Статьи

С конца 2018 года в России идет работа над созданием Национальной системы управления данными (НСУД), которая призвана навести порядок в имеющейся у государства информации об объектах (гражданах, организациях), о деловых и жизненных процессах, в которые они вовлечены. Единая среда должна объединить больше сотни ведомственных информационных систем и радикально ускорить процессы предоставления государственных услуг. О ходе реализации проекта и его задачах в рамках форума «Управление данными — 2019», организованного издательством «Открытые системы» 24 сентября, рассказал Василий Слышкин, директор департамента развития архитектуры и координации информатизации Минкомсвязи РФ. Мы попросили его поделиться своими взглядами на перспективы этого проекта.

- Откуда появилась идея Национальной системы управления данными? Какие задачи перед ней стоят?

Эти идеи диктует наша жизнь. Любому неприятно, когда он вынужден приносить справки, необходимые для получения услуг, снова и снова, хотя все данные у государства уже есть. Например, когда женщина родила второго ребенка и ей для получения субсидии нужно собрать документы, ей приходится предъявлять еще и свидетельство о рождении первого ребенка, и паспорт. В результате на гражданина возложены функции, которые мог бы выполнять программный алгоритм. Другая частая история: людям начисляются налоги на давно проданный автомобиль, поскольку данные, которыми оперируют в разных информационных системах, не всегда актуальны. Эти примеры иллюстрируют жизненную потребность в наведении порядка в данных.

Все ожидают, что будет создана среда, которая позволит безопасно хранить данные о каждом гражданине и компании, предоставлять их по запросам тем органам власти, которым это необходимо, и обеспечивать их доступность в режиме реального времени. В итоге это стало одной из задач программы «Цифровая экономика», которую мы реализуем совместно с бизнес-сообществом. Формирование экосистемы управления государственными данными — это одна из первостепенных задач. Вторая наша важная задача — формирование «эталонных данных», которые послужат вкладом государства в становление и развитие рынка данных.

- Какова роль бизнес-сообщества в этом процессе?

Довольно значимая. Мы прислушиваемся к экспертам и вырабатываем ряд инициатив, связанных в первую очередь с вовлечением данных в коммерческий оборот и созданием рынка данных. Мы не можем совершить технологический прорыв без обеспечения возможности воспользоваться этими данными. Например, не удастся обучить нейросеть для диагностики онкологических заболеваний, не дав возможности компаниям использовать данные, накапливающиеся в медицинских центрах и поликлиниках. У нас есть возможность собрать все снимки, но на сегодняшний день законодательно запрещено использовать их. Эта проблема требует обсуждения.

Есть другой показательный пример: мы запускаем информационную систему, связанную с маркировкой товара, и получаем ценную информацию о том, где была произведена конкретная упаковка лекарств, кому из дистрибьюторов была продана и по какой цене, на какой склад была перевезена и в какой аптеке дошла до потребителя. Не воспользоваться такой исчерпывающей информацией было бы как минимум нерационально. А чтобы воспользоваться ею, придется решить ряд задач: убедиться, что это не нарушает ничьих прав, сделать доступ к информации недискриминационным. Ведь информация о ценах и прочих коммерческих составляющих деятельности компаний может быть чувствительной для конкуренции.

- НСУД будет иметь дело только с данными из государственных систем?

Надо понимать, что НСУД — не только информационные технологии. Это комплекс организационных и технологических мероприятий, методологий, законодательных инициатив, направленных как на создание и запуск самой системы, так и на подготовку кадров для нее.

Мы прорабатывали архитектуру системы достаточно долго — с осени прошлого года, вовлекая как бизнес-сообщество, так и органы власти (более 20 ведомств). Требуется сделать очень многое — начиная с федеральных законов и поправок в законодательство, которые позволили бы работать с данными. Последствия этих изменений будут значимыми для информационного взаимодействия между государством, гражданами и бизнесом. Да, мы будем иметь дело с информацией из государственных систем, но они часто работают с данными о людях, их имуществе и здоровье, о юридических лицах, их отчетности перед государством и т. п. Иными словами, границу между «чисто государственными» и «остальными» данными еще предстоит определить.

На данный момент из более чем 800 информационных ресурсов у нас есть 108 федеральных ресурсов, содержащих государственные данные. Они являются уникальными специфическими реестрами для выполнения разнообразных государственных функций и предоставления госуслуг, записи в них являются юридически значимыми, и их использование принесет заметную пользу гражданам и компаниям.

Надо сказать, что на сегодняшний день далеко не все реестры доступны онлайн, и нам их нужно реализовать так, чтобы они были доступны в любой момент с любого компьютера или мобильного устройства, обеспечивая при этом юридическую значимость предоставляемых данных. Естественно, этот доступ должен быть защищенным и безопасным.

Таким образом, в создаваемой системе важны сразу несколько элементов. В качестве основы — законодательство, которое определяет правила работы с данными. Второе — единые требования по обеспечению доступности данных. Третье — сама техническая реализация, позволяющая обеспечить доступ к данным практически в реальном времени.

- Вполне естественный вопрос: НСУД — это скорее для государства или для людей?

Система ориентирована в большей степени именно на потребности людей — физических и юридических лиц, ведь конечный эффект будет заключаться в скорости получения ими услуг. Необходимо максимально высвободить человека из формального процесса обмена юридически значимыми данными, возложив все технологические операции на систему.

- Есть ли видение того, какие данные система должна охватывать? Насколько этот список является полным?

Сейчас проводится эксперимент, в который включены пять направлений. Два из них — формирование единого адресного пространства и создание федерального регистра избирателей — охватывают относительно статичные данные, и, казалось бы, проблем быть не должно. Однако есть смертность, и очевидно, что «умерший» человек не должен завтра проголосовать на избирательном участке. Есть процессы миграции населения, а также вопросы, связанные с потерей избирательного права. На территории России проживают более 108 млн человек, которые являются избирателями, но в течение года в каждом регионе их число меняется.

Кроме того, в период эксперимента, до марта 2020 года, производится сбор статистической ведомственной отчетности по отрасли сельского хозяйства, создание цифрового профиля гражданина и формирование паспортов муниципальных образований. Эти пять экспериментальных направлений охватывают 34 информационных ресурса и представляют собой наиболее приоритетную часть проекта.

В этом году мы составим график дальнейшего включения информационных систем в НСУД. К 2021 году в режим онлайн-доступа будут переведены все 108 федеральных реестров, а также информационные ресурсы, участвующие в реализации суперсервисов — комплексных услуг, привязанных к жизненной ситуации. Более точную оценку охвата систем можно будет дать чуть позже по результатам обследования. По предварительным оценкам, это будет около 70–80% оборота информационного взаимодействия.

- Какие сроки развертывания системы определены?

Индикативной целью является 2021 год, но объем работ будет уточнен по результатам эксперимента. Проводимая в рамках эксперимента работа позволяет выявлять проблемы, требующие решения. Так, ни одно ведомство сейчас не ведет реестр недееспособных граждан, который необходим для решения целого ряда задач — например, для того же регистра избирателей. Многие ресурсы ведутся исключительно на бумаге, что требует разработки реестра с нуля.

Сейчас в эксперименте участвуют 14 регионов, в ходе работ с которыми мы совместно с федеральными ведомствами проводим аудит систем и реинжиниринг информационных потоков, выполняем работу по оценке качества данных и строим совместные планы по модернизации систем.

- Какие еще проблемы ожидаются? Как их планируется решать?

Сейчас много говорится о развитии технологий, цифровизации и совершенствовании законодательства, однако главным вызовом для нас является кадровый вопрос: мало специалистов нужного профиля. В отрасли нет консенсуса по поводу того, что такое «специалист по управлению данными». За рубежом существуют профессиональные ассоциации, которые позволяют оценить специалиста и сертифицировать его. У нас нет принятых методик и стандартов в области управления данными, на основании которых можно было бы эту компетенцию развить.

Простой пример: в мире насчитывается около 80 тыс. специалистов по управлению данными. На территории России нет профессиональных организаций, которые бы проводили аттестацию таких специалистов. У нас нет специальности в вузах, которая называлась бы «специалист по управлению данными». Но если посмотреть на рекрутинговые площадки, то можно увидеть около тысячи вакансий, где требуются специалисты подобного профиля. Эта область пока слабо формализована, не организована массовая подготовка кадров.

Конечно, отрадно, когда запускаются проекты по обучению в инициативном порядке: коммерческие компании совместно с ведущими вузами, предвидя спрос, начинают готовить кадры «под себя». Но в масштабах всей страны так проблему не решить. На мой взгляд, именно эта задача является первоочередной. С технологиями мы справимся, а вот компетентных людей сразу не получишь.

- Какие решения планируется использовать в ходе создания НСУД?

Надо понимать — и это очень важный аспект, о котором следует открыто говорить, — что система будет являться частью критической инфраструктуры Российской Федерации. Если какая-то ее часть перестанет работать, случится коллапс — и этого нельзя допустить. К сожалению, санкционные риски слишком значимы, поэтому основная задача, которую мы ставим перед исполнителями, — реализация решений на отечественном программно-аппаратном обеспечении. Это возможно: на нашем рынке существуют не только СУБД, но и технологии, которые ориентированы на управление мастер-данными, на управление качеством данных.

Одним из важнейших элементов НСУД станут ведомственные витрины данных — срезы нужной информации из систем государственных органов. Что должна представлять собой витрина данных, в которой отражены сведения о паспортах граждан? Как минимум она должна выдерживать нагрузки в несколько десятков тысяч запросов в секунду. Для большинства решений этот показатель недостижим, но наши исследования показывают, что такие системы могут быть построены за счет сочетания нескольких современных подходов: например, обработки данных «на лету» в оперативной памяти, оптимизации алгоритмов индексирования и доступа и других.

Из-за объемов, которыми нам придется оперировать, это технологически сложный проект. Сотни миллионов записей, десятки тысяч запросов в секунду — это гораздо больше, чем масштаб крупной корпорации.

- Какие ожидаются эффекты? Чего планируется достичь?

Наша цель — сформировать экосистему доверия, где мы могли бы создавать условия для рынка данных. В такой среде данные должны стать ценностью, значимой для участников рынка. Как оценить объем этого рынка? Это отдельная задача, равно как и создание правил игры на нем. Например, в Ассоциации больших данных пытаются этим заниматься.

Но для того чтобы этого достичь, нужно навести порядок в данных, подготовить их. Два хозяйствующих субъекта должны иметь возможность ссылаться на данные государственных реестров, для того чтобы совершать юридически значимые сделки «в цифровом виде». Они должны получать эффект от использования доверенных государственных данных — как в случае с маркировкой товаров.

Одной из больших побед на этом пути для нас станет формирование «первой сотни эталонных ресурсов» — государственных общенациональных информационных систем, юридически значимых и доступных онлайн, защищенных в соответствии со всеми требованиями. Если мы к концу 2021 года получим эту «первую сотню», результат работы нашего министерства по НСУД будет вполне ощутим.

- Чему посвящено ваще выступление и что было бы вам интересно услышать?

Выступление посвящено нашим шагам на трехлетнюю перспективу. Важно, чтобы у бизнес-сообщества было понимание вызовов, которые перед нами стоят, и результатов, которых мы собираемся достичь. Эти результаты трансформирующие, они будут иметь значимое влияние как на органы власти, так и на бизнес — особенно, если дело касается работы с данными.

В докладах коллег хотелось бы услышать интересные факты о работе с данными и о проблемах, с которыми им приходится сталкиваться. В идеале было бы хорошо услышать аналитику и рекомендации. Нам важно координироваться и учитывать в своих действиях появляющуюся на рынке практику.

Совершенствование процессов предусматривает идентификацию, анализ и улучшение существующих бизнес-процессов для последующего увеличения производительности, внедрения оптимальных стандартов и повышения качества с целью улучшения восприятия клиентов и конечных пользователей.

Инициативы, направленные на совершенствование процессов, могут обозначаться разными терминами: управление бизнес-процессами (business process management, BPM), улучшение бизнес-процессов (business process improvement, BPI), реинжиниринг бизнес-процессов (business process re-engineering), непрерывное улучшение процессов (continual improvement process, CIP) и т.д. Но независимо от используемой терминологии здесь всякий раз преследуется одна цель: минимизировать ошибки, уменьшить простои, повысить производительность и добиться более высокой эффективности.

Технологии улучшения процессов

Существует несколько различных методологий, призванных содействовать вашей организации в улучшении процессов. Все они направлены на то, чтобы помочь бизнесу выявить существующие недочеты, исправить их и проанализировать успех или неудачу внесенных изменений.

Несмотря на общую цель каждая из методологий ориентирована на разные потребности. Одни нацелены на бережливое улучшение процессов, другие – на адаптацию корпоративной культуры к их улучшению. Есть также методологии, помогающие компаниям визуально отображать технологические процессы.

- Кайдзен: Методология Kaizen способствует непрерывным улучшениям с упором на гибкие и экономичные практики. Она ориентирована на повышение качества, производительности и эффективности за счет небольших сдвигов в повседневной работе и корпоративной культуре, формирующих среду, где вместо наказания за ошибки и просчеты акцент делается на недопущение их повторного возникновения.

- 5S: Модель 5S – это одна из составляющих методологий Kaizen и Lean, предусматривающая пять основных шагов: сортировку (sort), соблюдение порядка (straighten), содержание в чистоте (shine), стандартизацию (standardize) и совершенствование (sustain). Модель 5S упорядочивает и стандартизирует меры, направленные на улучшение процессов.

- PDCA: Еще одна составляющая методологии Kaizen. PDCA расшифровывается как планировать (plan), делать (do), проверять (check) и действовать (act). Это помогает организациям эффективнее определять процессы, которые нуждаются в улучшении. Сначала вы выявляете проблему (планируете), создаете и внедряете решение (делаете), анализируете данные и оцениваете эффективность (проверяете), а затем документируете конечные результаты и реализуете план, если он оказался успешным (действуете).

- Шесть сигм: Six Sigma – популярная методология улучшения процессов с использованием рангов, соответствующих цветам поясов в карате. Начав с зеленого пояса, вы постепенно продвигаетесь к черному. Six Sigma предлагает два способа предотвращения нарушения процессов путем выполнения определенных шагов. Эти шаги включают в себя определение, измерение, анализ, улучшение и контроль (define, measure, analyze, improve, control – DMAIC) или определение, измерение, анализ, проектирование и проверку define, measure, analyze, design, verify – DMADV).

- Анализ причинно-следственных связей: Еще одним инструментом, порожденным методологией Six Sigma, является анализ причинно-следственных связей (Cause and Effect Analysis). Он предусматривает использование диаграмм для устранения проблем путем их выявления, обнаружения препятствий и точного определения причин, мешающих работе процесса.

- Анализ SIPOC: Анализ SIPOC, относящийся к методологии Six Sigma, имеет формат диаграммы и выполняется на этапе «измерения» DMAIC или DMADV. SIPOC помогает организациям разработать и внедрить проект улучшения процессов, а также определить требования и необходимые элементы до начала его реализации.

- Карта потока создания ценностей (Value Stream Mapping): VSM помогает организациям визуально представлять восприятие клиентами бизнес-процесса, что способствует определению ценности продукта, процесса или сервиса. Как и другие методологии, она ориентирована на устранение потерь, избыточности и максимально возможную бережливость.

- Всеобщее управление качеством (Total Quality Management): Нацеленная на достижение долгосрочного успеха за счет удовлетворения клиентов методология TQM помогает организации вовлечь в непрерывное улучшение процессов всех сотрудников. Вырабатывается культура, при которой работники не боятся совершать ошибки и движутся вперед к общей цели бизнеса.

- Канбан: Kanban – это инструмент для визуализации рабочих процессов, который бизнес-подразделения, руководство и сотрудники могут просматривать на одной странице в целях улучшения процесса. Еще одна методология, стимулирующая улучшение бережливых процессов.

- Карта процессов: Инструмент для визуализации рабочих процессов, помогающий компаниям отображать план улучшения процессов. Его можно назвать также блок-схемой процесса, диаграммой процесса, функциональной блок-схемой или моделью процесса. В конечном итоге речь идет о создании блок-схемы последовательности технологических операций, которая предоставляет важную информацию о рабочем процессе с его начала и до конца.

Роль автоматизации в улучшении процессов

Поскольку автоматизация является одним из самых простых способов улучшения процессов за счет исключения операций, выполняемых вручную, и уменьшения человеческих ошибок, в совершенствовании процессов ей отводится важная роль. Автоматизация процессов помогает организациям понять, что необходимо улучшить, а что работает именно так, как это должно быть.

Роботизация бизнес-процессов (robotic process automation, RPA) – популярный сегодня способ рационализации бизнес-процессов. Он помогает организациям моделировать действия человека при выполнении задач и этапов сложных процессов. Автоматизация предусматривает определение набора правил и триггеров, устраняющих необходимость ручного труда при выполнении отдельных частей процесса, и позволяет роботам осуществлять то, что ранее проделывал человек.

К улучшениям процессов, автоматизированным с помощью RPA, относятся, например, выдача автоматических ответов на входящие письма, автоматическая обработка заказов, разбиение заявок в службу технической поддержки на категории, передача данных между системами и управление заработной платой. Все это не только помогает повышать эффективность бизнес-процессов, но и позволяет работникам сконцентрироваться на более сложных задачах, не поддающихся автоматизации.

Недавно я попал на выступление очередного эксперта по блокчейну, который, как ожидалось, начнет расписывать перед аудиторией потрясающие перспективы блокчейна. Обычно я стараюсь избегать подобных мероприятий, но в этот раз на меня была возложена роль приглашенного выступающего, и просто так выскользнуть из помещения было невозможно. Представьте же мое удивление и облегчение, когда лектор, задача которого заключалась в том, чтобы пробудить интерес к блокчейну, не стал превозносить его достоинства. Совсем напротив, было сказано, что поспешный выбор блокчейна в качестве технологии в определенных случаях может оказаться неверным.

Этим лектором была основатель и генеральный директор компании BlockSpaces Роза Шорс. BlockSpaces – это блокчейн-инкубатор, базирующийся в городе Тампа, штат Флорида. Открылся он два года назад, а основу для его появления заложили неформальные конференции, посвященные технологии блокчейна, в которых Роза участвовала с 2014 года. Сегодня деятельность BlockSpaces связана с множеством компаний, как небольших, так и крупных. Все они изучают реальное применение блокчейна и сами активно участвуют в этом процессе. При этом с криптовалютами большинство никак не связано.

В настоящее время экспериментальные проекты блокчейна реализуются в более чем 50 отраслях. Многие приходят в BlockSpaces, чтобы узнать, что такое блокчейн и как его можно использовать. А Шорс помогает им лучше сориентироваться в процессе подготовки к реализации собственных проектов.

Ранее она работала в подразделении электронной коммерции Home Shopping Network (HSN). Затем, в 2014 году приступила к реализации университетского проекта Bitcoin Bowl и его составляющей BitPay, призванной упростить поставщикам принятие платежей в биткойнах. Благодаря этому проекту Bitpay выбрали для себя более 200 организаций.

Один из местных кандидатов, вовлеченных в проект (он хотел принимать пожертвования в биткойнах), счел блокчейн весьма многообещающим. У него было желание изучить возможность использования блокчейна для повышения прозрачности голосования на выборах. В тот период Роза вела посвященные блокчейну мероприятия, которые со временем трансформировались в специализированные конференции. Их тематикой было предназначение блокчейна, его отличие от биткоина, преимущества и недостатки.

Почему блокчейн не панацея

Скажу откровенно, я не привык слышать, что блокчейн не подходит для чего-либо. Мой почтовый ящик полон рекламы, свидетельствующей о том, что блокчейн решит абсолютно все мировые проблемы, включая медицинские, религиозные и политические. Особенно мне запомнилась инициатива, цель которой заключалась в том, чтобы исключить попадание кишечной палочки в систему продовольственного снабжения США. Роза помогла мне понять, что на самом деле все не так.

Я очень разборчиво относился к предлагаемым решениям блокчейна, потому что с точки зрения безопасности блокчейн – прекрасная технология для проверки целостности реестров и упорядоченной записи данных. Он отлично подходит для поддержки деятельности, в которой целостность данных имеет решающее значение (при операциях с недвижимостью, в медицинских назначениях и отслеживании цепочек поставок). Ранее на их выполнение уходили недели, а теперь это время сокращается до нескольких секунд.

Безопасность посредством блокчейна – это, главным образом, обеспечение целостности данных на больших временных отрезках. Если для решаемой вами задачи обеспечение целостности неактуально, то и блокчейн не нужен. В случае с эпидемией кишечной палочки никаких инцидентов с фермерами или кем-то еще, изменявшим значения в базе данных системы продовольственного снабжения обнаружено не было.

К моему удивлению, Шорс согласилась со мной. «Это общая проблема цепочек поставок продовольствия, и кишечные заболевания связаны отнюдь не только с нарушениями целостности данных, – подчеркнула она. – Нужна централизованная база данных, которую все использовали бы в качестве единого источника информации для быстрого, точного и эффективного отслеживания всего происходящего в глобальном масштабе».

Распределенные журналы и блокчейн

Затем Шорс указала мне на то, что я упустил. Большинству поставщиков нужно нечто похожее на блокчейн, но на самом деле им не являющееся. Упрощенные решения, называемые распределенными реестрами, во многих случаях подходят лучше. Истинный блокчейн – это безопасный, распределенный, децентрализованный реестр с открытым кодом, исключающий внесение каких-либо несанкционированных изменений. Любой участник видит здесь всю историю операций. Для многих проектов такая реализация избыточна. В большинстве случаев вполне подходит безопасный распределенный журнал, лишенный всех прочих атрибутов.

Ну а потом она сказала нечто такое, что изменило мое мнение о чрезмерном увлечении модным термином. Во многих компаниях, когда ее спрашивали о блокчейне, она отсылала всех к технологиям распределенного журнала, которые лучше подходят для решения стоящих перед этими компаниями задач. И если бы блокчейн не выступил в роли катализатора, многие так и не узнали бы о преимуществах распределенных реестров.

В моем примере с кишечной палочкой, по ее словам, нужен был всего лишь какой-то глобальный способ отслеживания цепочек поставок продовольствия. Когда вы говорите об использовании блокчейна, люди сразу проявляют интерес, потому что много слышали о нем, и в конечном итоге задача решается с помощью более простого средства. Инициировать, а уж тем более успешно завершать крупные, глобальные проекты очень сложно. И если использование термина «блокчейн» поможет реализовать проект распределенного реестра быстрее, что в этом плохого? Так что ответ Шорс очень верно отражает сложившуюся ситуацию.

Многообразие типов данных, большие объемы, скорость поступления телеметрии и необходимость ее обработки в реальном времени — все это делает особо актуальной задачу управления данными для платформы Промышленного интернета (IIoT). «Северсталь» в 2018 году создала такую платформу, начав на ее базе реализовывать интеллектуальные сервисы, приносящие быстрые и очевидные эффекты. Донат Фетисов, начальник отдела архитектуры и разработки Severstal Digital и один из докладчиков форума «Управление данными — 2019», рассказывает о подходах, выбранных для построения платформы, проблемах, с которыми приходится сталкиваться, и своих взглядах на вопросы управления данными.

- Что представляет собой платформа Интернета вещей применительно к потребностям крупного промышленного холдинга? Каковы ее роль и задачи?

Стоит начать с причин создания этой платформы и связанных с ней ожиданий. Около трех лет назад, после появления термина «Индустрия 4.0», у руководства компании возник вопрос, можно ли вести бизнес более технологично и что можно сделать, используя современные технологии. К этому времени уже прошла волна хайпа вокруг Big Data, начинался всплеск интереса к Data Science. У нас очень много оборудования и различных сенсоров, поэтому есть возможность стать обладателями большого количества данных, порождаемых ими. Но этого не происходило — такие данные просто не хранили. Запрос бизнеса заключался в том, чтобы реализовать платформу для сбора и хранения данных и на ее базе создавать продукты, дающие возможность пересмотреть бизнес-процессы и извлекать дополнительную выгоду. Получение дополнительного финансового эффекта и стало основным KPI нашего департамента от внедрения машинного обучения в производстве.

Поскольку начинали с задачи сбора данных, потребовалось создать хранилище, которое позволит подстраиваться под любые требования и будет достаточно недорогим. Изначально не было известно точно, с какими данными придется столкнуться: предполагались временные ряды, но думали и про видео, и про обработку изображений. Опираясь на собственный опыт, я выбрал Apache Hadoop как самое простое решение. В каких-то случаях эта платформа может быть неоптимальной, но в целом позволяет защищенно и недорого хранить большие объемы данных.

Следующим этапом стал выбор, традиционный для многих, — уходить в облако или создавать собственную инфраструктуру. Проведя оценку на горизонте нескольких лет, мы выяснили, что облако при постоянно возрастающей нагрузке обойдется дороже. Основное достоинство облака — возможность справляться с пиковыми нагрузками, а у нас при накоплении данных ожидается экспоненциальный рост. Поэтому было решено инвестировать в собственные мощности. На проектирование и закупку оборудования ушел год. В 2018 году у нас появилось хранилище, где мы можем собирать любые данные.

Далее потребовалось обеспечить работу созданных моделей на данных, возникающих в реальном времени. Все производственные процессы имеют жесткие ограничения по времени, и нельзя, как в других отраслях, проводить расчеты раз в сутки. Все должно происходить «здесь и сейчас». Поэтому в рамках второго этапа используемые технологии были дополнены еще одним компонентом — защищенной очередью на базе Apache Kafka, позволяющей хранить события и иметь их «горячий» набор.

На этих двух компонентах — Hadoop и Kafka — и были получены первые эффекты, подтвердившие верность выбранного подхода.

- Ранее вы работали в компаниях из других отраслей. Каковы особенности процесса управления данными в промышленности?

Основное отличие в том, что наши данные имеют плоскую структуру. Если говорить про пирамиду производственных систем, где внизу находятся датчики и SCADA, а наверху — ERP и аналитические платформы, то мы собираем данные с самого нижнего уровня. Там нет никакой структуры, все данные приходят в сыром виде. Это позволяет избирательно с ними работать, исследуя их и выявляя взаимосвязи между показаниями датчиков, что хорошо. Но минус заключается в том, что в этих параметрах требуется разобраться, понять, что они означают, изучить их влияние на целевые показатели. Нашим исследователям данных приходится тесно работать с производственниками, регулярно выезжая на предприятия. Ни одно внедрение не происходит без участия владельца продукта, который контролирует процесс разработки функционала и его принятие со стороны производства.

Таким образом, у нас нет структуры данных, но зато наблюдаются большое разнообразие и гигантские объемы. При этом изначально невозможно предсказать, какие из данных окажутся полезными.

- Есть два радикальных подхода: одни собирают и хранят все данные подряд, а другие действуют более избирательно и накапливают только те данные, в которых изначально видят ценность…

Мы являемся убежденными сторонниками первого подхода. Во-первых, мы не всегда понимаем физику процессов и у нас нет опыта в металлургии — вся команда собрана с нуля из разных отраслей. Во-вторых, один и тот же агрегат может быть полем для реализации многих проектов: например, можно начать с предсказания его отказов и закончить оптимизацией подачи сырья. Если мы не будем собирать все параметры сразу, то что-то точно потеряем.

Когда позволяет «железо», лучше собирать всё. А мы его проектировали так, чтобы оба наших инструмента — и Kafka, и Hadoop — горизонтально масштабировались, причем максимально дешево. И пока еще не было ни одного прецедента, чтобы мы выбросили какие-то данные, потому что убедились в их бесполезности. Как показывает практика, только недостаточная масштабируемость используемых платформ заставляет людей экономить и ограничивать себя.

Да, хранение обходится в определенную сумму, это капитальные расходы. Но могу сказать, что закупленное оборудование себя уже окупило, так как для построения платформы используются самые бюджетные решения.

- Какие подходы при создании платформы были выбраны? Речь идет о принципиальном использовании решений из разряда Open Source?

Плюсы и минусы открытых платформ хорошо известны. Мы были изначально нацелены на финансовый результат, для этого нам требовалось как можно больше данных при минимально возможных издержках. Поэтому мы выбрали максимально производительные и дешевые решения.

Open Source позволяет на первых этапах ничего не вкладывать, а если что-то пойдет не так, подход можно изменить без особых потерь. У меня как у архитектора был карт-бланш на выбор стека используемых технологий. «Северсталь» никак не участвовала в его согласовании, и нам удалось получить то, что мы считали необходимым. Это помогло быстрее стартовать, и я до сих пор доволен сделанным выбором. Потребовалось лишь добавить некоторые специфические инструменты там, где это необходимо. Например, когда появились требования по отказоустойчивости модели, мы развернули кластер Kubernetes, который позволяет иметь модель в постоянно рабочем состоянии.

Самое сложное для нас — приобретение и накопление экспертизы. На рынке сложилась категория «технологических» компаний, имеющих определенный имидж инноваторов, и при прочих равных условиях они имеют преимущество в борьбе за таланты. Мы двинулись в этом направлении всего несколько лет назад. Поэтому мы взяли курс на взращивание собственной экспертизы: «Северсталь» довольно специфична и с точки зрения используемых систем, и с точки зрения производственных процессов. Мы делаем все, чтобы наши люди были заинтересованы в собственном развитии. Кроме того, мы собираемся строить целую экосистему сервисов, которые будут давать экономический эффект, и совсем не хотелось бы при этом зависеть от внешних компаний.

- С какими ключевыми проблемами управления данными вы сталкиваетесь?

Данные возникают «на местах» — в цехах на различных производствах. Нам приходится иметь дело с «функциональными колодцами»: каждое подразделение замкнуто, и, занимаясь данными, люди думают только о своих задачах. С каждым из них приходится договариваться — например, о том, что какие-то из данных не надо удалять, о том, что настройки сенсоров нельзя изменять без согласования. Люди учатся воспринимать данные как один из активов компании. Иначе необдуманное обращение с ними может повлиять на многие процессы в компании.

Кроме того, далеко не все источники готовы к интеграции, многие агрегаты являются довольно старыми и попросту не предполагают этого. Постепенно эта проблема решается как обновлением оборудования, так и добавлением новых модулей.

Можно сказать, что обе эти проблемы характерны для любого российского металлургического предприятия. Они преодолимы, но для этого нужно время.

- За любой актив кто-то должен отвечать. Кто владеет данными у вас?

У нас этот вопрос окончательно не решен. Собрав большой объем данных, мы пока не договорились об их владельцах, потому что концентрировались на бизнес-результатах. Сейчас многие контрагенты на предприятиях, поставляющие нам данные, де-юре владельцами не являются, хотя многие организационные и процедурные вопросы с ними удалось решить. Это один из шагов, который нам предстоит сделать в ближайшее время. Как только люди станут владельцами и у них появится новый функционал, они смогут обеспечить его ресурсами и задумаются, в каком виде данные могут быть полезными и кому.

Разумеется, владельцами данных должны быть люди из бизнеса. Например, Chief Data Officer — не владелец данных. Это человек, отвечающий за то, чтобы данные приносили пользу бизнесу. У нас такой должности пока не существует, можно сказать, что в какой-то степени эта роль лежит на мне. А на местах должна идти речь о «стюардах данных» (data steward) — экспертах, которые понимают, где расположены данные, и готовы их предоставить.

- Каким вы видите будущее создаваемой в «Северстали» платформы данных?

Я склонен считать, что централизованное озеро данных в том виде, который все хотят иметь, — не конечная точка развития. Если проводить аналогию с архитектурой приложений, то уже сейчас используется микросервисная архитектура, а следующим обсуждаемым шагом является «бессерверная» архитектура. Примерно так же можно поступать и с данными: необязательно их собирать физически в одном месте — достаточно иметь транспортную инфраструктуру, позволяющую получать данные в режиме времени, близком к реальному. Это позволит при необходимости обращаться к данным на местах, работать с ними и без задержек запускать новые проекты. Собирать все данные в едином центре следует только тогда, когда это действительно нужно и удобно.

Мне было бы интересно создать архитектуру, существующую в виде федерации, а не единого озера данных. Озеро данных может быть логическим и распределенным по разным организациям, объединенным стандартами работы с данными и протоколами обмена.

- Чему, на ваш взгляд, уделяется недостаточно внимания при обсуждении тематики Интернета вещей и больших данных?

Мы неоднократно встречались с партнерами и конкурентами по рынку, поэтому могу точно сказать, что проблемы у всех примерно одинаковы: трудность подключения к источникам данных, качество и многообразие данных. Но когда мы занимались «традиционной» автоматизацией процессов, проблемы были такими же.

Многое по-прежнему решает человеческий фактор: если сотрудники хотят сложившийся процесс дополнить интеллектуальной функцией, это получится сделать; если у людей нет мотивации, сами собой изменения не наступят. Возможно, такую культурную трансформацию и следует обсуждать подробнее: как сделать, чтобы люди, всю жизнь проработавшие на производстве с «аналоговыми» данными, приняли факт того, что их огромный опыт может быть дополнен извне. Возможности машинного обучения не противопоставляются знаниям в предметной области, а дополняют их.

- О чем вы планируете рассказать на форуме и что хотели бы услышать от других?

Это мое первое участие в подобном мероприятии, и для нас важно представить «Северсталь» как компанию, способную использовать современные технологии для повышения эффективности. Я готов рассказать о своем опыте и используемых решениях — возможно, это даст пищу для размышления тем, кто только начинает подобный путь, и позволит проделать его с меньшими потерями.

От других жду рассказов о подходах, применяемых во владении данными: каким образом выстроена политика по управлению данными на производстве, как обсуждаются стандарты по генерации данных и их очистке. К сожалению, данные по-прежнему воспринимаются многими как побочный продукт производства. Возможно, когда эффекты от внедрения искусственного интеллекта и машинного обучения будут сопоставимы с результатами основной деятельности, объяснить ошибочность таких взглядов будет проще.

BPM-команде инвестиционного банка «Веста» удалось не просто внедрить систему управления бизнес-процессами, а реализовать по-настоящему комплексный и эффективный проект. Елена Березовская, руководитель процессного офиса банка «Веста», расскажет об этом 30 октября на конференции BPM 2019, организуемой издательством «Открытые системы». Елена рассказала нам о предпосылках запуска проекта и о том, в чем он может быть поучителен для представителей нефинансовой сферы.

- Зачем вам понадобился BPM и откуда возникла идея проекта?

Идея о необходимости комплексного процессного управления в банке принадлежит нашему председателю правления. По его мнению, лучшая прививка от «болезни неэффективности» — процессный подход и исполняемые процессы. Он хотел, чтобы каждый сотрудник разделял эту точку зрения, понимал, зачем нужны бизнес-процессы, прозрачность и управляемость. По его инициативе в банке была внедрена система BPM и проведена комплексная автоматизация всех бизнес-процессов.

«Подходов к снаряду» было несколько, но в основном решались более узкие задачи. Так сложилось, что для многих сотрудников BPM — это просто ИТ-система и выполнение в ней каких-то задач. К сожалению, это классическая история, когда подразделения сидят в своих функциональных «домиках», мало общаются между собой и не всегда понимают свою роль в общей цепочке создания ценности. Тем более если процесс сложный, сквозной и затрагивающий несколько подразделений. Моей задачей было донести до сотрудников их роли в процессе и научить их пользоваться картами процесса. Чтобы каждый понимал, почему именно в этот момент исполнителю понадобилась какая-то информация и что он должен выполнить конкретно это действие, потому что на следующем шаге его результат потребуется кому-то еще.

- То есть вы наполняли регламенты смыслом?

Я это называю «вдохнуть жизнь в схемы», потому что в формате схем описанные бизнес-процессы живут в банке очень давно — более восьми лет. Но сейчас мы пришли к пониманию того, что процесс становится по-настоящему эффективным, когда он исполняемый, то есть у сотрудника нет другой возможности выполнять свою функцию, кроме как в рамках процесса, зафиксированного в системе. Все, что нужно сотруднику на том или ином шаге, есть в системе. Ему не требуется обращаться за дополнительной информацией в смежные системы, пользоваться почтой. Если нужно  проинформировать клиента о чем-либо, он просто нажимает нужную кнопку в системе BPM — и клиенту уходит письмо по заданному шаблону.

- Каковы были экономические мотивы у этой инициативы? Необходимость решения какой бизнес-задачи стояла за реализацией красивой концепции?

Нам нужно было масштабироваться. Мы ждали существенного увеличения потока клиентов и при этом не должны были существенно увеличивать ресурсы на сопровождение процессов. Ключевым финансовым показателем было фиксированное соотношение затраты/прибыль, существенные отклонения не допускались. На старте в нашем основном бизнес-процессе обрабатывалось порядка 300 заявок на входе, и стояла задача тем же ресурсом справиться с объемом в 500–600. В то же время мы существенно снизили время выполнения некоторых операций: если раньше пользователям нужно было обращаться во внешние системы, звонить и писать, то с помощью BPM мы избавили их от этой необходимости.

- Что вы для этого сделали?

Совершили подвиг. Воздействовали комплексно, начиная с обучения сотрудников. Нужно было научить их пользоваться системой BPM должным образом, рассказать, как она устроена. Изначально ее внедряли как систему документооборота, потом начали развивать функционал, надстраивать «кирпичики» CRM и BPM, но в умах сотрудников она по-прежнему оставалась системой документооборота. И подразделения, которые ее поддерживали, были администраторами системы документооборота, а не теми, кто занимается аналитикой и оптимизацией процессов. Это нужно было побороть, и в этом была основная сложность.

Одним из инструментов, помимо обучения, стало изменение организационной структуры. Мы перестали быть отделом методологии и решили стать процессным офисом, чтобы название отражало то, чем мы будем заниматься. Ресурс подразделения был крайне ограничен, между тем процессы постоянно «ломались» и мы были вынуждены «доталкивать» их в полуручном режиме. О стратегии, концепциях и приоритетах не могло быть и речи, потому что 80% времени мы отвечали на звонки типа: «У меня процесс дальше не идет. Что делать?».

- Что значит «процессы ломались»?

Процессы были написаны так, что задача часто назначалась не на роль, а на конкретного сотрудника, чей идентификатор был прописан в коде. Если сотрудник в отпуске или уволился, то процесс выдает ошибку и следующий сотрудник не получает свою задачу.

Таких кейсов было очень много. И ситуаций, когда есть возможность не вводить какую-то информацию, которая обязательно потребуется на следующем шаге. На попытке завершить задачу при нехватке данных процесс «падает» в ошибку, и нам нужно заполнять поля вручную. При этом сотрудники не понимали, в каком случае что-то не так с процессом в целом или что-то не сделано на конкретной задаче, а в каком — проблема в документе. Нам сообщали, что сломался процесс, а на самом деле, например, в карточке документа не приложили сам документ или приложили не в том формате, в котором система может его «съесть».

То есть не было понимания, как устроена система, поэтому невозможно было быстро идентифицировать проблему. Чтобы найти причину сбоя, нужно было задать не один дополнительный вопрос, а пять, открыть не одну вкладку, а несколько. Поэтому первое, что мы сделали, — начали учить сотрудников ориентироваться по картам процессов, чтобы исключить вопросы типа «Что будет, если я нажму на эту кнопку?» и «Где сейчас мой процесс?». Учили различать объекты, разбирали типовые ошибки. Потом на основании этих кейсов сделали регулярные новостные рассылки. Если мы существенно меняем процесс или запускаем что-то новое, то стараемся оперативно собирать типовые сложности и делать рассылку.

- Какими результатами в цифрах можете поделиться?

Внутренняя стоимость открытия счета существенно снизилась — примерно с 5 тыс. до 3,2 тыс. руб. И это еще не финал, потому что сейчас мы видим очередные узкие места. Плюс процессного подхода в том, что с каждым новым витком смотришь на процессы по-новому. Сегодня мы понимаем, что можно кардинально перестроить архитектуру и процесс станет еще быстрее и легче с технической точки зрения. Это повлияет и на то, как его будет видеть клиент.

- Чтобы так все «расцвело», в вашем банке, очевидно, была создана соответствующая управленческая культура. При каких условиях процессный подход может быть применен эффективно?

В первую очередь руководство заинтересовано в том, чтобы процессы были прозрачными. Это условие номер один. Условие номер два — готовность сотрудников к изменениям. С этим нам повезло: так как банк пробовал себя в разных направлениях, бизнес-модель очень часто менялась, сотрудники привыкли перестраиваться. Поэтому, когда я пришла к ним с новостями, расчетами и рассылками, никто не удивился и не впал в ступор, ведь несколько эволюций и революций они уже пережили. Конечно, все в разной степени к ним готовы, всегда будут те, кто не очень рад переменам. Нужно проявить безумное упорство и продолжать объяснять. Как и в случаях, когда к тебе приходят как к профессионалу с предложением: если этого нельзя сделать, надо не полениться и аргументированно объяснить почему, а если можно — рассказать, как это будет устроено.

Сейчас, когда к нам приходят заказчики, у них уже есть примерное представление о том, как это будет реализовано технически. То есть они сокращают наши трудозатраты на продумывание технической реализации!

- Сколько бизнес-процессов банка охвачены системой BPM?

Сейчас 145–150, а год назад было 74. Более важно, какую часть деятельности банка они покрывают. У нас есть негласная установка: один регламент (порядок взаимодействия сотрудников подразделений при возникновении какого-то события) — это один процесс. Таких регламентов примерно 450, но автоматизировать нужно не более 200. В части взаимодействия с клиентами 90% уже автоматизировано.

- То есть большую часть пути вы уже прошли?

Да, теперь речь о том, чтобы выйти на новый уровень качества. Процессов стало вдвое больше, а сопровождаем мы их тем же ресурсом, что и год назад. При этом времени на их сопровождение тратим существенно меньше. Если раньше я на 80% была вовлечена в рутину (ошибки, исправления, ответы на звонки пользователей), то сейчас 80% времени я собираю приоритеты, компоную задачи, делаю так, чтобы элементы, применяемые в одном процессе, были применимы и в других. Это мой личный KPI: процессов в два раза больше, но от меня не требуется в два раза больше ресурсов. Это особенно прекрасно.

- Чем вы особенно гордитесь в этом проекте?

Достижение номер один — высокая степень «продвинутости» наших сотрудников как пользователей системы. Второе: неважно, в каком «уголке» банка возникает инициатива вывести новый продукт на рынок или что-то изменить, практически сразу мне говорят, что нужен автоматизированный процесс в системе BPM. Объясняю, что пока не нужен, потому что еще неизвестно, «взлетит» ли этот пилот, а мы потратим много ресурсов, в том числе внешних разработчиков. Реакция такая: как же мы без процесса?

Многие мои коллеги сталкиваются с сумасшедшим сопротивлением, когда пытаются внедрить процессный подход в своих организациях. Пользователи не хотят. У меня обратная ситуация: мы понимаем, что это будет не очень эффективно, а люди все равно хотят. И это уже часть культуры, а не установка сверху. Люди делают это осознанно, потому что это нужно, и уже не понимают, как жить иначе.

- Каков срок жизни вашей системы, как скоро вам придется ее обновлять или переводить на новую технологическую платформу?

Платформа ELMA очень активно развивается, релизы с минорными версиями появляются каждую пару недель, и раз в полгода выходит большое обновление. Если не находим какую-то функциональность, которая для нас важна, то решаем вопрос за счет интеграции, благо сейчас сервисы легко интегрируются. Этим занимаются наши партнеры, это и недолго, и недорого. Затраты на интеграцию не превышают 30–40 человеко-часов, вполне адекватный показатель.

Кроме того, часть из 145 наших бизнес-процессов построена на маленьких, легко редактируемых и очень эффективных «подпроцессиках». И когда возникает потребность в создании нового бизнес-процесса, в какой-то момент мы понимаем, какой куcочек-подпроцессик откуда взять. Эти кусочки связывают и адаптируют под конкретные задачи. Срок запуска нового процесса сокращается раза в три, потому что его не нужно писать с нуля, а можно собрать воедино из декомпозированных кусочков.

- Вы сделали «микропроцессную» архитектуру?

Да, неосознанно.

- Чем ваш проект может быть интересен представителям нефинансовых отраслей? Насколько он специфичен?

Абсолютно не cпецифичен. Можно добавлять «соли по вкусу», но рецепт достаточно универсальный: добавить осознанности в работе с сотрудниками. Чтобы у них не было желания просто прервать процесс и запустить новый, если что-то не получилось с первого раза. А был навык разобраться в причинах, исправить и «толкнуть» процесс дальше.

Второе: работа с руководством всегда ведется «в деньгах». Мы не ленились считать результаты наших оптимизаций, делать замеры на входе и на выходе. Моя команда показала руководству, что процессы оцифрованы, трудозатраты на процессы достаточно легко переводятся в денежный эквивалент. Теперь, когда запускаются новые продукты, уже на старте имеется более глубокое понимание того, как тратятся деньги, распределяются ресурсы, стоит ли вообще заниматься этим продуктом, если у него высокая себестоимость.

- О чем вы расскажете участникам конференции?

Моя цель — поделиться инструментами и подходами, которые проверены в нашей компании. Мы все меняем мир к лучшему, делая свою организацию эффективнее с помощью процессного подхода.

Если данные действительно являются одним из самых крупных активов предприятий, ИТ-директора должны иметь возможность продемонстрировать, как этот актив можно направить на развитие бизнеса.

Или сделать работу сотрудников более продуктивной.

Или улучшить качество обслуживания клиентов.

Какова бы ни была конечная цель, «умные» компании работают над целостными стратегиями, стремясь сломать барьеры между разрозненными складами данных и научиться извлекать новые идеи из них, заявили эксперты на симпозиуме MIT Sloan CIO Symposium.

«Мы плаваем в данных, и мы знаем, что нужно зарабатывать на этом деньги – но не так, как раньше, – заявила Барбара Хейли Уиксом, главный научный сотрудник Центра исследований информационных систем MIT Sloan. – Прежние подходы уже не работают, сегодня наши цифровые стратегии требуют смелых шагов, действительно новых идей».

Эксперты сходятся во мнении, что не существует универсального подхода к стратегии работы с данными; любая такая инициатива должна быть адаптирована к конкретной компании и отрасли, в которой она работает.

Вместе с тем, есть несколько общих основообразующих элементов, без которых пересмотр стратегии в области работы с данными не будет успешным.

Создайте культуру данных

Елена Альфаро, руководитель отдела данных и открытых инноваций отдела клиентских решений испанского банка BBVA, рассказала об опыте своей организации по «распространению культуры данных» и обеспечению того, чтобы высшее руководство организации было в курсе инициатив в области данных.

«Я поняла, – сказала Альфаро, – что если человек рядом с тобой не понимает тебя, то очень трудно достичь чего-то действительно значимого».

И, по ее словам, BBVA действительно удалось многого достичь. Последние два года в Forrester признавали мобильное приложение компании лучшим в банковском бизнесе.

Орели Л’Ости, аналитик Forrester, похвалила приложение банка за «поразительный баланс между полезным функционалом и отличным клиентским опытом». Данный продукт, по словам Альфаро, вырос из стратегии данных с прицелом на потребности конечного пользователя.

«Цифровые банки слушают своих клиентов, умно работают с данными и упорно трудятся над тем, чтобы клиентам было легко управлять своей финансовой жизнью, – пишет Л’Ости. – Ничего особенно героического здесь нет, но именно это требуется вашим клиентам».

Сформируйте среду

Уиксом утверждает, что, независимо от отрасли, компании с успешной стратегией работы с данными формируют среды, которые обеспечивают высокий уровень целостности данных и гарантируют их максимально широкую доступность.

«У таких компаний есть данные, которые люди могут найти и использовать, доверять им, – сказала Уиксом. – У них есть платформы для работы с данными, которые делают работу надежной и очень быстрой, как внутри, так и за пределами организации».

Она также отметила важность баланса между высокотехнологичными системами для добычи данных, их нацеленностью на обслуживание реальных задач бизнеса и установкой ограничений на использование данных.

«Наука о данных помогает рождению новых идей, – сказала Уиксом. – В компаниях учатся понимать не только главные потребности пользователей, но и не самые очевидные. А управление данными контролирует не только соблюдение нормативных требований, но ценность данность и этические аспекты их использования».

Специфика получения отдачи от стратегии данных может сильно варьироваться в зависимости от корпоративной культуры рабочей среды и, возможно, еще в большей степени, от отрасли. Так, в банковской сфере имеют дело с конфиденциальной финансовой информацией и, как правило, связаны жестким набором строго прописанных правил. А в технологической сфере правила свободнее, а работа с данными находится буквально в крови организации.

По словам Марка Пиконе, вице-президента Adobe по информационным сервисам, в их компании не было проблем с внедрением в рабочий процесс стратегии, ориентированной на данные.

«Каждый знал, что должен опираться на данные, – подчеркнул Пиконе. – Мы – пример изначально цифровой компании. Возможно, сначала мы даже не отдавали себе в этом отчета, просто начали действовать».

В результате, по словам Пиконе, в технически насыщенной среде, где обучение сотрудников науке о данных является стандартом и «каждый может задействовать разные типы систем», Adobe в конечном итоге пришла к созданию унифицированной структуры, которая вобрала в себя все данных, «вращающиеся» вокруг компании.

«Речь шла о том, чтобы действительно что-то делать, излекая больше смысла», – отметил он.

Научите бизнес видеть выгоду

В некоторых компаниях получение отдачи от стратегии управления данными бизнес-подразделениями, а не только ИТ-службой, может стать сложной задачей.

Так было в банке Bank of Queensland в Австралии, где ИТ-директор понял, что запуска новых инициатив в области данных, даже при поддержке руководства, будет недостаточно. Необходимо продемонстрировать практическую ценность данных, как они могут помочь организации в повседневной работе и улучшить обслуживание клиентов розничного банка.

Для Донны-Марии Винчи, директора банка по ИТ и цифровой стратегии, многоцелевой подход был ключевым: «Вы не можете просто вещать об этом сверху. Вы должны быть в состоянии понять и связать их действия, понять, почему это важно, как это поможет клиентам и чем это будет полезно для организации».

Пояснительные записки, излагающие новые политики в области данных, хороши, но только до какого-то момента. Винчи описала свои усилия по созданию своего рода «религии опоры на данные», инициативы, продвигаемой постоянными семинарами, которые помогают сотрудникам включать элементы работы данных в свою ежедневную деятельность.

«Это не просто презентация или что-то в этом роде, речь идет о полном погружении, – сказала Винчи. – И я думаю, что это погружение можно еще усилить».

Ее советы другим ИТ-директорам, только начинающим путешествие по данным? «Будьте терпеливы и держите курс на общение».

Винчи разработала собственную метрику для успеха, хотя и не вполне осязаемую. Постепенно она обнаружила, что культура работы с данными просачивается из ИТ-службы в бизнес-подразделения, причем до такой степени, что нетехнические сотрудники банка начинают самостоятельно придумывать решения своих рабочих задач, основанные на данных.

«Что действительно приятно и мощно, так это то, что ты не единственный, кто это говорит, когда отклик приходит из бизнеса, и бизнес-пользователи становятся защитниками подобного подхода», — призналась Винчи.

Полтора года назад компания Mr. Cooper запустила интеллектуальную систему рекомендаций для своих агентов по обслуживанию, которая должна была помочь в решении проблем клиентов. (Компания, ранее известная как Nationstar, — крупнейший игрок рынка небанковского ипотечного кредитования в США с 3,8 млн клиентов.) Казалось, проект сэкономит предприятию огромные деньги. Потребовалось девять месяцев, чтобы выяснить, что агенты не использовали его, признает ИТ-директор компании Шридхар Шарма. И еще полгода, чтобы понять, почему.

Рекомендации, которые предлагала система, не были релевантными, обнаружил Шарма. Но проблема заключалась не в алгоритмах машинного обучения, а в том, что обучение полагалось на данные, основанные на технических описаниях проблем клиентов, а не на том, как клиенты описывали их своими словами.

«Мы проделали недостаточно хорошую работу, поэтому не поняли того, что суть проблемы пользователей кроется в словах, которые употребляют именно они, – сказал он. – Мы же в своей программе использовали только те термины, которые сами используем внутри компании».

Кроме того, механизм обратной связи, в котором агенты записывали результаты звонков, имел перекрывающиеся категории проблем, что, по словам ИТ-директора, еще больше усугубило проблему. Шарма отказался сообщить, во сколько проект обошелся компании.

Такая неудачная «вылазка» Mr. Cooper в область искусственного интеллекта — не аномалия. Согласно недавнему опросу IDC, только около 30% компаний сообщили, что 9 из 10 их проектов, связанных с искусственным интеллектом, были успешны. У большинства провальны около половины подобных проектов; 3% опрошенных заявили, что более половины их проектов искусственного интеллекта потерпели неудачу.

В качестве основных проблем более четверти респондентов назвали нехватку квалифицированного персонала и нереалистичные ожидания в отношении этой технологии. Еще 23% заявили, что их проекты потерпели неудачу из-за отсутствия необходимых данных.

«При первых признаках неудачи все пытаются приложить дополнительные усилия, чтобы "вытащить" проект, – говорит Шарма. – Но если вы ввязываетесь в это, то вы обречены».

Mr. Cooper вернется к проекту в области обслуживания клиентов в следующем году в рамках общей перезагрузки своей системы CRM; компания по-прежнему настроена иметь дело с искусственным интеллектом. Ее последний проект машинного обучения, который включает в себя анализ неструктурированных данных, уже имеет положительный бизнес-эффект и помогает готовить лучшие данные для обучения.

«Эти уроки недешевы», – признает Шарма, добавляя, что требуется вовлеченность генерального и финансового директора: они должны быть в курсе, если что-то идет не так.

Нехватка данных

Проблемы с данными — одна из главных причин, почему проекты искусственного интеллекта не оправдывают ожиданий. Согласно докладу, опубликованному McKinsey прошлой осенью, две из самых больших проблем, ограничивающих применение технологий искусственного интеллекта, связаны именно с данными.

Во-первых, подобно Mr. Cooper, многие компании испытывают трудности с получением правильно размеченных данных для обучения алгоритмов машинного обучения. Если данные не классифицированы должным образом, нужно время, чтобы разметить их, что может задержать работу или вообще привести проект к провалу. Вторая проблема с данными – это отсутствие нужных данных для проекта.

«У компаний часто нет необходимых данных или же они не могут строить модели с данными, поскольку те не размечены», – говорит Ананд Рао, партнер и глобальный лидер по искусственному интеллекту в PricewaterhouseCoopers.

Национальное Одюбоновское общество использует искусственный интеллект, чтобы защитить диких птиц. Так, в июле организация опубликовала результаты анализа того, как изменение климата повлияет на 38 видов луговых птиц.

«Если мы ничего не сделаем, чтобы замедлить изменение климата, то 42% видов луговых птиц окажутся очень уязвимыми, – говорит Чад Уилси, вице-президент по исследованиям в области сохранения видов. – Но если мы сможем принять меры, то уменьшим этот показатель до 8%».

Не все аналогичные проекты Одюбоновского общества были столь же успешными. Прошлым летом в организации попытались использовать машинное обучение для подсчета количества коричневых пеликанов и черных водорезов на пляжах. Пилотный проект был основан на наборе изображений, собранных добровольцем, который запускал дрона над островом у побережья Техаса.

«Нам было интересно понять, как ураган, который прошел над островом, повлиял на популяцию птиц», – говорит Уилси.

По словам Уилси, потребовалось 2 тыс. размеченных изображений коричневых пеликанов, прежде чем точность системы была достаточно хороша для их нужд. Но изображений черных водорезов было недостаточно. «Для других приложений компьютерного зрения вы можете использовать то, что доступно в Интернете, – говорит он. – Но в данном случае, образы птиц очень специфичны».

Так, большинство доступных фотографий птиц сделаны людьми, которые находятся на уровне земли, а не дронами, «смотрящими» прямо вниз. И поскольку это было пилотное исследование, у Одюбоновского общества не было ресурсов, чтобы продолжить сбор данных и сделать больше снимков.

«Однобокость» данных обучения

Другим примером проекта, которому помешала нехватка данных, является попытка Fritz Labs создать модель для идентификации волос на фотографиях людей. Fritz помогает разработчикам создавать модели, которые могут работать непосредственно на телефонах, без необходимости отправлять данные на центральный сервер для обработки.

«Мы хотели создать функцию, которая будет "обнаруживать" волосы в живом видео и прямо в нем изменять их цвет», – сказал Джеймсон Тул, технический директор компании.

Сначала все выглядело хорошо, говорит он, но у алгоритма обнаружился существенный изъян, который привел бы к очень серьезным проблемам, стань приложение публичным.

«К счастью, мы много тестировали функцию на самих себе и с людьми, которых привлекли специально для этого, и обнаружили, что функция работает не очень хорошо для определенных этнических групп, – отметил Тул. – Мы еще раз просмотрели исходные данные — и, конечно же, среди них не было изображений представителей этих групп».

По его словам, для обучения доступно множество наборов изображений, как бесплатных, так и коммерческих. Но необходимо убедиться — достаточно ли тех данных, которые нужны.

«Требуется время и усилия, чтобы сформировать собственный набор тестовых случаев, который исчерпывающим образом представляет пользовательскую базу вашего приложения», – подчеркнул Тул.

В Fritz Labs собрали недостающие изображения и разметили их вручную. «Это, безусловно, подчеркивает тот факт, что в подобных системах может легко случиться какой-то перекос, когда вы ограничены данными, которые у вас есть», – добавил он.

Согласно недавнему опросу PricewaterhouseCoopers, более половины компаний не имеют формального процесса оценки данных приложений искусственного интеллекта на «необъективность» данных. Кроме того, только 25% опрошенных заявили, что будут уделять приоритетное внимание этическим последствиям проектов искусственного интеллекта перед их реализацией.

Проблемы интеграции данных

Иногда проблема заключается не в недостатке данных, а в том, что их слишком много и они – во многих местах. Так было в одном глобальном банке, по словам руководителя отдела искусственного интеллекта и аналитики данных розничного подразделения банка, который не уполномочен говорить об этом «под запись».

По его словам, если бы он мог вернуться назад во времени, банк бы раньше начал собирать данные из разных каналов: «Мы этого не делали, и это было большой ошибкой. Наши данные были разрозненны, и как следствие у нас не было полного представления о наших клиентах».

Это ограничило возможности банка генерировать эффективные маркетинговые предложения и привело к снижению доходов; теперь банк переходит к многоканальному представлению данных клиентов, включая онлайн, мобильные и личные взаимодействия.

«Мы все еще не добились этого, – признал он. – Изолированные данные – одна из самых больших проблем, которые у нас были и есть».

Проблема не столько техническая, сколько деловая; первый шаг – соблюдение требований и регламентация: «Есть определенные типы данных, которые мы не можем смешивать».

Другой вопрос связан с приоритетами компании. «Есть так много других проектов, которые работают. И кто заплатит за объединение данных? Это само по себе не является добавочной стоимостью для банка», – указал он, добавив, что с подобными проблемами может столкнуться каждый банк.

Однако приступать к интеграции данных необходимо тогда, когда стартует первый проект в области искусственного интеллекта. «Не думаю, что мы когда-нибудь будем готовы полностью, ведь есть так много источников данных, – резюмировал он. – Я не думаю, что есть компания, которая к этому полностью готова».

В банке рассчитывают, что основные источники данных будут подключены в ближайшие полтора-два года. Сейчас в данном направлении выполнено лишь 10-15% работы.

«Дрейф» данных

Еще одна проблема для проектов искусственного интеллекта заключается в том, что компании полагаются на исторические данные вместо активных транзакционных данных для своих учебных наборов. Во многих случаях системы, обученные на статических исторических снимках, не очень хорошо работают при переходе на данные реального времени, отметил Андреас Браун, который возглавляет работу с данными и искусственным интеллектом в европейском отделении компании Accenture.

«Вы выгружаете некие данные, тренируете модель и получаете довольно хороший результат в лаборатории. Но как только вы запускаете это в работу, начинаются проблемы», — сказал он.

Существует значительная разница между историческими выборками данных и данными, поступающими через живую систему, например, для обнаружения фрода в реальном времени или выявления случаев отмывания денег, потому что модели оказываются не обучены улавливать небольшие изменения в поведении.

«Если вы копируете данные в какой-то момент времени, скажем, ночью, или в субботу или воскресенье, то "замораживаете" ситуацию, – отметил он. – Это делает аналитику в лаборатории очень легкой. Но когда модели машинного обучения встраивают в живую систему, они работают намного хуже».

Решение, по мнению Брауна, заключается в том, что аналитики данных не должны сидеть в бункере, отрываясь от реального бизнеса. Когда модели строятся с использованием «живых» данных, интеграция моделей в производственные среды происходит намного быстрее: «И успехи гораздо, гораздо лучше. Это полностью меняет игру».

Забытые неструктурированные данные

Согласно недавнему опросу Deloitte Consulting, 62% компаний по-прежнему обходятся электронными таблицами и только 18% при анализе используют неструктурированные данные — изображения продуктов, аудиофайлы разговоров с клиентами или комментарии в соцсетях.

Кроме того, многие исторические данные, которые собирали компании, оторваны от контекста, который должен быть полезен для решений искусственного интеллекта, или хранятся в сводной форме, полагает Бен Стиллер, руководитель стратегической и аналитической практики в области розничных и потребительских продуктов компания Deloitte Consulting. Ограниченность в данных, безусловно, может с самого начала приговорить проект к неудаче.

Компании, которые используют неструктурированные данные, например, Mr. Cooper, согласно опросу, на 24% чаще добиваются своих бизнес-целей.

«То как вы работаете с данными, действительно требует фундаментального пересмотра», – считает Стиллер.

Mr. Cooper, например, владеет огромными объемами неструктурированных данных – около полутора миллиардов документов клиентов. В результате агенты по обслуживанию клиентов тратят слишком много времени на поиск нужных документов, и иногда, не находя их, бывают вынуждены перезванивать клиентам.

Поэтому компании пришлось отсканировать все 1,5 млрд документов и с использованием технологии машинного обучения внимательно проанализировать набор из 150 млн документов, которые попали в число двухсот самых используемых типов.

«Этот проект на базе машинного обучения, который действительно приносит пользу, нашел реальное применение», – говорит Шридхар Шарма из Mr. Cooper.

Мало того, что обзвон клиентов стал быстрее, анализ документов помогает создать лучший словарь для будущего использования, когда компания вернется к своему ранее проблемному проекту обслуживания клиентов с использованием искусственного интеллекта.

Культурный вызов

Не только проблемы с данными, но и организационные вопросы вставляют палки в колеса проектов искусственного интеллекта.

Например, Шарма признался, что если бы он вернулся назад во времени, то начал бы работать с языком, который клиенты используют при объяснении своих проблем, и связал бы экспертов по предметной области с разработчиками приложений искусственного интеллекта: «Людей из бизнеса надо объединить с технологическими группами, чтобы контекст всегда был во главе угла. Вы должны заставить их сидеть вместе весь рабочий день».

И если не учиться на такого рода ошибках, шансы на то, чтобы извлечь выгоду из искусственного интеллекта, могут сократиться: неудачные проекты не только отпугивают тех, кто распределяет финансовые средства, но и негативно влияют на удовлетворенность сотрудников и клиентов.

Из-за ранних провалов проектов инвесторы теряют значительные средства, не получая никакой отдачи, а предприятие рискует начать отставать от конкурентов.

Все начинается сверху. Как показывает опрос Deloitte, участие высшего руководства для проектов искусственного интеллекта жизненно важно. «Если проект спонсирует генеральный директор, шансы достичь целей повышаются на 77%», – говорит Стиллер.

Не позволяйте неудаче ослабить вашу приверженность технологиям искусственного интеллекта — долгосрочный подход окупится, уверен он: «Чем больше проектов вы с течением времени вы делаете, тем выше становится их ROI».

С увеличением масштабов использования на предприятиях данных и аналитики менталитет директора по данным (chief data officer, CDO) от направленности на соответствующие проекты и программы должен смещаться в сторону ориентации на продукты, говорится в свежем докладе Gartner Research Board.

«Мы считаем, что речь идет о появлении руководителя нового типа – CDO 4.0, – указывает вице-президент и программный директор Gartner Research Board Марио Фариа. – CDO 1.0 был сосредоточен исключительно на управлении данными. CDO 2.0 добавил к своим компетенциям аналитику. CDO 3.0 проводил политику цифровой трансформации и принимал активное участие в этом процессе. Директор по данным четвертого типа ориентирован на продукты и управление прибылью и убытками, не ограничиваясь одним лишь руководством проектами и программами в области данных и аналитики».

Представленный исследовательским советом Gartner Research Board доклад "Global Chief Data and Analytics Officer (Global CDAO)" освещает роль CDO 4.0.

Марио Фариа: "Перейти от проектного менталитета к ориентации на продукты смогут не все"

Традиционно инвестиции в технологии структурировались в рамках пула затрат, поддерживающих бизнес, и отдельного портфеля дискретных капитальных проектов, которые имеют четко определенное начало и конец. Но сейчас организации начинают увязывать финансирование, выделяемые на разработку ресурсы и поддержку управления с набором имеющихся продуктовых семейств. В Gartner ожидают, что 72% организаций будут придерживаться в этом году модели, ориентированной на продукты.

Переход к организации, ориентированной на продукты, должен проходить в тех областях бизнеса, где есть пространство для инноваций и поддерживается новая модель бизнеса, подчеркивает Фариа. Подходы, ориентированные на продукты, упрощают быстрое внедрение инноваций и предполагают итерационный метод, поскольку во главу угла здесь ставится восприятие пользователей, совершенствование требований и стратегическая дифференциация поставок.

Однако для этого нужны новые компетенции, роли, инвестиционные модели и соответствующая культура. В формировании директора по данным, нацеленного на продукты, Gartner Research Board выделяет три этапа.

1. Продумывание платформы

Решая задачу создания продукта, директор по данным прежде всего должен спланировать процесс создания платформы данных и аналитики, а затем продумать план выпуска и основные его этапы. После этих важных шагов можно приступать к формированию команды, которая будет осуществлять цикл поставок. По словам Фариа, директор по данным в первую очередь должен думать о данных и лишь затем о сценариях использования, следуя примеру лидеров, начиная с Facebook, Amazon, Google и Apple. Эти компании сумели построить успешные платформы, обеспечивающие сбор и анализ данных с сокращением жизненного цикла между выпуском новых продуктов.

Профессионалы в области данных и аналитики убеждены, что дальнейшие перспективы определяют платформы, однако масштабы и широта охвата зависят от конкретной компании, ее зрелости и уровня инвестиций, напоминает вместе с тем Фариа.

2. Пересмотр инвестиционных моделей

Директору по данным следует поддерживать контакты с руководством предприятия, заботясь о своевременной адаптации инвестиционных моделей, используемых в настоящее время бизнесом. Кроме того, директору по данным необходимо масштабировать использование платформы в рамках всего предприятия.

В модели управления семейством продуктов финансирование осуществляется в соответствии с теми возможностями бизнеса, которые это семейство поддерживает. Общие или разделяемые ресурсы – инфраструктура, технология, данные и аналитика – финансируются в зависимости от предполагаемых совокупных потребностей семейств продуктов, поддерживаемых ими.

3. Использование проверенной методологии управления продуктами

Для успешного роста и масштабирования переход к управлению продуктами должен пропагандироваться ИТ-директором и другими руководителями с широким кругом полномочий. Крайне важно, чтобы роль этого процесса была понятна всем заинтересованным лицам. Основополагающими для определения роли являются ее видение и цели, объем и параметры, особенно параметры перехода к клиенто-ориентированному подходу при внедрении инноваций.

«Перейти от проектного менталитета к ориентации на продукты смогут не все директора по данным, – предупреждает Фариа. – Успеха добьются здесь те, кому удастся внедрить операционную модель, скрывающую детали и ориентированную на более широкое и качественное использование ресурсов данных».

«Истинная цифровизация происходит только тогда, когда данные становятся реальным активом предприятия и когда с ними умеют работать его сотрудники на любом уровне управления», — уверен Михаил Петров, директор Департамента цифровой трансформации Счетной палаты Российской Федерации. Для этого недостаточно «запилить озерцо данных» и нанять нескольких исследователей данных — культура работы с данными должна стать неотъемлемой частью работы всего коллектива. В рамках международного форума «Управление данными — 2019», который издательство «Открытые системы» проведет 24 сентября, Михаил Петров расскажет об опыте, приобретаемом Счетной палатой на пути реальной, а не «бумажной» цифровизации.

- Что такое «управление, основанное на данных» в контексте работы Счетной палаты?

Это означает ровно то, что в момент принятия решений сотрудник начинает опираться не на свою интуицию или опыт, а на ту аналитику, которую ему предоставляют различные методы анализа данных. Если мы берем классический контур управления, то в блок принятия решений должен быть встроен инструментарий, который эти решения помогает принимать — дает для этого необходимую информацию или предлагает варианты. Эксперт должен видеть все факторы риска или факторы возможностей, с тем чтобы более полно и объективно оценивать ситуацию на основе всей имеющейся информации.

Ровно этот подход мы пытаемся применять и у себя. Какого рода решения принимают наши инспекторы, руководители проверок, аудиторы? Традиционно это было выявление нарушений в фактах хозяйственной деятельности, классификация этих нарушений, определение последствий, возникающих по ним. Еще одно направление, активно развивающееся сейчас, — стратегический аудит. Это пока еще не устоявшаяся с методологической точки зрения работа, но понятно, что в ней очень много аналитики. В ее ходе на основании анализа совокупности объектов и их поведения требуется сделать системные выводы и дать рекомендации по изменению ситуации.

В первом случае мы сокращаем человеческий труд и увеличиваем объективность принятия решений — даем нашим сотрудникам инструментарий, который позволяет, например, анализировать только нетипичные операции, имеющие признаки рисков. Стратегический же аудит — задача более сложная и обширная, он полностью основан на применении тех или иных аналитических инструментов и требует большого количества усилий. Например, одна из стоящих перед нами задач — анализ достижения национальных целей, поставленных в указах президента РФ. Чтобы проводить такой анализ, надо понимать факторы, влияющие на достижение целей. Уже идет работа аналитиков по построению моделей, нацеленных на управление этими факторами. Это поможет принимать решения на уровне не отдельных объектов, а всего государства.

Источник: Счетная палата РФ

- Чтобы перейти от «интуитивного» управления к более обоснованным решениям, требуется органично вписать данные в процессы принятия решений. Эта проблема может оказаться не менее сложной, чем культурная. Какие подходы при этом надо использовать и как сделать, чтобы люди реально работали с использованием данных?

Проблема и в культуре, и в адекватном использовании аналитических инструментов. Это комплекс вопросов, индивидуальных для каждой организации. Здесь сложно дать универсальный рецепт.

С одной стороны, работа с данными должна быть встроена в процессы. Люди в какой-то момент должны переходить к анализу данных и принятию на его основе решений. Для этого, вероятно, сами процессы должны быть перепроектированы. С другой стороны, возможно, и проектировать процессы смысла нет, потому что они чрезвычайно быстро меняются или какую-то часть из них можно вообще убрать.

Однако все упирается именно в культуру работы с данными, в то, насколько цифровые инструменты могут быть использованы сотрудниками организации, насколько они готовы и восприимчивы. По своему опыту могу констатировать, что многие в государственных учреждениях к этому не готовы совершенно, изменение их подхода к работе — отдельная большая задача. Разумеется, предлагаемые аналитические инструменты не будут писать за людей отчеты, хотя у нас уже есть разработка, которая на основе формализованных источников данных может сформировать около 50% объема отчета о проверке. Человека полностью заменить пока не получится. А вот то, что он сможет в большой степени полагаться на подсказки, вполне возможно. Используя их, аудитор может строить работу по-другому, уделять гораздо больше внимания трактовке цифр и прогнозированию их изменения. В этом и состоит перестраивание культуры:  работа человека смещается от рутины в сторону большей интеллектуальности.

- Что первично — культура или инструменты? С какой стороны к этой проблеме приходится подходить на практике?

Это зависит от того, как организация пришла к необходимости трансформации. У нас все-таки изначально был импульс «по велению сверху», для нас это не было глубинной внутренней потребностью, поэтому работа с людьми важнее. С другой стороны, у нас процесс не насаждается «огнем и мечом», мы стараемся сделать плавные преобразования. В других организациях я вижу гораздо более жесткие методы.

Если же потребность в новых методах работы приходит изнутри, например исходя из конкурентной ситуации на рынке, и является вопросом выживания компании, подходы будут совсем другими.

- По вашему мнению, цифровизация напрямую связана с тем, что данные становятся реальным активом предприятия. А каковы симптомы этой «настоящей» цифровизации?

Если мы говорим о цифровизации как о качественном изменении, то в компании должны появиться принципиально новые возможности и продукты. Кроме того, происходит изменение метрик бизнеса. Скажем, окупаемость не может служить такой метрикой: у всех перед глазами пример Uber — до сих пор глубоко убыточной компании. Оценить новую бизнес-модель в числах возможно не всегда.

С точки зрения классической организации все может быть еще сложнее. Когда мы пытались определить, как собираемся измерять успехи своей цифровизации через несколько лет, были различные варианты — скажем, по измерению трудоемкости проверок. Например, число инспекторов, осуществляющих типовую проверку, может сократиться с десяти до пяти человек (совершенно условно). Да, двукратное сокращение команд инспекторов — это хорошо, но является ли оно цифровизацией с точки зрения принципиального скачка в процессах?

Если мы существенно повысим скорость и качество принятия решений при проверках, можно сказать, что цифровизация нам помогла. Но как измерить это качество? Пока мы этого не знаем, предстоит большая работа. Однако есть понимание того, что мы движемся в верном направлении.

Та же самая проблема в свое время была с автоматизацией, когда все компании, вложив большие деньги, кинулись измерять ее эффективность и поняли, что мгновенных эффектов нет. Именно после этого пришло осознание того, что эффект дает не само внедрение системы, а некий совокупный капитал, включающий в себя не только ИТ-платформу, но и новый регламент работы, а также обученных сотрудников, свободно владеющих системой. На то, чтобы система стала частью компании и начала эффективно использоваться, требуется несколько лет. С нынешними технологиями будет повторяться та же история: пока они не войдут органично в повседневную работу управленцев, от них ощутимой отдачи не будет.

- Вы упоминали о создании информационных систем, направленных на поддержку работы сотрудников. Это традиционные решения или речь идет об использовании искусственного интеллекта?

Мы создаем как традиционные системы поддержки процессов (управление поручениями, документооборотом, управление процессами проведения проверок, хранения документов), так и аналитические инструменты поддержки принятия решений. Например, система «Второе мнение» — прототип инструмента поддержки принятия решения о соответствии отчета акту проверки — реализована с использованием искусственного интеллекта.

- Насколько деятельность Счетной палаты может быть заменена функционированием единого робота, который станет строгим и неподкупным судьей для всех нарушителей?

На одной из стратегических сессий меня спросили, какой я вижу Счетную палату через несколько лет. В идеале она представляется мне серверной комнатой, куда стекаются данные, и некоторым числом аналитиков, настраивающих алгоритмы обработки данных и дающих рекомендации по принятию решений. Фактически объект проверки должен представать в виде цифрового двойника, данные по которому накапливаются и используются в дальнейшем. Для этого необходимо повысить объем доступных данных и их качество на входе — сейчас с этим возникают определенные проблемы. Кроме того, требуется переквалифицировать наш персонал, чтобы специалисты перешли от описательной работы и констатации фактов к аналитической работе в ее классическом понимании — выявлению закономерностей и выдаче рекомендаций по мерам воздействия.

Разумеется, это идеальная картина. И мне кажется, что она совершенно точно полностью недостижима на горизонте ближайших пяти или даже десяти лет. Но в будущем к ней надо стремиться.

- Какие сейчас существуют проблемы с данными и как вы их пытаетесь решать?

Больше всего проблем с качеством. Как показывает практика, у всех информационных систем есть человек, отвечающий за их работоспособность, но нет ответственного за качество данных в них. Никого не наказывают за несвоевременность внесения данных и их ошибочность. Как результат, информация в различных системах становится противоречивой и неполной. Поэтому всегда актуален вопрос, имеем ли мы право полагаться на такие данные в своей работе.

«Что делать?» — самый интересный вопрос. В коммерческих компаниях он решается существенно проще: на качество поступающих данных можно влиять, взаимодействуя с контрагентами и поставщиками данных. И это происходит. Показательным является повсеместный переход на электронный документооборот, включая финансовый и налоговый.

С государственными организациями сложнее — необходимо внедрить нормативную базу, которая закрепляет ответственность за данные, и разработать механизмы, обеспечивающих выполнение этих нормативов. Нельзя допустить, чтобы строгость законов компенсировалась необязательностью их исполнения.

- О чем вы хотели бы услышать на форуме «Управление данными — 2019»?

В первую очередь — практические кейсы. Сейчас область работы с данными стала очень спекулятивной темой. Из пяти поставщиков четыре преувеличивают свои успехи в этом направлении. На рынке высоко ценится реальный опыт как подрядчиков, так и заказчиков — критерии выбора продуктов и условия, в которых они внедрялись. Интересны кейсы всех компаний, которые сейчас работают этом направлении, в первую очередь с точки зрения возможности их применения у нас — как технологического, так и управленческого.

Роль директора по данным становится все более популярной, беря организации штурмом.

В компании Capital One первый директор по данным (Chief Data Officer, CDO) был назначен в 2002 году. В течение дальнейших десяти лет всего несколько организаций решили последовать ее примеру, однако в 2018 году, согласно проведенному NewVantage Partners опросу, уже 62,5% компаний, входящих в список Fortune 1000, сообщили, что в их организации имеется директор по данным.

Директор по данным отвечает за целый ряд связанных с данными функций, охватывающих управление данными, контроль за их качеством и создание стратегии управления данными. Кроме того, он несет ответственность за анализ данных и бизнес-аналитику, а также за процесс извлечения из данных ценных сведений. При этом некоторые функции управления данными могут быть отданы на откуп ИТ-службе, а анализ – главному аналитику, функционал которого пересекается с функционалом директора по данным.

Роль и обязанности директора по данным

Директор по данным входит в состав высшего руководства и отвечает за использование данных и управление ими в масштабах всей организации. Хотя должность директора по данным часто сокращается до аббревиатуры CDO, не надо путать ее с должностью директора по цифровым технологиям (chief digital officer), к которому также применим акроним CDO.

«Директор по данным – член высшего руководства компании, ориентированный на задачи бизнеса, понимающий стратегию и направленность бизнеса и думающий о том, как подкрепить все это данными», – указала Каролина Каррузерс, директор консультационной компании Carruthers and Jackson, бывший директор по данным Network Rail и соавтор книги 'The Chief Data Officer's Playbook and Data-Driven Business Transformation: How to Disrupt, Innovate and Stay Ahead of the Competition' («Тактика директора по данным и трансформация бизнеса, ведомая данными: как совершить прорыв, сделать ставку на инновации и обойти конкурентов»).

Хотя некоторые технические и ИТ-директора рассматривают появление директора по данным как посягательство на их территорию, Каррузерс считает, что сферы их ответственности отличаются друг от друга. Директора по данным отвечают за качество данных, управление основными и прочими данными, информационную стратегию, науку о данных и бизнес-анализ.

«Разница между директором по данным и ИТ-директором, на мой взгляд, вполне ясна, и здесь я зачастую использую аналогию с ведром и водой, – отметила Каррузерс. – ИТ-директор отвечает за ведро. За то, чтобы оно имело нужные размеры, находилось в нужном месте, в нем не было дыр и использование его было безопасным. Директор по данным отвечает за содержимое, которое находится в ведре и выливается оттуда, за его качество, перемещение в правильное место и организацию правильного потока. Ведро и вода не работают друг без друга».

Директор по данным и главный исследователь данных

«Хотя директор по данным и главный исследователь данных (chief data scientist) выполняют разные роли, их вполне может совмещать один человек, – указал партнер кадрового агентства BrainWorks Гай Гомис. – Совмещение позволяет собрать все лучшее, которое имеется в своем классе. Большинство лидеров в области исследования данных хотят держать под контролем стратегию обработки данных и обращение компании с данными. Им хочется, чтобы все вопросы, связанные с изучением данных, решались при их участии. Если вы постоянно занимаетесь соответствующими вопросами, в этом действительно есть смысл. Именно от исследования данных зависят ценности, которые приносят данные, поэтому аналитика является очень важной функцией. Вместе с тем нужна хорошая стратегия данных, необходимо управлять ими, иначе вы не получите данные должного качества для анализа. Лучше всего иметь стратегию, разработанную директором по данным, и главного исследователя данных, который ведает аналитикой, работая в тесной связи с ИТ-директором».

Кому должен подчиняться директор по данным?

Хотя должность директора по данным быстро завоевывает популярность в организациях, по свидетельству NewVantage, мнения в отношении ее важности и полномочий расходятся. Опрос показал, что 39% его участников относят директора по данным к числу руководителей, отвечающих за стратегию данных и ее результаты. При этом 61% респондентов отнесли его к числу топ-менеджеров, полагая, что у него нет какой-то одной сферы ответственности. А 50% считают, что директор по данным должен входить в состав руководящего органа, хотя многие и не согласны с этим.

По словам Каррузерс, подчиненность директора по данным в организации может варьироваться, но логичнее всего было бы подчинить его генеральному или исполнительному директору.

«Единственным абсолютно неверным решением я считала бы подчинение его ИТ-директору, – заметила она. – Поскольку роль эта развивается и совершенствуется, ее нужно подчинить кому-то из непосредственного руководства бизнесом. Директор по данным постепенно приближается к высшему уровню, на котором он и должен находиться. На мой взгляд, ИТ-директор и директор по данным должны поддерживать тесные партнерские отношения, а когда один подчинен другому, партнерство между ними невозможно».

Директор по данным Dun & Bradstreet Энтони Шриффиньяно, подчиняющийся генеральному директору компании, заметил, что точного ответа на вопрос о том, кому должен подчиняться директор по данным, у него нет: «Я видел, как этот человек играет определенную роль в сфере финансов, ИТ, маркетинга, исследовательской и проектной деятельности и даже разработки продуктов. Зачастую это новая роль, созданная человеком, который перерос предъявляемые к нему требования, и находится в той части организации, которую сам и создал. Но из этого вовсе не следует, что там он и должен оставаться».

Чего ждать от директора по данным

Согласно опросу NewVantage Partners, 34% руководителей компаний, входящих в список Fortune 1000, считают, что успешный директор по данным должен быть внешним проводником изменений со свежими перспективами. При этом 32% придерживаются противоположной точки зрения: по их мнению, на роль успешного директора по данным больше подходит ветеран, понимающий историю и культуру организации. Респонденты разошлись и во взглядах на образование директора по данным: 23% убеждены в том, что успешный директор по данным должен иметь подготовку в области исследования данных или соответствующих технологий, тогда как 11% видят его в числе руководителей, которые отвечают за финансовые результаты.

По словам Гомиса, доводилось ему наблюдать и директоров по данным с маркетинговой подготовкой, причем некоторые из них являлись даже обладателями степени MBA и ранее никогда не работали в сфере анализа данных. «Во многих случаях их деятельность заканчивалась провалом, но в пригласивших их компаниях считали, что навыки, привнесенные извне, окажутся более важными, чем опыт анализа данных».

Для директоров по данным, попавших в сложную ситуацию, весьма полезными оказываются навыки общения с людьми. «Одна из самых серьезных ошибок связана с непониманием целей и ожиданий, – указал Гомис. – За последние три года я наблюдал смену очень многих директоров по данным. Текучка кадров здесь просто невероятная. Все это свидетельствует о том, что ожидания компаний не совпадают с ожиданиями кандидатов».

Очень часто нереалистичные ожидания исходят со стороны работодателя. «Главная ошибка, совершаемая компаниями, заключается в том, что они ждут от привлекаемого человека решения их проблем, – пояснил руководитель направления данных и анализа консультационной компании Russell Reynolds Associates Джастин Черилли. – На самом же деле вы только приступаете к решению проблем – принятие сложных решений впереди. Вы начинаете интересоваться, что представляют из себя наши люди и наши процессы, как мы меняем нашу культуру. Ради достижения конечного результата генеральный директор разрешает директору по данным поменять все, что тот сочтет нужным, но при этом сам он не желает никаких изменений».

Зарплата директора по данным и вакансии

Анализ компенсаций, проведенных компанией PayScale, показал, что средняя зарплата директора по данным составляет 177 405 долл. в год, включая все виды бонусов, и может варьироваться в пределах от 118 427 до 313 791 долл. (Желаем отечественным CDO американских зарплат. — CIO.RU.)

Поиск вакансий директора по данным на сайтах Indeed.com и LinkedIn показал, что спрос на соответствующих специалистов есть в целом ряде отраслей, включая ретейл, СМИ, страхование и государственное управление.

Определенное представление о сфере ответственности директора по данным позволяет получить выборка из его должностных обязанностей, к которым относятся: разъяснение и пропаганда видения данных как критической составляющей стратегии роста; формирование стратегических политик доступа к данным; разработка и претворение в жизнь централизованной стратегии управления данными для увеличения доходов; надзор за управлением данными, инвестициями в них и партнерством; а также поддержание отношений с коллегами из высшего руководства на стратегическом уровне.

Сегодня компании заняты поиском высокомотивированных и опытных новаторов, способных помочь им в достижении ощутимых результатов, а также руководителей высшего звена, которые осуществляли бы контроль над данными и аналитическими подразделениями на протяжении семи и более лет.