имеем внутри, потребуется не один год».

Услугами таргетинга сейчас пользуются свыше 20 компаний, включая MyTarget, «Яндекс», Facebook и «большую четверку» рекламных агентств. Тех, кто пользуется порталом поставщика, пока немного, но с пятью десятками компаний ведутся активные переговоры, и ожидается, что вскоре число подключившихся существенно увеличится. Аналитические сервисы приносят компании десятки миллионов рублей — для такого гиганта, как X5, не очень значительные объемы. Однако работа по внешней монетизации больших данных отлично окупается — соотношение прибыли к затратам составляет примерно пять к одному.

В 2020 году компания планирует расширить линейку продуктов, предоставляющих рынку новые возможности использования своих больших данных.

Три года назад в банке «Уралсиб» был организован департамент искусственного интеллекта и анализа данных (ArtificiaI Intelligence and Data Analytics Office) – AIDA. Инициатор создания этой структуры и ее руководитель, старший вице-президент банка Юрий Сирота позиционирует себя как Сhief Аnalytics Оfficer. Но по существу его деятельность близка концепции CDO 4.0, недавно предложенной аналитиками Gartner. Руководитель AIDA видит основную задачу своего подразделения в том, чтобы проекты в области продвинутого анализа данных и искусственного интеллекта впрямую влияли на прибыльность банка, его конкурентоспособность.

Юрий Сирота, номинант премии CDO Award 2020, рассказывает о своем детище, о том, как с помощью AIDA в банке формируется культура data-driven, и каким образом проекты департамента обеспечивают реальную монетизацию данных.

- Как создавалась AIDA?

Я пришел в банк «Уралсиб» с идеей организовать структуру, целью которой стало бы развитие сервисов монетизации данных и внедрение подходов data-driven к ведению бизнеса. На тот момент это была действительно инновационная идея.

За три года пройден немалый путь. Чтобы прийти к успеху, недостаточно иметь инструменты и знания, необходимо еще суметь внедрить сервисы, то есть решить проблемы реализации в конкретной продуктивной среде, преодолеть сопротивление инновациям. Путь непростой, но мы успешно справляемся с трудностями.

- Но примерно в это же время многие компании организовывали структуры для работы с большими данными. В чем уникальность и инновационность AIDA?

Когда мы говорим о big data, то чаще всего подразумеваем хранение, упорядочивание, качество данных, глоссарий, предоставление данных. Основная задача AIDA – не big data, а big monetization, или big value data. Монетизация не обязательно достигается через аналитику больших данных. Успех подразделения определяется полученной банком прибылью, а не количеством накопленных петабайтов данных, не дороговизной оборудования или числом сотрудников.

- То есть в аббревиатуре AIDA ключевое слово – не data, а analytics?

Analytics и intelligence. Продвинутая аналитика – одно из направлений раздела знаний об искусственном интеллекте. Другие направления – применение методов ИИ для интеллектуальной оптимизации процессов, чат-боты, компьютерное зрение, обработка естественных языков, то есть функции, обычно присущие человеку. Безусловно, монетизация по большей части относится к аналитике данных, но мы работаем и с другими направлениями искусственного интеллекта.

- В чем инновационность AIDA с точки зрения оргструктуры?

Инновации почти всегда встречают сопротивление. Чтобы его преодолеть, нужен организационный ресурс, а чтобы этот ресурс работал, необходима значимая позиция внутри банковской оргструктуры. Поэтому AIDA находится в блоке стратегического развития и курируется заместителем председателя правления банка. Неправильно, когда такие структуры входят в состав какого-то департамента, потому что тогда трудно распространять инновации на всю организацию.

В AIDA три основные компетенции: инженеры данных, специалисты BI и аналитики данных. Первые подготавливают данные, вторые готовят аналитические приложения, третьи анализируют данные и строят математические модели. Надо сказать, что подготовка данных – это 90% всех трудозатрат, хотя основная ценность приходится на оставшиеся 10%.

В состав AIDA входит центр компетенций BI, который занимается созданием удобных аналитических приложений со встроенной аналитикой (augmented analytics). Благодаря работе этого центра пользователи, не имеющие навыков математических исследований, получают в свое распоряжение встроенные в дружественный интерфейс предcказательные и предписательные модели, а не только ретроспективную отчетность. Так мы продвигаем методы продвинутой аналитики «в массы».

Успех любого проекта AIDA – кросс-функциональная команда, во главе которой стоит бизнес-заказчик. Он понимает, откуда можно извлечь выгоду, подсвечивает узкие места в своем бизнесе. А сотрудники AIDA помогают улучшить процессы с помощью инструментов, соответствующих конкретной задаче. Если подразделение входит в структуру блока стратегического развития, это способствует формированию таких междисциплинарных команд. Тем самым организуется увязка проектов AIDA с бизнес-стратегией банка.

- Сложилась ли в банке культура data-driven? Можно ли сказать, что AIDA является ее основным драйвером?

Такая культура складывается. Успешные проекты AIDA способствуют ее продвижению. Бизнес-заказчики уже приходят к нам с просьбой принять участие в их процессах.

Главное, что я стараюсь донести до заказчиков, – смотрите на те сущности, которые вас интересуют, на любые ваши процессы, на отчетность. Если эти процессы поддаются математическому моделированию, значит, мы можем пытаться предсказывать их показатели, то есть получить возможность их оптимизировать, сократить затраты, улучшить маржинальность. Это математика предсказаний, показывающая, куда движется та или иная сущность. Дальше может вступить в дело математика предписаний, дающая рекомендации, что нужно сделать для того, чтобы эта сущность имела именно те значения, которые нам необходимы.

Это широчайшее поле для поиска идей монетизации.

- Как организован поиск этих идей? Кто выступает инициатором — AIDA или бизнес?

Это двунаправленный процесс. Заказчики приходят к нам со своими болями. Как правило, результата удается достичь быстрее и эффективнее, когда инициатива вызревает в бизнес-подразделении. Однако человек в должности CDO — не только «реализатор» чужих идей. Он должен еще и сам их генерировать и продвигать. Понимание стратегии организации и ситуации на рынке помогает выявить перспективные направления монетизации.

Один из источник таких идей – отчетность. В ней содержатся данные ретроспективной аналитики, и можно задаться вопросом, какими эти показатели могут стать в будущем и что надо сделать для того, чтобы получить интересующие нас значения.

Еще одно направление поиска идей для монетизации – это бесхозные процессы на стыке нескольких департаментов. Там, где нет единого хозяина, деятельность обычно не очень эффективна, и есть поле для оптимизации и получения выгоды.

- Какие проекты монетизации данных реализованы в AIDA?

Как правило, в банках подходы data-driven развиты в службах риск-менеджмента, в розничном бизнесе. Но везде, где можно провести сравнение «больше-меньше», «выгоднее-убыточнее», «быстрее-медленнее», применима математика, а, значит, процесс можно пытаться оптимизировать и получить выгоду. Поэтому сервисами AIDA уже активно пользуются служба финансового мониторинга, коллекторский бизнес, блок операционной поддержки, подразделение малого бизнеса.

Из реализованных за последний год можно выделить проект для коллекторского бизнеса — выявление заемщиков с просроченной задолженностью, у которых вероятность возврата задолженности больше. Оптимизировав средства взыскания просроченной задолженности, можно обеспечить внушительную монетизацию.

В клиентском бизнесе стартовал проект по сокращению оттока клиентов и увеличению маржинальности. Сокращение оттока – это недопущение потерь прибыли, увеличение маржинальности бизнеса – это рост продаж, кросс-продаж, поднятие суммы продаж. Такие сервисы уже начинают внедрять в малом бизнесе.

Проект по кеш-менеджменту обеспечивает оптимизацию процессов блока операционной поддержки – сокращение избыточного фондирования наличности в банкоматах и в кассах дополнительных офисов.

- На премию CDO Award 2019 вы представляли проект Anti Money Laundering по выявлению токсичных, то есть совершающих противозаконные транзакции, клиентов. Как развивался проект за истекший год?

Мы продолжаем работать над математическим аппаратом этого решения — улучшаем набор и качество инструментов. Недобросовестные организации постоянно совершенствуют свои методы реализации незаконных операций, и мы вынуждены их догонять. Если инструменты аналитики данных не «тюнинговать», они становятся бесполезными, а если не делать этого на протяжении долгого времени, могут начать работать во вред. Это бесконечный цикл подготовки данных, их обогащения, улучшения качества моделирования, внедрения в продуктив. Ни один такой проект после его осуществления не может быть сделан и заброшен, его необходимо улучшать, иначе он будет деградировать.

- С какими данными и с какими техническими решениями работает AIDA?

Хочу подчеркнуть, что мериться надо не петабайтами данных, а результатами монетизации, достигнутой с помощью данных. Для big value data не обязательно иметь озера данных, может быть достаточно таблицы Excel. Я не пропагандирую устаревшие подходы, но скажу, что при выборе задач, источников и инструментов мы исходим из ценности, которую данные доставляют. Монетизация – это совокупность организационных, психологических, математических, технологических компонентов, а также различных аспектов, обусловленных спецификой бизнеса. Инструменты – необходимое, но недостаточное условие успешной монетизации, так же как и толпа математиков, дорогое ПО и оборудование не являются гарантами успеха.

Поэтому мы делаем упор на оргсоставляющую инноваций, на поиск и развитие математической и аналитической экспертизы (все специалисты по data science в AIDA имеют фундаментальное математическое образование), а также на формирование в банке культуры data-driven.

Что касается технологий, то мы используем реляционную СУБД Oracle (с упорядоченными и чистыми данными проще работать в аналитике), математические программы с открытым кодом (пакеты R, Python) вполне отвечают предъявляемым нами требованиям.

Кроме того, используем стек BI-технологий с возможностью интегрировать математические инструменты. BI – это первый шаг к аналитике. Даже в рамках привычного BI-интерфейса для неискушенных пользователей мы внедряем продвинутую аналитику.

- Есть ли необходимость работать с внешними данными?

Да, мы используем данные информационных агентств, бюро кредитных историй, информацию из социальных сетей, сотрудничаем с телекомом.

- Давайте подведем итог. В чем вы видите стратегическую роль AIDA для банка? Каковы планы развития вашего подразделения?

Банковский бизнес не является высокомаржинальным, конкуренция тут жесткая, поэтому мы должны бороться за каждую сотую долю процента доходности. Необходимо не просто улучшать процессы, но делать это глубже и качественнее, чем конкуренты. Монетизация, которую обеспечивают проекты AIDA, может давать банку ощутимые преимущества на рынке.

Планы на будущее – увеличить число заказчиков, количество проектов и доходность уже реализованных, популяризировать data-driven организации. Если об инновациях не рассказывать, то невозможно успешно их внедрить.

Дирекция региональных продаж ПАО «Газпром нефть» (ДРП) управляет сбытом различных видов моторного топлива компании через собственную розничную сеть, состоящую из более чем 1,8 тыс. АЗС и включающую свыше 800 магазинов и кафе, а также через оптовые каналы и сервисы для коммерческих транспортных парков. Кроме того, подразделение отвечает за товаропроводящую сеть, в которую входят нефтебазы, лаборатории и собственный парк бензовозов. В периметре компаний под управлением дирекции работают более 20 тыс. сотрудников, и по численности персонала это примерно треть всей группы «Газпром нефть».

В ДРП построена уникальная на сегодняшний день платформа — smart data lake. В ее рамках озеро данных и аналитическое хранилище данных интегрированы с инструментами Data Governance. Иван Черницын, руководитель Центра аналитических решений Дирекции региональных продаж «Газпром нефти» и номинант на премию CDO Award 2020, рассказывает о пути к созданию умного озера данных, о первых результатах и ближайших направлениях развития.

- Какова история подходов к работе с данными в Дирекции региональных продаж?

У нас сложилась уникальная для крупного бизнеса ситуация с автоматизацией и управлением данными. Наше сбытовое подразделение было выделено в «Газпром нефти» в 2008 году. Тогда же пришла команда топ-менеджеров, сохранившая свой состав по сей день, и стартовала программа унификации процессов, а затем и информационных систем всех дочерних предприятий. В этой програме я принимал активное участие.

В 2009–2011 годах в ДРП были внедрены унифицированные для всех регионов учетные и производственные системы: системы управления АЗС, коммерческого, бухгалтерского и управленческого учета, планирования и бюджетирования, управления инвестициями, персоналом, автотранспортом и др. Это позволило создать институт владельцев систем и через него управлять регламентами ведения первичных данных, расчета ключевых показателей и их изменения. С помощью сравнительного бенчмаркинга показателей регионов были найдены лучшие способы, позволяющие экономично вести деятельность. Благодаря тиражированию этих практик ДРП, в течение трех лет удалось существенно сэкономить затраты и добиться прироста продаж. Сбыт моторного топлива «Газпром нефти» стал признанным эталоном эффективности в России.

- Когда и как пришло понимание того, что надо заниматься развитием комплексных аналитических решений?

Иван Черницын: «Компания воспринимает первые внедрения комплексных систем управления данными в бизнес-блоках вполне лояльно: разнородность подходов расценивается как некое соревнование, апробация разных идей и технологий».

В 2011 году мы задумались об интеграции данных всех учетных и производственных систем в едином аналитическом пространстве, чтобы находить новые инсайты. Для этого мы разработали и внедрили систему управления нормативно-справочной информацией и подошли к выбору платформы класса BI. В конце 2012 года проект BI стартовал. В его ходе мы отказались от создания единого хранилища данных ради скорости реализации аналитических задач, взамен было организовано логическое хранилище с единым семантическим слоем на платформе Qlik. Благодаря очень удачному архитектурному решению наша BI-система за четыре года стала одной из самых функциональных и крупномасштабных в России. У всех сотрудников появились единый бизнес-словарь и набор гибких аналитических инструментов с едиными методиками и терминологией.

Мы также сформировали центр компетенции по BI, объединивший не только системных аналитиков, архитекторов и разработчиков, но и экспертов по качеству данных. Благодаря организации эффективной работы и очень пристальному вниманию к качеству данных, к концу 2016 года с единым BI работали уже более 1,1 тыс. пользователей. Это решение аккумулировало данные свыше 80 корпоративных систем, а очередь на разработку нового функционала от бизнес-заказчиков состояла из более чем 200 задач.

Вместе с тем за годы работы с аналитическими инструментами выросла культура сотрудников и стали меняться требования подразделений. Усложнялись алгоритмы обработки данных, рос их объем и количество источников, появлялось все больше внешних данных. Кроме того, бизнес-аналитикам требовались актуальные диаграммы происхождения данных, различная статистика по качеству данных, инструменты поиска данных на внутренних слоях BI. У нас возникла необходимость в проактивном управлении качеством данных.

- Какой подход был выбран?

Чтобы удовлетворить наши новые потребности, мы совместно с фондом «Сколково» в 2016 году масштабно исследовали рынок решений, изучили рекомендации DAMA DMBoK, пообщались с экспертами Gartner и сделали много референс-визитов. В итоге остановились на концепции комплексной системы управления данными. Она включала в себя каталог данных с описаниями и происхождением объектов данных, каталог правил по качеству данных с возможностью обогащения правил и просмотра их статуса и истории, бизнес-глоссарий с инструментами управления изменениями определений и формул расчета бизнес-терминов, а также пользовательский портал. С целью сделать детальные данные доступными для аналитиков мы провели изыскания в области промышленных инструментов обработки и хранения данных, после чего было решено внедрить современное многокомпонентное логическое хранилище данных.

- В чем заключалась суть этого проекта?

В конце 2017 года мы сформировали и защитили программу из двух взаимосвязанных проектов («Создание озера данных ДРП» и «Создание системы управления данными ДРП») как часть стратегии цифровой трансформации нашего бизнеса. Совместный результат программы проектов мы стали называть «умным озером данных», в соответствии с зарубежными терминами smart data lake и governed data lake. Я стал лично отвечать за программу, а наш центр компетенций расширился на 20 человек и получил в 2018 году сначала название «Офис управления данными», а затем, в 2019 году, — «Центр аналитических решений». Сейчас у нас более 60 сотрудников, и в едином подразделении работают специалисты по качеству данных, по управлению метаданными, разработчики и архитекторы big data, хранилищ данных и BI, системные аналитики, исследователи данных, а также тренеры по развитию аналитической культуры.

- Тренеры по развитию аналитической культуры? На кого именно направлена их деятельность?

На всех бизнес-сотрудников, которые используют или хотят использовать аналитические решения либо хотят изменить свою роль в подразделениях.

В нынешнем году у нас появилась матрица компетенций, включающая как технические, так и нетехнические навыки, уровни развития компетенций, индикаторы их наличия. К этой матрице привязаны программы обучения, семинары и тесты. За 2019 год более 400 специалистов прошли обучение по Python, SQL, машинному обучению и применению аналитики в различных направлениях бизнеса. Неплохо для начала. За прошлые годы на курсах по BI в общей сложности обучилось 1,2 тыс. человек.

Сейчас разрабатываем онлайн-курсы для удаленных сотрудников и программы тестирования. В дальнейшем сотрудники, которые не прошли тесты, подтверждающие соответствующие компетенции, не будут допускаться к работе со сложными аналитическими инструментами. Неподготовленные сотрудники не должны дискредитировать своими действиями всю аналитическую программу. Полученные ими некорректные результаты или интерпретации могут привести к самым нежелательным последствиям — подрыву доверия к данным со стороны руководителей бизнеса.

- Что такое «умное» озеро данных? Чем оно отличается от «обычного»?

Согласно оценкам Gartner, в мире 83% озер данных превращаются в «болота данных» и в итоге забрасываются из-за проблем с поиском качественных данных. Еще сильнее усложняет ситуацию то, что все больше компаний используют гибридную архитектуру хранения (часть данных хранится в публичных облаках, а часть — в корпоративных озерах и хранилищах). Выходом из ситуации является создание озер и хранилищ с интегрированными инструментами управления данными: каталогом данных, системой управления качеством данных, бизнес-глоссарием, средствами интеграции и маскирования данных. Однако на сегодняшний день не существует готовых промышленных решений, включающих в себя комплексные платформы обработки, хранения и управления данными. К созданию таких решений приблизились Microsoft и Amazon в своих публичных облаках. В материалах Gartner и публикациях вендоров описаны архитектурные шаблоны для таких решений.

- С какими проблемами пришлось столкнуться в ходе проекта?

Подобных решений нет не только в России, но и на Западе. И вообще было непонятно, как это будет работать на практике.

В Gartner признают, что «умное озеро данных» — это не практическое решение, а продвинутый архитектурный шаблон на будущее, который сегодня апробируют Microsoft и Amazon в собственных облаках. А мы построили все это на своей площадке.

Мы реализовывали умное озеро данных на базе практических бизнес-кейсов, входящих в состав актуальных проектов, при этом обкатывая совместную работу компонент и участников команды разработки. Проект был крайне сложным, мы несколько раз меняли подходы и переделывали реализованные кейсы, когда находили новые решения. Только организовав работу всех участников в одной команде с единой мотивацией, мы смогли преодолеть огромное множество технологических и методологических трудностей.

- Какова архитектура созданной платформы данных? На каких решениях она построена?

«Умное озеро данных ДРП» — название комплексной системы управления данными, а не просто разновидность Data Lake. Мы использовали такое название, чтобы кратко выделить ключевые особенности решения. Умное озеро данных ДРП включает в себя подсистемы Data Governance на платформе Informatica (каталог данных, управление качеством данных, бизнес-глоссарий, пользовательский портал обзора данных), компоненты интеграции данных, а также интегрированные с ними компоненты обработки больших данных (на основе Arenadata Hadoop), аналитическое хранилище данных (Microsoft SQL Server 2017), BI (Qlik), аналитическую лабораторию с набором инструментов Data Science.

- Какие источники данных вы используете в своей работе?

К внешним источникам можно отнести Санкт-Петербургскую товарно-сырьевую биржу, «СПАРК-Интерфакс», Портал открытых данных РФ, сайты Центробанков России и СНГ, географические и метеорологические ресурсы, метрики и отзывы Google, App Store, «Яндекс», открытые данные социальных сетей, различные данные партнеров и сведения о конкурентах, данные мобильных приложений. И конечно, мы широко охватываем наши внутренние системы.

- Как в рамках проекта выстроена работа с качеством данных?

Система управления качеством данных была выстроена очень серьезно в рамках развития единого BI. Исторически это реактивная система, которая развивалась через разрешение инцидентов с данными (аналог service desk), но она весьма эффективно работала. В 2015 году мы создали выделенную функцию по качеству данных, за 4 года выросшую в подразделение из семи человек, чьей задачей было системно не допускать повторных ошибок. Эти специалисты формализовывали причины появления дефектов данных и формировали запросы на доработку систем-источников или BI-инструментов. Поскольку BI-система интегрировала все ключевые данные в контуре ДРП, выполняла массовое устранение причин дефектов в данных через решение ежедневных обращений от сотен сотрудников, большой эффект распространялся на все системы и в целом на культуру работы с данными в контуре всех наших подразделений.

Однако, после того как число BI-приложений в парке выросло до нескольких сотен, созданными правилами стало сложно управлять, при доработках для различных заказчиков начали возникать несоответствия в требованиях по качеству данных. Исправить ситуацию помогла идея централизованного каталога правил по качеству данных, чтобы правила можно было видеть в разрезе потоков данных и ключевых наборов данных, витрин или BI-приложений и привязывать к аспектам качества, бизнес-процессам, определять уровень их критичности. Это дает возможность видеть не только существующие правила, но и пробелы в них. Возможные проблемы можно предвидеть еще до их появления — система управления качеством становится проактивной. Чтобы внедрить такую систему, мы при формировании умного озера данных предусмотрели промышленное решение класса Data Quality, охватывающее именно эти функции.

Вследствие этого в подразделении по качеству данных фокус сместился с прошлого на будущее: если раньше все внимание было направлено на устранение причин уже произошедших ошибок в данных, то сейчас — на разработку системы проактивного мониторинга, продумывание и настройку правил по качеству данных, чтобы тем самым избежать ошибок.

- Насколько обязательно для бизнеса использование созданной вами платформы?

На созданной централизованной аналитической инфраструктуре мы реализуем актуальные задачи исходя из бизнес-приоритетов. При таком подходе с течением времени все ключевые данные и аналитические модели окажутся в умном озере данных.

Однако, чтобы наш ресурс не стал «бутылочным горлышком», мы не мешаем создавать в некоторых проектах локальные аналитические решения со своими отдельными командами. Выбор нашей инфраструктуры и нашей внутренней команды — это дело добровольное для бизнес-заказчиков. Мы делаем ставку на то, что завтра эффективность и высокое качество работы нашей команды приведут к полному охвату всех задач и данных ДРП в умном озере данных.

Точно такая же схема работы была во времена BI, когда внутренний Центр компетенций по BI за несколько лет вытеснил всех внешних подрядчиков. Подразделения просто перестали заказывать работы извне, потому что мы смогли очень качественно решать все задачи своими силами.

- Приведите в качестве примера несколько наиболее ярких проектов, реализованных в последнее время.

Первые кейсы включили в себя конвейер обработки транзакций АЗС, расчет сегментов для клиентской аналитики, семантический анализ обратной связи от клиентов в различных каналах, обработку многолетних внешних и внутренних данных о ценах на нефтепродукты. Несмотря на трудности, уже первичное внедрение стало успешным: на текущий момент примерно половина всех аналитических проектов и инициатив ДРП уже реализуется в контуре умного озера данных, план на 2020 год — охватить не менее 75%.

- Можно ли что-то сказать о первых финансовых результатах этих проектов?

Эффект от озера данных нужно считать очень трезво. Пока очевидно лишь то, что мы экономим на интеграции данных для многих проектов, сокращаем время поставки готовых наборов данных для всех будущих проектных и продуктовых команд, а также для задач прототипирования.

Когда мы только пилотировали клиентскую аналитику — расчет сегментов с помощью машинного обучения, — уже первые кейсы, сделанные «на коленке», без всякого озера данных, дали серьезную монетизацию. Возврат клиентов, склонных к оттоку, вырос втрое. Существенное преимущество озера в том, что модели переносятся в более надежную среду, получают надежные инструменты, обеспечивающие качество данных. Поэтому большинство эффектов будет проявляться спустя некоторое время.

- Почему именно сбытовое подразделение компании выступило в авангарде создания умного озера?

В двух других крупнейших бизнес-блоках «Газпром нефти» тоже внедряются озера и аналитические хранилища данных, они сфокусированы на обработке и хранении данных и быстрой разработке и монетизации бизнес-кейсов, но не на Data Governance.

Архитектура smart data lake, которую мы реализуем в ДРП, — самая сложная из всех существующих для работы с большими данными. В Gartner отмечают, что организация, прежде чем к ней прийти, должна сначала внедрить у себя более простые варианты. Мы в блоке ДРП семь лет развивали BI и управление качеством данных, отработали интеграцию множества источников, конвейеры обработки данных, большое число бизнес-кейсов. И два года назад инициировали амбициозный и рискованный эксперимент со smart data lake, потому что у нас и наших бизнес-заказчиков было четкое понимание стратегических преимуществ инструментов Data Governance. Ради этих преимуществ мы потратили и продолжаем тратить большие средства на отладку совместной работы всех компонентов и методологию управления данными в smart data lake, так что наш проект окупится в более долгосрочной перспективе.

Компания воспринимает первые внедрения комплексных систем управления данными в бизнес-блоках вполне лояльно: разнородность подходов расценивается как некое соревнование, апробация разных идей и технологий. Внутри компании мы организовываем дни открытых дверей, внутренние конференции с демонстрацией решений, и мы открыты к диалогу.

После двух-трех лет практической эксплуатации озер и аналитических хранилищ данных в блоках можно ожидать появления первых общекорпоративных стандартов, а затем стандартизации на уровне компонент и методологии. В корпоративном центре «Газпром нефти» чуть более года назад появился орган, задача которого — формировать общую стратегию и общие «правила игры» в части Data Governance на уровне всей компании.

- Как будет дальше развиваться платформа данных?

На сегодня у нас все еще остается много нерешенных вопросов. Следующий год будет годом становления внутренней эффективности при разработке аналитических решений со встроенными инструментами управления данными. Один из существенных этапов такого становления — интеграция с имеющейся у нас инфраструктурой DataOps: Kubernetes/Openshift, Jenkins, Gitlab, Jira, Confluence. В результате удастся автоматизировать рабочие процессы инжиниринга данных, тестирования, выпуска релизов и в дальнейшем внедрить SLA — подход «данные как сервис» с гарантированными сроками и параметрами по типовым задачам поставки данных.

Кроме того, важными этапами в развитии культуры работы с данными станут официальное закрепление ролей владельцев данных (data owner) и распорядителей данных (data steward) в бизнес-подразделениях, а также настройка рабочих процессов управления изменениями объектов данных через единый каталог и бизнес-глоссарий.

В следующем году сервисы 5G заставят организации пересмотреть свое отношение к возможностям сетевых сред, а платформы коммуникаций, предлагаемые в качестве сервиса (communications-platform-as-a-service, CPaaS), получат еще более широкое распространение.

В подготовленном Тимом Шиди и Одри Уильям отчете аналитической фирмы Ecosystm «Пять тенденций изменения рабочего места в 2020 году» ("The Top 5 Workplace of the Future Trends for 2020") указывается, что активно формирующийся опыт сотрудников (employee experience, EX) будут способствовать ускорению распространения инструментов потребительского класса для совместной работы, а ключевые показатели эффективности службы управления персоналом заставят ИТ-подразделения заняться анализом технологий формирования рабочих мест следующего поколения. Придется задуматься и о решениях управления знаниями.

«Люди треть своей жизни проводят на рабочем месте, – говорится в отчете. – По мере того, как 'экономика опыта' становится реальностью, организации будут смотреть не только на улучшение клиентского восприятия (customer experience, CX), но и на восприятие сотрудников (employee experience, EX). На самом деле этому направлению отводится даже более высокий приоритет, чем повышению доходов и сокращению расходов. Удержание сотрудников приобретает очень важное значение в сегодняшней битве за таланты. В некоторых организациях уже сейчас вводится должность директора по навыкам, и это еще раз подтверждает важность EX».

Технологии призваны помочь сотрудникам выполнять свою работу быстро и не ломая голову над затруднениями. В конечном итоге организация рабочего места должна способствовать повышению производительности труда, и между продуктивностью сотрудников и их удовлетворенностью есть несомненная связь.

В отчете указывается, что предприятия в развитых странах уже называют EX в числе двух главных бизнес-приоритетов, и в Ecosystm ожидают, что все больше компаний по всему миру назовут EX одним из своих ведущих приоритетов, следующим сразу за CX.

Наступает понимание того, что улучшение клиентского восприятия и восприятия сотрудников способствует увеличению оборота, росту прибыли и снижению издержек.

В нынешней экономике опыта пользовательское восприятие может иметь первостепенное значение для рабочих мест, созданных с использованием технологий будущего.

Если пользовательское восприятие при выборе решений для организации связи и совместной работы окажется не лучшим, сотрудники просто перейдут на другое приложение, чтобы получить то, что им больше подходит. Конкуренция между поставщиками средств обработки голоса и видео, а также организации совместной работы постоянно растет.

«Служба управления персоналом в конечном итоге отвечает именно за улучшение EX, – отмечается в отчете Ecosystm. – Счастливый сотрудник показывает высокую продуктивность, поэтому производственная среда (управляемая операционной командой) и используемые этим сотрудником технологии (управляемые ИТ-службой) играют важнейшую роль в том, чтобы он испытывал удовлетворение от работы. Чтобы достигнуть результата, три эти команды должны укреплять отношения друг с другом, делая эту связь еще более тесной, чем когда-либо ранее, причем не только при реализации конкретных проектов, но и на постоянной основе».

Вследствие стремления наладить передачу сотрудникам передового опыта инвестиции в развитие рабочих мест будущего продолжат расти, а взаимодействие между ИТ-службой, службой управления персоналом и службой эксплуатации оборудования усиливаться.

В настоящее время взаимодействие между тремя этими подразделениями с точки зрения улучшения рабочих мест является довольно слабым. Анализ технологий рабочих мест будущего поможет решить вопросы, связанные с офисными недоработками в части перегрузки электронной почтой, чересчур длинного рабочего дня, прогулов, нерационального использования помещений и других средств, недовольства сотрудников, а также понимания общих тенденций применения средств связи и взаимодействия.

Кроме того, в 2020 году большинство операторов увеличат зону покрытия своих сетей 5G, и они начнут играть гораздо более важную роль в деятельности их клиентов.

Уникальные возможности технологий 5G при построении программно-конфигурируемых сетей (software-defined network, SDN) – предназначенные специально для удовлетворения потребностей организаций – помогут предприятиям переосмыслить свой подход к развитию сетей. Они перестанут воспринимать свои сетевые ресурсы как нечто физическое и начнут относиться к ним как к набору возможностей.

Представители ретейла смогут выстраивать полноценную среду розничных продаж по своему выбору. Банки будут предлагать услуги своих отделений в любой точке мира. Сотрудники получат доступ ко всем видам данных и систем, где бы они ни находились. Технологии 5G помогут создать не просто быструю сеть – потенциал для трансформации корпоративных сетей позволит глубоко переосмыслить сетевые концепции и способы предоставления ИТ-службами технологических сервисов своим сотрудникам.

Организации придут к пониманию необходимости внедрения решений правильного управления знаниями.

ИТ-службы навязывают собственные требования к системам управления знаниями и платформам для бизнеса. Многие клиентские команды используют инструменты, которые изначально не подходят для работы. Руководство компаний обращается к инструментам, которые не отвечают его потребностям, а информационные работники – к платформам общего назначения при наличии совершенно конкретных нужд.

В 2020 году произойдет фрагментация рынка управления знаниями, поскольку предприятия начнут осуществлять закупки исходя из потребностей сотрудников, а не на основе диктата ИТ-служб.

Будет наблюдаться рост популярности решений CPaaS.

Облачные платформы, позволяющие разработчикам добавлять в технологические процессы своих собственных бизнес-приложений функции сотрудничества в реальном времени, породят очередную волну инноваций в пространстве унифицированных коммуникаций.

Благодаря открытым API разработчики смогут интегрировать собственные коммуникационные функции в уже существующие бизнес-приложения без дополнительных затрат на оборудование и программное обеспечение. Их можно будет встраивать непосредственно в облачную платформу для ускорения выхода на рынок. Коммуникационные платформы, предлагаемые в качестве сервиса (Communications Platform as a Service, CPaaS), получат еще более широкое распространение вследствие роста числа команд, занимающихся разработкой ПО с применением agile-методик и DevOps.

Опыт сотрудников (Employee Experience, EX) становится главным приоритетом как для ИТ-директоров, так и для руководителей кадровых служб. Опрос Gartner, в котором принимали участие 843 HR-менеджера, показал, что опыт сотрудников находится для них на третьем по важности месте. В качестве важнейшего условия достижения стоящих перед предприятием целей его назвал 51% респондентов.

Эта статья поможет вам понять значимость опыта сотрудников и характер его воздействия на организацию. Как предприятию обеспечить наличие у сотрудников передового опыта, открывающего новые перспективы?

Что такое опыт сотрудника?

Опыт сотрудников охватывает все то, с чем они сталкиваются в процессе выстраивания своей карьеры в организации и что чувствуют, начиная с первого направления резюме и заканчивая уходом, в том числе и после приобретения сотрудником статуса бывшего.

В силу широты охвата опыт сотрудника обычно разбивают на отдельные общие этапы: кандидат, в том числе уже направивший резюме, собеседование и процесс приема, вступление в должность, обучение, развитие, оценка и продвижение, уход и опыт в качестве бывшего сотрудника.

Каждой организации присущ свой уникальный опыт сотрудников, который может существенно варьироваться с течением времени в силу многообразия этапов трудовой деятельности. «Более того, хотя опыт сотрудников – не то же самое, что корпоративная культура, обязательства и бренд работодателя, все это, безусловно, отражается на тактике и стратегии, улучшающих опыт сотрудника и помогающих определить миссию и ценности организации», – указала консультант по развитию бренда Дэнис Ли Йон, контрибьютор Forbes.

Почему опыт сотрудников так важен?

Управление организацией отдельными этапами трудового цикла является показателем ее культуры и оказывает определенное воздействие на производительность труда и вовлеченность сотрудников. Знание того, как сотрудники относятся к прохождению отдельных этапов своей карьеры, помогает руководителям понять, как следует поддерживать персонал и каким образом можно улучшить восприятие сотрудника.

«С самой первой встречи в организации у людей начинают формироваться ожидания того, как все сложится и каким будет здесь их трудовой путь, – пояснила директор компании ion Learning Шавон Линдли. – Публикации вакансий, трудовой договор, декларируемый заработок – все это формирует ожидания. Мы имеем дело, по сути, с психологическим контрактом. Ожидания появляются при каждом новом найме, а в процессе прохождения найма видение соискателя приобретает все более четкие контуры. Компании стараются сделать первое впечатление максимально ярким именно для того, чтобы соответствовать ожиданиям сотрудника. Возможно, в первый день ожидания действительно оправдаются. Но что произойдет на второй день? На третий? На четвертый?»

«Если ожидания не оправдываются, психологический контракт оказывается нарушен, а взаимоотношения между сотрудником и организацией начинают ухудшаться, – предупреждает Линдли. – Во многих организациях такая потеря доверия приводит к проблемам с удержанием сотрудика, поскольку тот ищет для себя возможности и в других местах».

Чтобы решить эти вопросы, многие организации начинают уделять внимание отдельным деталям, пытаясь укреплять отношения с сотрудниками с помощью «поддерживающих» решений, направленных на выстраивание команды путем поднятия ее морального духа или повышения зарплаты и прочих стимулов, но все эти мероприятия могут иметь лишь временное воздействие. Фундаментальное значение приобретает плохой опыт сотрудника в целом.

«Люди выносят суждения очень быстро, – заметила Линдли. – Попадая в команду и наблюдая за тем, как менеджеры взаимодействуют с людьми, с их коллегами, они сразу формируют собственное мнение. Все сводится к тому, чтобы сопоставить имеющееся положение дел со своими ожиданиями. И если наблюдается несоответствие, вовлечь их в общий процесс уже не удастся. Их моральный дух никогда не будет высок. Говорить о мотивированности и лояльности уже не приходится, поскольку основной, фундаментальный контракт был нарушен».

Как оценить опыт сотрудника?

Чтобы убедиться, что опыт сотрудников вашей организации является положительным, важно иметь стратегию его оценки. Организациям следует запрашивать обратную связь на каждом из трудовых этапов сотрудника, но есть три этапа, где опыт играет наиболее важную роль. Если вы только начинаете оценивать опыт сотрудников вашей организации или разрабатываете стратегию для его улучшения, начните с этапов подбора кандидатов, их приема на работу и добровольного увольнения.

По мнению специалистов CultureAmp, при целевом подборе кандидатов организациям следует устанавливать обратную связь как с успешными, так и с неудачливыми кандидатами, с тем чтобы заручиться поддержкой защитников независимо от конечного результата.

Обратную связь следует инициировать со всеми новыми сотрудниками организации в момент начала их трудовой деятельности. Важно узнать первое впечатление и ретроспективный взгляд новичков, уже вступивших в должность.

И наконец, обратная связь с теми, кто добровольно покидает организацию, поможет понять, как уменьшить трения и улучшить показатели удержания сотрудников и их вовлеченности в общий процесс.

Влияние ИТ на опыт сотрудников

Опыт сотрудника формируется по большей части с учетом поведения других людей, но важную роль играют и другие особенности, в том числе материально-техническое обеспечение, взаимодействие внутри организации и ИТ.

Вице-президент и ИТ-директор компании GE Крис Драмгул считает, что ИТ, в том числе характер приобретения и использования технологий, вносят значительный вклад в общее восприятие сотрудника.

«Многие компании трепетно относятся к клиентскому восприятию (Customer Experience, CX), выстраивая вокруг него свою стратегию, – отметил он. – Но мы думаем совершенно по-другому. Для нас сотрудник – потребитель технологии, которая в свою очередь является частью его работы и профессионального мира».

Вместо того, чтобы ориентироваться на приложения потребительского класса, которые напоминают сотрудникам о днях рождения их коллег и помогают планировать совместные обеды, ИТ должны закладывать фундамент взаимодействия сотрудников с техническими средствами и расширять их профессиональные навыки, полагает Драмгул. А это в свою очередь предполагает оптимизацию процессов и политик, призванных обеспечивать результативное и эффективное использование технологий.

В GE, например, процедуры приобретения и поддержки ИТ были слишком громоздкими и неудобными. Существенную их часть выполняли внешние поставщики услуг. И если на бумаге все выглядело хорошо (в частности, количество закрытых заявок), то анализ восприятия всего этого сотрудниками рисовал совсем иную картину.

«Приобретение и изучение имевшихся у нас унаследованных систем, равно как и управление ими сводилось на нет тысячами регламентных клочков бумаги», – вспоминал технический директор цифрового рабочего пространства GE Джефф Монако.

В итоге в GE решили полностью пересмотреть процесс взаимодействия сотрудников с технологиями, получения технической поддержки и поиска новых инструментов. «Решения MyTech и SmartHelp предоставили сотрудникам современный и персонализированный способ просмотра и управления инструментами и технологиями, предлагавшимися в компании, что существенно улучшило клиентское восприятие», – подчеркнул вице-президент GE Digital по технологиям цифрового рабочего пространства Дэйв Чапман.

Опыт сотрудников в цифровую эпоху

В условиях цифровой трансформации и ориентации ИТ на конечного потребителя сотрудники всех подразделений стали более подкованными в техническом отношении, и это положительно отразилось на их навыках.

«Теперь сотрудники, не имеющие отношения к ИТ-службе, просят предоставить им программный код и разработать технологические процессы, – указал Драмгул. – Это способствует повышению технологической открытости в масштабах всей организации».

Таким образом, ИТ отводится важнейшая роль для позитивного опыта не только с технической, но и с репутационной точки зрения. ИТ-директорам, подразделения которых не справляются с устранением мелких неисправностей, перестают доверять решение серьезных вопросов, охватывающих всю компанию в целом.

Для многих организаций это означает создание цифрового рабочего пространства, позволяющего людям максимально легко выполнять свою работу – ИТ становятся более открытыми и доступными для сотрудников. ИТ-подразделение должно не просто решать возникающие проблемы, но и помогать сотрудникам лучше использовать имеющиеся технологии. «Более активная позиция ИТ-службы и перспективное мышление – это один из способов добиться улучшения опыта сотрудников в целом», – подчеркнула руководитель программ исследования в области цифрового рабочего пространства Gartner Кэрол Розуэлл.

Инновации — важный драйвер роста, и многие технологические лидеры стремятся создать условия для устойчивого проведения инноваций. Но для этого им порой приходится преодолевать очень серьезные препятствия. Четверть ИТ-директоров, принимавших участие в недавнем опросе Deloitte, заявили, что возможности для внедрения инноваций у них отсутствуют. И только 11% оценили свой инновационный потенциал как отличный и позволяющий удерживать лидерство.

А теперь перечислим десять причин, по которым инновации буксуют, и расскажем о том, что могут сделать ИТ-директора в такой ситуации.

1. Оборонительная позиция

Главной причиной неудач при проведении технической модернизации ИТ-директора называют «сопротивление изменениям». Инвестиции в непроверенные или прорывные технологии зачастую рассматриваются как рискованные, и руководство предприятий обычно уютнее чувствует себя с «безопасными» инвестициями, направленными на расширение возможностей уже существующих технологий. Как преодолеть эти барьеры? Сотрудничайте с лидерами бизнеса и обеспечивайте сбалансированность инвестиций в технологии, применяя как оборонительную, так и наступательную тактику. Создавайте культуру, в которой поощряется и поддерживается творческое мышление, а усилия вознаграждаются даже выше, чем результат. Четко определите уровень готовности организации к риску, с тем чтобы сотрудники могли идти на обоснованный риск без опаски.

2. Отсутствие спонсоров и подотчетности

Без видимой поддержки со стороны одного или нескольких представителей высшего руководства инновационные усилия обречены на провал. Поддержка на высоком уровне помогает предотвратить увязание инновационных устремлений в дебрях организационных политик, нехватки ресурсов и ограниченных бюджетов. Кроме того, спонсоры из числа топ-менеджеров могут четко сформулировать ожидания и назначить ответственных за достижение бизнес-результатов.

3. Нехватка ресурсов

Слишком часто руководители технологических подразделений просят своих лучших сотрудников разделить время между управлением бизнес-операциями и участием в инновационных инициативах. Таким образом, наиболее эффективные специалисты лишаются возможности работать в сфере новаций и отвлекаются на «повседневные задачи». Поддержка со стороны руководства позволяет ИТ-лидерам направлять лучшие из имеющихся у них ресурсов (пусть даже на ротационной основе) на достижение бизнес-результатов. Выделение бюджета и ресурсов на инновации способствует снижению риска в отдельных бизнес-областях и принятию согласованных решений.

4. Чрезмерный акцент на технологии

Даже те ИТ-руководители, которые искренне верят в то, что технологии изменят бизнес, зачастую принимают технологические решения без глубокого понимания вопросов бизнеса. В результате инновационные усилия напоминают работу экспериментальной научной лаборатории, которая редко выдает по-настоящему ценные результаты. Чтобы избежать этого, технологическим командам следует создавать проектировать решения совместно с представителями основных подразделений, а внедрение нового функционала для бизнеса должно представлять собой итерационную череду экспериментов.

5. Отсутствие единого владельца

Отличительными чертами эффективных инновационных инициатив являются непрерывность усилий и устойчивое целеполагание. Человек или команда, предложившие новую идею, должны оставаться вовлеченными в процесс вплоть до его завершения, вырабатывая преемственность и формируя ценный исторический контекст. Еще важнее то, что успешные инновационные инициативы устанавливают четкие операционные рамки. Например, некая фармацевтическая компания готова одобрить любой проект, который оказывает влияние не менее, чем на 10 тыс. клиентов, стоит не более 50 тыс. долл. и позволяет создать прототип за три месяца.

6. Синдром «изобретенного не здесь»

Организации, которые не занимаются поиском инноваций вне собственных стен, ограничивают свои возможности в части достижения успехов на рынке. ИТ-руководители привыкли полагаться на своих традиционных поставщиков, но все чаще задействуют при внедрении инноваций всю экосистему в целом. Стартапы и инновационные хабы обеспечивают доступ к ведущим мыслителям и изобретателям; университеты и исследовательские центры способны заглядывать в будущее; а электронные торговые площадки и платформы помогают предприятиям привлекать к совместному созданию продуктов и сервисов производителей, поставщиков, партнеров и даже клиентов.

7. Отсутствие синхронизации

Инновации зачастую требуют согласованной работы от всей организации. Ее стратегия, например, определяет игровое поле, научно-исследовательская деятельность – инновации, необходимые для процветания, а технологии – инструменты, поддерживающие инновационные проекты. Если отдельные функциональные области не синхронизированы, бизнес-лидеры могут создавать инновационные экспериментальные лаборатории, которые обычно действуют автономно и решают потенциальные вопросы интеграции, безопасности и масштабируемости. Наличие центра, который координирует усилия бизнеса и функциональных подразделений, облегчает выполнение соответствующих задач.

8. Фокус на процессы, а не на скорость

С появлением новых технологий традиционные последовательные процессы становятся устаревшими. В традиционном процессе инноваций, например, создание прототипов и масштабирование рассматриваются как отдельные последовательные действия. Сегодня облачные платформы мгновенно предоставляют гибкую и масштабируемую инфраструктуру, позволяя проектным группам создавать прототипы, уже обладающие нужной масштабируемостью. Команды, не рассматривающие вопросы масштабируемости до создания успешного прототипа, впустую тратят ценное время и привносят в процессы дополнительные риски.

9. Ожидание разных результатов от одних и тех же людей

Одного лишь финансирования и выделения необходимых ресурсов для инноваций еще недостаточно. Чтобы изменить поведение и продемонстрировать позитивный пример, технологические лидеры должны подбирать в организацию людей, обладающих творческим мышлением и готовых идти на разумные риски. Опытные ИТ-руководители не ограничиваются одним лишь подбором новых талантов, а рассматривают всю экосистему в целом, думая о том, как изменить менталитет и культуру уже имеющихся сотрудников. Это можно делать путем найма новых специалистов, выстраивания партнерских отношений или привлечения новых подрядчиков и фрилансеров.

10. Ошибки измерения результатов

Показатели, используемые для измерения успеха инновационных проектов, отличаются от показателей, служащих для оценки успеха традиционных бизнес-инициатив. Они должны быть выстроены таким образом, чтобы не препятствовать инновациям. Компаниям имеет смысл выделить главный показатель – одно значительное достижение, оказавшее влияние на результаты деятельности крупного бизнес-подразделения по итогам года. Независимо от того, идет ли речь о привлечении миллиона клиентов или дохода в 100 млн долл., наличие одного главного показателя поможет оценивать успехи организации в области инноваций более эффективно.

Технологии развиваются сегодня стремительными темпами, и организациям для того, чтобы не отстать от конкурентов, необходимо постоянно внедрять инновации. ИТ-директор должен взять на себя задачу выстраивания технологий, способствующих процессам инноваций в бизнесе, иначе образовавшуюся пустоту заполнят другие лидеры.

В марте 2019 года в компании «Утконос Онлайн» произошло знаковое событие — был создан централизованный офис данных, во главе которого встал CDO (Chief Data Officer). Новое подразделение не только объединило усилия действующего аналитического отдела и экспертов бизнес-функций, но и усилило их, добавив отделы хранения и обработки данных и data science. О том, как данные помогают бизнесу развиваться, о первых реализованных проектах и зависимости числа заказов от температуры и осадков рассказывает Данила Наумов, директор по данным компании «Утконос Онлайн» и претендент на премию CDO Award 2020.

- Расскажите об истории появления в «Утконосе» офиса данных. Почему это произошло и какие задачи были перед ним поставлены?

Компания прошла долгий путь и получала на протяжении многих лет бесценный опыт, который постепенно повышал ее зрелость.

До определенного момента в Утконосе только зарождалась культура обработки данных, не существовало единой платформы и системных процессов. Летом 2018 года мы начали формировать аналитический центр, который занимался обработкой имеющейся в разрозненных системах информации. Например, BI-платформа QlikView была приобретена ранее для нужд финансового департамента и использовалась для выгрузки данных из систем. Бизнес-пользователи знали об этом довольно удобном инструменте и все больше ориентировались на него при реализации своих потребностей. Закончилось это тем, что модуль BI-отчетности стал использоваться как хранилище данных, хотя для этого не предназначен. Данные из него было невозможно использовать где-то еще.

Параллельно появлялось все больше новых задач, для решения которых требовались самые различные данные. Началось все с построения системы автозаказа и прогнозирования спроса, вместе с этим развивались направления ценообразования и целевого маркетинга. Было необходимо определить необходимый набор данных и инструментарий для их обработки.

Кроме того, зачастую в бизнес-командах компании могли присутствовать отдельные люди, которые занимались аналитикой только для конкретного подразделения. И как следствие, аналитическая работа велась разрозненно. Зачастую, каждый менеджер пользовался только собственными отчетами, на которые уходило достаточно много ресурсов. Поэтому было принято решение о создании единого аналитического центра, чтобы объединить аналитиков из всех бизнес-подразделений компании, избежать дублирования отчетов, договориться об определениях, метриках, источниках данных и отслеживаемых показателях. В дальнейшем стало ясно, что существовавшей BI недостаточно: необходимо создание платформы данных, способной стать основой для продвинутой математики. Это вылилось в создание в рамках ИТ-департамента офиса данных, который на текущий момент состоит из трех отделов: аналитического центра, отдела хранения и обработки данных и отдела data science. Сейчас в моей команде работают 24 человека.

- Почему подразделение находится внутри ИТ?

Мы решаем задачи для многих бизнес-подразделений, и, если бы вошли в состав какого-либо из них, наблюдалось бы определенное нарушение баланса и конфликты интересов. Создание офиса данных требовало серьезных инвестиций: закупки лицензий, создания инфраструктуры, привлечения консалтинга. Все это находится в ведении ИТ, поэтому структурно офис данных гармонично вошел в состав ИТ-департамента. Параллельно шла трансформация службы ИТ, и создание data-офиса уложилось в ее стратегию.

Для более быстрого внедрения продвинутой аналитики и ее встраивания в бизнес-процессы было принято решение о курировании всего направления непосредственно первым лицом компании — генеральным директором.

- Почему создание централизованного подразделения было важно для компании?

Накапливается все больше данных. Мы, как крупнейший онлайн-магазин продуктов, обладаем большим количеством данных о клиентах, и необходимо их использовать максимально эффективно — и для персонализации подходов, и для оптимизации внутренних процессов. Есть множество рутинных задач, реализуемых бизнес-подразделениями, и при этом бизнес даже не представляет, что можно жить по-другому, что какие-то действия могут выполняться автоматически. Мы берем рутину на себя и предоставляем бизнесу возможности для «творчества»: генерировать бизнес-гипотезы, проверять их и пытаться улучшить показатели компании.

Появление централизованного подразделения по работе с данными в такой относительно небольшой компании, как Утконос, важно для централизации экспертизы, устранения дублирования функций и выстраивания сообщества, которое будет являться сервисным подразделением для других направлений.

- Вы пришли в компанию в начале нынешнего года. Чего удалось добиться за это время?

Согласования ключевых инвестиций — в СУБД, обновление BI-инструмента, приобретение инструмента интеграции данных и консалтинг по различным направлениям.

Произошла ротация кадров внутри аналитического центра, и в команде появилось семь новых должностей. В первую очередь потребовалось усилить направление инженеров данных и исследователей данных — эти функции практически отсутствовали. Часть сотрудников пришли из других отделов — например, те, кто хотел сфокусироваться на обработке данных, а не на операционных задачах. Надо отметить, что многие из них уже сделали огромный шаг в профессиональном развитии.

Поставили на поток работу с бизнес-гипотезами — за полгода мы проверили более 500 гипотез, пришедших из бизнеса. Сформировано более 50 интерактивных дэшбордов, каждый из которых ориентирован на определенную задачу — работа склада, выручка в режиме реального времени и т. п.

Очень приятно видеть активность пользователей в работе с нашими сервисами. Они действительно востребованы. Один из главных пользователей — генеральный директор. В среднем 16 раз в день он заходит в дэшборд, отображающий динамику заказов и их изменение в реальном времени. Статистика посещений показывает, что и у менеджеров утро начинается не с чашки кофе, а с анализа отчетов по своим бизнес-задачам. Проходя мимо переговорных, регулярно вижу на совещаниях нашу аналитику. Это серьезное изменение в бизнес-культуре, огромный шаг к реализации подхода data-driven в управлении компанией — переход от исключительно экспертных решений к действиям, основанным на объективных данных.

Сейчас мы планируем сделать такие отчеты доступными не только для заинтересованных специалистов, но и для всех сотрудников офиса. Например, разместить на стенах офиса мониторы и отображать на них ключевые показатели работы компании.

- С какими проблемами столкнулись?

Во время первого знакомства с бизнес-подразделениями компании стало понятно, что нужно будет решить огромное количество задач, предложить инструменты, отвечающие потребностям коллег. Для каждого подразделения был согласован план работ и выделены ресурсы. Еженедельно мы встречались и демонстрировали результаты. Поначалу с теми инструментами, которые имелись в наличии, — это было нелегко. Но с появлением новых инструментов наш показатель time to market существенно улучшился.

- Какие данные используются для решения аналитических задач?

Основным источником данных о клиентах является история его покупок. Это ERP, CRM, веб-сайт и мобильное приложение, системы управления складом и логистикой. Кроме того, мы собираем данные об активности пользователей на сайте и в приложении: переходы между этапами, скорость пролистывания страниц. Это дает много информации о потребностях клиентов и способах повышения удобства наших приложений.

Недавно мы проводили пилотный проект по использованию данных соцсетей. Один известный интегратор утверждал, что сможет обогатить клиентские данные информацией из Facebook. К сожалению, результат оказался нулевым, и это направление работ пока заморожено. Мы будем повышать эффективность использования собственных данных.

Сейчас все данные аккумулируются в хранилище. Мы задумывались о создании озера данных, но поняли, что при наших объемах и темпах накопления данных озеро не нужно, тем более, что его администрирование требует ресурсов. Наша база данных Oracle в обозримом будущем будет способна «переваривать» наши данные. Чтобы создание озера данных стало актуальным, должны появиться новые источники данных, причем объемы должны на порядки превышать нынешние.

- Какими техническими средствами поддерживается накопление данных и работа с ними?

В качестве базы данных для хранилища выбирали между несколькими вариантами. Очень быстро выяснилось, что на наших объемах колоночные СУБД (Teradata и Vertica) не нужны; кроме того, они достаточно дороги, а, например, возможности Greenplum также избыточны.

Из реляционных СУБД выбрали Oracle. PostgreSQL оказалась не такой уж и бесплатной: для стабильной ее работы все равно пришлось бы покупать коммерческую сборку. А в трудоемкости работы администратора PostgreSQL заметно проигрывает Oracle. Наши администраторы тратят на эту работу лишь 30% времени, а в остальное время выступают в роли инженеров данных.

У BI-платформы было три сценария развития: доработка существующей платформы QlikView, внедрение абсолютно новой современной платформы (например, Tableau или Power BI) или миграция на Qlik Sense. Был выбран третий вариант, так как эта система работает с теми же моделями данных, а при масштабировании она оказалась более экономичной.

В качестве инструмента интеграции данных и платформы продвинутой аналитики используются решения SAS. Их явным преимуществом является ориентация на бизнес-пользователей, незнакомых с программированием. Кроме того, по сравнению с инструментами open source они позволяет в полтора-два раза быстрее решать аналитические задачи и выводить их в эксплуатацию.

- Какие наиболее значимые или интересные проекты вы можете выделить?

В первую очередь следует отметить оптимизацию целевого маркетинга — кластеризацию клиентов, понимание их профилей и по поведенческим признакам, и по продуктовым корзинам.

Второе важное направление — анализ эластичности спроса по цене. Мы очистили продажи от влияния трендов и сезонности, а также периодов отсутствия товаров и рассчитали эластичность. Будем проводить A/B-тестирование по ее использованию в процессе ценообразования.

Третий проект — оптимизация кампаний по предотвращению оттока клиентов. Раньше у нас был единый промокод, который рассылался всем клиентам. Мы решили действовать более аккуратно. Теперь у нас есть более глубокие скидки, но с условием более высокого чека. Мы поняли, что для каких-то клиентов это работает, и сейчас уже провели пилотный проект, показавший хорошие результаты.

Еще одно важное направление, изначально находившееся в сфере наших интересов, — прогнозирование спроса. В промышленной эксплуатации находятся модели примерно для половины нашего ассортимента. Ежедневно мы выдаем специалистам по товародвижению прогноз на две недели вперед с учетом как прошлых продаж, так и периодов отсутствия товара, изменения цен, наличия скидок и промоакций, а также в зависимости от температуры и количества осадков.

Кроме того, мы построили модель прогнозирования числа заказов, которая используется в операционном планировании ресурсов склада и курьеров-экспедиторов. В компании все прекрасно понимали, что осадки и температура влияют на наши продажи, но не было конкретных цифр. Мы выяснили, что каждый выпавший миллиметр осадков в этот день дает нам дополнительно 18 заказов, а отклонение температуры вниз на один градус от нормы — 7 заказов. Поэтому с уверенностью можно отметить, что в дождливые и прохладные дни покупателей больше, возрастает трафик и количество заказов.

- Каких результатов удалось достичь?

Например, по прогнозированию спроса на самых прибыльных позициях (мы измеряли эффект на 1% товаров, приносящих нам 7% выручки) ошибка прогнозов снизилась с 25% до 17%. Еще один пример: оценивая оптимизацию целевого маркетинга и работы с оттоком клиентов, мы поняли, что можем увеличить выручку примерно на 40 руб. с каждого покупателя.

- Что вы считаете своим главным достижением за время работы в компании?

Формирование и развитие команды, а также вывод в промышленную эксплуатацию задач по продвинутой аналитике. Как известно, можно относительно быстро и легко сделать прототип продукта, но есть огромная пропасть между ним и полноценным бизнес-решением.

И еще одно из ключевых достижений, на мой взгляд, — то, что с данными работают не только аналитики и инженеры данных, но и бизнес-пользователи. Они самостоятельно разрабатывают конвейеры по обработке данных, при этом никто из них до этого в использовании ИТ дальше Excel не заходил. Сейчас этот инструментарий изучает, например, коммерческий директор, чтобы также иметь возможность самостоятельной работы с данными.

- Как вы видите свою роль и роль своего подразделения в развитии бизнеса компании?

Важно выстроить свою работу таким образом, чтобы она была направлена на достижение основной миссии Утконоса — выполнение принципов: «всё на каждый день», «свежесть и качество», «выгода», «WOW-удобно» и «доверие». Этот подход компании к работе с клиентами вполне актуален и для CDO: предоставление бизнесу всего необходимого на каждый день, свежие и качественные данные, выгода от взаимодействия с нами через встраивание аналитики в бизнес-процессы, предоставление действительно удобных сервисов, работать с которыми нравится бизнесу. И конечно, формирование доверия к нашим сервисам.

- Обязательно ли пытаться встроиться в миссию компании?

Да. Как вариант, участвовать в ее формировании и изменении. Многие компании собирают данные, но не очень представляют, что с ними можно делать, каких результатов можно добиться. Директор по данным должен выполнить функцию консультанта-аудитора — понять, какие данные и где можно использовать, какие процессы следует изменить. При изменении процессов может поменяться и миссия компании.

- Какие возможности для своего профессионального развития вы видите?

Когда основные задачи «встанут на поток», необходимо будет больше заниматься процессами внутри офиса данных. Я бы хотел сфокусироваться на управленческих вопросах и перестать участвовать в решении операционных задач. Это будет означать, что участники команды обладают необходимой и технической, и бизнес-экспертизой. Мне останется фокусироваться на стратегии и мотивации.

- В каком направлении будет развиваться ваше подразделение в дальнейшем?

Будем увеличивать и количество, и глубину решаемых задач, охватывать все большее число направлений.

Бизнес-аналитикам очень интересно развиваться в сторону data science, «прокачивать» у себя математические навыки. Они могут развиваться и в сторону бизнеса, но пока я вижу больше возможностей и практической пользы в более сложных математических задачах. Для исследователей данных очень важно качество решаемых задач, чтобы результат их работы был востребован и реально полезен бизнесу. Реализуя такой подход, Утконос всегда будет привлекательным работодателем.

Консервативность, в которой часто упрекают российский бизнес, не является его уникальной особенностью — зарубежные компании также не горят желанием использовать инновационные технологии. Как отмечает Сергей Золотарёв, генеральный директор Arenadata и член экспертного совета CDO Award, на самом деле российские компании даже быстрее идут на внедрение инноваций по сравнению с западными коллегами. Мы побеседовали с ним о потребностях и проблемах, с которыми сталкивается бизнес на пути к цифровизации, и выяснили, в чем заключается роль CDO.

- Каков типичный портрет компании, кладущей данные в основу своих процессов и становящейся data-driven?

На мой взгляд, к подходу data-driven компании приходят двумя путями. На первый ступают те, кто об этом даже не задумывается, с самого старта выстраивая бизнес на данных. Это может быть какой-нибудь новый сервис или проект, в основе которого лежит работа с данными. Тогда подход data-driven заложен в ДНК таких компаний, и они не испытывают сложностей или проблем в связи с этим.

Второй путь открывается тогда, когда крупная, устоявшаяся компания начинает процесс цифровой трансформации, желая принимать решения, основанные на анализе данных, а не на человеческом факторе. Это гораздо более сложный, но очень интересный случай.

- Какие при этом появляются задачи, перед какими проблемами встают компании?

Всем кажется, что как только компания станет data-driven, она автоматически окажется более прибыльной и успешной. Но не все знают, с чего начать процесс цифровизации. Поэтому чаще всего первым шагом на этом пути становится поиск человека, который имеет за плечами успешно реализованный проект цифровой трансформации, — компания надеется, что он придет и поделится опытом. К сожалению, поскольку область data-driven новая, найти подходящего специалиста тяжело. Да и не каждый опыт, полученный на цифровых проектах, реально тиражировать, ведь он может оказаться нерелевантен.

Однако даже найти подходящего человека — мало. Если бизнес хочет стать data-driven, он должен понимать, что за него это никто не сделает. В процесс должно быть вовлечено первое лицо компании, необходимо создать рабочую группу в каждом ключевом подразделении. Я рекомендую составить некую матрицу, которая покажет, что принесет цифровизация того или иного бизнес-процесса, насколько сложно будет реализовать эту задачу. Тогда вы получите карту приоритизации. Она наглядно продемонстрирует, с чего именно нужно в вашем случае начать процесс цифровой трансформации.

Другой вариант — эволюционный, он актуален для компаний, регулярно выпускающих новые продукты и сервисы. Если сразу проектировать новинки на цифровых принципах, в какой-то момент вся линейка продуктов или сервисов компании станет цифровой. И ей уже не нужно ничего менять, так как «нецифровые» решения отомрут сами собой.

- Как изменяются потребности и запросы компаний в последнее время, какая наблюдается динамика?

Некоторое время назад цифровая трансформация была модным трендом: к ней стремились многие компании, не осознавая, зачем им это нужно. Но ситуация изменилась за последние два-три года — бизнес стал понимать, зачем нужно становиться цифровым. Это заметно даже в отношении консервативного, тяжелого сектора — металлургических и нефтедобывающих компаний. Раньше они жили с позицией, что варить сталь и добывать нефть можно даже без компьютеров, а теперь стоят во главе цифровизации. Те проекты, которые реализуют ведущие российские металлургические и нефтедобывающие компании, — пример для подражания не только в России, но и за рубежом. Тут и компьютерное зрение, и машинное обучение, и искусственный интеллект, и аналитика данных. Они нашли свой путь, как стать цифровыми, и приземлили его на набор практических кейсов.

- Что является драйвером такого интереса компаний?

Я бы в первую очередь назвал желание повысить эффективность работы компании, увеличить ее прибыльность, получить те точки роста, которых не достигнуть традиционными способами. А еще отличным драйвером цифровизации является конкурент, успешно внедривший инновационную технологию.

- Есть ли какая-то особенность подходов к цифровизации, типичная для российских компаний?

Уровень цифровизации некоторых российских компаний гораздо выше, чем западных. Причина кроется в том, что исторически западные компании, особенно те, что существуют продолжительное время, весьма консервативны в вопросе финансовых трат. Если процесс, на внедрение которого были потрачены деньги, окупает себя, его никогда не будут менять ради того, чтобы опробовать новую технологию. Наша «национальная особенность» заключается в том, что российские компании быстрее и охотнее идут на внедрение инноваций. Приятно и то, что этот подход поддерживается на уровне первых лиц государства. Например, уровень цифровизации Москвы на сегодняшний день настолько высок, что с ним не могут конкурировать европейские столицы.

- Каковы типичные ошибки в подходах к управлению данными? Чему компании уделяют много внимания, а чему — недостаточно?

Управление Big Data — достаточно новая область знания. У многих наших компаний накоплено недостаточно комплексной экспертизы в отношении того, как с этим жить. Поэтому, собираясь внедрять новую технологию, компании оценивают ее не всесторонне — видя лишь явные плюсы, которые она принесет, и игнорируя недостатки. Чтобы избежать этой ошибки, важно иметь набор вопросов и задавать их, анализируя необходимость внедрения инновации.

С одной стороны, данные часто несут новый срез знаний о процессе или клиенте, которого раньше не было. С другой, этот актив тяжело эффективно использовать, если не понимать, откуда данные взялись, насколько они чистые, какая информация в них содержится, можно ли ей доверять. Для того чтобы эффективно использовать данные, мало их собрать — нужно их классифицировать, нормализовать и очистить. Это упражнение сейчас называют Data Governance, и оно обязательно к исполнению.

- Как вы оцениваете важность роли директора по данным (CDO)? Как эта роль соотносится с владельцами данных?

На мой взгляд, основная роль CDO как раз в том, чтобы объединить бизнес и технологии. И важность этой задачи будет расти, потому что все компании хотят стать цифровыми, а цифровая компания — это та, которая строит бизнес на основе данных. Поэтому задача CDO — обеспечить все бизнес-инициативы компании правильным набором данных и найти наиболее подходящие инструменты для их реализации.

CDO очень важно выстроить партнерские отношения с владельцами данных, поскольку необходимо точно знать первоисточники, из которых поступают данные, быть уверенным в их достоверности и эффективно взаимодействовать с ними.

- Куда будут двигаться компании, как будут меняться их запросы в обозримом будущем?

Компании будут все больше стремиться работать с данными, поскольку будет расти число источников информации, которые можно успешно использовать для развития бизнеса. Многие из них продолжат стремиться в облако, потому что облачные технологии становятся все доступнее, а количество возражений против их использования уменьшается.

В конце ноября состоялось первое заседание «Клуба CDO», организованного школой по обучению работе с данными Newprolab и позиционирующегося как сообщество профессионалов в области работы с данными, желающих развиваться в вертикальной карьере. В его рамках прошла панельная дискуссия «Роль CDO в организации», в которой приняли участие директора по данным «МегаФона», авиакомпании S7 и онлайн-кинотеатра ivi.

Позиция CDO в компаниях начала появляться два-три года назад. Она относительно новая, и четкого понимания ее сути на рынке пока зачастую нет, поэтому подобные дискуссии, особенно в рамках образовательных проектов, имеют важное просветительское значение.

По мнению присутствующих, роль CDO находятся на пересечении трех областей: инженера данных, исследователя данных, а также и бизнес-аналитика, понимающего, чего компания может достичь с помощью данных. Разумеется, эксперта со столь широкими знаниями найти сложно, поэтому приходится идти на компромиссы.

«Должность CDO в компании появилась при мне, и так получилось, что я сам писал свои должностные инструкции. Но мне не хватает бэкграунда data science, чтобы понимать детали создаваемых моделей», — отметил Никита Матвеев, CDO авиакомпании S7.

Леонид Черный, CDO «МегаФона», пришедший в компанию в марте нынешнего года, также до сих пор ничем похожим не занимался. «У меня проблема – я пришел из бизнеса, технических знаний маловато. И ‘идеального’ CDO пока не встречал, но надеюсь встретить», — признался он. По его мнению, именно бизнес-составляющая компетенций CDO является критически важной: нужно понимать, где находится ценность данных, иначе их сбор и обработка выглядит по меньшей мере странно.

Андрей Уваров: «Мало найти ‘боль’ бизнеса – важно попытаться ее оцифровать, причем желательно в деньгах»

До сих пор в «МегаФоне» данные, по словам Черного, «были запрятаны глубоко в инфраструктуру»: за них отвечали сотрудники, не являющиеся директорами. Требовалось эту ситуацию изменить – всегда наступает момент, когда компания хочет вывести на новый уровень работу с данными. Через операторов связи проходит огромный объем данных, и рано или поздно они должны попытаться сократить отрыв от интернет-компаний в их использовании и наверстать упущенное.

«Я приходил к бизнес-руководителям знакомиться и после первых дежурных фраз спрашивал, чем могу помочь, после чего брал блокнот и записывал бизнес-боли людей», — рассказал Черный. Из таких записей можно создать вполне работоспособный план действий. Пусть он будет плохо укладываться в методику Data Governance, но зато это будет решение реальных проблем бизнеса.

Часто такие проекты оказываются далеко не быстрыми, но само начало движения в этом направлении – большой результат. Сейчас главным направлением работы команды Черного является система отчетности – отчеты различных подразделений до сих пор были недостаточно структурированы и практически не связаны.

«Мало найти ‘боль’ бизнеса – важно попытаться ее оцифровать, причем желательно в деньгах. Часто случается, что ‘болит’ сильно, но финансовый эффект проекта будет совсем невелик», — предупредил Андрей Уваров, CDO компании ivi.ru. Нужно создать «карту боли» организации с ожидаемыми эффектами, а также скоростью и стоимостью реализации проектов.

В идеале Data Governance должна быть неразрывно связана со стратегией компании. Она описывает, как работа с данными поможет компании попасть из текущего состояния в желаемое, и является инструментом достижения цели.

«Наверное, традиционные KPI, используемые в ИТ, вроде числа инцидентов – не то, что должно стимулировать работу CDO», — резюмировал Уваров. Должен быть как минимум еще один набор показателей, отражающий приносимую командой CDO ценность и удовлетворенность бизнеса поддержкой с его стороны. Как согласился Черный, любой человек уровня директора должен иметь среди показателей эффективности результаты компании. Вклад в них и должен стать его основным показателем работы.

Бизнес-руководителям нравится идея средств разработки, которые требуют минимального объема написания кода (Low-Code) или даже совсем не требуют (No-Code). Меньше кода, значит — меньше работы, проекты реализуются быстрее за меньшие бюджеты, а в конечном счете топ-менеджеры быстрее получают премии. Кому такое не понравится?

Например, разработчикам. Нет, в теории это должно их привлекать (меньше работы и т. д.), но теория далека от реальности, которая с приближением дедлайнов проявляется в том, что подобные инструменты оказываются не совсем такими, как было обещано.

И тем не менее, у решений, которые сводят кодирование к минимуму, есть свои применения. Программисты ценят их за возможность выпустить работоспособную систему за короткое время с меньшими трудозатратами. Инструменты Low-Code позволяют, в частности, создавать эффективные средства поиска, сортировки и других манипуляций с табличными данными. Поэтому когда это действительно уместно, разработчики готовы пользоваться такими инструментами.

Но в то же время им не хочется быть загнанными в угол присущими средам Low-Code ограничениями, в том числе необходимостью отработки всех граничных случаев и обхода ситуаций, с которыми система не справляется нужным образом автоматически. Программистам приходится возиться с недоработками и недокументированными возможностями таких систем и прикладывать усилия, изобретая способы выполнения пользовательских запросов об изменении поведения стандартных функций.

Разработчики оказываются в ловушке, когда маркетинговые обещания оказываются далекими от реальности: работа с инструментами Low-Code происходит медленнее и может вызывать больше сложностей, чем реализация всей функциональности путем написания кода.

Перечислим девять причин, по которым программисты недовольны инструментами, призванными экономить их время.

1. Проблемы сопровождения и развития

Самая сложная часть работы с решением категории Low-Code обычно ждет вас через несколько лет после внедрения созданной в нем системы. Она прекрасно работает, но постепенно накапливаются запросы на исправления и усовершенствования. Нередко эти доработки выходят за пределы возможностей системы с минимумом кодирования, в связи с чем выполнить их непросто. Если бы в вашем распоряжении был исходный код, его можно было бы частично переписать, но его нет. И если бы разработчики знали, что в дальнейшем понадобится такая-то возможность, они бы, вероятно, изначально приняли другие решения, например воспользовались бы совершенно иным фреймворком. Но этого не произошло и теперь вы — в тупике.

2. Все получают одно и то же

Есть в ресторанах одной и той же сети — это для тех, кто не любит удивляться. Бизнес-модель таких сетей состоит в том, чтобы экономить, предлагая во всех заведениях единое меню, оформление и стандарты обслуживания, но заманчивее они от этого не становятся.

Так и системы, созданные при помощи одного и того же инструментария Low-Code, выглядят сделанными «под копирку». Имея минимальный опыт, разработчик может беглым взглядом определить, какой именно инструмент использовался для разработки системы — движок «проглядывает» сквозь нее независимо от настроек, заставок и CSS-«обложек». Часть пользователей это устраивает, если для них лучше, чтобы интерфейс выглядел привычным, но другим нужен элемент новизны.

3. Универсальных инструментов не бывает

Производственники отдают предпочтение серийной продукции, поскольку для нее проще организовать конвейер. Многие покупатели же, напротив, ненавидят «штамповку», желая, чтобы уважали их индивидуальность.

Решения Low-Code просты в использовании, но одинаковы в своей ограниченности. Вам доступно мало возможностей изменения, настройки и написания кода — вам приходится работать с тем, что есть, и с этим ничего не поделаешь. В итоге недовольны и программисты, и пользователи.

4. Иногда написать код проще, чем выполнить настройку

Практика принижения объема трудозатрат на настройку программного обеспечения — стратегическая ошибка. Она может быть обусловлена принципом оплаты за строку написанного кода или тем, что руководство привыкло искать компромисс между созданием нового кода и покупкой готового продукта. Так или иначе, но бытует представление о том, что изменение параметров в конфигурационных файлах платформы или инструментария не составляет особого труда.

О том же заявляют и поставщики инструментов Low-Code: вы не пишете код, когда выбираете алгоритмы, соединяетесь с базой данных и вводите параметры. Это просто настройка, а как все знают, настройку можно выполнить даже на смартфоне, находясь в шумном баре. На самом деле возня с конфигурационными файлами может занять дни и недели прежде чем будет достигнут нужный результат, однако поставщики систем пытаются убедить заказчиков в том, что это «не работа», даже если она отнимает больше времени, чем написание кода.

5. Полет вслепую

Программисты привыкли пользоваться средствами отладки, которые позволяют остановить выполнение программы в любой точке, чтобы просмотреть состояние переменных и уточнить, что происходит внутри алгоритма. Инструменты Low-Code же для «простоты» скрывают внутренности программы от разработчика.

Если решения на базе Low-Code ведут себя, как ожидалось, проблем с этим нет. Но часто бывает так, что при минимальных неполадках работа застревает, так как нет возможности уточнить, что происходит внутри «черного ящика» — вы словно ведете самолет без приборов, летя наудачу.

6. Нельзя добавлять функции корректировки данных

Половина работы программиста состоит в написании связующего кода для предотвращения ошибок при обработке данных. К примеру, даты могут быть в формате ISO 8601, а могут соответствовать региональным предпочтениям, числа время от времени нужно преобразовывать в строки или наоборот и т. д.

В системах Low-Code для подобных задач могут быть предусмотрены фильтры или переключатели, и обычно этого достаточно. Но когда нет, вам не повезло. Для поставщиков малокодовых сред это тоже непростая ситуация. Некоторые из них экспериментировали с возможностью добавления произвольных фрагментов кода, но это чревато дырами безопасности, если кто-то находит способы злоупотребления. К примеру, из Drupal убрали возможность включения фрагментов кода PHP, чтобы закрыть потенциальную брешь безопасности и улучшить производительность кэширования.

7. Cистемы Low-Code, как правило, неэффективны

Инструменты Low-Code сулят возможность «понимать», чего вы хотите, и волшебным образом исполнять ваши желания. Но цена этого «чтения мыслей» — увесистый стек кода, в котором предусмотрены варианты на все случаи жизни.

Допустим, ваша компания хранит все данные только в CSV-файлах. Но разработчики среды Low-Code должны все предусмотреть и также обеспечить поддержку JSON, YAML, XML версий 1.0 и 1.1 и т. д. Существует масса всевозможных форматов данных, и отдел маркетинга поставщика среды Low-Code будет настаивать на том, чтобы она поддерживала все из них — ведь нужно как можно больше галочек в таблице функциональности.

В результате появляется впечатляющий образец инженерной работы, внушительный, как дредноут, и такой же «маневренный» и «быстрый», как военный корабль времен первой мировой.

Как следствие, созданный продукт работает медленнее и менее эффективно, чем могла бы. Если вы стеснены жесткими сроками и обрабатываемый вашей системой набор данных не слишком велик, неэффективность можно замаскировать, добавив мощностей. Но рано или поздно «счет» за излишки в коде вам будет выставлен в любом случае.

8. Нужны специальные навыки

Многие платформы с открытым кодом разработаны на популярных языках программирования, широко преподаваемых в университетах. Есть немало специалистов, которые способны разобраться в коде стеков, реализованных на Java, JavaScript, Python, PHP и т. д.

Но работе с инструментариями Low-Code студентов не учат, поскольку в теории это и не нужно. Конечно, подобные инструменты нередко тоже написаны на распространенных языках, но проблема не совсем в этом, а в сложности структуры фреймворков Low-Code. Вы платите не только за саму систему — в дальнейшем, если ее нужно будет доработать или расширить, членам вашей команды придется потратить дополнительное время на изучение ее устройства.

9. Зависимость

Внедрение платформы Low-Code напоминает попадание в толпу — присоединиться легко, а выбраться непросто. Цена уменьшения объема выполняемой вами работы — зависимость от гигантов, которые подпирают своими плечами ваши системы. Пока гиганты двигаются, вы двигаетесь вместе с ними. А если они останавливаются или падают, вас ждут проблемы.