Статьи

Рост продолжительности жизни, заболеваемости хроническими недугами и нехватка медицинского персонала подняли гигантскую волну интереса к искусственному интеллекту — именно с этими технологиями связано больше всего надежд на повышение эффективности здравоохранения. В мире уже есть примеры использования искусственного интеллекта не только в системах поддержки принятия врачебных решений, в телемедицине и удаленном мониторинге пациентов, но и в управлении здравоохранением. Однако основным фокусом конференции «Искусственный интеллект в медицине», на которую Ассоциация «Национальная база медицинских знаний» собрала в Салехарде специалистов из множества регионов, стало применение искусственного интеллекта именно в клинической практике.

«Разработка искусственного интеллекта в медицине — это не айтишная, а врачебная история, — уверен Александр Гусев, член наблюдательного совета НБМЗ. — Создавая сервисы на базе искусственного интеллекта, важно проводить клинические исследования их эффективности и, главное, — безопасности».

Искусственный интеллект эффективен в узких задачах. Разработки участников ассоциации испытывают в Кировской, Новгородской, Тульской и других областях, но предмет особой гордости — совместный проект в Ямало-Ненецком автономном округе. Здесь больницы опробовали сразу два продукта: Webiomed, разработанный компанией К-МИС, для профилактики сердечно-сосудистых заболеваний и Botkin AI, созданный «Интеллоджик», для поиска очагов на компьютерных томограммах (КТ) легких.

По сравнению с другими российскими регионами на Ямале относительно низкая смертность, неплохая обеспеченность медицинскими кадрами и высокий уровень информатизации здравоохранения — 96% медкарт ведутся в электронном виде. Тем не менее проблемы есть, в том числе перегруженность врачей рутиной, так что задач для искусственного интеллекта предостаточно. «Мы очень боялись, что наши врачи окажутся загружены еще больше, а результата они не увидят», — рассказал Сергей Новиков, директор Департамента здравоохранения ЯНАО. — К счастью, опасения не оправдались». Врачи получили цифрового помощника, облегчающего их работу, при этом вносить дополнительные данные им не потребовалось.

Профилактика

В городе Муравленко с помощью технологии машинного обучения сумели оценить риски развития сердечно-сосудистых заболеваний всего взрослого населения. Для обучения были использованы данные городской больницы — более 1,3 млн медицинских документов.

Медицинская информационная система (МИС) автоматически анализировала электронную медкарту пациента (ЭМК) и отправляла запрос на анализ в интегрированную с ней облачную систему поддержки принятия врачебных решений Webiomed. Выявленные факторы риска и их оценка выводились врачу в интерфейсе МИС. Обработка информации об одном пациенте в зависимости от объема его карты занимала в среднем от полуминуты до двух минут, а все прикрепленное население (25 тыс. человек) оценили примерно за пять суток.

«У нашей больницы теперь есть возможность запускать анализ ЭМК по терапевтическим участкам в ночное время, когда все отдыхают, и не спит только искусственный интеллект», — сообщила Елена Климович, завотделением медицинской профилактики Муравленковской горбольницы. Результаты анализа заносились в ЭМК, и дальше врачи работали с пациентами, отнесенными к группам высокого и очень высокого риска, и адресовали им рекомендации искусственного интеллекта по устранению факторов риска.

Такая оценка риска сердечно-сосудистых заболеваний всего населения не проводилась еще ни разу — она была просто невозможна силами врачей. В ходе диспансеризации за год удавалось охватить лишь 10-15% населения. К тому же врачи сосредоточены главным образом на лечении, профилактика зачастую отодвигается на второй план. «Webiomed выявила в семь раз больше пациентов с высоким риском, чем карты диспансеризации», — сообщил Сергей Токарев, главный специалист по медицинской профилактике Депздрава ЯНАО. В 60% случаев система оценила риск выше, чем врач.

Система просчитывает риск сразу по четырем методикам, столь всестороннюю оценку врач на обычном приеме сделать не в силах. «Разные шкалы и клинические рекомендации дают разные результаты, — пояснила Климович. — Переложив эту работу на искусственный интеллект, мы получаем более правильный прогноз развития заболеваний».

В ходе проекта врачи не только обучали программу, но и сами учились правильно применять скрининг. Поэтому по мере доработки алгоритмов и совершенствования оценки по всей совокупности факторов доля пациентов с очень высоким риском выросла с 11% до 29%. Более 600 отобранных искусственным интеллектом пациентов с высоким риском были приглашены на осмотр и 67 из них уже поставлены на диспансерный учет. «Мы готовы и хотим продолжать», — сказала Климович. По ее мнению, необходимо развивать проект, добавляя в него новые возможности: поиск ошибочных или пропущенных заболеваний, контроль выполнения клинических протоколов и маршрутизации пациента.

Елена Климович: «У нашей больницы теперь есть возможность запускать анализ ЭМК по терапевтическим участкам в ночное время, когда все отдыхают и не спит только искусственный интеллект»

Диагностика

Поскольку лучевых исследований, выполненных на цифровом оборудовании, становится заметно больше, а число врачей остается почти неизменным, в радиологии очень активно применяются системы компьютерного анализа изображений и искусственного интеллекта. В первую очередь они используются в скрининге и ранней диагностике при обработке больших массивов данных и выборе изображения с патологией для дальнейшего анализа врачом. Вторая традиционная область — решение узких специализированных и трудоемких задач, таких как анализ и сравнение объемов очагов, оценка перфузии. «Такие программы существуют и без искусственного интеллекта, но он позволяет это делать лучше», — подчеркнул Валентин Синицын, завкафедрой лучевой диагностики и лучевой терапии факультета фундаментальной медицины МГУ им. М. В. Ломоносова. Помощь врачу заключается, в первую очередь, в уменьшении ошибок и увеличении точности диагностики, а также написании стандартизованных заключений, рекомендациях по тактике лечения, распределении нагрузки на персонал и оборудование в зависимости от потока пациентов.

Но системы, работающие по определенному алгоритму, не могут улучшаться самостоятельно, поэтому радиологи все чаще обращаются к нейронным сетям, которые cамообучаются на больших массивах размеченных данных. Кроме того, их привлекают программы, которые по заданным параметрам ищут «похожие» изображения в больших базах изображений с известными диагнозами. Предпринимаются также попытки создать системы, способные прогнозировать на основе структурного анализа обнаруженных очагов ответ организма на лечение.

Чему уже успел научится Botkin AI? На Ямале эта система проанализировала просмотренные врачами за полгода КТ легких, выгруженные в региональный архив изображений из четырех больниц. На участки, вызывающие подозрение на наличие раковых очагов, наносилась цветовая маркировка. Таким образом было повторно пересмотрено более тысячи КТ 402 пациентов. Из них искусственный интеллект отобрал исследования 45 человек, которые были направлены к докторам онкоцентра для интерпретации. Снимки разделили на нормальные и патологические, и окончательное решение по этим случаям принималось рентгенологическим консилиумом. В итоге у 21 пациента был подтвержден рак легких, причем двое из них — это впервые обнаруженные больные, благодаря искусственному интеллекту они получили направление на консультацию торакального хирурга.

Чтобы повысить клиническую ценность этого, по сути, научного исследования, следует добавить данные из других больниц и анализировать не только завершенные, но и текущие исследования.

«Метод показал высокую чувствительность, хочется, чтобы разработчики повысили и специфичность», — отметил Сергей Партс, заведующий региональным онкоцентром Салехардской окружной клинической больницы. Сергей Сорокин, гендиректор компании «Интеллоджик», объяснил, что при повышении специфичности снижается чувствительность. Достигнутая в ямальском проекте специфичность 0,5 при высокой чувствительности — один из лучших показателей в мире. Сочетание экспертизы врача с его высокой специфичностью и искусственного интеллекта с высокой чувствительностью позволяет добиться большей точности распознавания. А уровень российских врачей достаточно высок, процент пропущенных ими случаев был минимальным во всех четырех пилотных регионах, отметил он. Тем не менее, в масштабе страны искусственный интеллект уже сейчас способен помочь врачам вовремя обнаружить злокачественные новообразования у десятков тысяч пациентов, хотя пока речь идет только об отдельных патологиях.

В Мурманской области, где к изучению возможностей искусственного интеллекта подталкивает дефицит врачей, на 250 обработанных КТ легких Botkin AI нашел три ранее не описанных рентгенологами патологии, в том числе две злокачественных. В ближайшее время в пилотных регионах планируют применить Botkin AI также при анализе маммограм, рентгенограмм и флюорограм.

«В скрининге наряду с клинической эффективностью немаловажную роль играет экономическая эффективность. Давайте идти не от того, что мы можем, а от реальных задач», — призвал коллег Виктор Гомболевский, руководитель отдела развития качества радиологии НПКЦ диагностики и телемедицинских технологий Депздрава Москвы.

Терапия

В отличие от диагностики, в терапии многие вещи не алгоритмизированы, здесь еще больший вес имеет экспертное и личное мнение. «Мы приветствуем цифровизацию здравоохранения, так как реальная ситуация сегодня такова: мы не знаем, чем врачи лечат болезни пациентов», — заявил Максим Фролов, исполнительный директор Ассоциации клинических фармакологов. По его словам, проблема в том, что ни один главный кардиолог или онколог не может увидеть на своем рабочем месте, что пациентам где-то неправильно были назначены лекарства. Это невозможно не только на уровне региона, но и на уровне районной больницы: пригодных для анализа листов назначений пока нет.

Врачам нужны системы, помогающие рассчитывать дозировки препаратов и курсы лечения, необходимы удобные справочники, автоматически определяющие отклонения от нормы, а руководителям — прогностические системы, просчитывающие риски при выборе лекарств, отслеживающие фармакологические тенденции и указывающие на отклонения от них в реальной клинической практике региона. Клинические фармакологи оценивают рациональность терапии тяжелых и сложных пациентов с высокими рисками нежелательных реакций, которым назначается много препаратов, и система, помогающая быстрее и легче оперировать информацией, несомненно будет ими востребована. Но прогресс в этой области не столь быстрый, поэтому современные врачи любой специальности должны тесно общаться с разработчиками ПО, считает Фролов. Пока системы поддержки принятия решений не показали качественного скачка в своем развитии: лучшие из них по-прежнему эффективны примерно на 80%.

Естественные препятствия

Вариативность, разнородность и изменчивость объектов анализа (людей и болезней) делают задачу развития искусственного интеллекта в медицинской информатике весьма не простой. «Ложноположительные результаты, находки, имеющие статистическую значимость, но не имеющие значимости клинической — бич, осложняющий работу с большими данными без специальных методологий», — отметил Алексей Незнанов, старший научный сотрудник факультета компьютерных наук ВШЭ. Положение усугубляют также противоречивые цели заинтересованных лиц, часто меняющиеся правила и очень плохое качество данных. «Ни один компьютер не разберется, что стало основанием для изменения стандартов оказания медицинской помощи за последние десять лет», — заметил он. Получить большие и качественные наборы данных трудно как из-за законодательных барьеров, так и по причине отсутствия механизмов и стандартов автоматической обработки сырых данных в МИС.

«Нужно учитывать, что хорошие результаты работы алгоритма в одной клинике не означают хороших результатов в другой, и тому виной отличия в параметрах сканирования», — напомнил Леонид Анопченко, заместитель главврача по диагностической работе Мурманской областной больницы им П.А. Баяндина. Не случайно в области начали создание центрального архива медицинских изображений со стандартизации этих параметров и данных, используемых для машинного обучения.

По убеждению Незнанова, не стоит сводить искусственный интеллект к машинному обучению — оно является всего лишь одним из методов решения узкого класса задач классификации и ранжирования. Гораздо более интересная область — управление знаниями, включая их создание, порождение понятий, онтологическое моделирование, а также извлечение из медиаданных и неструктурированных текстов. В медицине все большую значимость приобретают так называемые явные знания в виде всевозможных онтологий.

Один из главных факторов, сдерживающих внедрение искусственного интеллекта в радиологии, — нерешенные вопросы юридической ответственности и регистрации ПО как изделия медицинского назначения, добавил Синицын. Еще один «ящик Пандоры» — появление бесплатных приложений на основе искусственного интеллекта. Пациенты вскоре получат доступ не только к своим данным, но и к инструментам их анализа, и последствия очень тревожат специалистов. Ведь, обладая лучшей памятью и вниманием, искусственный интеллект ошибается, как и человек.

В рамках форума BIG DATA 2019, организованного издательством «Открытые системы», состоялся круглый стол с номинантами премии CDO Award. Участники обсудили вопросы формирования стратегии, кросс-функционального взаимодействия и подходов, наиболее эффективных при поиске идей монетизации данных.

Три года назад, когда речь заходила о стратегии управления данными, это вызывало удивление. Два года назад о ней говорили как о направлении движения и развития подходов к управлению данными. Сейчас стратегия в том или ином виде появилась у всех крупных компаний, причем она включена в корпоративную стратегию, что само по себе можно считать колоссальным прогрессом.

Все участники дискуссии сошлись на том, что если не всеобъемлющая стратегия управления данными, то по крайней мере ее элементы должны быть. В первую очередь это подразумевает понимание приоритетов бизнеса, в соответствии с которыми решаются технические вопросы: выбор архитектуры, построение инфраструктуры, поиск и обогащение данных. При этом на практике стратегия существует по принципам Agile: формируется, проверяется на деле, подвергается коррективам и т. д.

«Стратегия — не монумент, высеченный в камне, а живой организм. Если не корректировать в процессе работы направление движения, можно прийти совсем не туда, куда планировалось изначально», — подчеркнул Антон Мироненков, директор по большим данным X5 Retail Group. Однако без стратегии нельзя идти вперед, особенно в крупной организации, следует хотя бы задать направление.

«Нужна цель. Кораблю без порта назначения никогда не дождаться попутного ветра», — согласился Юрий Сирота, руководитель департамента искусственного интеллекта и анализа данных банка «УРАЛСИБ». В «УРАЛСИБе» офис CDO располагается в блоке стратегического развития, поэтому вся деятельность началась именно с написания стратегии. Более того, в трехлетней стратегии развития банка, утвержденной недавно, отдельным пунктом выделена стратегия управления данными и их монетизации. Она является вспомогательным инструментом для реализации стратегии банка.

Игра на чужом поле

Как побудить бизнес выполнять обязанности владельцев данных, какими приемами пользоваться? Не секрет, что такие инициативы идут тяжело, но без активного вовлечения бизнеса не обойтись, и роль CDO здесь является ключевой. Как на практике удается продавать эту тему бизнесу?

«Обычно все в компании хотят, чтобы появилась волшебная кнопка, позволяющая решать существующие проблемы, но участвовать в ее создании не желают, — признал Мироненков. — Каждый раз идут многократные обсуждения. Несмотря на то, что вся дорожная карта развития больших данных включена в корпоративную стратегию, а дирекция больших данных напрямую подчиняется генеральному директору, все равно приходится непросто».

Ретейл мыслит относительно короткими временными отрезками, он не думает на 10 лет вперед. Если сегодня товар не продан, завтра его продать уже точно не удастся, а потому разговоры об эффектах, достигаемых через год, не находят понимания. Бизнес интересуется своими показателями: выручкой, прибыльностью и т. п. Лишь когда удается заинтересовать его, начинается диалог о том, как этих результатов достичь. И если для более эффективной работы нужны данные, бизнес поможет. По-другому уговорить его не получится.

«Нам очень сильно помогает то, что культура компании ориентирована на непрерывное повышение операционной эффективности», — отметил Александр Айваз, руководитель функции «Управление корпоративными данными» «СИБУРа». Данных традиционно не хватало, однако спрос на них сформировался сам собой. Пионерами стали подразделения, наиболее готовые к работе с данными, а популяризация их опыта и успехов привела к тому, что идеи были быстро подхвачены.

«Когда мы два года назад начали свою работу, бизнес-подразделения — доменный, сталеплавильный цеха и т. п. — были совершенно не готовы. Их руководство не было против, но абсолютно не понимало, о чем идет речь. Мы “высаживались в поля”, разговаривали с мастерами, пытались найти задачи, которые можно решить с помощью машинного обучения и оптимизации процессов на его основе, — рассказал Анджей Аршавский, директор по анализу данных и математическому моделированию НЛМК. — Предварительная работа отняла много времени и сил, но когда появившиеся первые решения начали приносить прибыль, бизнес стал воспринимать наши идеи. Сейчас внутри подразделений начинают зарождаться заказчики цифровых решений. Эти заказчики, с одной стороны, должны очень глубоко понимать производственные процессы, а с другой — суть анализа данных и возможности его применения».

«Успешные проекты упрощают решение всех вопросов. Видя примеры монетизации данных, бизнес выстраивается в очередь», — констатировал Сирота. Действительно, можно долго говорить про будущее, но настоящее всем гораздо интереснее. И чем больше ожидается экономический эффект, тем больше у бизнес-заказчиков желания сотрудничать.

«Мы всегда “играем на чужом поле” — в зоне ответственности подразделений HR, продаж, маркетинга и т. п. — и накопили большой опыт кросс-функционального взаимодействия. Восприятие наших усилий со стороны коллег далеко не всегда безоблачное», — отметил Леонид Ткаченко, директор департамента Big Data МТС. По его словам, многие руководители опасаются, что будут выглядеть не в лучшем свете на фоне чужих успехов. Поддержка первых лиц компании ощутимо помогает внедрять уже работающие инструменты.

Важно находить союзников внутри организации, а они появятся только тогда, когда будут получать пользу — пусть небольшую, но дающую быстрый и понятный эффект.

1.  
2.  
3.  
4.  
5.  

Юрий Сирота: «Успешные проекты упрощают решение всех вопросов. Видя примеры монетизации данных, бизнес выстраивается в очередь»

Антон Мироненков: «Должен ли хороший data scientist уметь готовить для себя данные? Конечно должен. Может ли человек, занимающийся подготовкой данных, заниматься их анализом? Вполне. Но у нас этим заняты разные люди»

Александр Айваз: «Если какому-либо подразделению понадобится проверить ту или иную гипотезу, оно вполне может реализовать проект самостоятельно — данные для этого уже есть»

Анджей Аршавский: «Примерно через 10 лет в компании будет налажено автоматически управляемое производство, основанное на глобальной оптимизации — от добычи и закупки сырья до конечных стадий производства. Это возможно сделать существующими технологиями, но предстоит большая работа»

Леонид Ткаченко: «Непосвященные люди ждут от big data эффекта, гораздо большего, чем реально возможный. Второго телекома из этого направления не вырастет — это стало очевидным за три года работы»

Пред.След.

Как заработать на данных?

«Что касается оптимизации локальных процессов, то у нас уже имеется выверенный подход, практически конвейер», — поделился Аршавский. На первом этапе несколько аналитиков общаются с производственниками и генерируют идеи. В офисе их перерабатывают в карточки инициатив — определяется, что именно надо сделать и каков будет принцип работы этой системы, оценивается предварительный эффект. После этого инициатива попадает в воронку приоритизации, где оценивается по разным критериям: сколько денег можно заработать, есть ли в наличии данные, как это стыкуется с приоритетами компании. Получается список (и сейчас он в НЛМК достаточно велик), из которого выбирается очередная задача, и начинается пилотный проект, построение модели. Если результат инициативы положительный, она переходит в проектную стадию, это подразумевает привлечение серьезных ресурсов и разработку полноценного решения с проведением промышленных испытаний и вводом в эксплуатацию.

Смотря в будущее, в НЛМК видят «суперцель». Она заключается в том, что примерно через 10 лет в компании будет налажено автоматически управляемое производство, основанное на глобальной оптимизации — от добычи и закупки сырья до конечных стадий производства. «Это возможно сделать с помощью существующих технологий, — уверен Аршавский. — Но предстоит большая работа. Мы проводим локальные проекты, чтобы будущие, большие решения стали возможными».

«У нас есть два направления: внутренняя монетизация и внешняя монетизация. Внешняя — то, на чем мы зарабатываем деньги извне, внутренняя — то, что влияет на показатели всей компании», — рассказал Мироненков. Пока на 80% это внутренняя монетизация, причем во всем мире ситуация похожая. Направления для реализации проектов определяют исходя из ожидаемого эффекта.

Это может показаться странным, но в МТС большинство проектов тоже внутренние. «Проблема в том, что непосвященные люди ждут от больших данных эффекта, гораздо большего, чем реально возможный. Второго телекома из этого направления не вырастет — это стало очевидным за три года работы», — посетовал Ткаченко. Да, по мере появления опыта эффективность проектов, направленных вовне, растет, но в масштабах телеком-бизнеса это капля в море. Нынешний потенциал внутренней оптимизации гораздо выше, но он конечен, и после нескольких раундов оптимизации эффекты иссякнут. Если будущее у больших данных есть, то оно кроется именно во внешних проектах — построении сервисов, основанных на данных. «Пока соответствующего рынка в России нет, все продукты на основе данных идут со скрипом, и это очень небольшие деньги», — признает Ткаченко.

Кому тащить рояль?

Для российского рынка характерно разделение двух должностей — Chief Data Officer (CDO) и Chief Data Scientist (CDS). Компании в большинстве случаев назначают ответственных за подготовку данных и отдельно — за их монетизацию. Каковы плюсы и минусы этих подходов?

«Это вопрос готовности каждой организации. Нам были нужны практические решения, поэтому мы шли от монетизации — придумывали задачи и реализовывали их на основе имеющихся данных», — подчеркнул Аршавский. Часто данных не хватало и вставали вопросы об их подготовке и доступности. Так появилась единая дирекция, занимающаяся задачами работы с данными и их анализа. Тем не менее вопрос управления данными довольно объемный и требует специфических компетенций. Возможно, уже в ближайшем будущем в НЛМК эти функции будут разделены.

В «СИБУРе» изначально пошли по пути разделения этих функциональных ролей. Был создан офис данных — функция «Управление корпоративными данными», где формируют стандарты, строят платформу управления данными. В соседней функции цифровизации создано направление продвинутой аналитики. Их ключевое различие — разная модель работы с компанией.

«У нас была создана отдельная команда для работы с каждой функцией, а в каждой функции есть data-партнер, который управляет взаимоотношениями с заказчиком. В функции цифровизации команды делятся по продуктовому принципу, реализуя подходы Agile», — объяснил Айваз.

В «СИБУРе» не хотят, чтобы работа с данными превратилась в узкое горлышко: если какому-либо подразделению понадобится проверить ту или иную гипотезу, оно вполне может реализовать проект самостоятельно — необходимые данные уже есть. В этом заключается перенос стратегии цифровизации в массы — заставить работать на эту цель всех.

В «УРАЛСИБе» тоже созданы две разные роли, и это было обусловлено стремлением распараллелить два процесса — создание данных и их анализ. К тому же сложно объединить необходимые компетенции в одном человеке.

«Я глубоко убежден, что в идеале это должна быть одна роль, — признался Сирота. — Тем не менее, если ваш подход работает, его можно признать правильным, если же есть проблемы и конфликты, подход надо менять». Все очень индивидуально и зависит от компетенций, существующих в организации. Гораздо чаще встречается ситуация, когда CDO выступает «подносчиком патронов» для Chief Analytics Officer, занимающегося вопросами монетизации.

«Всегда есть оргструктура, “нарисованная” HR-службой, и есть реальная жизнь. Должен ли хороший data scientist уметь готовить для себя данные? Конечно должен. Может ли человек, занимающийся подготовкой данных, заниматься их анализом? Вполне. Но у нас этим занимаются два отдельных специалиста», — отметил Мироненков. Важно исходить и из здравого смысла: сильный, «матерый» data scientist — очень редкий и ценный сотрудник, и заставлять его заниматься подготовкой данных — по меньшей мере странно. Кроме того, в X5 Retail эти специалисты не нужны в продуктовой команде 100% времени и поэтому часто работают одновременно в нескольких.

Не следует забывать, что 80% усилий в проектах обычно затрачивается на подготовку данных — сбор, интеграцию, унификацию, консолидацию, обеспечение качества. Этим занимается CDO, он выполняет всю невидимую внешне неблагодарную работу, именно он «таскает рояль». А играет на этом рояле CDS — его работа гораздо более видима для бизнеса, и она приносит конкретный эффект — зачастую финансовый.

Сраженные обещаниями повысить гибкость бизнеса при одновременном сокращении затрат, ИТ-директора массово мигрируют в облако. Но аренда облачных сервисов порождает новые проблемы, связанные в том числе и с управлением счетами, которые заполняются тысячами строк, генерируемых экземплярами сервисов по всему миру.

Предприятия все чаще обращаются к FinOps (financial operations), дисциплине управления бизнесом, нашедшей воплощение в соответствующем аналитическом программном обеспечении, предназначенном для расчета стоимости обслуживания в публичных облаках. Такой подход должен помочь предприятиям лучше планировать, рассчитывать финансирование и прогнозировать требования к расходам при потреблении облачных сервисов.

Эксперты называют FinOps инструментом оптимизации затрат, которая приобретает критически важное значение по мере того, как компании переводят все больше своих ключевых ИТ-функций из самостоятельно контролируемых ЦОДов с постоянными затратами в облака с затратами переменными. По оценкам Gartner, до 2022 года рынок публичных облачных сервисов будет ежегодно расти почти на 17%, и к концу этого периода достигнет 360 млрд долл.

Как ни удивительно, именно в этом сегменте аналитики обнаруживают исключительное расточительство с точки зрения как расходования драгоценного бюджета, так и использования ресурсов. Из 300 руководителей финансовых и ИТ-служб, опрошенных 451 Research, 80% отметили, что слабое управление финансами в облачной сфере негативно отражается на их бизнесе; 57% ежедневно выражают обеспокоенность управлением облачными затратами, а 69% регулярно превышают заложенный облачный бюджет на 25% и более.

Экономика облака

«Облако – не только технологический феномен XXI века, но и экономическая модель, движимая цифровой трансформацией, – указывает автор облачной стратегии компании Capital One Бернард Голден. (Capital One Financial Corporation — американская банковская холдинговая компания, специализирующаяся на кредитных карточках, ипотечных кредитах, автокредитах, банковских и сберегательных продуктах. — Прим. перев.) – Облако – новая эпоха фабричного производства. Способность облаков автоматизировать функции и повышать эффективность работы компаний аналогична революции Генри Форда, которую тот устроил в автомобильной отрасли путем организации фабричного производства и автоматизации некоторых процессов, позволившей ускорить выпуск автомобилей. Подобно тому, как Форд сократил расходы на производство автомобилей за счет использования средств автоматизации, предприятия должны минимизировать свои затраты на облачное программное обеспечение путем их оптимизации и управления ими».

Многие крупные предприятия вводят должности разработчиков облачных стратегий, которые должны помочь анализировать и управлять облачными ресурсами. Роль Джозефа Дейли в качестве директора по облачной оптимизации в Nationwide заключается в том, чтобы определять характер операций компании в облаке. (Nationwide — одна из крупнейших в мире компаний в области страховых и финансовых сервисов. — Прим. перев.)

По мере перемещения вычислительных ресурсов в Amazon Web Services и Azure компания Nationwide столкнулась с вопросом выбора оптимальной облачной платформы. Сложность выбора «правильного» облачного сервиса является общей проблемой при переходе в облако. То же самое относится и к «черному ящику» облака в части понимания затрат на конкретные облачные сервисы. Счета за облачные сервисы, выставляемые AWS, Microsoft и другими провайдерами, становятся слишком подробными и громоздкими. FinOps помогает предприятиям отслеживать свои затраты на ресурсы процессора, памяти и хранения, внося соответствующие корректировки, связанные с выбором серверов, которые лучше подходят им с точки зрения ресурсов и требований.

Главное же, наверное, заключается в том, что FinOps помогает Дейли обсуждать с коллегами стоимость запуска в облаке конкретных бизнес-процессов. Коллегам его предстоит решить, что следует изменить, для того чтобы уменьшить сумму счета за потребление облачных сервисов. «С этого начинается корректировка операционной модели, которая способствует повышению прозрачности затрат», – замечает Дейли.

Прозрачность расходов имеет решающее значение и для Алекса Ландиса, финансового менеджера проекта разработки платформ AWS в AutoDesk. С его помощью компании удалось добиться серьезного прогресса в области перехода от продаж традиционных программ для построения чертежей к предоставлению аналогичных SaaS-сервисов в AWS и других облаках. Будучи бизнес-аналитиком по образованию, сегодня Ландис учится выстраивать платформу публичных облачных программных сервисов.

Благодаря централизации и внедрения политик управления AutoDesk уже удалось сэкономить на облачных затратах сотни тысяч долларов.

«Больше всего меня беспокоит внутреннее использование нашей облачной платформы, которое гарантирует нам более высокую эффективность и решение задач, которые помогут нашим клиентам добиваться более серьезных успехов, – подчеркивает Ландис. – Сюда относится в том числе и помощь руководству в понимании экономики и ценности облака. Определение целей и драйверов развития бизнеса является ключевым условием успешного управления облаком. Но реальность такова, что многие создают собственные практики FinOps буквально на лету. Это открытая новая концепция, в которой передовой опыт нарабатывается по мере нашего общего продвижения вперед».

Затраты на использование серверов в модели без серверов

Сопоставление потребленных услуг с выставленными за них счетами в «отчетах об использовании сервисов», генерируемых AWS, всегда вызывает немало трудностей у руководителей финансовых и ИТ-служб. Многие из них вынуждены прибегать к своеобразному реверс-инжинирингу в попытках выяснить, насколько запрашиваемые деньги соотносятся с реальными обращениями к API.

«Объемы обработки данных настолько велики, что вам приходится иметь дело со списком транзакций в сотни миллионов строк», – отмечает Джейсон Фуллер, возглавляющий направление операций и управления облаком в компании Here Technologies, разрабатывающей навигационные программы для автомобильной отрасли и других секторов.

Провайдеры облачных сервисов все чаще исключают из счетов упоминания о серверах, предлагая в качестве замены функции в виде сервиса (functions-as-a-service, FaaS). В этих условиях компании платят только за использование программного кода, который обеспечивает функционирование их приложений. Эти транзакции выполняются за доли секунды, генерируя еще больше строк еще быстрее, что приводит к значительному увеличению объемов и сложности выставленных счетов. «Когда вы пишете код для новой функции, обращение к сервисам происходит очень быстро, и массу людей можно обслужить за совсем небольшие деньги, – пояснил Фуллер. – Но при выполнении миллиардов транзакций количество таких обращений стремительно растет. И это вызывает у клиентов уже серьезные трудности».

С этим согласен и Дж.Р. Стормент, соучредитель компании Cloudability, выпускающей программное обеспечение FinOps для составления прейскурантов на потребленные предприятиями облачные сервисы.

"Каждый месяц мы видим счета за потребленные облачные сервисы, размеры которых в несжатом виде могут достигать 450 гигабайт, – говорит он. – Таков счет в текстовой форме только для одной компании за один месяц. Посекундный биллинг в сочетании с расширением ассортимента предлагаемых сервисов (у AWS он насчитывает более 200 тыс. единиц) и ростом популярности публичных облаков, обороты которых исчисляются уже девятизначными числами, порождают для крупных предприятий огромное количество данных".

В целях систематизации практик FinOps компания Cloudbility объединила усилия с Nationwide, AutoDesk, Here Technologies и прочими, сформировав некоммерческую ассоциацию FinOps Foundation (F2), которая сосредоточена на продвижении передового опыта и стандартов управления финансированием облачных сервисов.

Лучшие практики FinOps

Независимо от того, придерживаются ли компании рекомендаций F2 или же разрабатывают собственные методики, Голден выделяет четыре ключевые стратегии управления облачными затратами.

— Определите, кто и на что тратит. Для этого необходимо провести инвентаризацию ваших ресурсов и определить, к каким ресурсам имеют доступ приложения. Это особенно важно для предприятий, где тысячи людей обращаются к сотням приложений.

— Не запрашивайте газонокосилку там, где подойдет триммер. Является ли инстанс EC2 оптимальным для вас или же он избыточен? Используйте и платите только за то, что вам действительно нужно.

— Оптимизируйте расходы. Рассмотрите возможность использования зарезервированных экземпляров, резервирования ресурсов и мощностей в определенной зоне. Это позволит закупать вычислительные ресурсы, которые вам понадобятся, дешевле, чем при их потреблении по требованию.

— Создавайте приложения, которые «готовы для облака». Проектируйте свои приложения с учетом их горизонтального масштабирования. В этом случае вы сможете добавлять или убирать ресурсы по мере необходимости.

«Таковы на сегодняшний день лучшие практики в части управления облачными затратами, – подчеркивает Голден. – Что же касается поиска подходящего кандидата на роль менеджера по облачной стратегии или оптимизации облачных затрат, это должен быть человек, который хорошо соотносит бизнес-требования с тем, что предстоит построить компании. Никого с десятилетним опытом управления облачными затратами на рынке вы не найдете».

Почти две трети предприятий планируют перенос своих ERP-систем в облако или уже сделали это, несмотря на то что многие из них обеспокоены вопросами перемещения конфиденциальных данных, обеспечения безопасности и соблюдения требований регуляторов.

Таковы результаты опроса Cloud Security Alliance о планах переноса систем ERP, в котором принимали участие представители 200 организаций. И это лишь малый срез огромного рынка. В отчете CSA's Impact of Cloud on ERP утверждается, что в 2021 году предприятия потратят на облачные варианты ERP-систем 30 млрд долл., а на публичные облачные сервисы в целом – 266 млрд долл.

Наиболее распространенной причиной «переезда» ERP в облако является масштабируемость. На это указали 65% опрошенных. Далее следует уменьшение стоимости владения (61%), а также автоматические обновления и ликвидация брешей в системе безопасности (49%).

Опасения, связанные с облаками

Перемещение конфиденциальных данных заставило бизнес задуматься: 65% назвали это своим главным опасением при переносе ERP-систем в облако. Чтобы использовать собственные инструменты миграции, которые обеспечивали бы управление доступом и шифрование данных при их хранении и перемещении, предприятиям понадобится перестраивать свои системы с учетом особенностей облачных сред.

Это исключает быстрый перенос рабочей нагрузки в облако и может привести к тому, что проявившиеся проблемы с обновлением и управлением доступом останутся надолго. Помимо выбора желаемых серверных экземпляров и систем хранения предприятиям, желающим перенести свои ERP-системы в облако, придется выполнять еще массу проектных работ.

Вопросы безопасности волнуют 59% респондентов несмотря на свидетельства того, что безопасность в облаке может быть улучшена по сравнению с системами, развернутыми локально. По мнению CSA, сложности с безопасностью связаны не столько непосредственно с облаком, сколько с политиками, конфигурациями и технологиями самих предприятий. Около 95% инцидентов с безопасностью в облаке происходит по вине самих клиентов.

В целом, предприятия удовлетворены безопасностью своих систем: согласно заявлениям 51% опрошенных, в последние два года никаких происшествий, связанных с безопасностью их ERP-систем, не было. При этом 44% придерживаются более реалистичной точки зрения, отмечая, что о возникновении таких ситуаций им неизвестно. На оставшиеся 5% приходится в среднем 3,8 инцидента за последние пару лет.

Участникам опроса было предложено перечислить продукты безопасности, защищающие их облачные ERP-сервисы. Выяснилось, что 68% используют системы управления доступом и идентификацией, 63% – межсетевые экраны, 62% – средства оценки уязвимости и 59% – системы обнаружения и предотвращения вторжений (intrusion detection and prevention system, IDS/IPS). Лишь 38% упомянули о системах управления информационной безопасностью и событиями (security information and event management system, SIEM) и 29% о брокерах безопасного доступа в облако (cloud access security broker, CASB).

К другим проблемам, связанным с перемещением ERP в облако, относятся вопросы необходимости соблюдения нормативных требований (54%), сбои при выполнении бизнес-операций в процессе миграции (47%) и время, необходимое для переноса данных (46%).

Просчеты при миграции

У предприятий есть веские причины беспокоиться о задержках, связанных с переносом данных: 90% руководителей ИТ-служб уже столкнулись с тем, что из-за сопутствующих этому процессу сложностей миграция идет не так, как бы им хотелось. Только четверть опрошенных сумели уложиться в заданные сроки. В среднем же процедура переноса данных занимает около года.

За несоблюдением сроков скрываются два важных момента: сложность точной оценки продолжительности переноса данных и непредвиденные проблемы, с которыми предприятиям приходится сталкиваться. Перенос данных нужно планировать исходя из наихудшего варианта и с гарантией того, что задержки не отразятся на ведении бизнеса.

После перемещения

Большая часть данных в конечном итоге оказывается в облаке Amazon Web Services (об этом сообщили 28% опрошенных) или Microsoft Azure (25%). О SAP упомянули 14%, об IBM – 10% и об Oracle – 8%.

Сравните это с информацией о производителях ERP-система, которые используют предприятия-респонденты. У 52% развернуты системы SAP (в компаниях, где численность сотрудников превышает 50 тыс. человек, их доля возрастает до 70%), у 36% – системы Oracle и у 24% – Microsoft Dynamics (при численности персонала менее 5 тыс. человек – на таких предприятиях работает половина опрошенных – доля систем Microsoft увеличивается до 50%).

Жизненный цикл инновационной технологии в любой крупной организации рано или поздно приходит к созданию центра компетенции по ней. Наталья Роменская, директор по цифровой трансформации ВТБ, возглавляющая сразу несколько таких центров, рассказала о подходах к развитию новых направлений в банке, подробно остановившись на RPA. Более детальный рассказ об этом опыте можно будет услышать на практической конференции «Роботизация бизнес-процессов — 2019», которую издательство «Открытые системы» проведет 23 апреля.

— Вы руководите несколькими направлениями: блокчейн, искусственный интеллект, RPA и т. д. В какой последовательности они появлялись в банке? Есть ли особенности в их развитии?

Официально мы называемся Группой развития технологических компетенций по направлениям RPA, биометрии, блокчейну и DSAI (Data Science Artificial Intelligence). Все эти направления в ВТБ появились практически одновременно.

Технология RPA — прикладное и абсолютно утилитарное решение для оптимизации бизнес-процессов, отличающееся простотой в разработке, высокой скоростью внедрения и относительной дешевизной применения. Основная задача его централизованного применения в банке — дать возможность раскрыть все преимущества этого инструмента и сделать его максимально эффективным.

Биометрия прежде всего значительно упрощает взаимодействие клиента с банком. Мы активно работаем над повышением качества и удобства реализации этой технологии, взаимодействуем с регулятором по этим вопросам и тщательно исследуем новые решения вендоров.

Тема блокчейна стала «хайповой» после многочисленных спекуляций на биткойне, но в банке мы изучаем только технологическую составляющую. Сама технология обладает огромным потенциалом как для банковского бизнеса, так и для других сфер. Основные преимущества блокчейна раскрываются, когда к решению на его базе подключаются несколько игроков вне контура банка.

Что касается DSAI, то в этом направлении мы разрабатываем модели и применяем их по бизнес-назначению. Основное назначение этого центра компетенции — предоставление экспертизы исследователей данных.

— Чем вы руководствуетесь, выбирая ту или иную технологию?

Механизм выбора в управлении цифровой трансформации ВТБ детально проработан. Есть период тестирования и прототипирования технологий. Это та стадия, когда мы исследуем наиболее перспективные технологии относительно их применения в банковском бизнесе. Мы создаем классическую «песочницу», в которую включаем небольшие по объему финансирования и краткосрочные проекты. В результате выполнения проекта появляются решения, успешность которых мы оцениваем. Здесь мы имеем право строить гипотезы, тестировать, подтверждать или опровергать наши предположения.

Если прототип успешен, то мы претворяем его в жизнь вместе с бизнес-заказчиком из банка. Тщательно подсчитываем затраты и делаем выводы об экономической целесообразности внедрения. Проект масштабируется, и решение полноценно используется.

Далее два варианта: либо больше спроса на технологию нет, либо мы понимаем, что решение интересно другим подразделениям и нужна масштабная его эксплуатация в разных процессах банка. В этом случае становится очевидной необходимость в процессном управлении.

У нас есть три столпа в управлении: регламентация, инфраструктура и коммуникации. Мы договариваемся о единых правилах, по которым работаем, о том, по каким критериям отбираем процессы для внедрения, как считаем эффективность, какую эффективность считаем достаточной для старта, как закупаем технологические платформы и какие именно. Также решаем некоторые процедурные моменты внутри банка. Это и есть регламентация.

Инфраструктурная часть — своего рода «кровеносная система» технологии. Это сугубо техническая часть: архитектура, тестовые контуры, поддержка. От того, насколько продуманы все детали, будут зависеть сроки и эффективность внедрения.

Также очень важна коммуникационная составляющая. Сотрудники должны не только хорошо знать инновационные продукты и возможности внутри банка, но и с энтузиазмом их поддерживать. Причем речь идет о сотрудниках всех уровней. Помимо внутренней коммуникации, не менее важно рассказывать о наших проектах вовне. И речь здесь не столько о желании во всеуслышание заявить: «А мы сделали это», сколько о том, чтобы обмениваться опытом с коллегами.

Все три эти составляющие жизненно важны, без них невозможно централизованное управление той или иной инновационной технологией.

— Каждая технология имеет свою степень зрелости, свою скорость развития, свои перспективы в банковском бизнесе. Как это влияет на стадии их развития внутри банка?

Технологии разные, они отличаются и степенью технологической зрелости, и скоростью адаптации, и сложностью имплементации. Какие-то — например, RPA — достаточно просты, и при выстроенной инфраструктуре и налаженном процессе их реализация в организации может происходить как по конвейеру.

Другие требуют большого количества сил и энергии на самом начальном этапе. Это можно сказать о блокчейне. Перед началом проекта с использованием такой технологии необходимо провести множество встреч и найти тех, кому интересно было бы реализовать это на практике.

У всех технологий, о которых я говорила, вне зависимости от стадии развития, есть одно общее — перспективы их развития. Мы не занимаемся промышленным централизованным внедрением технологий, будущее которых выглядит неясным.

— Какие этапы развития проходят сами центры компетенций?

Мы всегда начинаем с пилотирования. В случае с RPA мы проводили пилоты на разных платформах, пробовали, сравнивали, оценивали. При этом параллельно проводим различные коммуникационные сессии. В ВТБ проводятся регулярные семинары в формате бизнес-завтраков, куда мы приглашаем всех сотрудников банка, рассказываем о наших проектах и демонстрируем то, что получилось. О том, как именно будем реализовывать процесс управления той или иной технологией, договариваемся уже на этапе первых внедрений. Но и здесь живем в режиме быстрых изменений, понимая, что регулярно будем дополнять и редактировать внутренние законы, по которым договариваемся жить.

— На какой стадии находится центр компетенций по RPA?

За последний год мы выбрали платформу, пропилотировали несколько процессов, успешно ввели одно решение в эксплуатацию с очень ощутимым финансовым эффектом, на очереди уже внедрения в различных подразделениях. В этом году будут роботизированы некоторые процессы HR, бухгалтерии, финансов, крупного, малого и среднего бизнеса, рисков, безопасности, юридические и операционные процессы.

— С чего вообще должен начинаться проект RPA в каждой организации?

Первое и главное — это поиск заказчика. Например, нет сомнений в том, что технология RPA работает. Но надо понять, есть ли кто-то в организации, кто готов ее внедрить. С этого начинается «большое плавание».

— С каких процессов правильнее начинать роботизацию? Есть точка зрения, согласно которой самое очевидное — простые и дешевые процессы — не лучший выбор, так как они не демонстрируют убедительной экономии.

Убедительную экономию демонстрирует не уровень сложности процесса. Необходимо критически смотреть на процесс. Насколько он трудоемкий? Сколько систем задействует? Сколько времени он требует на выполнение?

И опять же, не стоит думать, что мы выбираем для роботизации только задачи «скопировать-вставить», хотя такие тоже, безусловно, есть. Есть более интересные ситуации. К примеру, у нас был процесс, над которым должен был работать ровно один робот 24 часа в сутки. Нужно было «кликать» последовательно на несколько ссылок один раз в небольшой промежуток времени. Цена ошибки измерялась миллионами рублей. Также был случай, когда требованием нашего крупного корпоративного клиента было немедленно централизовать процесс в «одно окно» за очень маленький для автоматизации период времени. Поэтому вопрос экономии может проявляться как в большом масштабе (в отношении количества выполняемых операций или количества задействованных людей), так и в рамках одного процесса (например, процесса торгов).

Начинать всегда лучше не с самых простых или самых сложных процессов, а с тех, которые доступны для внедрения. И конечно, никогда не останавливаться на достигнутом. За одним процессом брать другой, знакомиться с новыми системами, интеграцией, процедурами.

— Какие направления сейчас охватываются с помощью RPA? Как планируется действовать дальше?

Что касается технологических экспериментов, то в этом году мы будем внедрять процессы с модулями машинного обучения и оптического распознавания символов (OCR). Будем делать наши роботизированные процессы умными. Также в течение года планируем максимально упростить внутренние процедуры, чтобы процесс роботизации проходил быстрее.

— О чем вы планируете рассказать на конференции «Роботизация бизнес-процессов — 2019»?

Я готова поделиться опытом роботизации процессов в ВТБ, а также рассказать о тех трудностях внедрения, которые обычно возникают при «приземлении» технологии в больших компаниях. Когда роботизация процессов проходит стадию пилотирования и начинается внедрение в промышленный контур, многие сталкиваются с неожиданными обстоятельствами. Роботизация процессов — инструмент, а не предмет для конкуренции или сравнения масштабов внедрения. Поэтому я думаю, что очень важно открыто обмениваться информацией и обсуждать процесс реализации. Так мы поможем друг другу предусмотреть какие-то шаги заранее. Это даст нам новые возможности в развитии той или иной технологии на своей территории.

«Роботизация бизнес-процессов (Robotic Process Automation, RPA) помогает сотрудникам организаций углублять взаимодействие с коллегами, выполнять работу, требующую более серьезного умственного напряжения, и совершать меньше ошибок», – заявил директор компании UiPath по маркетингу Бобби Патрик.

Основанная в Румынии UiPath специализируется на разработке платформ RPA и имеет сегодня офисы по всему миру. Комментируя результаты исследования, выполненного по заказу UiPath специалистами Forrester Consulting, Патрик подчеркнул: почти 70% опрошенных считают, что RPA способствует укреплению взаимодействия между сотрудниками. Исследование «Impact of RPA on Employee Experience» («Влияние RPA на восприятие сотрудников») подтвердило повышение важности той роли, которая отводится RPA при решении соответствующих задач.

К преимуществам RPA относятся: рост эффективности (об этом упомянули 86% опрошенных), более глубокое понимание клиентов (67%), улучшение их обслуживания (57%) и усиление вовлеченности сотрудников (57%).

Исследование показало, что реализация инициатив цифровой трансформации требует от организаций опоры на свой основной резерв: сотрудников, вовлеченных в общее дело.

«Сегодня работники вынуждены выполнять скучные и повторяющиеся операции, – указал Патрик. – Между тем, будучи потребителями, они испытывают положительные эмоции и хотят, чтобы то же самое происходило и на работе. В условиях дальнейшего развития средств автоматизации многие опасаются, что решения подобные RPA будут способствовать сокращению рабочих мест, а люди начнут вытесняться роботами. Однако на самом деле RPA помогает сотрудникам организаций углублять взаимодействие друг с другом, выполнять работу, требующую более серьезного умственного напряжения, и совершать меньше ошибок».

Организации обеспокоены негативным отношением людей к RPA и автоматизации вообще. Недостатки существующих операционных моделей и психологические барьеры сдерживают внедрение RPA. Тем не менее, в конечном итоге поддержание вовлеченности сотрудников и стремление сделать их счастливыми будет способствовать накоплению трансформационного потенциала RPA.

Согласно результатам исследования, 66% респондентов отметили, что RPA реструктурирует существующую работу, помогая сотрудникам взаимодействовать друг с другом, а 60% указали, что это способствует нацеленности сотрудников на решение более важных, стратегических задач. Кроме того, по мнению 57% опрошенных, RPA снижает число ошибок, возникающих при выполнении операций вручную.

Организациям следует обратить особое внимание на необходимость исправления недостатков операционных моделей и преодоления психологических проблем. Сегодня компании испытывают трудности при масштабировании решений RPA из-за нехватки подготовленного персонала и ресурсов, позволяющих поддерживать и использовать технологию RPA. 93% респондентов заявили, что доступные варианты развертывания сложны для понимания.

Руководству необходимо нивелировать отрицательное психологическое воздействие RPA на работников. Важнейшая роль здесь отводится поддержанию эффективного взаимодействия и сотрудничества между руководителями и работниками и хорошо продуманным программам управления изменениями.

Авторы исследования рекомендуют компаниям нацеливаться на одновременное повышение операционной эффективности и формирование у сотрудников положительного восприятия за счет создания центров передового опыта RPA, управления психологическими вопросами в ходе внедрения и использования ориентированных на человека процессов управления изменениями, которые учитывали бы человеческий фактор и создавали у людей ощущение того, что их ценят, и они находятся в безопасности.

Сегодня практически любому крупному российскому предприятию впервые стал доступен целый букет новых технологий, совместными усилиями агрессивно продвигаемых крупнейшими западными ИТ-компаниями. Их интерес понятен: соединяя искусственный интеллект, роботизацию процессов, большие данные и другие технологии, которые заказчики никогда не применяли, с традиционными бизнес-системами, вендор получает возможность перепозиционировать свои старые продукты. И вот такое сочетание функций преподносится как прорыв, как новая товарная категория, вокруг которой обязательно вырастет свой сегмент рынка. Так родилась и концепция iERP.

При этом маркетологи не скупятся на обещания, рисуют яркие картины будущего рынка, утверждая, что все, кто не приобретет новые решения, останутся лузерами и аутсайдерами, безнадежно упустившими прекрасную возможность кардинально улучшить свой бизнес. Но именно так надувались многочисленные «мыльные пузыри», которые лопались, унося и деньги инвесторов, и надежды на чудо слишком доверчивых заказчиков.

Чтобы подобная история не повторилась в такой важной области, как управление предприятием, заказчикам нужно опереться на реальный опыт внедрений, понять, какие технологии действительно актуальны сегодня, при каких условиях они работают и какого эффекта от них ждать. Но прежде чем перейти к этим технологиям, надо четче определить понятие iERP.

Что такое iERP?

Отдельные новые технологии (например, управление бизнес-процессами и их непрерывное улучшение) достаточно часто интегрируются с классическими системами ERP, но это еще не iERP. Здесь есть расширение функциональности, но нет нового качества, перехода на новый уровень. Система iERP подразумевает одновременное соблюдение следующих условий.

Первое — это интеграция ERP-системы сразу со многими новыми перспективными технологиями (какими именно, обсудим ниже), а также с хорошо известными технологиями, обретающими дополнительную ценность в новом окружении (примером может служить система управления корпоративным контентом — Enterprise Content Management, ECM).

Второе условие состоит в том, чтобы обмен информацией происходил не только между подсистемами, стоящими за каждой такой технологией, и ядром или модулями ERP (по схеме звезды), но и напрямую между этими подсистемами (по схеме матрицы). Таких «прямых» взаимодействий должно быть много, так как, с одной стороны, это достаточно полно раскрывает возможности технологий, а с другой — обеспечивает максимальный синергетический эффект и целостность комплекса iERP.

Третье условие: оптимизация архитектуры самого решения и системы безопасности, унификация механизмов интеграции компонент, инфраструктуры работы с данными и метаданными, а также механизмы централизованного управления и информационной безопасности должны распространяться на весь комплекс, объединяющий и ERP-систему, и все технологические подсистемы. Кроме того, все компоненты решения iERP должны максимально использовать корпоративную технологическую платформу, объединяющую ИТ-продукты, отобранные организацией для многократного использования в своей системе. И конечно, нужна унификация ИТ-процессов обслуживания и элементов этой технологической платформы, и компонент iERP-решения.

При соблюдении всех этих требований iERP действительно качественно отличается от традиционных систем класса ERP. Причем отличие настолько существенно, что плавно трансформировать обычную ERP-систему в iERP вряд ли возможно. Просто добавляя технологии к классической ERP, нельзя получить решение, которое отвечало бы всем вышеперечисленным критериям. Зато наверняка можно получить много головной боли, быстро усиливающейся по мере удаления от классической ERP.

На какие технологии нужно обратить особое внимание?

Новые технологии, о которых мы будем говорить ниже, прошли через тройной фильтр. Во-первых, они действительно позволяют многим российским организациям справиться с широким кругом задач, практически не решаемых традиционными приемами. Во-вторых, применять эти технологии возможно уже сегодня. В-третьих, технологии выдержали проверку реальным опытом.

Среди них можно выделить роботизацию процессов (Robotics Process Automation, RPA), то есть полную замену людей программными роботами на отдельных бизнес-процессах.

Вторая опробованная технология — связка Business Process Management (BPM) с Process Mining. При этом к сфере BPM относятся алгоритмизация процессов и передача автомату ответственности за точное соблюдение регламентов, очередность и своевременное выполнение отдельных операций для каждого экземпляра процесса. В свою очередь, Process Mining дополняет BPM тем, что позволяет выявлять отклонения от регламентов, отличия фактического эффекта от ожидаемого, нежелательные побочные эффекты, появляющиеся бизнес-риски. И устранить эти проблемы, поставив оптимизацию процессов на поток.

Третья технология — «озеро данных» (Data Lake). Озеро объединяет все те данные, которые необходимы компании для принятия управленческих и операционных решений. Крайне важно, что это не только внутренние данные самой организации, но и информация о ее окружении (например, государственные инициативы, состояния фондовых рынков, действия конкурентов и партнеров, изменения городской среды, влияющие на транспортные потоки и поведение людей). Порой именно данные об окружении, даже крайне неочевидные, оказываются ключом к правильной интерпретации информации.

Следующая технология — ECM, то есть единая система управления корпоративным контентом, создание и потребление которого сопровождает все процессы и все аспекты работы предприятия.

Наконец, Agile и DevOps — это набор инструментов и практик, обеспечивающих беспрецедентную адаптивность конвейера по разработке и внедрению ПО, процессов и сложных компонентов системы, а также быструю передачу каждого улучшения в продуктивную среду. Этот подход дает возможность избежать ненужной или бесполезной работы и позволяет развивать решения в тех направлениях и теми темпами, которые отвечают потребностям бизнеса.

Роботизация процессов

Роботизация процессов — совсем новая тема, порождающая нереальные и даже фантастические ожидания. Поэтому приведем два реальных примера роботизированных процессов, которые уже более года работают в нашей компании.

Первый — это анализ тендерных площадок, один из ключевых процессов в нашей технологии продаж. До роботизации процесса отдел продаж на постоянной основе осуществлял циклический мониторинг множества тендерных площадок, чтобы не упустить интересные для компании запросы. Создавал их описание по специальному шаблону, формировал таблицу соответствия критериям отбора и рассылал результаты ответственным менеджерам по подразделениям. Это механическая работа, творчества тут нет. Мы полностью переложили ее на программного робота, и он прекрасно справляется: чаще и быстрее просматривает большее число площадок, не задерживает сводки и не ошибается при обработке данных. Сначала мы сделали робота на платформе UiPath, затем создали свою платформу и перенесли этого робота (а потом и других) на нее. Он и по сей день там «трудится». Таким образом мы свели к нулю участие человека в данном процессе.

Второй пример — автоматическое формирование актов сверки. Робот формирует акт в системе бухгалтерского учета, выгружает его, отправляет контрагенту. Получив ответ, сверяет его с показателями нашей ERP-системы. Если все сходится, внутри системы акт получает соответствующий статус. Если нет, различия направляются на рассмотрение бухгалтеру. Этот робот полностью освободил бухгалтерию от большого объема рутинной и достаточно нервной работы.

Роботизация процессов, если ее применять правильно, действительно дает немало преимуществ. Это огромное ускорение выполняемых операций и целых процессов. Иногда десятикратное, иногда стократное. Программа легко обгоняет любого человека в стандартных операциях. Например, заявку на тендер робот формирует в 6–7 раз быстрее квалифицированного специалиста. В примере с актом сверки взаиморасчетов прирост скорости составляет от двух до десяти раз (здесь многое зависит от количества выявленных расхождений).

Кроме того, робот, в отличие от человека, не накладывает ограничений на число источников данных, сложность алгоритма и объем обрабатываемого контента. Например, человеку практически невозможно просмотреть 50 информационных ресурсов для поиска информации, робот же легко справляется и с 70, и со 100 ресурсами. Если одного робота мало, очень просто «увеличить штат виртуальных специалистов» путем наращивания мощностей ИТ. В алгоритмах извлечения, обработки и использования данных роботом можно с успехом использовать «слабый искусственный интеллект» (например, для распознавания лиц или голоса).

К тому же робота не волнует карьера, он не берет больничных, не уводит конфиденциальную информацию, а просто круглосуточно работает.

Исчезает еще одна очень сложная проблема, связанная с тем, что каждый человек выполняет повторяющуюся работу немного по-разному. Робот работает в точном соответствии с алгоритмом, он ничего не забывает и не путает, даже если процесс выполняется всего один-два раза в год. Для человека это очень тяжелый режим работы, и проявление «человеческого фактора» практически неизбежно.

Преимущества роботизации процессов очень весомы, но далеко не всякий процесс можно роботизировать. Для этого должны быть выполнены сразу несколько условий.

Первое и главное: процесс должен состоять только из шаблонных действий, повторяющихся раз за разом. Стандартизация процессов значительно упрощает роботизацию.

Второе условие — доступность всех необходимых данных, возможность получать данные, относящиеся к одному временному срезу. Нарушение именно этого условия на практике является одним из главных ограничений.

Следующее требование настолько очевидно, что о нем нередко забывают. Алгоритм программного робота должен правильно передавать смысл работы. Речь идет не о соблюдении формальных требований при описании исполняемого кода алгоритма, а о корректности действий, закладываемых в робота, в смысле их сопоставимости с результатами гораздо менее формализованной работы человека.

Наконец, особо отметим требование, которому сегодня уделяют недостаточно внимания. Это готовность нести ответственность за действия робота. Это очень сложная задача, поскольку теперь работу будет выполнять не разумный человек, с которого можно спросить за результат, у которого есть здравый смысл, заинтересованность, сопереживание… Бездушный робот способен наломать дров, а, учитывая его огромную производительность, проконтролировать такой аспект роботизации будет очень трудно.

Управление бизнес-процессами и их непрерывная оптимизация

Думается, что в настоящее время использовать BPM без Process Mining нецелесообразно. Снова обратимся к примеру. Часто при формировании очередного плана продаж или закупок на вход подается искаженная или недостоверная информация. В лучшем случае это вскрывается при утверждении плана — на столе у топ-менеджера компании. В худшем — в момент исполнения. После обнаружения несоответствия начинают раскручивать назад всю цепочку принятых решений, пытаясь найти нестыковки и ошибки. Что, конечно, отнимает время и силы, мешает нормальной работе.

Чтобы избежать этого, используя приемы Process Mining, поступают следующим образом: выстраивают процессную модель, на каждом ее участке назначают ответственных, задают ограничения, сроки исполнения, нормативные показатели и источники данных. На каждом этапе происходит валидация на соответствие настроенным ранее параметрам, в случае подтверждения переходят к следующему шагу. По итогам всех этапов и процессов выполняется план-фактный анализ, оценивается вариативность и принимаются решения по оптимизации процессов. Также можно сразу определить операции и процессы, которые следует возложить на программных роботов.

Выгоды связки BPM и Process Mining очевидны. Это точное соблюдение алгоритмов процесса; объективное сравнение нормативных и фактических показателей; оценка вариативности; постоянное появление хорошо обоснованных предложений по снижению рисков и улучшению процессов компании; выявление операций и процессов, которые можно передать программным роботам.

Есть несколько условий применения этой технологии: достаточно большой объем точных и качественных данных о том, как работают процессы; обеспечение доступа к таким данным и к внешним данным, влияющим на процессы и решения. Ведь проблемы с процессами обычно или связаны с неудачной алгоритмизацией, или находятся вне проблемного процесса.

Управление на основе данных

В настоящее время уже невозможно игнорировать такую тенденцию, как постепенный переход к управлению на основе данных (Data-Driven Management, DDM). В этой парадигме управленческие решения должны опираться на данные и оставлять информацию, позволяющую проанализировать не только эффективность решений, но и сам процесс их принятия. Тогда эти процессы можно постепенно улучшать, всё более полно автоматизировать, а какие-то цепочки действий и роботизировать.

Безусловно, выдающиеся менеджеры способны принимать нетривиальные и правильные решения на основе знаний, интуиции и других своих личных качеств. DDM — это попытка подтянуть ближе к этому уровню остальную массу менеджеров. Располагая данными о том, что происходит внутри компании и за ее пределами, эти сотрудники с помощью современных инструментов анализа данных могут выявлять тенденции и превращать их в управленческие решения, а также учиться на своих и чужих ошибках. Достигнут ли они уровня выдающихся представителей профессии, пока неизвестно, но они точно могут значительно превзойти большинство представителей своей профессии, которые принимают решения субъективно или по стандартным шаблонам.

Внедрив DDM, компания получает возможность повысить качество всей совокупности управленческих решений. Она может быстрее замечать окна возможностей, в том числе по косвенным признакам. Накопленные полные цепочки событий и решений могут стать основой для самообучения компании и построения эффективных прогнозных моделей.

Безусловно, к DDM готовы не все компании. Этот подход работает при одновременном соблюдении трех условий.

Во-первых, компания не на словах, а на деле должна быть готова к глубокой трансформации своей системы управления, к необходимости постепенно заменить менеджеров, которые будут противодействовать изменениям.

Во-вторых, в компании должно собраться достаточное число DDM-ориентированных менеджеров, получивших современное бизнес-образование. Это и новое поколение выпускников сильных бизнес-школ, и управленцы, переученные самой организацией. Такие менеджеры начинают перестраивать и бизнес-процессы, и ИТ-контур на DDM-ориентированное управление, поскольку их научили именно так выполнять свою работу.

Третье условие — это наличие достаточного объема и разнообразия данных, причем не только о самой организации, но и о ее внешнем мире. Как показывает практика, именно несоблюдение этого требования, излишний акцент на внутренних, более доступных данных приводит к тому, что DDM начинает работать против организации, которая заболевает управленческим аутизмом.

Озеро данных

Новому уровню использования данных на предприятии соответствует новый уровень их хранения — озеро данных (DataLake). Это универсальная инфраструктура, отвечающая за сбор, унификацию, консолидацию, проверку, обновление данных и их предоставление информационным системам (с учетом требований информационной безопасности).

Озера данных непросто создать, но они несут много преимуществ. Самое главное: они обеспечивают компанию качественными данными, дают понимание, где взять нужную информацию или выяснить, каких данных нет. Озера данных упорядочивают и систематизируют данные компании, тем самым существенно упрощая дальнейшую работу с ними.

Когда все данные собраны в одном месте, обеспечение доступа к ним становится намного проще и быстрее. Но для этого надо наладить централизованное и полностью автоматизированное управление доступом в зависимости от полномочий.

Все перечисленное приводит к тому, что повышаются качество аналитической обработки и ценность получаемых результатов. Например, возрастает точность прогнозных моделей, поскольку их работа напрямую зависит от двух факторов — алгоритмов самой модели и входных данных. Озеро данных упрощает решение и таких задач, как повышение качества данных и обеспечение ими потребителей. На практике проблемы на этих двух участках становятся существенным фактором, снижающим точность прогноза.

Наконец, опираясь на озера данных, гораздо проще создавать цифровых ассистентов (это некий микс функций Alexa, GoogleNow и даже Watson, но в пределах конкретной компании). Такие решения — не дань моде, а необходимость (при поиске данных, навигации по информационным ресурсам и сервисам систем, при вводе данных).

Чтобы успешно построить озеро данных, необходимо первым делом как можно полнее определить требования к данным, их качеству, срокам доставки и актуализации. Этот процесс никогда не останавливается. Затем нужно собрать эти данные и обеспечить унифицированный механизм доступа к ним. На этом этапе нужно наметить, как будут решаться вопросы информационной безопасности. Ведь когда все данные компании окажутся собранными в одном месте, обязательно найдутся злоумышленники, которые захотят заполучить их. Да и внутри компании необходимо разграничить доступ к данным в зависимости от полномочий.

Очень важный момент связан с тем, что в растущем, углубляющемся и усложняющемся озере данных надо как-то ориентироваться, управлять им, легко и быстро находить нужную информацию. Чтобы это было возможно, необходимо создать систему управления метаданными.

Управление корпоративным контентом

Озеро данных должно питать управленческие решения, это его основное назначение. Но ведь существует и категория корпоративных данных, которые сопровождают любую деятельность. Например, скан-образы сформированных в системе и распечатанных документов, файлы с ЭЦП, корпоративные стандарты и инструкции… Это всё тоже надо где-то хранить и управлять этим хранилищем. Справиться с задачей призваны системы класса ЕСМ.

Сейчас еще не принято считать ECM частью ландшафта ERP и iERP, но мы полагаем, что это неверно. Нельзя игнорировать требования по срокам хранения электронных документов, задачи по сверке бумажных документов и их цифровых двойников. Всё это — неотъемлемая часть учетных процессов, а их поддержку на должном уровне обеспечивает ЕСM.

Какие же ключевые преимущества она дает? Первое — упрощение доступа к корпоративной информации благодаря структурированию, систематизации и логической централизации хранения данных. Второе преимущество состоит в унификации процессов обслуживания данных. Не менее важна простота сверки аналоговых документов и их цифровых двойников, которой зачастую уделяют недостаточно внимания.

Чтобы ECM заработала, нужны сами корпоративные данные и доступ к ним. Кроме того, аналоговые данные и их цифровые двойники должны соответствовать друг другу.

Agile и DevOps

Говоря о DDM, мы отмечали, как важно оперативно заметить зарождающийся тренд и быстро отреагировать на него. То же самое относится и к разработке, внедрению и развитию ИТ-решений. Есть много причин для внесения изменений в ИТ-системы. Например, появление новых законодательных требований по выгрузке информации о сделках в ФАС, слияние или разделение бизнесов, возможность повысить эффективность какого-либо процесса за счет автоматизации. Гибкость становится обязательным условием, чтобы успевать реагировать на новые требования — внутренние и внешние. И в этом помогают Agile (как общий подход и набор конкретных методик), а также DevOps (как набор инженерных практик и инструментов).

В отличие от классической модели разработки, Agile позволяет итеративно получить продукт, отвечающий актуальным запросам бизнеса, а не ждать три года до окончания разработки системы в том виде, в котором она, скорее всего, уже будет никому не нужна.

Правильное применение Agile дает весомые преимущества. Во-первых, появление и развитие функций системы успевают за изменениями требований бизнеса. Во-вторых, внедрение изменений происходит в приемлемые для бизнеса сроки. В-третьих, отсутствуют затраты на разработку и внедрение устаревающих решений. В-четвертых (и это очень важно сегодня!), компания начинает гораздо быстрее осваивать новые технологии, поскольку имеет возможность постоянно экспериментировать, пробовать что-то новое, получать обратную связь и применять наработанный опыт при планировании дальнейшей разработки.

Связка Agile-DevOps работает при соблюдении двух условий. Компания должна быть действительно готова изменяться, чтобы стать более гибкой. Кроме того, она должна решиться делегировать своему представителю ответственность за выбор направления разработки, выдать ему кредит доверия и предоставить право на добросовестные ошибки. Речь о том, что в проектах Agile (и, в частности, в методике Scrum) есть владелец продукта, который представляет организацию-заказчика в ходе разработки и развития решения.

Подведем итоги

Многие идеи, собранные под «зонтиком» iERP, давно витают в воздухе. Опираясь на практический опыт, мы выделили те из них, которые действительно способны придать ERP-системе новое качество. Если соблюдены вышеперечисленные ограничения, эти идеи уже можно реализовать без больших рисков. В то же время эти ограничения задают лишь необходимые условия успеха. Вторая составляющая — это готовность самой организации к применению новых технологий на важных, а не второстепенных участках, к подлинному переходу на DDM и к изменению системы менеджмента. Именно эта составляющая может определить выбор конкретных участков, где будут применяться новые технологии и возможности iERP.

Один важный аспект стоит отметить особо. Любая современная организация должна быстро и постоянно меняться, чтобы успевать за изменениями в поведении потребителей, в экономике, политике, регулировании, состоянии рынка труда. Чтобы не провалиться в демографическую яму и заместить персонал представителями новых поколений. Информационная система может существенно упростить или усложнить эти процессы. Принципиально важна способность систем (включая ERP) создавать для сотрудников высокотехнологичную рабочую среду, снижать сопротивление изменениям и поддерживать постоянные изменения организации, обеспечивая гораздо более интенсивный их поток. Такие изменения, как правило, гораздо удобнее осуществлять средствами ИТ — в форме цифровых трансформаций. И весь набор технологий, которые мы рассмотрели выше, работает в этом направлении.

Наш опыт показывает, что полезные системы iERP можно создавать уже сегодня, опираясь на продукты «1С» для крупных предприятий, на разработки российских компаний (особенно в сфере управления метаданными) и продукты международного сообщества Open Source (СУБД, BPM и многие другие). Модульность и открытость являются чрезвычайно важным свойством такого подхода, позволяющим учесть специфические предпочтения конкретных организаций и их технологический ландшафт. Интегрированные моновендорные решения не обладают этим свойством ни в технологическом плане, ни в плане соответствия бизнес-модели крупных вендоров и способам продвижения ими своих решений.

Ситуацию с открытыми модульными импортонезависимыми решениями можно еще улучшить, если для каждого типа компонент решения iERP будут созданы открытые стандарты сопряжения, независимые от вендора интерфейсы прикладного программирования (API) и форматы данных, используемые для интеграции и долгосрочного хранения. Это упростит создание решений iERP, поддержание их жизненного цикла, а также формирование рынка модулей, отличающихся функциональностью, масштабируемостью и другими характеристиками.

Автор — Александр Казеннов, руководитель корпоративных практик компании ALP Group.

Когда речь заходит о цифровизации бизнеса телекоммуникационного оператора, на ум прежде всего приходят различные ухищрения маркетологов с целью персонализации клиентского сервиса на основе анализа больших данных и зачатков искусственного интеллекта. Однако не меньшую роль в рыночном успехе сотового оператора играет внедрение передовых решений для трансформации внутренних функций. Подтверждением тому служит опыт департамента логистики МТС, где активно занимаются тестированием не только технологий машинного обучения, сбора и аналитики больших данных, но и решений в области роботизации бизнес-процессов (Robotic Process Automation, RPA).

Как с использованием инновационных технологий меняются процессы логистики у ведущего сотового оператора, что это дает основному бизнесу и как благодаря цифровизации внутренняя функция компании может выйти на внешний рынок, рассказывает директор департамента логистики МТС Шамиль Хайретдинов, один из докладчиков конференции «Роботизация бизнес-процессов 2019», которую издательство «Открытые системы» проведет 23 апреля.

- Для чего нужна цифровая трансформация логистики?

В цифровую эру главное – не «цифра» как таковая, а ответ на вопрос, зачем это делается. Основной посыл любых изменений – создание ценности. Клиент МТС очень сильно меняется: он теперь покупает эмоцию, и компания вынуждена перестраивать функции подразделений, взаимодействующих с клиентом. А эти подразделения, в свою очередь, начинают предъявлять новые требования к внутренним функциям. Поэтому наша задача – не просто обеспечить свои операционные KPI, но дать внутреннему заказчику новое ценностное предложение.

Логистика и закупки – сложная, протяженная во времени функция, начинается она с планирования в бизнес-подразделении, где возникает потребность в том или ином товаре либо услуге, и заканчивается оплатой и получением того, что требовалось. Подчас обращение к нашей функции оборачивается для заказчика сложным изучением регламентов, и мы не всегда готовы оперативно откликаться на постоянно изменяющиеся требования наших заказчиков. Поэтому свою новую ценность мы видим в реализации Procurement as a Service («закупка как сервис»), чтобы заказчик мог, не вникая во «внутреннюю кухню» процесса, получить результат закупок так же, как он получает результат работы SaaS.

Такова наша перспективная цель, и на пути к ее достижению надо будет реализовать несколько принципиальных задач трансформации.

- Какие это задачи?

Прежде всего необходимо изучать внутреннего клиента и вытаскивать наружу его «головные боли». На их ликвидацию и должен быть направлен наш цифровой сервис закупок и логистики. Для этого надо прививать в нашей работе культуру Agile, в разработке процессов следовать идеологии customer development (термин, обозначающий тестирование идеи или прототипа будущего продукта на потенциальных потребителях — Н.Д . ), которая помогает правильно формулировать вопросы заказчику и получать на выходе сервис, удовлетворяющий его реальные потребности.

Что касается технологических направлений цифровизации, то их два. Первое: реинжиниринг процессов, то есть замена человека роботами в рутинных операциях и применение технологий process mining («извлечение процессов», или «процессная аналитика», собирательное название решений, которые анализируют «цифровые следы» процессов, автоматически моделируют их и дают возможность оптимизации – Н.Д.). Тестирование показало очень высокую эффективность роботизации, и в текущем году мы планируем масштабное внедрение RPA, охватывающее свыше 20 процессов. Тем самым снизится операционная сложность процессов закупок и логистики, а их выполнение сможет ускориться на 30-60%. Мы протестировали также инструменты process mining и запускаем тендер на внедрение для процесса сопровождения заказов, через который ежегодно проходят сотни тысяч заказов.

Система будет способна прогнозировать быстроту или задержку на конкретный срок выполнения нового заказа исходя из текущей ситуации. На ретроспективных данных построенная модель показала достоверность 86%, и сейчас мы тестируем ее в реальных условиях. Решение базируется на технологиях больших данных и системе SAP Predictive Analytics.Второе направление – там, где заканчивается рутина и открывается поле для интеллектуальной работы с данными. Например, задействуя машинное обучение, мы разработали модель оценки вероятности выполнения заказа в срок. Обучающая выборка строится на ретроспективных данных по прохождению заказов. Собираются не только все внутренние факторы, которые влияют на длительность прохождения, например, сроки согласования, но и множество внешних: динамика валютного курса, цен на сырье, ситуация на рынке акций, яркие новостные триггеры и т.п.

Модель показывает степень влияния каждого фактора на возможность выполнения заказа и дает общую оценку потенциальных рисков, но решать, как поступить, по-прежнему будет эксперт – возможно, задержка в выполнении устроит заказчика и никаких мер предпринимать не потребуется. Поэтому я не назвал бы такое решение искусственным интеллектом. Системы искусственного интеллекта реализуют когнитивные функции человека, то есть в нашем случае должны самостоятельно принимать бизнес-решения. Такие примеры для логистики уже есть, но мы к ним пока не подступались.

- Как организована работа с данными в департаменте? Какие источники используете, какую платформу больших данных?

У нас имеется своя команда по исследованию данных, активно взаимодействующая с внешним миром, например, со стартапами в области машинного обучения, которых мы активно привлекаем на этапе тестирования. Проекты реализуем либо собственными силами, либо силами подрядчика.

В команде big data МТС есть направление data governance – эти специалисты определяют в целом стратегию работы с данными, а также выстраивают инфраструктуру для наших задач. Для нужд логистики и закупок сейчас формируется озеро данных на базе технологии Teradata, для быстрой работы с данными используется Hadoop. В озеро собираются все данные, которые гипотетически могут нас интересовать, из всех наших процессов. Если есть процессы, которые ведутся на бумаге или через электронную переписку, наша задача — перевести их в «цифру». Например, общение исполнителя с поставщиком идет по телефону и по электронной почте, при этом генерируется сложная неструктурированная информация. То, что обсуждается по телефону, вообще уходит в никуда, по информации в почте тяжело реализовать поиск и парсинг. А нам эти данные очень интересны в двух аспектах. Во-первых, для текстового анализа. Во-вторых, количество контактов в ходе диалога исполнителя и поставщика может говорить об уровне сложности поставки и служить основой для принятия решений в процессе онлайн-мониторинга их взаимодействия.

Основными источниками данных являются ERP-система и модули, поддерживающие процессы закупок, проведения торгов, логистики. Эти решения реализованы на базе Oracle. Мы также обсуждаем с Oracle реализацию на чатботе идеи guided buying («ведомая закупка»). Дело в том, что сегодня типовой процесс закупки требует от заказчика определенных навыков: найти номенклатурный номер нужной ему позиции, оформить на нее заявку, выяснить наличие контракта, инициировать закупку и т.д. В системе ведомых закупок все значительно упрощается – достаточно на нативном языке написать запрос, и система сама подскажет, где искать нужную позицию, есть ли контракт, и отправит собранную корзину в работу. Реализовать такую систему – значит обеспечить ту самую ценность для заказчика. Ему не придется больше изучать процесс и следовать сложному регламенту, все произойдет легко и быстро, и в итоге восприятие нашего сервиса кардинально улучшится.

- Можно ли сейчас дать оценку, как изменятся закупки и логистика МТС в результате роботизации процессов и внедрения систем машинного обучения?

Трудоемкость процессов снизится на 25-30%, сократится необходимая численность персонала и в разы возрастет скорость принятия решений.

Но сокращения — это не самое главное, для нас важно донести до каждого значимость происходящего. В условиях значимых изменений появляется больше возможностей найти что-то ценное для выполнения людьми, а не просто взять и распрощаться с сотрудниками. Если в результате снижения трудоемкости высвобождаются ресурсы, мы прежде всего будем пытаться найти им сферы приложения, в том числе путем выхода на внешних клиентов.

Наша главная задача — обеспечить лучший сервис внутреннему заказчику. Но сегодняшние реалии таковы, что в большой компании любая сервисная функция может быть выведена и на внешний рынок. Мы стремимся на своих процессах отработать новые технологии, такие как RPA или подходы к формированию потоков данных, так чтобы конструировать коробочные ИТ-решения и вместе с сервисом предлагать вовне идеи, помогающие адаптировать под них чужой процесс.

- А кому предполагается продвигать внешние сервисы?

Прежде всего ориентируемся на другие бизнесы. Я общаюсь на отраслевых конференциях и вижу, например, что по идеологии выстраивания цифровых закупок нам ближе всего «Северсталь». У сталелитейных предприятий логика движения товарных и материальных потоков в большей степени схожа с нашей, чем у ретейла или FCMG, поэтому предприятия этой отрасли вполне могут стать клиентами нашего внешнего сервиса.

- В течение какого срока планируется выход на рынок?

От года до двух лет. Уже сейчас начали зондировать почву, провели первые переговоры, кого-то заинтересовали, кто-то нас немного испугался. На российском рынке фактор недоверия всегда играет большую роль. Поэтому научиться продавать идею, входить в доверие и оправдывать его – как раз то, что нам предстоит.

Хотя у нас уже есть пример успешной продажи решения внешним клиентам. За последние три года мы провели серьезный реинжиниринг процесса работы с невостребованными товарами (это телефоны, тяжелое оборудование, машины, мебель и пр.), к которому было много претензий со стороны внутреннего контроля. Проработали процесс методологически, автоматизировали в системе Oracle ERP. И открыли нишевой маркетплейс torg.mts.ru, на котором не только продаем свой «невостреб», но и предлагаем сервис таких продаж другим компаниям. В прошлом году выручка этой площадки составила 600 млн руб, и было привлечено немало внешних клиентов. Планы на текущий год еще более амбициозные, в составе департамента фактически сформирована самостоятельная миниорганизация, которая разрабатывает и продвигает этот продукт, работая по принципам Agile.

- Для вас имеет существенное значение уровень цифровизиции ваших поставщиков?

Безусловно. У нас поставщики разного уровня. Зарубежные партнеры, такие как Ericsson, Huawei, имеют высокий уровень цифровизации и готовы предложить нам сервисы для взаимодействия и его оценки. С другой стороны, наши подрядные организации – это небольшой частный бизнес, и их еще надо подтягивать. Хотя большинство из них уже перешли на электронный документооборот и ЭЦП во взаимодействии с нами.

Работа с поставщиками подразумевает цифровизацию нескольких задач. Разрабатывается полностью электронный отчет о выборе поставщика, который формируется в ходе закупочной процедуры, а также электронные формы заполнения контракта. Благодаря синхронизации этих процессов данные из отчета будут автоматически попадать в контракт, что позволит значительно экономить время. А в ходе ведения заказа метрики исполнения будут соотноситься с электронными блоками контракта, позволяя оценить, не возникают ли те или иные проблемы с поставщиком.

Департамент развития закупок реализует идеологию оценки поставщика (supplier evaluation): определенные метрики поставщиков сопоставляются с условиями контракта, тем самым происходит ранжирование поставщиков по степени зрелости и соответственно предпринимаются те или иные действия, например, дать стимул к обучению, чтобы подтянуть поставщика до нужного уровня. Раньше ранжирование сводилось к тому, что исполнителем и заказчиком выставлялись баллы, причем на основе субъективных данных о том, как был выполнен контракт. В течение года планируем увязать метрики поставщика с электронным контрактом и процессом закупок, что позволит давать поставщикам объективную оценку и находить эффективные рычаги воздействия на них.

Например, в определенных ситуациях при невыполнении условий контракта требуется подключение юриста. У нас работает «виртуальный юрист» – программный робот, который, руководствуясь определенными признаками, определяет, что необходима допретензионная работа с подрядчиком, пишет письма «счастья», принимает, анализирует и классифицирует ответы.

- Дает ли цифровая логистика конкурентное преимущество телекому?

Однозначно да.

Большим компаниям часто трудно выстроить такую систему KPI, чтобы функциональные направления не замыкались на выполнении своих ключевых показателей, никак не влияющих на ценности компании. Нам гораздо сложнее, чем, например, ретейлу, чья стоимость логистики очень высока, и одно ее снижение уже обеспечивает очевидную ценность для компании в целом. А стоимость логистики капитального строительства, как у большого МТС, ничтожно мала по сравнению с вложениями компании в свою сеть. Поэтому мы должны искать те драйверы, с помощью которых сможем повлиять на компанию в целом.

Сегодня такими нашими драйверами являются, во-первых, минимизация текущих активов, ставшая возможной благодаря эффективному управлению цепочками поставок, а во-вторых, поддержка планов строительства сети, потому что построенные вовремя объекты – это возможность продавать на этих объектах услуги.

А через год-два самым значимым KPI для логистики, обеспечивающим ценность основному бизнесу, станет способность быстро перестраиваться в ответ на изменения рыночных задач компании. В достижении этого роль роботизации процессов и интеллектуального анализа данных будет ключевой.

Нужно ли специалистам, связывающим свою карьеру с сетевыми технологиями, – архитекторам сетей, инженерам, администраторам – не только приобретать знания в области программировании, но и совершенствовать свои навыки DevOps, чтобы лучше обслуживать сотрудников компании?

Ответ на вопрос о необходимом объеме навыков объединенной разработки и эксплуатации ИТ-систем (DevOps — от development, «разработка» и operations, «эксплуатация» — Прим. ред.), зависит от того, у кого вы об этом спросите, но вряд ли приходится сомневаться, что для развития своей карьеры в будущем специалистам по сетям придется выходить за рамки привычных для них ролей.

«Есть мнение, что проще обучить имеющихся в организации специалистов по сетям и ИТ-безопасности еще и работе с данными и программированию, чем привлечь к разработке сетевых приложений других сотрудников в силу занятости тех выполнением прочих операций DevOps, – указал генеральный менеджер направления дата-центров компании Cisco Роланд Акра. – У нас имеется большой резерв талантливых людей в сетевой сфере, и часть из них с учетом перспектив завтрашнего дня нужно приобщать к работе с программным кодом и данными».

Область, в которой раньше было достаточно хорошо знать сетевые протоколы и уметь писать скрипты в интерфейсе командной строки, превращается в сферу, где без навыков программирования в полной мере использовать весь потенциал доступных сетевых данных для организации более эффективной работы и развития сетевой инфраструктуры уже не удастся.

О не изменениях с точки зрения программирования свидетельствует и публикация Gartner почти двухлетней давности, в которой говорилось, что к 2020 году только 30% сетевых операций будут выполняться в интерфейсе командной строки, тогда как в 2016 году их доля составляла 85%. Между тем, текстовая командная строка служила основным инструментом сетевым администраторам на протяжении последних 15-20 лет.

В Cisco, Juniper, Arista и других компаниях-лидерах сетевой индустрии уверены: пришло время активизировать подготовку будущих специалистов по NetDevOps. В сообществе Cisco DevNet имеется целый ряд программ и ресурсов для сетевых профессионалов.

«Сообщество DevNet, в котором сегодня насчитывается около 500 тыс. участников, примерно пополам делится на разработчиков приложений и специалистов по инфраструктуре, – отметила технический директор группы Cisco DevNet Сюзи Уи. – В последнее время наблюдается огромный всплеск числа специалистов по сетям, желающих приобрести навыки DevOps. Вся инфраструктура сегодня программируемая, и у разработчиков есть API для автоматизации, настройки и телеметрии, а также целый ряд приложений, которых не было раньше».

Вместе с тем переход специалистов по сетям в область программного обеспечения не всегда проходит гладко.

В Cisco добилась определенных успехов с DevNet, но вопросы остаются. «С помощью DevNet компания пытается привить навыки сетевого программирования двум разным группам специалистов: разработчикам, а также сетевым инженерам и операторам, – пояснил вице-президент IDC по исследованиям сетей центров обработки данных Брэд Кейсмор. – Давайте присмотримся с традиционной кузницей кадров Cisco. Насколько сетевые инженеры и сисадмины прониклись духом разработки программного обеспечения? Ведь многие специалисты по сетям выбрали свою стезю в том числе и потому, что не хотели заниматься разработкой. Что означает DevNet для традиционных центров подготовки специалистов Cisco CCIE? Действительно ли они неожиданно станут разработчиками и займутся написанием сетевых программ или же будут изучать возможности автоматизации для удовлетворения потребностей приложений, разработчиков и основных направлений бизнеса? Думаю, Cisco добьется больших успехов во второй области, нежели в первой. Что касается разработчиков, они явно питают склонность к базовой инфраструктуре. Удастся ли Cisco абстрагироваться и представить сеть так, чтобы разработчики использовали сетевые возможности и атрибуты, не погружаясь глубоко в тонкости сетевого управления?»

«Лишь очень немногие сетевые администраторы – даже из числа тех, кто научился программировать – хорошо осведомлены об экосистеме и инструментарии DevOps, – указал главный облачный архитектор Juniper Networks Джеймс Келли. – И мало кто рассматривает возможность применения этих инструментов к сетям. Успешная стратегия DevOps действительно требует командных усилий, одному специалисту охватить все невозможно, но стандартный набор навыков, необходимый каждому профессионалу, должен включать в себя знание инструментов, платформ и программирования, а также понимание автоматизации процессов, включая управление исходным кодом, его представление и непрерывную интеграцию и доставку. Изучение даже таких современных инструментов, как Python и Ansible, позволяет лишь поверхностно ознакомиться с темой. Компания Juniper поддерживает парадигму NetDevOps и принципы DevOps в отношении сетей, но мы убеждены, что должность инженера, по сетевой надежности (Network Reliability Engineer, NRE), приятнее звучит для аудитории, глубоко понимающей вопросы надежности и ассоциирующей себя с профессией сетевого инженера. Аббревиатура NRE, появившаяся по аналогии с SRE (Site Reliability Engineer), гораздо лучше описывает операционный характер этой деятельности по сравнению с довольно расплывчатыми формулировками, описывающими предметную область DevOps. В среде NRE и SRE надежность ставится выше скорости. И то, и другое достигается в помощью автоматизации, но в концепции DevOps упор делается на ускорение доставки программного обеспечения, что не слишком хорошо подходит для сетевой аудитории, у которой слово 'быстрее' ассоциируется с рецептом тушения пожара и взрывом еще большего масштаба».

Почти 30 лет назад, после появления понятия реинжиниринга бизнес-процессов и метода «шести сигм», в мире бизнеса произошел мощный сдвиг. К концу 1990-х годов концепция организации производства, ставшая ключевым и наиболее известным из революционных нововведений Джека Уэлча в бизнес-стратегии General Electric, был принят на вооружение большинством корпораций, входящих в список Fortune 500.

И это было не преходящим увлечением, а истинным движением вперед. Революцией, которая заставила каждого сотрудника посмотреть на бизнес через призму процессов, ориентированных на клиента. Появились первые пионеры концепции «шести сигм» – породившей в конечном итоге набор стандартных методик, инструментальных средств, тренингов и сертифицированных «черных поясов» – которые заполонили собой все офисное пространство, начиная от зала заседаний совета директоров и заканчивая комнатой отдыха.

Сегодня мы стоим на пороге очередных изменений, очередных подвижек, очередной революции – революции грамотности при работе с данными (data literacy). В 90-е годы работникам пришлось переучиваться. То же самое происходит и сейчас. Организационные изменения больше не определяются исключительно триадой людей, процессов и технологий. Появился новый ключевой элемент – данные – который меняет все.

Валери Логан – директор по исследованиям Gartner, специализирующаяся на стратегиях управления информацией, передовых методах анализа и связанных с этим темах управления изменениями; также входит в исследовательскую группу Gartner Office of the CDO

Умение «говорить на языке данных» – новый фундамент цифрового рабочего места независимо от того, являетесь ли вы создателем или потребителем решений, опирающихся на данные. С превращением данных, средств анализа, искусственного интеллекта и машинного обучения в ключевые элементы цифрового бизнеса и цифрового общества способности «говорить на языке данных» стала отводиться чрезвычайно важная роль.

Грамотность в работе с данными и умение говорить на их языке нужно рассматривать сегодня в качестве основы для проведения цифровой трансформации.

Спрос растет все быстрее

Грамотность в работе с данными Gartner определяет как способность считывать, записывать и обмениваться данными в соответствующем контексте. Сюда относится понимание источников и конструкций данных, применяемых аналитических методов и технологий, а также описание их использования и получаемого в результате выигрыша.

Грамотность в работе с данными сложна и многогранна. Чтобы сдвинуть процесс с мертвой точки, нужны лидеры, умеющие раскрывать возможности данных и формировать новый общий язык. Необходимы общие методы, технологии, обучение и в конечном итоге даже сертификация. Изменения в бизнесе будут весьма глубоки.

В Gartner ожидают, что к 2020 году 80% организаций начнут целенаправленно развивать компетенции в области грамотности при работе с данными, признавая их крайний дефицит. А 50% организаций к 2020 году не будут обладать достаточными для достижения поставленных перед бизнесом целей навыками в сфере искусственного интеллекта и информационной грамотности.

Необходимо не только обучать специалистов решениям, продуктам и сервисам, связанным с обработкой данных. Сотрудники должны еще и научиться говорить на языке данных. Нужно формировать сообщества, где этот язык будет процветать.

Культивирование грамотности в работе с данными

Каждая организация должна повышать грамотность в работе с данными, что будет способствовать росту ее конкурентоспособности в мире, где цифровая трансформация играет все более важную роль. Темпы изменений ускоряются с каждым годом, требуя формирования отдельной бизнес-стратегии в отношении цифровых рабочих мест.

Организации, которым удалось преуспеть в создании цифровых рабочих мест и добиться цифровой гибкости персонала, получают значительные конкурентные преимущества по мере ускорения цифровой трансформации.

Правильно реализованная стратегия цифровых рабочих мест будет способствовать росту мобильности и инноваций, расширению аналитических возможностей сотрудников и укреплению их взаимодействия за счет использования соответствующих инструментов, обучающих программ и методов стимулирования.

Организации должны быть готовы удовлетворять потребности клиентов, оставаясь впереди своих конкурентов. Первым шагом должно стать понимание важности повышения грамотности в работе с данными и улучшения результатов бизнеса.

Недавний опрос директоров по данным, проведенный Gartner, показал, что низкая грамотность в работе с данными является вторым по значимости внутренним препятствием на пути к профессиональному успеху (первый — недостаток общей культуры). В первую тройку входит также недостаточная одаренность и дефицит необходимых навыков. Программы, направленные на повышение грамотности при работе с данными, позволяют наверстать упущенное.

Информация в качестве второго языка

Научиться «говорить на языке данных» – то же самое, что выучить любой другой язык. Все начинается с понимания основных терминов и описания ключевых понятий. Что касается данных, в их словаре можно выделить три ключевые области: ценностную (ценности для бизнеса, результаты, решения, показатели эффективности), информационную (источники данных, элементы, качество, атрибуты) и аналитическую (аналитические методы, применимые к данным).

В языке данных имеется множество диалектов. Каждому из них присущи свои собственные термины, словарь и показатели. Диалекты специфичны по отношению к параметрам, предметной области или отрасли. В больницах, правительственных организациях и страховой индустрии, к примеру, существует свой собственный язык данных, описывающий результаты для пациентов, граждан и страховых требований.

Все сотрудники компаний, клиенты и поставщики должны изучать наиболее актуальные для себя диалекты. Это позволит каждому принимать участие в обсуждении и использовать данные при взаимодействии для достижения целей бизнеса. Подобно любому другому языку, уровень владения им может отличаться – все зависит от требований к конкретной индивидуальной роли.

Обучение и подготовка персонала

После того, как вы поймете важность повышения грамотности в работе с данными и необходимость использования общего языка и общих диалектов внутри организации, можно приступать к реализации всего этого на практике. Первым шагом должно стать осознание того, что грамотность при работе с данными является составной частью общего управления изменениями и организационной стратегии.

Важное значение имеет повышение осведомленности всех заинтересованных сторон. Социализация при работе с данными – важный этап всеобщей подготовки к изменениям, убеждения в том, что грамотность в работе с данными безусловно заслуживает внимания, так же, как заслуживала внимания концепция шести сигм. И это требует самоидентификации специалистов по данным.