Статьи

Объемы информации, необходимой для принятия решений, непрерывно растут. Но при этом нельзя допустить, чтобы на поиск необходимой пользователю информации уходило много времени. Информационные технологии, используемые в Научно-техническом центре «Газпром нефти» (НТЦ), позволяют создавать новые инструменты анализа и быстро находить нужные данные.

В НТЦ разрабатывают эффективные технологии добычи нефти на основе самых современных научных исследований. Еще одно важное направление деятельности компании, которым занимаются сотрудники Центра управления бурением «ГеоНавигатор» в Санкт-Петербурге — сопровождение высокотехнологичных скважин, расположенных не только в России, но и за рубежом.

В прошлом году здесь реализовали проект «Система когнитивного поиска», который способен поднять на качественно новый уровень работу сотрудников всей компании. О том, что дает компании «умный поиск», рассказал руководитель проекта в Научно-техническом центре «Газпром нефти» Евгений Кирьянов, номинант на премию CDO Award 2019.

- В чем суть задачи, которую решает этот проект?

Для нас, как и для любой наукоемкой компании, крайне важны исследования, связанные с решением повседневных бизнес-задач и преодолением технологических вызовов. Наши сотрудники постоянно нацелены на поиск новых решений, подходов и знаний. Чтобы осилить такие задачи, надо обращаться как к внешнему отраслевому опыту, так и к внутреннему опыту, накопленному сотрудниками компании.

Проанализировав имеющиеся базы данных и источники информации, мы увидели следующее. Во-первых, неизвестно, в какой из множества систем находятся искомые знания и ответы на вопросы. Во-вторых, сотруднику тяжело быстро найти информацию, требующуюся ему немедленно. Когда архивы измеряются сотнями терабайт и включают сотни тысяч документов, пользоваться стандартными локальными инструментами поиска в приложениях затруднительно.

Сначала мы попробовали построить поисковую систему на основе технологии Microsoft Share Point, но очень быстро выяснилось, что даже с ручным управлением, составлением словарей синонимов и настройкой фильтров стандартный поиск не справляется.

Поэтому мы решили создать собственную поисково-аналитическую систему, которая помогла бы сотрудникам максимально быстро находить ответы на свои вопросы и повысила бы эффективность экспертного сопровождения. Первая задача, которую мы перед собой поставили, — создание единой платформы для преодоления разрозненности источников данных, вторая — когнитивность поиска.

- Почему понадобилась именно когнитивная система?

Если документов немного, мы можем использовать поиск на базе совпадения слов, но когда число документов близится к миллиону, система выдает слишком много результатов. При этом в поисковой выдаче нет ранжирования по тому параметру, который важен сотруднику именно сейчас.

Система когнитивного поиска работает по-другому. Она сравнивает не буквы в словах, а смысловые значения слов, предложений и целых текстов, учитывает морфологию слов в запросе, понимает сокращения и специализированные термины. И например, по запросу «легкие фракции нефти» она выдаст результаты со словами «бензин» и «керосин». Даже если мы по-разному пишем одни и те же термины, система очень быстро сама обучается и понимает, что написанное по-русски и по-английски — это одно и то же. Система также работает с функциональными онтологиями, понимает вложенность терминов. В результате обучения нейронных сетей нашими экспертами система понимает из контекста документа, что это вложенные термины с разными написаниями.

Когнитивный поиск позволяет задавать вопросы с уточнениями и получать сфокусированные ответы, а фильтрация — оставлять в поисковой выдаче документы, удовлетворяющие нужным пользователю параметрам. Например, можно выбрать несколько конкретных источников данных или оставить только документы заданного типа.

- Подстраивается ли система под запросы конкретного пользователя? Вы создаете свой внутренний Google?

Сравнивать ее с Google и «Яндексом» я бы не стал, у нашей поисковой системы иные задачи. Мы только развиваем персонализацию и планируем в этом году сделать ее качественной. Дело в том, что наши сотрудники занимаются абсолютно разными вещами. Даже геологи, сидящие в одном отделе, могут решать совершенно разные задачи. Например, одни по стандартной модели рассчитывают запасы, а другие — развивают искусственный интеллект и нейронные сети в геологии. Соответственно, одним система должна выдавать более фундаментальную геологическую информацию, а другим — скорее «айтишную» или на стыке геологии и ИТ. То есть без персонализации работа системы не будет достаточно эффективной.

- Как вы выбирали подход к решению задачи?

Мы познакомились с имеющимися российскими и международными разработками, причем активно изучали опыт не только нефтяных и энергетических компаний, но и интернет-ретейлеров, поскольку в этом бизнесе поиск ощутимо влияет на результат. Затем провели несколько экспериментов, осуществили пилотное внедрение в офисе НТЦ в Санкт-Петербурге и принялись за разработку собственного решения совместно с компанией Nаumen. На реализацию проекта ушло 10 месяцев.

- Какие данные использует система и какова стратегия их сбора?

Объем внутреннего файлового хранилища «Газпром нефти» превышает сотни терабайт. Кроме него в первом прототипе системы мы использовали наборы данных из внешних онлайн-ресурсов, в совокупности около 70 тыс. документов.

В дальнейшем начнем расширять перечень внешних источников — примерно до ста, добавим также ресурсы, которые наши эксперты используют в своей работе.

- Какими технологическими средствами вы решали поставленную задачу?

В основе лежит система ElasticSearch, многое было разработано на языке Scala. Использованы и другие свободно распространяемые программные продукты, а также решения Naumen.

Поиск — это внутреннее клиент-серверное приложение, доступное сотрудникам в виде веб-сайта на корпоративных ПК или удаленно с личных ноутбуков. Сейчас единая поисковая платформа объединяет несколько сайтов, и мы работаем над ее расширением.

- Какие были основные сложности в ходе проекта, как их преодолевали?

Взаимодействие с любыми поисковыми системами выстраивается постепенно, вначале люди не доверяют возможностям технологии. Мы помним это по опыту взаимодействия с «Яндексом» и Google: несколько лет назад мы вбивали в строку запроса лишь одно-два слова, поскольку знали, что если введем предложение, то ничего в ответ не получим. Теперь мы спрашиваем все, что придет в голову, — и именно такое качество мы намерены развивать в своей системе.

Пользователи уже начинают больше доверять корпоративной системе: раньше поисковые запросы были в одно-два слова, сейчас длина запросов растет.

Технические сложности были из-за качества, а также разнородности входных данных (новости, НМД, книги, проекты и т. д.) и их источников (система распространения знаний, внешние ресурсы, сетевые папки). Качество отсканированных документов было очень разным, многие документы были «зашумлены», требовалась очистка, удаление нечитаемых фрагментов и нераспознанного текста.

- В какой срок вы рассчитываете накопить объем запросов, достаточный для интеллектуального роста системы?

У нас нет этой проблемы, потому что нам не требуется такого количества запросов, как у Google. Мы избегаем «холодного» старта, характерного для систем машинного обучения, базирующихся на сборе информации без «учителя». Например, новому геологу, введенному в нашу систему, мы дадим модель, уже обученную для другого сотрудника с наиболее близким функционалом. Мы проводили экспертное обучение, то есть подаваемые в систему материалы уже размечены, проанализированы экспертами и «готовы к употреблению». Поэтому острой нужды в накоплении большого количества данных нет. Тем не менее мы рассчитываем на то, что через год система будет работать гораздо лучше, чем сейчас, потому что она еще и самообучается.

- Каких результатов вам удалось достичь?

По экспертной оценке, сотрудники занимаются поиском информации и каких-либо документов по 30–50 минут в день. Мы сократили это время практически вдвое и надеемся еще улучшить результат. Время сотрудников высвобождается, и это дает компании существенный экономический эффект. Кроме того, благодаря точности и полноте результатов поисковой выдачи повысилась эффективность принятия решений.

И еще один важный итог. Мы провели эксперимент: две группы сотрудников получили задачу по определенному направлению и доступ к системе умного поиска для ее решения. При этом ни в одной из групп не было специалиста по данному направлению. И участники обеих групп решили задачу на таком уровне, который позволил применить их решение в компании. Оказалось, что система может выступать в роли эксперта в тех ситуациях, когда пользователь не знает точно, что ему делать. С помощью «умной системы» он может найти ответы на свои вопросы и решить задачи, с которыми не сталкивался прежде. Найти в Интернете видеоинструкцию и сразу сделать хорошо то, что делаешь впервые, сегодня уже не проблема.

Когнитивная система служит для управления знаниями и их трансфера между подразделениями.

- Как планируется дальше развивать этот проект, помимо персонализации поиска?

Мы уже начали распространять решение на весь холдинг, скоро откроем его всем сотрудникам. Будем расширять возможности подключения к платформе по API других приложений и источников знаний. Намерены развивать инструмент, позволяющий делать аналитику на основе семантики запроса. Хотим сильно продвинуться в создании знаний, которых не существовало до запроса. То есть, анализируя несколько источников, система должна уметь собрать из множества документов один и предоставить его в ответ на запрос пользователя.

Дни, когда в компании проводятся тренинги, не любит никто. И если вам кажется, что сотрудников необходимо собрать в зале, где им целый день будут что-то рассказывать, подумайте о специалистах кадровой службы, на которых ляжет организация всего этого процесса. Ведь одно дело разослать несколько приглашений и совсем другое собрать всех работников в указанном месте в указанное время, особенно если в компании насчитывается несколько тысяч сотрудников, многие из которых работают удаленно (а то и находятся в других странах).

Развитие онлайн-обучения поначалу способствовало модернизации программ повышения квалификации, но затем технологии застряли на месте. За последние 15 лет компьютерные курсы не сильно продвинулись вперед и по-прежнему представляют собой по большей части долгие и скучные сеансы с выбором одного из нескольких вариантов ответа на вопросы. Чаще всего до конца таких тестов с трудом доходят не более 20%. А отсутствие такой составляющей, как социализация, делает подобные начинания еще менее привлекательными по сравнению с традиционными скучными тренингами.

Сама природа нынешней отрасли онлайн-обучения предполагает, что все здесь меняется очень медленно. Обучающие программы обычно разрабатываются специализированными компаниями, которые продают подписку на контент. Чтобы охватить максимально возможный рынок, они всеми силами стараются избегать интерактивных возможностей, отдавая предпочтение наиболее распространенным форматам файлов, которые совместимы с ранее внедренными организациями системами управления обучением. Как правило, используется устаревший формат файлов SCORM, появившийся еще на рубеже тысячелетий.

Со специализированными компаниями, выпускающими «контент для всех», возникает и масса других проблем. Прежде всего следует понимать, что разработчики, которые готовят универсальные курсы, охватывают ими лишь самые общие вопросы: чаще всего они не персонализированы и не адаптированы к особенностям сотрудников конкретной организации. Обновляются эти программы редко: учебные курсы по большей части охватывают вопросы, которые были актуальными много лет назад. Авторы курсов не имеют практически никакой обратной связи и не понимают, насколько успешной оказалась их работа. Встречи, посвященные обсуждению изложенного материала, иногда проводятся, но авторы редко вносят в свои курсы какие-либо изменения на основе анализа меняющихся требований (или последних событий).

Именно поэтому становится все более популярным так называемое микрообучение (microlearning), и в отрасли хорошо знают об этом. Не случайно ведущий игрок в сфере онлайн-обучения, компания Grovo, купила за 24 млн долл. поставщика обучающих курсов Cornerstone Content. Другие участники рынка микрообучения предлагают компаниям создавать собственные уроки, добавляя имеющийся у них материал к интерактивным шаблонам, которые пересылаются непосредственно на смартфоны работников.

Тем не менее, несмотря на растущую популярность, микрообучение, предусматривающее обучение небольшому объему материала за короткий промежуток времени, скорее дополняет системы электронного обучения, чем вытесняет их: высшее руководство компаний и службы управления персоналом не хотят отказываться от масштабных инвестиций в онлайн-обучение. Как бы то ни было, независимо от того, является ли конечной целью распространение новых знаний или закрепление уже существующих, микрообучение в любом случае превращается в лекарство от скуки, сопровождающей традиционные тренинги, и помогает сделать обучение в компаниях более эффективным.

Пять причин, помогающих микрообучению вытеснять традиционные учебные курсы

1. Простота восприятия. Исследования показывают, что в кратковременной памяти средний обучающийся можно удерживать лишь около четырех элементов новой информации. После этого информация перезаписывается или блокируется еще до того, как ее можно будет перенести в долговременную память. Следовательно, подача новых тем небольшими порциями способствует более легкому усвоению новых знаний. Вот почему запомнить первые десять цифр числа Пи (3,141592653) становится проще, если разделить их на три блока: 3,141 592 653. Разбиение сложных нем на небольшие микроуроки дает аналогичный эффект.

2. Простота создания и обновления. На создание курса традиционного обучения может уйти несколько недель. Микроурок состоит всего из нескольких ключевых сообщений (которые могут быть встроены в шаблоны). Приступив к созданию курса с утра, уже после обеда можно разослать его всем заинтересованным сторонам. Более того, при появлении более новой информации она легко вставляется в уже имеющийся курс, сохраняя тем самым его свежесть, актуальность и привлекательность.

3. Эффективность. Курсы микрообучения можно проводить на смартфонах сотрудников, оснащенных удобным сенсорным экраном, обладающих достаточной вычислительной мощностью и позволяющих проводить обучение в устраивающем их владельца темпе. Технология легко позволяет сделать уроки интерактивными и даже геймифицировать их, благодаря чему обучение воспринимается скорее как игра. Добавьте сюда накопление баллов за правильные ответы и быстрое завершение уроков плюс возможность получить реальные призы за лучшие показатели. В итоге выясняется, что ради лучших баллов обучаемые готовы повторно выполнять все предлагаемые им задания, а общая доля полностью прошедших курс обучения превышает 90%. Независимо от того, хотите ли вы научить работников решать простую задачу или знакомите их с новой корпоративной политикой, геймификация и интерактивность становятся эффективными способами вложения в обучаемых нужных знаний. По сути, это представляет собой полную противоположность скучным тренингам.

4. Простота распространения. Распространять объемные курсы весьма затруднительно независимо от того, насколько хороша используемая инфраструктура широкополосной связи. И наоборот, курсы микрообучения легко загружаются из облака в любую точку (обычно это делается через крупные магазины приложений). Открывается возможность для организации обучения по запросу (just-in-time). В этом случае обучаемые легко могут загрузить интересующие их микроуроки за несколько минут до того, как они им понадобятся.

5. Создать урок может любой желающий. В микрообучении используются интерактивные шаблоны: для создания урока достаточно просто загрузить нужную информацию и сформулировать вопросы. Отличная возможность для проведения «взаимного обучения» (peer learning). Эксперты рекомендуют, чтобы треть электронного обучения исходила от коллег. Нетрудно понять почему: ни один внешний преподаватель не знает специфику организации так, как ее знают работающие там люди. Если, например, в традиционных курсах электронного обучения продавцов просто призывают соблюдать дресс-код и быть вежливыми, то один из старших товарищей (даже не обладающий навыками преподавательской деятельности) может рассказать коллегам, что один из важных клиентов приходит на десять минут раньше, любит выпить кофе и не расположен говорить на определенные темы. Такие знания будут для работников гораздо полезнее. Персонализированное обучение не только отличается более высокой эффективностью – работники становятся лояльнее, когда видят, что их ценят и предоставляют возможности для дальнейшего роста (хорошие сотрудники скорее всего просто покинут компанию, если эти условия не выполняются).

В целом микрообучение расширяет возможности менеджеров по персоналу и ИТ-директоров: сочетание навыков обучения, присущих специалистам по персоналу, новых технологий и стремления постоянно совершенствовать стратегию обучения и развития (не занимаясь периодически реализацией крупных и дорогостоящих проектов) позволяет им теснее взаимодействовать друг с другом и упрощает создание адаптированных курсов. Сотрудники же только рады избавлению от скучных тренингов, в результате чего корпоративное обучение становится гораздо более эффективным.

Даррен Винтерфорд – генеральный директор компании Ed Microlearning.

Руководству сети Burger King удалось создать во многом уникальную модель управления большой сетью ресторанов, основанную на объективных показателях. Менеджеры ресторанов имеют доступ к объективной, наглядной и оперативной информации о своей работе, что обеспечивает их вовлеченность в повышение эффективности деятельности компании.

Максим Шарапов, директор департамента ИТ «Интернэшнл Ресторант Брэндс» и претендент на CDO Award, рассказывает о пользе меритократии, выработке у руководства ресторанов психологии бизнесменов и полном аутсорсинге процессов BI.

- С какого момента Burger King начал трансформироваться?

Трансформация имела подготовительный этап. Сеть Burger King начала бурно развиваться с 2012 года, тогда у нас было несколько десятков ресторанов и появился стратегический партнер. Получив финансирование, сеть начала экспансию. В этот момент я пришел в компанию и занимался стратегией развития ее информационных систем.

Базисом всей дальнейшей работы была подготовка единого источника данных, необходимого для последующего внедрения цифровых сервисов. Мы приняли решение внедрять ERP-систему, объединив в единой базе разрозненные данные различных подразделений. Более того, ERP стала системой мастер-данных. Таким образом был создан фундамент для дальнейшей цифровой трансформации.

- Какова история активной работы с данными? Когда произошел скачок, каковы его причины и результаты?

Когда внедрение ERP — а это большая и важная работа — было осуществлено, мы смогли направить силы на более конкретные бизнес-задачи. Были созданы все предпосылки для бизнес-аналитики: у нас появились данные, в отношении которых мы могли гарантировать целостность и корректность. Компания предпочитает в бизнесе прагматичный подход, руководство очень любит, когда в работе ориентируются на понятие quick wins — максимально быстрое достижение осязаемых результатов. Если в случае с ERP мы понимали, что быстро ее внедрить не получится, и были готовы терпеть целый год, то работу с BI-отчетностью мы вполне могли организовать по принципам Agile. Работа строится на поступающих от бизнес-подразделений вполне конкретных задачах по созданию приложений.

- Какие использованы платформы и продукты?

В качестве платформы мы выбрали Qlik и весьма оперативно подключили команду разработчиков. Эта платформа дает возможность действовать быстро и обойтись без создания хранилища данных. При помощи Qlik мы начали делать достаточно быстрые проекты. Задача состояла в предоставлении бизнесу подсказок и предложений относительно того, как скорректировать свою работу, чтобы максимизировать прибыль.

- Почему решили обойтись без хранилища? Сейчас этот подход используется повсеместно.

Мы считаем, что нам хранилище данных не нужно. Оно незаменимо там, где много источников разнородных данных. У нас не так много источников данных, а основных всего два: ERP и кассовая система. Они довольно однородны и предоставляют данные высокого качества, нам не требуется промежуточный этап сведения данных к единому целому. С внешними системами — например, системой аудитов и отзывов посетителей — обмен идет с помощью файлов Excel, уже агрегированных и готовых отчетов.

Да и сам принцип работы Qlik часто подразумевает отсутствие хранилища. Платформа всеядна, а ETL-процессы могут быть описаны в самой системе.

- Существует ли в компании стратегия работы с данными? Если есть, то в чем она заключается?

Четкой стратегии у нас нет, но есть основной принцип: компания регулярно и оперативно принимает решения на основе данных. Исходя из этого, мы формируем требования к данным. Например, от события в любом из более 600 ресторанов до его отражения в отчетности должно проходить не более 15 минут. Это означает, что все виды контроля по целостности и качеству данных должны быть зашиты в сами системы.

Самое главное, что большое число людей на регулярной основе вовлечено в работу с данными. Ежедневно в каждом ресторане проходят конференц-звонки, в ходе которых обсуждается, что ресторан будет делать в соответствии с показателями, полученными из системы.

- Действительно ли скорость настолько важна? Каким образом достигается актуальность данных, близкая к реальному времени?

Первым крупным результатом в рамках работы с данными стал проект «Рутина», благодаря которому рестораны начали получать ежедневные отчеты, весьма объемные и детальные. Следующий шаг был направлен именно на оперативность. Мы переосмыслили работу с источниками данных и стали работать с локальными кассовыми базами, а не с центральной базой, где консолидировались данные при закрытии кассового дня. Это было нужно для того, чтобы сотрудники ресторанов могли в режиме, близком к реальному времени, видеть, на какие показатели они выходят по итогам дня. Если что-то идет не так, у них есть возможность изменить ситуацию.

- Переход к управлению на основе данных — это серьезная культурная трансформация. Люди не любят меняться. Как обеспечить принципиальную возможность таких изменений?

Это и просто, и сложно. Надо быть максимально честными с людьми. Компания в своей работе придерживается философии меритократии — воздавать каждому по его заслугам. Человек, принесший компании измеримый в деньгах результат, может претендовать на часть этого результата. Любой сотрудник ресторана может предложить идею, которая повысит эффективность компании. Такие идеи могут быть озвучены непосредственному начальству, затем совместно — вышестоящему руководству, и очень важно, чтобы эта цепочка была быстрой, а ценные идеи максимально оперативно воплощались в жизнь. Не нужно теоретических рассуждений — надо брать и пробовать, а пилотный проект покажет ценность на практике.

Важно выработать у директоров ресторанов психологию бизнесменов. Они имеют право пробовать новшества, их никто за это не будет наказывать, даже если ожидаемый эффект не будет получен. Компания дает сотрудникам достаточно большое пространство для самореализации. Эта культура очень хорошо укладывается в data-driven-подход.

Таким образом, работу с данными можно считать некоторой базой для управленческого развития компании, которое во многом построено на стандартизации функций и их делегировании. Все управленческие решения на каждом из уровней управления основаны на объективных данных. На объективных показателях основана и мотивация сотрудников, что дает их высокую вовлеченность в улучшение работы ресторанов.

- Любопытным подходом является полный аутсорсинг всей работы с данными: в штате Burger King нет ни одного BI-специалиста, а функциональные менеджеры самостоятельно вносят задачи по работе с данными в очередь для реализации. Как такое стало возможным?

Да, работа с данными отдана на аутсорсинг в компанию Qlever Solutions, и у нас действительно нет ни одного BI-специалиста. Но зато есть мощное подразделение бизнес-аналитики, сотрудники которого не являются техническими специалистами, но имеют сильную экспертизу и глубокое понимание показателей экономической деятельности компании. Еще есть должность менеджера по развитию информационных систем, он управляет изменениями и принимает участие в расстановке приоритетов. Таким образом, все изменения проходят определенный контроль на достаточно высоком уровне.

Во многом такой подход стал следствием того, что компания довольно жестко ограничивает в подразделениях численность штатных сотрудников. В итоге образовалась гибкая структура, которая позволяет точно масштабировать ресурсы в соответствии с объемами работ и приобретать услуги по модели time&material.

Надо сказать, что к идеальному варианту пришли не сразу. У нас был негативный опыт работы с одной из очень известных компаний, занимающихся платформой Qlik, ставший примером того, какими отношения быть не должны. Действия по закрытию кода решения и неприкрытый шантаж вынудили нас разорвать с ней отношения и в дальнейшем более внимательно относиться к таким вопросам.

С нынешними партнерами выстраиваются именно доверительные отношения. Мы даем им значительный объем работ и ждем от них честности и заинтересованности в долгосрочном сотрудничестве. От них имеем лояльное отношение и привлекательные цены.

- В руки партнеров попадают ваши данные. Как страхуетесь от утечек?

Я могу лишь повторить слово «доверие». Конечно, договоры о конфиденциальности подписаны, но понятно, что они не дают стопроцентную гарантию от утечек. Таков выбор компании: мы идем на немалый риск ради более эффективных процессов.

- Быстрое внедрение изменений достигается благодаря подходам Agile. В какой момент стало понятно, что они нужны компании?

Нельзя сказать, что мы жестко придерживаемся каких-либо методик. У нас есть потребность в быстрой разработке, оперативно осуществляемых пилотных проектах. При наличии хорошей экспертизы, особенно в случае, когда консультант и разработчик — это одно лицо, от обсуждения до выхода продукта в свет проходит очень немного времени. Кроме того, все бизнес-подразделения компании вовлечены в процессы реализации решений, что минимизирует эффект «испорченного телефона».

Еще очень важна работа с трехслойной моделью данных, когда уже созданные показатели могут передаваться из модели в модель. Это важное архитектурное ноу-хау нашего партнера Qlever Solutions, существенно ускоряющее процесс разработки.

- Сейчас массово применяется предиктивная аналитика — использование математических моделей для прогнозирования выручки, спроса и других бизнес-показателей. Насколько это актуально для вас?

Актуально, но мы относимся к этому без фанатизма. Часто маркетинговая составляющая в ИТ идет во вред: использование модных технологий оправданно не всегда.

У нас есть пример использования машинного обучения в прогнозировании выручки. Долгое время мы задействовали простой алгоритм, дававший приемлемые результаты. Но компании было важно повысить точность таких расчетов, поскольку они влияли на закупки продукции, планирование выхода сотрудников на работу. Чем точнее прогнозирование, тем лучше компания подстраивается под внешнюю ситуацию.

Мы пригласили сильных специалистов по машинному обучению, чтобы повысить качество алгоритма. После достаточно продолжительной работы им удалось повысить качество, но всего на 1%. Это говорит о том, что главное — хорошо понимать тот бизнес, которым занимаешься, и ключевые факторы, влияющие на него. В этом случае самые простые модели часто имеют качество, не сильно уступающее самым современным решениям.

- Работа с данными направлена в первую очередь на внутренние нужды или на предоставление сервисов вовне?

Сейчас начато развитие внешнего блока — мобильного приложения, CRM-системы и сервисов на ее основе. Взялись работать с доставкой, появилась функция пикапа. Конечной целью всех этих усилий должны стать персональные предложения для каждого гостя.

Да, необходимо развивать персонализированную работу с гостями. Вероятно, придется анализировать путь клиента (customer journey), удобство приложений, наполнять CRM, подключать к ней внешние источники данных, в том числе из социальных сетей. Это серьезный вызов для компании, потому что объемы данных растут экспоненциально. Предстоит решать инфраструктурные вопросы, пересматривать принципы работы с данными.

Думается, что именно «внешние» цифровые сервисы принесут компании в будущем дополнительную прибыль.

- Как с профессиональной точки зрения отразилась на вас проведенная за последние годы работа ?

Можно сказать, что я пошел на повышение. Наши акционеры завершили покупку большой части ресторанов известного бренда. Я приглашен во вновь образованную компанию на позицию ИТ-директора. Мне предстоит реализовывать ранее опробованные идеи.

Потребуется масса подготовительной работы, которая ранее уже была проделана в Burger King. Без нее не обойтись, однако с учетом имеющегося опыта, думаю, удастся сделать всё гораздо быстрее. Сейчас запускаем ERP, причем на проект отведено менее полугода. Начинаем работу с источниками данных, проводим инвентаризацию существующей отчетности и, имея определенный багаж за плечами, развиваем ее.

Часть менеджмента новой компании осталась, часть пришла извне. Интересно, что получится из такого столкновения культур и подходов.

- Появления каких новых цифровых сервисов можно ожидать в ресторанном бизнесе в ближайшем будущем?

Распознавание клиентов — перспективная технология, и есть достаточно сильные алгоритмы, позволяющие это делать. С видеоаналитикой уже в текущем году на рынке будет достаточно много проектов.

Кроме того, последние достижения в области deep learning дают возможность выйти на новый уровень работы с продуктами и роботизации многих процессов. Инновации — это хорошо, но все считают свои деньги. И пока человеческий труд остается дешевым, будут выбирать именно его. Тем не менее в ближайшие пять лет, думаю, мы сможем увидеть полностью роботизированные рестораны.

Для борьбы с отмыванием денег, обналичиванием, фиктивными зарплатными схемами, а также для ведения фрод-мониторинга и выявления подставных лиц и так называемых дропперов, участвующих в транзите обналиченных денег, банки берут на вооружение самые современные средства и концепции работы с данными. Ретроспективный анализ обогащают прогнозированием, встраивая в инструменты бизнес-аналитики технологии машинного обучения. Эту концепцию называют дополненной аналитикой. А когда дополненная искусственным интеллектом BI встраивается во фронт-офисные системы и анализ ведется в реальном времени — это уже концепция непрерывной аналитики. Чтобы эти концепции работали, нужны соответствующие BI-инструменты и специалисты, которые будут моделировать интересующие их явления и встраивать прогностические модели в интерфейсы BI-систем.

Юрий Сирота, старший вице-президент, руководитель департамента искусственного интеллекта и анализа данных банка «УралСиб» и претендент на премию CDO Award, рассказал на примере проекта Anti Money Laundering, как его подразделению удается монетизировать работу с данными.

- Как организована математическая работа с данными в вашем банке?

Исторически математические функции развивались в двух направлениях: в рисках и розничном бизнесе. Но большинство задач, требующих математического моделирования, оставались нерешенными. Поэтому было создано новое подразделение — департамент искусственного интеллекта и анализа данных или Artificial Intelligence and Data Analytics Office (AIDA), призванный развивать аналитическую культуру и реализовывать математические проекты исключительной сложности. В нем сосредоточены функции, связанные с математическим изучением данных, бизнес-аналитикой, искусственным интеллектом и интеллектуальной роботизацией процессов.

AIDA напрямую подчиняется заместителю председателя правления, поскольку руководство банка понимает перспективность этих направлений для бизнеса. Наше взаимодействие с заказчиками строится по принципу партнерства. Тематический лидер приходит от заказчика, а математическая и ИТ-имплементация проекта – задача AIDA.

Cтратегия развития аналитической функции в банке предусматривает ликвидацию барьеров между ИТ, центром аналитических компетенций и бизнесом, разработку подхода для интеграции результатов аналитики в бизнес-процессы, а также инвестиции в инфраструктуру и компетенции.

Основных компетенций три: инженерия данных, математический анализ данных и BI. Подготовка данных для анализа — процесс кропотливый, и в общей трудоемкости его доля составляет порой 90–95%, но иначе невозможно добиться реальных конкурентных преимуществ. Монетизация упомянутых технологий и навыков достигается в основном благодаря внедрению методологий исследования данных (data science).

Традиционно исследование данных применяется банками при оценке рисков, в маркетинге и продажах. Есть много примеров использования математики для сегментации клиентов, определения вероятности их оттока, покупки и кросс-продаж и, конечно, для рискового скоринга. Но этим применение данных методологий не ограничивается. По большому счету, предиктивной математике можно адресовать вопрос, касающийся любой финансовой сущности: куда она движется и как добиться того, чтобы она двигалась туда, куда нам надо? Предиктивное моделирование помогает понять, к примеру, какова будет выручка, как сделать, чтобы прибыль была больше, а отток клиентов — меньше.

- Какие задачи решались в одном из последних ваших проектов — Anti Money Laundering?

Этот проект нацелен на выявление токсичных, то есть совершающих противозаконные транзакции, клиентов. Главным образом это физические лица, малый бизнес и индивидуальные предприниматели с незаконными оборотами. Математические методы использовались, чтобы прогнозировать вероятность токсичности. Проект выполняла кросс-функциональная команда специалистов AIDA и службы финансового мониторинга.

- Почему такая работа важна для банка и отрасли в целом?

Объем токсичных операций контролируется Центральным банком в конце каждого квартала: за очень большие объемы банк могут наказать, и не только штрафом. Санкции предусмотрены достаточно серьезные, вплоть до отзыва лицензии.

Задача определения того, какой клиент токсичен, а какой нет, решается всеми банками, разница только в методах и точности. Если мы сильно «закручиваем гайки», отказываем многим клиентам в открытии расчетного счета, то получается, что «душим бизнес». Если же плохо выявляем токсичных клиентов, тогда через банк проходят токсичные обороты, несущие потенциальные риски. И то и другое — плохо, все банки в этом смысле зажаты между молотом и наковальней. Чаще всего банки идут по пути именно «закручивания гаек» — грубо отсеивают из входного потока клиентов предприятия малого бизнеса и индивидуальных предпринимателей, и это оборачивается ущербом для бизнеса.

- Какой подход выбран в вашем банке?

Чем точнее мы оценим вероятность токсичности, тем больше запустим в банк хороших клиентов и, соответственно, меньше плохих. Вопрос заключается в том, как отличить «хорошего» от «плохого». И этот вопрос — к аналитикам.

Нам удалось разработать достаточно точные предиктивные алгоритмы, которые показывают вероятность того, что клиент будет токсичным. Когда клиент обращается в банк за открытием счета, мы выводим коэффициент, показывающий вероятность его токсичности, по профилю, состоящему из 60 параметров. На основании полученного коэффициента банк принимает решение — открыть счет данному клиенту или отказать ему.

- На основе каких данных рассчитывается этот коэффициент?

Часть данных берется из анкет, заполняемых клиентом. Помимо внутренней базы банка, мы используем также базы ФНС и системы «Спарк» информационного агентства «Интерфакс». Когда клиент заходит в банк, мы уже имеем информацию о его деятельности, оборотах в других банках, взаимодействии с физическими и юридическими лицами, включая как добросовестных контрагентов, так и находящихся в черных списках. Всю совокупность информации обрабатываем, используем для моделирования и отсеивания клиентов в ходе всего их жизненного цикла в банке.

- В чем были основные сложности?

Сложно скомбинировать множество признаков таким образом, чтобы по 60 показателям присвоить клиенту итоговый балл и получить в итоге скоринг по степени токсичности. Слишком большая размерность. А в совокупности на разных этапах жизненного цикла клиента в банке анализируется порядка 320 характеристик. Сопоставить их и превратить множество значений в один-единственный скоринг нелегко.

Но математики с такими задачами справляются лучше, чем эксперты и инструментарий а-ля Excel. По профилям всех клиентов строится математическая модель, алгоритм предусматривает ее самообучение. Процесс обучения модели практически эквивалентен процессу ее создания.

- То есть токсичных клиентов она учится распознавать так же, как Google — котиков?

Да. В отличие от искусственного интеллекта человек не способен мыслить в пространстве 60 признаков, человеческий мозг не справляется с решением задач высокой размерности. Математический алгоритм под управлением человека решает задачу идентификации хороших и плохих клиентов гораздо лучше, нежели человек.

Самая большая проблема — подготовка данных, которые инженеры собирали и раскладывали «по полочкам» в базе данных. Это 90% всех трудозатрат. Затем математики разработали модель, при этом мы используем стек свободно распространяемого программного обеспечения, языки R и Python.

В дальнейшем во фронт-офисные системы банка внедрили шаблоны для заполнения сотрудниками. Из этих шаблонов информация уходит на серверы банка, там обрабатывается, и результат возвращается в офисную систему в реальном времени. Таким образом, при обслуживании в офисах банка каждому клиенту ставится в соответствие некоторая степень токсичности, и в зависимости от полученного результата счет ему открывают или не открывают. Эта модель уже больше года функционирует во всем банке и показала свою значимость.

- Каких бизнес-результатов удалось достичь?

Доля счетов, открываемых малым бизнесом и индивидуальными предпринимателями, выросла в полтора раза. Значительный темп роста малого бизнеса — это огромные прибыли для банка, полученные благодаря точному прогнозированию и разделению хороших и токсичных клиентов. Мы можем увидеть, в каких городах и отраслях доля токсичных клиентов выше, а также насколько она выше в компаниях с упрощенной системой налогообложения и там, где бухгалтер и генеральный директор — одно лицо. Кроме того, налицо очевидная монетизация деятельности крупнейшего департамента банка.

Проект оказал влияние на весь банк. После его реализации предиктивная математика стала применяться и в решении других задач. Число наших проектов растет, и общая стоимость портфеля проектов оценивается числом с очень большим количеством нулей. Это весьма значимый для банка результат, которого добилась небольшая команда математиков и разработчиков в партнерстве с бизнес-заказчиками.

- Что проект дал бизнесу, помимо финансового эффекта? Может ли идти речь о появлении новой бизнес-модели, развитии нового направления бизнеса?

Для любого бизнеса главный эффект — финансовый, притом что степень рискованности не растет. В данном случае степень потенциальных рисков не выросла, а финансовый эффект очень осязаем. Но, естественно, когда растет клиентская база, вполне могут появиться и новые направления для бизнеса.

- Достаточно ли накопленных за год данных, для того чтобы оценить эффективность модели? Может быть, «одобренные» алгоритмом клиенты покажут себя с нехорошей стороны только в следующем году?

Возможно. Ведь у компаний меняются собственники, руководители и, соответственно, меняется поведение. Не исключено, что кто-то неконтролируемо совершит противозаконное действие. Но соотношение риска и доходности значительно улучшилось.

Всё контролировать невозможно, как и выдавать кредиты только клиентам, которые никогда не обанкротятся. Всегда есть доля таких клиентов, но чем меньше эта доля, тем лучше. Бизнес у нас вырос, а риски не выросли.

- Что вас ждет впереди?

Постоянная работа над поддержанием моделей, повышением их точности. Точность достигается как добавлением новой информации, так и применением новых математических методов. У нас появилось много других моделей, которые оценивают информацию от службы безопасности и выявляют токсичных клиентов в ходе всего жизненного цикла в банке. Когда компания достигает порогового значения в неких действиях, мы можем говорить о вероятности того, что данный клиент токсичен. То есть формируется целая экосистема матмоделей, направленная на то, чтобы пресекать противозаконные действия клиентов и в то же время оптимально содействовать развитию бизнеса.

И, конечно, новые заказчики внутри банка, новые задачи и новые модели!

- Как еще вы применяете методы машинного обучения в банке? И какие варианты применения рассматриваете?

Мы изучаем имеющиеся на рынке решения для улучшения операционной эффективности. Применяем искусственный интеллект для анализа данных в продажах и маркетинге, для автоматического прогнозирования котировок на фондовом рынке, для прогнозирования потребности в наличных в банкоматах, кассах и допофисах, для предсказания выхода из строя ИТ-инфраструктуры.

Очень значимое направление — ИИ в работе с должниками, для определения вероятности того, что клиент выйдет в дефолт. Если вероятность высока, с клиентом начинают работать службы банка. Для банкротов рассчитывается вероятность погашения задолженности в течение определенного времени целиком или частично. Для управления воздействием на должника определяется, какая комбинация звонков, уведомлений и выездов повысит вероятность взыскания долга.

Организациям, использующим ITIL, нужно учесть: в популярном своде знаний произошли существенные изменения, направленные на модернизацию управления сервисами ИТ (IT service management, ITSM) и трансформацию их в более гибкий ресурс, приносящий дополнительные ценности бизнесу.

В последний раз ITIL обновлялась в 2011 году, но это были скорее косметические изменения. Обновление же 2019 года вносит гораздо более серьезные коррективы и сравнимо с теми, что произошли в 2007 году. Версия ITIL 4 ориентирована в первую очередь на адаптивность, настраиваемость и гибкость управления ИТ-сервисами.

Новая версия побуждает организации устранять разобщенность и укреплять связи и взаимодействие в рамках всего предприятия, внедряя у себя гибкие методики и практики DevOps. В ITIL 4 расширяются идеи и концепции создания ценностей, автоматизации процессов и улучшения конечного результата. Неизменными остаются ориентация на хорошее управление, устойчивость, стабильность, информационную безопасность и безопасность данных – все эти идеи четко прослеживались также в ITIL 3 и предыдущих версиях.

Девять основных принципов ITIL

Два года назад компания AXELOS представила набор руководящих принципов, которые нашли отражение в экзамене ITIL Practitioner, охватывающем вопросы управления организационными изменениями, коммуникациями, измеримостью и метриками. К этим критериям, известным как девять основных принципов ITIL, относятся:

• фокус на ценности (Focus on value);
• работа на людей (Design for experience);
• старт исходя из текущей ситуации (Start where you are);
• системное мышление (Work holistically);
• итерационное развитие (Progress iteratively);
• непосредственный контроль (Observe directly);
• прозрачность (Be transparent);
• взаимодействие (Collaborate);
• упрощение (Keep it simple).

Эти девять принципов, являющиеся сегодня основой ITIL, должны стать для бизнеса хорошим стимулом, помогающим ему сосредоточиться на ценностях, взаимодействии и обратной связи и способствующим поиску гибких и экономичных способов ведения предприятием своей деятельности. Принципы должны содействовать внедрению ITIL 4 и выбору наилучших компонентов новой версии без попыток выполнения всех включенных в нее этапов и рекомендаций.

Ориентация на культуру

Краеугольным камнем успеха ITSM в ITIL 4 считается культура компании. Исторически сложилось так, что ИТ-служба выступает в качестве автономного подразделения – она не всегда полностью встроена в структуру бизнеса организации.

По словам директора AXELOS Global Best Practice по продуктам Марго Лич, управление ИТ естественным образом поддерживает «разобщенный стиль работы», который отделяет ИТ от бизнеса и негативным образом отражается на взаимодействии.

В ITIL 4 содержатся дополнительные рекомендации в части укрепления взаимодействия и дальнейшей интеграции ИТ в бизнес. Другим подразделениям также необходим доступ к ИТ и ИТ-системам (особенно в сервисной части), поэтому важно, чтобы коммуникации оставались открытыми и за пределами ИТ-службы.

Переход к Agile-методикам и DevOps

«Фокус прошлых версий на организации советов по управлению изменениями (CAB) привел к негативному восприятию ITIL, – отметила Лич. – Претензии предъявлялись к недостаточной гибкости и созданию препятствий на пути быстрого развертывания. Вместе с тем в ITIL никогда не подразумевалось, что необходимо тщательно оценивать любое простое изменение в ИТ».

Для устранения этого недостатка и предоставления организациям возможности реализации более гибких стратегий ITSM в ITIL 4 включены практики Agile и DevOps. Теперь ITIL поощряет сотрудничество и взаимодействие в рамках всей организации, предлагая руководства по быстрому внесению изменений.

Построение прочного фундамента для изменений

Компании, которые обратятся к ITIL 4, найдут для себя много дополнительной информации о том, как следует выстраивать прочный фундамент для дальнейшей деятельности. Как полагают в AXELOS, это необходимо для формирования культуры, предусматривающей инновации, трансформацию и гибкость.

«Чем быстрее мы движемся, тем выше вероятность того, что при отсутствии надежной платформы вращающиеся колеса рано или поздно просто отвалятся, – заметила Лич. – Прочный фундамент имеет ключевое значение для управления ИТ, поскольку нельзя быть гибким в хаотичной среде».

При наличии прочного фундамента бизнес может оперативно менять курс при возникновении такой необходимости, внедряя улучшения, новые технологии и уделяя приоритетное внимание данным и вопросам безопасности. На сегодняшнем передовом предприятии изменения должны происходить быстро.

Больше внимания клиентам

Клиентов всегда причисляли к ключевым аспектам ITSM, но в ITIL 4 им отводится еще более важная роль.

«Теперь сюда включено восприятие ценности пользователями, – пояснила Лич. – Мы живем в цифровую эпоху, а мнение клиентов и их отзывы оказывают самое непосредственное влияние на сервисные продукты и бренды».

Сегодня благодаря чатботам, социальным медиа и материалам в Интернете компании получают от клиентов более полную информацию, чем когда-либо ранее. Эта обратная связь является краеугольным камнем ITIL – бизнесу необходимо внимательно прислушиваться к клиентам, чтобы понимать, когда и как следует вносить изменения.

«Общепризнанно, что ценности не создаются в вакууме, – подчеркнула Лич. – Клиенты должны принимать самое непосредственное участие в определении того, что для них является ценностью, а что нет, и декларировать, что они ищут. – Необходимо поддерживать постоянную обратную связь, и эта концепция занимает важное место в ITIL 4».

Официальная презентация ITIL 4 состоялась буквально на днях (книга ITIL Foundation book of the ITIL 4 Edition увидела свет 18 февраля 2019 года — Прим. ред.), но обновления будут появляться в течение всего нынешнего года по мере модернизации отдельных модулей. Для обеспечения плавного перехода экзамены, сертификация, книги и аккредитации по ITIL v3 сохранятся до июня 2020 года. Для тех, кто уже проходит процесс сертификации, заработанные кредиты будут переведены в новые схемы.

Год назад мы уже разговаривали с Анджеем Аршавским, директором по анализу данных и моделированию Новолипецкого металлургического комбината, о первых шагах по применению искусственного интеллекта для оптимизации производственных процессов компании. Тогда предварительные результаты прототипов и запущенных пилотов давали основания для осторожного оптимизма.

С тех пор многое изменилось. Было построено хранилище данных по основным производственным площадкам — так удалось решить проблему доступности данных. Подразделение data science занялось широкой апробацией различных идей и тестовых проектов: в прошлом году реализовано 23 проекта — как пилотных, так и «боевых». Три проекта уже запущены в промышленную эксплуатацию, а еще четыре находятся на стадии промышленных испытаний. Внедренные решения приносят ощутимую прибыль.

«Достигнут серьезный прогресс по сравнению с прошлым годом: от попыток мы перешли к результатам, — констатирует Аршавский, претендент на премию CDO Award. — Большинство пилотных инициатив, реализованных за последний год, воплотились в реальные проекты. Мы как дирекция достигли стадии зрелости и перешли на самофинансирование новых проектов». Сейчас в НЛМК работают над концепцией цифровой платформы и стратегией «цифровизации», рассчитанной на ближайшие пять лет.

«Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации»

- Что произошло за последний год?

Самое главное — мы достигли целевых экономических результатов от внедрения решений ИИ, поставили разработку решений на конвейер и перешли на режим самофинансирования. Важным достижением является то, что мы смогли сформировать полноценную команду data science. Мы также научились работать одновременно по большому спектру проектов полного цикла. Удалось завершить ряд внедрений систем в производство и получать прибыль. И последнее, но не менее важное достижение: разработана платформа данных и математического моделирования (озеро данных), куда стекаются производственные данные и производятся расчеты. Тем самым мы существенно упростили доступ к данным и их обработку в наших текущих и перспективных проектах. Сейчас к платформе подключается первая группа источников данных Липецкого комбината.

- Год назад в команде было буквально несколько человек. Появилось ли выделенное подразделение и что оно сейчас собой представляет?

Появилось функциональное направление — дирекция «Анализ данных и моделирование», куда входят 15 человек. До недавнего времени дирекция напрямую подчинялась президенту группы, а сейчас вошла в цифровой блок. В команде трудятся исследователи и инженеры данных, бизнес-аналитики, разработчики и проектные менеджеры. При этом мы не отказались и от аутсорсинга: у нас сформировался круг стратегических подрядчиков, с которыми мы реализуем разные стадии проектов. Часть проектов делается собственными силами, часть — с их помощью. Иногда пилотную часть реализуем самостоятельно, а разработка конечного продукта производится подрядчиком. Мы научились работать комбинированной командой, чтобы действовать наиболее эффективно.

- Что фактически означало для компании формирование выделенного подразделения?

Год назад наше направление было создано, чтобы проверить гипотезу о том, что технологии искусственного интеллекта, внедренные в производственные процессы, могут приносить прибыль. Подчеркну, это была лишь гипотеза. За 2018 год она была подтверждена реальными проектами. Более того, такие решения удалось поставить на поток, создать конвейер. Появился отлаженный бизнес-процесс, рождающий идеи, эти идеи затем апробируются и пилотируются; на их основе появляется минимальный продукт (MVP), который потом последовательно разрабатывается и становится полноценным продуктом, включающим интеграцию с внутренними системами, проведение промышленных испытаний, разработку методик оценки экономического эффекта, внедрение и передачу на поддержку.

Разумеется, есть огромная разница между идеей и пилотом, между пилотом и конечным продуктом. Мы научились их конвертировать друг в друга, а продукты научились тиражировать. Могу констатировать: мы реализуем весь цикл от идеи до тиражирования продукта.

- В прошлом году мы говорили о трех начатых пилотных проектах: экономии ферросплавов, поиске причин дефектов и оптимизации работы ТЭЦ. Какие проекты в итоге стали самыми важными и показали лучшие результаты?

В итоге мы реализовали сразу три проекта по ферросплавам — для разных установок и на разных площадках. Внедряем на зарубежной площадке NLMK Clabecq проект по прогнозированию выхода материала при листовой прокатке. Работы по оптимизации ТЭЦ также оказались успешными. Кроме того, мы запустили около 10 проектов по разным направлениям: по коксохимическому производству, увеличению темпа прокатки слябов на стане 2000 и др. Проект по устранению дефектов оказался сложнее, чем мы ожидали, и пока не завершен.

Мы сосредоточились на двух направлениях: удешевление и повышение эффективности производства и логистика. Охвачены сталеплавильное, прокатное, коксохимическое производства, начата работа по доменному производству. В логистике мы фокусировались на железнодорожном транспорте: оптимизации укладки слябов в вагоны и оптимизации оборота вагонов по внутренним железнодорожным станциям.

Как осуществляется приоритизация проектов? По каким принципам выбираете, «где копать»? Скорость, бизнес-потребность, ожидаемые эффекты?

Мы ранжируем инициативы исходя из их приоритетности для стратегических целей компании — в рамках «Стратегии-2022». Если проект отвечает целям этой стратегии — например, дает хорошую операционную эффективность или помогает выстраивать бережливое производство, то мы ориентируемся на экономический эффект, доступность данных и скорость реализации проекта. Для нас важно, чтобы заказчик тоже был готов — чтобы тот или иной цех понимал для себя значимость этого проекта. Не менее важно, чтобы техническая дирекция признала проект выполнимым и приоритетным.

- В целом ваше подразделение справляется с потоком задач? Или приходится устраивать жесткий отсев и проекты выстраиваются в очередь?

Да, образуется очередь, можно было бы делать и больше. Мы растем, развиваем свою команду. Список проектов очень широк, он за прошлый год вырос на 50%. И у всех из них достаточно большой экономический потенциал.

- Проблема исключительно в кадрах? Откуда брать дополнительные мощности?

Это кадры и процессы. Оптимизируя свои процессы, мы увеличиваем производительность, растет вероятность того, что проект будет успешным. Также имеет значение готовность к изменениям заказчиков — подразделений НЛМК. Наконец, играет роль эффективность внешних команд, привлекаемых к проектам.

Мгновенно нарастить все эти показатели невозможно. В ходе первых проектов было важно увидеть типичные проблемы, выстроить процессы, обеспечить в нужном объеме вовлеченность бизнес-подразделений.

- На первых этапах ожидалось, что в результате реализации проекта текущие процессы должны улучшиться на 5%. Что наблюдается в итоге?

Эта цифра подтверждается. Да, кое-где мы превосходим ее. Но одновременно становится понятно, что следующая волна оптимизации будет нести гораздо больший эффект — 15–20%. На этот более высокий уровень оптимизации мы выйдем, когда наши точечные решения будут собраны воедино.

- В итоге подходы к планированию эффективности меняются? Ведь те самые 5% родились из того, что меньший эффект незначим и его трудно измерить, а на больший не заявлялись из скромности.

Да, подходы к оценке экономического потенциала проекта тоже изменились. В ходе первых проектов мы научились считать эффект и пересчитывать его в экономию. Поэтому оценки стали более обоснованными, чем абстрактные 5%.

- Стратегия управления данными — это чуть ли не первое, чем пришлось заниматься. В чем она заключается, как видоизменяется?

Двумя столпами этой стратегии являются качество и доступность данных. Доступность обеспечивается путем создания единого хранилища, аккумулирующего в себе все источники данных. Разрозненность данных всегда негативно влияет на их доступность, мы это ощутили в полной мере на первых проектах: приходилось прилагать массу дополнительных усилий. Сейчас проблема осталась в прошлом. Еще проблема возникает в тех случаях, когда какие-то части производственного процесса просто не оцифрованы или данные теряются на самых начальных этапах их получения. Это решается согласованием нашей стратегии со стратегией развития АСУТП. К счастью, мы и АСУТП стали частью одного функционального направления — цифровизации.

Качество данных тоже важный и сложный вопрос. Качество может страдать по самым разным причинам. Данные могут быть неполными: какие-то измерения, необходимые для реализации проекта, не производятся. Также качество данных может зависеть от точности измерений или ручного ввода. Полнота данных может иметь даже временной аспект: например, они доступны за последние три месяца, а исторических данных нет — обучать модели не на чем. Мы разработали комплекс мероприятий, направленных на решение проблемы качества данных. У нас обозначены точки, где проекты нужны, но для их реализации отсутствуют данные. Совместно с бизнес-подразделениями НЛМК мы работаем над устранением этих белых пятен.

- Как архитектурно построена инфраструктура для работы с данными?

Мы выбрали подход с максимальным использованием открытых решений. Хранилище построено на Hadoop Spark (сборка российской компании Arenadata), шина данных, которая связывает его с окружением, реализована на Kafka, внутренние сервисы — на Python и Java. Экспериментируем с использованием различных баз данных NoSQL для хранения некоторых витрин данных. При построении участков, связанных с быстрой обработкой информации, экспериментируем с открытой версией Greenplum, различными иерархическими хранилищами.

- Какие работы по цифровизации компании сейчас ведутся?

Мы работаем над концепцией цифровой платформы производства. Под этим понимается создание решений для бизнеса — попытка абстрагироваться от терминов АСУТП или MES и построить платформу, на базе которой смогут эффективно работать интеллектуальные цифровые сервисы, которые приносят бизнес-заказчикам понятный и очевидный результат. Архитектурно это будет построено на самых современных технологиях. Это глобальное решение, оно должно быть реализовано в соответствии со стратегией цифровизации НЛМК.

- Это решение будет единым с платформой больших данных?

Это должна быть единая система. Раньше мы архитектурно разделяли производственные системы и все, что относится к платформе big data, а сейчас в рамках цифровой платформы все эти наработки должны быть объединены и приведены в соответствие друг другу. Технически это вполне реализуемо.

- В чем заключается задел на будущее, сделанный за прошедший год?

Он заключается в том, что в прошлом году мы реализовали некоторое количество проектов, которые подтвердили состоятельность заложенных в них идей. Мы будем их превращать в законченные продукты и прибыль следующего года.

Кроме того, мы пополнили наш банк идей новыми предложениями, расширив его на 50%. Таким образом, у нас появляется больше возможностей для отбора перспективных пилотных проектов в будущем году. Основная часть таких проектов по-прежнему будут производственными, однако мы намерены смотреть шире. Еще часть задач, вероятно, будут касаться сферы закупок, а часть — финансовой сферы.

- Куда движутся большие данные в НЛМК и как они в перспективе могут изменить бизнес компании?

Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. Однако понятно, что с точки зрения производства это субоптимальный режим. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации.

В целом мы видим три глобальных этапа развития больших данных и искусственного интеллекта. Первый — создание точечных решений для оптимизации производства, благодаря чему мы можем на 5–10% повысить технический эффект. На этом этапе мы находимся сейчас, и он будет длиться три-четыре года. Второй этап — создание решений для оптимизации групп внедренных точечных решений: с помощью искусственного интеллекта мы начнем оптимизировать связки смежных процессов. Этот этап продлится тоже четыре-пять лет. Затем мы намерены приступить к созданию глобальной системы оптимизации производства. На это уйдет еще пятилетие.

В 2018 году и в начале 2019-го «Ростелеком» провел ряд изменений в организации работы с данными. Реализованные проекты были призваны обеспечить импортозамещение, а также снизить стоимость аналитической отчетности и оптимизировать ее подготовку. Сергей Носов, директор по управлению данными ПАО «Ростелеком» и претендент на премию CDO Award, рассказывает об объединении четырех хранилищ данных в одно централизованное, повышении качества данных и проводимой образовательной работе.

- Что в компании изменилось за последние два года? Почему началась такая активность по направлениям, связанным с работой с данными?

«Ростелеком» развивается, и бизнес прекрасно понимает вызовы, которые бросает нам рынок. Мы понимаем, что бизнес-решения нельзя принимать, руководствуясь только опытом и интуицией. Взвешенные, оптимальные решения должны быть основаны на фактах, проверке гипотез реальными данными. Рост бизнеса, расширение продуктового ряда и всеобщая цифровизация приводят к тому, что данных становится все больше и их надо структурировать и систематизировать. Этим и обусловлена активность.

- Что конкретно было предпринято?

«Без спонсорства со стороны заказчика проект создания централизованного хранилища становится просто дорогой игрушкой для ИТ-специалистов»

Можно выделить несколько ключевых достижений, которые были объединены в рамках одного проекта — создания и запуска так называемого Data-офиса. Во-первых, это миграция нескольких федеральных хранилищ в целевое хранилище данных, построенное преимущественно на открытых решениях: Hadoop, открытой версии Greenplum, Airflow, Ni-Fi, Kafka. Посредством перевода централизованного хранилища на стек open source удалось сэкономить средства, сравнимые с годовым бюджетом построения хранилищ данных в крупных компаниях. С учетом требований, предписывающих компаниям с государственным участием переходить на отечественное ПО, это достижение особенно ценно.

В период миграции, несмотря на технологические проблемы, мы активно развивали функционал аналитической отчетности для ключевых бизнес-заказчиков. Оптимизировав работу с данными (построив полноценный конвейер от постановки задачи до реализации витрин или BI-отчетов) и переведя ключевые компетенции внутрь компании, мы сократили стоимость новых разработок примерно на 30% и ускорили внедрение новых решений.

Мы практически полностью автоматизировали получение ключевой управленческой отчетности сегмента B2C, которая год назад собиралась с макрорегиональных филиалов компании преимущественно в ручном режиме. Реализовав новый подход к построению отчетности, компания ушла от логики лицевых счетов к логике проникновения услуг в домохозяйства. Был создан полный профиль домохозяйств: от подключенных сервисов, объема трафика и финансовых показателей до наличия технической возможности предоставления услуг.

Одновременно шло формирование «золотой карточки клиента» (Customer Data Integration, CDI), завершить эту работу планируется в первом квартале нынешнего года; продолжается запуск отраслевого решения «Паспортизация объектов недвижимости» (ОРПОН), предусматривающего унификацию адресной информации в ключевых информационных системах компании с геокоординатами. Благодаря всем этим усилиям повысилось качество данных и возросло доверие к ним, а созданная аналитика теперь будет использоваться в ходе внедрения системы управления маркетинговыми кампаниями и в работе других более сложных решений. На основании этих данных реализован в том числе BI-проект «Тепловые карты», призванный выявлять те географические зоны, в которых требуется улучшить обслуживание или реализовать потенциал продаж. Например, в зонах активной застройки.

- Откуда появились четыре федеральных хранилища и какие функции они выполняли? Зачем потребовалось их объединить?

Первое хранилище появилось для сбора сводной базовой аналитики по всей компании. Когда «Ростелеком» объединился со «Связьинвестом», понадобилось собрать данные самостоятельных прежде телекоммуникационных макрорегиональных компаний, чтобы сформировать целостную картину. Интегрировать весь разрозненный ИТ-ландшафт в короткие сроки было сложно, и первое хранилище стало скорее инструментом для сбора агрегированной информации.

Второе и третье хранилища развивались практически одновременно на различных платформах. У проектов были разные заказчики (как и требования к разным предметным областям), а реализацией занимались раздельные команды, у них не было единого исполнителя и координатора.Первое хранилище появилось для сбора сводной базовой аналитики по всей компании. Когда «Ростелеком» объединился со «Связьинвестом», понадобилось собрать данные самостоятельных прежде телекоммуникационных макрорегиональных компаний, чтобы сформировать целостную картину. Интегрировать весь разрозненный ИТ-ландшафт в короткие сроки было сложно, и первое хранилище стало скорее инструментом для сбора агрегированной информации.

Реализацию четвертого хранилища было решено делать с нуля, в соответствии со всеми канонами: создать полноценное «озеро», собрав сырые данные из всех ключевых систем отчетности, сформировать модель данных и т. д. Однако усилия по построению четвертого корпоративного хранилища не принесли ожидаемого результата, и проект решили заморозить.

В какой-то момент стало понятно, что заказчикам всех четырех хранилищ для формирования полной картины требуется добавление одних и тех же новых предметных областей. После проведения функционально-технологического аудита выяснилось, что четвертое хранилище — самое технологически зрелое. Дорабатывать его для решения бизнес-задач было нецелесообразно, а вот использовать технологии и инфраструктуру — вполне возможно, да и компетенции у команды были хорошие. Следовало объединить методологии первых трех хранилищ и инфраструктуру четвертого, чтобы обеспечить и требуемый уровень доверия, и нужную производительность, и возможности масштабирования.

- В чем заключались основные проблемы?

Процесс объединения различных хранилищ данных, создание по-настоящему централизованного решения, которому будет доверять бизнес, с активным использованием открытых решений в период изменяющегося ИТ-ландшафта — это действительно вызов. При этом ключевые заказчики всегда хотят оперативно получать бизнес-результаты, несмотря на потребность в проведении существенных технологических доработок. Важно, что нам удалось решить практически все противоречивые и конфликтующие задачи: снизить стоимость владения, внедрить новую операционную модель, поддержать изменение ИТ-ландшафта, обеспечить доверие бизнеса к данным из централизованного хранилища и реализовать чуть ли не с нуля ключевую аналитику для розничного бизнеса.

- Импортозамещение в вашем случае — это пожелание или обязательное требование?

Для компании с государственным участием это тот самый случай, когда принудительный характер импортозамещения совпадает с экономическим интересом и внутренним пожеланием компании.

- Какие именно проблемы представляли наибольший вызов лично для вас?

Основная проблема в том, что очень сложно реанимировать доверие заказчиков к проекту, который себя первоначально не оправдал. Поэтому важно было создавать централизованное решение, не останавливая развитие аналитики по новым запросам бизнеса, обеспечивая при этом более оперативную, качественную и дешевую реализацию накопившихся требований.

Без спонсорства со стороны реального заказчика проект создания централизованного хранилища становится просто дорогой игрушкой для ИТ-специалистов. Если отсутствует доверие, то решение не используется, данные не верифицируются и не подтверждаются, бизнес вынужден создавать локальные, альтернативные источники сведений. Другими словами: нет доверия — нет сформулированной потребности — нет использования решения — нет бюджета.

- Как удалось уладить конфликты интересов, всегда присутствующие, если есть несколько заказчиков?

Путем грамотного перераспределения компетентных команд, устранения дублирования работ, построения полноценной архитектурной функции, эффективного управления бюджетом. При этом пришлось уделять достаточное внимание исследовательским работам, чтобы понимать, какие открытые решения мы можем применять в условиях ограниченного бюджета и как эффективнее использовать инфраструктуру.

Не менее важно выстраивание взаимоотношений с заказчиками. Заказчики должны быть готовы заниматься приоритизацией задач, а не ожидать, что все потребности будут реализованы одномоментно. Для задач линейного развития мы выделили под каждого заказчика отдельные команды, которым платили за фактически выполненные работы. Наконец, заказчик должен понимать, какие задачи и в какие сроки реально будут выполнены. Мы согласуем с ним тот объем работ, который будет выполнен в двухнедельном спринте.

- Сформулирована ли в компании стратегия управления данными?

У нас есть понятие целевой архитектуры, она представляет собой скользящее окно: целевая архитектура на 2018, 2019 годы и т. д., а также эталонная архитектура. Определено место каждой компоненты: как будет развиваться BI, хранилище данных, система мастер-данных, как закреплены зоны ответственности. В определенном смысле это можно назвать стратегией.

- В настоящее время разрабатывается национальная стратегия управления данными (НСУД). Какие вызовы она подразумевает, как готовится платформа «Ростелекома» к этому?

Можно ожидать, что государство будет ужесточать требования к работе с персональными данными. Проекты, заявленные в НСУД, будут в ходе своего развития требовать от компаний увеличения числа проверок и более тщательного контроля различного рода данных и обмена этими данными с различными ведомствами.

Поэтому мы готовимся к этим вызовам прежде всего в технологическом плане: создаем легкомасштабируемую, оптимальную по стоимости платформу для работы с данными с нужным уровнем отклика на запросы. При этом не забываем о необходимости повышать качество и полноту данных в информационных системах.

- «Ростелеком» довольно заметен в информационном поле. Какая работа проводится в этом направлении?

Совместно с технологическими и бизнес-партнерами мы создаем экосистему по работе с данными. Она состоит из нескольких уровней. Во-первых, мы запустили бесплатный образовательный проект «Ростелеком. DataTalks»: совместно с партнерами обучаем по очной форме более ста начинающих специалистов, даем им возможность погрузиться в мир данных. Тем, кто успешно закончит обучение, мы предложим работу в «Ростелекоме» и компаниях-партнерах. Кроме того, мы начали выпускать цикл статей на «Хабре» для специалистов среднего уровня о развитии корпоративного хранилища: разбираются реальные кейсы и проблемы, с которыми сталкивается компания. Наконец, для опытных специалистов мы проводим митапы, в ходе которых они могут глубоко изучить детали построения хранилищ данных на открытых решениях.

- Какова цель этих популяризационных мер? Вы готовите для себя кадры или есть и другие задачи?

Мы обеспечиваем информационный поток для специалистов всех уровней, делимся своим опытом с рынком. Для нас такая популяризация — это прежде всего инвестиции.

Инвестиция в ИТ-бренд компании, которая позволит нам в краткосрочной и среднесрочной перспективе нанимать высококлассных специалистов. Инвестиция в имеющуюся команду, поскольку участие в таких мероприятиях — хорошая мотивация. Кроме того, мы стараемся через эти активности проводить обучение собственной команды — например, через проект «Ростелеком. DataTalks». Внешнее обучение наших специалистов обходится дороже, чем запуск и реализация такого образовательного проекта. Наконец, инвестиция в получение новых ценных знаний извне, поскольку, создавая экосистему, мы упрощаем доступ к информации, лучше понимаем, с какими проблемами уже столкнулись другие компании. Это позволяет совершать меньше ошибок и меньше за них платить.

- Как вы видите развитие своего подразделения в «Ростелекоме»? Каковы его ближайшие задачи?

В ближайшие два года нам предстоит большая работа по завершению объединения хранилищ, созданию базовой и продвинутой аналитики для всех сегментов и заказчиков, интеграции решения CDI в ландшафт компании. Будем и дальше оптимизировать работу с нормативно-справочной информацией, устранять технические сложности имеющихся решений, развивать открытые решения, ускорять регламент подготовки данных. По направлениям, где уже удалось сделать качественный шаг вперед, мы большее внимание намерены уделять продвинутой аналитике.

Участники дискуссии оказались единодушны во мнении, что интерес к цифровой трансформации в России очень высок и у многих он уже переходит во вполне практическую плоскость. «Самая заметная тенденция последнего времени – то, что компаний, которые хотят быть в ’цифровом тренде’, все больше», — считает Шамиль Хайретдинов, директор департамента логистики МТС. При этом больше становится и тех, кто разочаровывается в определенных технологиях цифровизации, например в Больших Данных, но это «разочарование в хорошем смысле», полагает Хайретдинов, поскольку свидетельствует о более осмысленном подходе к тому, как работать с Большими Данными, чтобы получать от них реальный результат. В департаменте логистики МТС создается озеро данных и тестируются инструменты машинного обучения для оценки перспектив выполнения заказов в зависимости от разных факторов. Эти решения обещают стать хорошим подспорьем для сотрудников департамента в их повседневной работе.

При этом часть процессов по закупкам в компании скоро будет вообще обходиться без участия человека. Хайретдинов высоко оценивает потенциал RPA: тестирование продемонстрировало высокую эффективность роботизации бизнес-процессов, и в 2019 году планируется охватить этой технологией более 20 процессов департамента. «'Пилоты' показывают, что с помощью RPA можно ускорить операционные процессы закупок и логистики на 30-60%», — рассказал он.

Ставку на RPA делают и в «ФосАгро». Андрей Нисанов, директор по реализации и управлению проектами «ФосАгро», рассказал, что по результатам прошлогоднего тестирования в компании принято решение о масштабном проекте роботизации процессов, который может затронуть много разных подразделений. Этим проектом будет заниматься созданная в компании дирекция по цифровизации, которой, по словам Нисанова, отводится роль своего рода переводчика между бизнесом и ИТ. «Очень много проектов инициируется именно со стороны владельцев бизнес-процессов», — отметил он, и в задачи дирекции по цифровизации будет входить не просто анализ и выбор современных технологий, но их соотнесение с потребностями бизнеса.

«Главный итог прошлого года в том, что доверие к цифровизации начинает демонстрировать бизнес», — констатировал Кирилл Алифанов, директор по ИТ компании «Уралкалий». Цифровая трансформация – это именно трансформация бизнеса, убежден он; но тенденцию необходимо закреплять, образовывая бизнес, постоянно показывая в терминах возврата инвестиций, какую пользу способны принести проекты цифровой трансформации.

По словам Алифанова, запросы, которые сейчас идут от бизнеса, требуют кардинально иного подхода с точки зрения построения ИТ-инфраструктуры – от нее ждут максимально оперативной реализации поставленных задач. Таким требованиям отвечают облачные конфигурации, однако Алифанов с сожалением констатировал острый дефицит зрелых российских IaaS-решений.

Евгений Ильин, заместитель финансового директора «Росгосстраха», показал на опыте своего подразделения, как бизнес может взять на себя инициативу цифровизации. В прошлом году несколько важных проектов, в том числе внедрение облачной системы бюджетирования на базе Oracle Hyperion, были выполнены практически полностью силами финансового блока, департамент ИТ привлекали только для некоторых чисто технических задач. Это ускорило реализацию и позволило избежать проблем трансляции бизнес-требований ИТ-специалистам.

Ильин рассказал, что переход от таблиц Excel к облачной версии Hyperion обеспечил полную прозрачность бюджетного планирования и позволил охватить им каждого из 32 тыс. страховых агентов, что открывает новые возможности повышения мотивации персонала.

Раньше телеком-операторы были теми немногими компаниями, где бизнес строился на данных. В последние годы, когда предприниматели массово осознали ценность Big Data, телеком делает на это направление стратегическую ставку, инвестиции операторов в работу с данными растут.

Проекту Big Data в МТС недавно исполнилось три года. Команда выросла с двух десятков сотрудников до 250 экспертов. Чистый экономический эффект от работы с большими данными в компании оценивают в 3,5 млрд руб. О пути своего подразделения и достигнутых результатах рассказывает Леонид Ткаченко, директор по Big Data МТС и претендент на премию CDO Award. Его выступление станет одним из гвоздей программы форума BIG DATA, который состоится 27 марта.

Термин Big Data появился уже довольно давно. Что изменилось в последние годы? И связаны ли произошедшие изменения с шумихой, начавшейся вокруг больших данных?

Математическая основа того, что сейчас делается, была известна с середины XX века. Но компьютеры того времени стоили миллионы долларов, и даже простую нейросеть пришлось бы обсчитывать месяцами. Лишь недавно вычислительная мощь компьютеров выросла настолько, что математику нейросетей и алгоритмы машинного обучения можно экономически эффективно использовать.

Леонид Ткаченко: «Работа с большими данными — это как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро»

Big Data — свежий маркетинговый бренд, раскрученный производителями оборудования. Под этим брендом вендоры стали продавать возможность скоростной обработки и дешевого хранения огромных массивов данных. Некоторое время у них ушло на то, чтобы представить миру эти технологии, и теперь не использовать их уже невозможно — сразу станешь аутсайдером. Это группа технологий, которая действительно несет ценность бизнесу.

Сейчас продукты на основе больших данных внедрены во все функциональные направления МТС. Маркетинг и продажи, розничная сеть, техника, закупки, финансы и даже HR.

HR — не самая очевидная область для применения технологий больших данных...

Что касается HR, то, например, мы предсказываем отток сотрудников: руководители видят, какова вероятность увольнения конкретного сотрудника в ближайшие два месяца. Я пока не слышал про аналогичные проекты, хотя знаю, что подобные работы кое-где ведутся. У нас сначала получилась модель, которая надежно предсказывала увольнение за пару недель. Но столь короткого периода мало, чтобы принять решение о том, нужно ли бороться за сотрудника. Нам удалось найти более тонкие ранние предикторы. У нас была отличная обучающая выборка — огромная накопленная история уволившихся сотрудников.

Удержать сотрудника — важно для любого руководителя, особенно работающего с дефицитными и высокооплачиваемыми специалистами. Наши менеджеры активно пользуются этим инструментом: если вероятность увольнения ценного сотрудника начинает расти, возникает повод поговорить с ним, да и самому подумать о том, что идет не так.

Другие модели позволяют среди десятков тысяч сотрудников МТС выявить самых перспективных: талантливых, пусть пока и незаметных. В крупной организации не все работники на виду, можно упустить людей с выдающимися способностями. А что, если они не просто уволятся, а уйдут к конкурентам и там раскроют свой потенциал? Big Data позволяет избегать таких рисков. Эти модели в области HR не приносят, казалось бы, прямого, поддающегося подсчету экономического эффекта, но в нашем бизнесе, находящемся на острие технологического прогресса, основной актив — это лучшие профессионалы.

Три года назад в МТС появился департамент Big Data. Что это значило для компании?

В тот момент компания решила инвестировать в это направление и поискать дополнительную ценность в данных. Что очень важно, изначально это подразделение организовали иначе, чем все остальные в компании. Обозначили финансовую цель, бюджет — и позволили самим выбирать, как инвестировать средства, в каких направлениях работать. Мы получили полную операционную свободу, чего никогда не было раньше. Но вместе со свободой появилась и ответственность.

Такой формат работы очень хорошо себя показал. Сейчас, по прошествии трех лет, он считается хорошим примером мотивации и организации работ, и на него многие ориентируются. Наработанный опыт мы стараемся распространить на другие продуктовые направления — в частности, на работу с мобильными приложениями.

А что назначение главой департамента Big Data значило для вас как для человека, прежде занимавшегося стратегическим маркетингом? Какие изменения произошли в ваших подходах к работе?

Изменения очень серьезные. Это уже не первый раз, когда мне пришлось заниматься чем-то принципиально для себя новым, в чем раньше немногое понимал. Большие данные находятся на стыке ИТ, математической статистики и бизнеса. За эти три года я, безусловно, подтянул свои знания в ИТ.

Сейчас мне приходится управлять значительно большей командой. Раньше мой коллектив состоял из 30 человек, а теперь в нем 250. В небольшой команде ты каждого хорошо знаешь, можешь лично с каждым пообщаться и хорошо видишь их работу. Когда подчиненных несколько сотен, характер управления сильно меняется: ты не управляешь непосредственно людьми (тем более на микроуровне), а создаешь условия для их работы.

Как вы понимаете роль CDO в современной, «умной» компании? Одни подразумевают скорее техническую, а другие — более бизнес-ориентированную роль…

Я однозначно «заточен» на бизнес. Внутри нашего подразделения есть четыре отдела: два продуктовых и два инфраструктурных. Один из инфраструктурных отвечает за ИТ-платформу, а другой — за инфраструктурные продукты. Руководитель последнего и есть в моем понимании «чистый» директор по данным. Наращивание объема знаний о наших абонентах — это то, с чем он засыпает и просыпается.

Какая стратегия работы с большими данными принята у вас?

Стратегия уже три года неизменна, в ней три ключевых элемента. Первый — постоянное увеличение знаний об абонентах. Любые данные, способствующие этому, сразу же оказываются в нашем data lake. Неважно, знаем мы, как потом будем их использовать, или нет, есть ли у нас какие-то бизнес-идеи или их еще предстоит придумать.

Вторая задача — обеспечение доступа к этим данным для сотрудников компании, разумеется в соответствии с их обязанностями. На рабочий стол каждого специалиста надо положить максимальное количество нужных ему данных. В очень многих наших подразделениях бизнес-анализ является частью работы. Сотрудники действительно принимают решения на основе данных.

Третья составляющая стратегии — построить на базе собранных данных новый бизнес. Продукты, создаваемые сейчас, новым бизнесом не являются — мы просто помогаем работать нашим подразделениям. Новым бизнесом мог бы быть, например, сервис по подбору пар — идеальных семей на основе глубокого знания о людях.

Конечно же, эта третья часть скорее перспективная. Мы не ставим никаких сроков, а просто копаемся в данных, строим модели и проверяем гипотезы.

Несколько лет назад прогремело слово «уберизация», заставившее многих пересмотреть свои взгляды на конкурентов и направления развития бизнеса. Сделали ли какой-то вывод из этого в МТС? Как изменились потребности в данных?

Надо сказать, что телеком эта тенденция затронула несильно. Другое дело, что телеком-компании действительно исчерпывают возможности развития внутри своих отраслей и начинают шире смотреть вокруг. Когда стае львов перестает хватать еды на своей территории, они начинают поглядывать на чужую, и будет серьезная схватка.

Ничто не вечно — это так. Положение в отрасли, кажущееся незыблемым, может в одночасье развалиться с появлением какой-то новой технологии. У нас есть только один естественный барьер — лицензии на передачу сигнала. Однако ситуация не безоблачная: некоторые направления перестали расти, некоторые — стагнируют. Классический телеком расти уже не будет, и именно поэтому мы инвестируем в большие данные, пытаемся искать свои ниши в финтехе, цифровой рекламе и создании контента.

Какими инфраструктурными решениями поддерживается работа с данными?

У нас используются три технологии. Первая — Hadoop, дешевая с точки зрения хранения и обработки единицы данных, но сложная. Чтобы с ней работать, нужно знать специфические языки программирования. Таких специалистов мало, и стоят они дорого. Вторая технология — massive parallel processing, MPP. У нас ее поставщиком является Teradata. Хранение и обработка с ее помощью обходятся в разы дороже, но при этом используется распространенный язык SQL. И наконец, есть еще более дорогие системы реального времени, используемые для решения специфических задач. От этих систем требуется мгновенная обработка данных.

Все имеющиеся данные мы разбиваем на три класса в зависимости от того, что с ними собираемся делать. Конечно же, основная часть данных хранится в Hadoop — «холодном» хранилище. Его дешевизна позволяет складировать туда все подряд, не разбираясь, понадобятся ли эти данные в будущем. «Теплые» данные, с которыми ведется активная работа, обрабатываются в Teradata, и минимум «горячих» данных, используемых для маркетинга в реальном времени, находятся в самых дорогих системах. К тому же реализовано гетерогенное хранилище: часть «теплых» данных мы загрузили в Hadoop таким образом, что доступ к ним остался через Teradata. Тем самым сочетаются удобство доступа и дешевизна хранения, и все больше данных в целях экономии мы будем организовывать именно так.

Чем сейчас мобильный оператор может выделиться из конкурентов в условиях примерного равенства цен и качества связи?

Все телеком-компании мира бьются над этой проблемой. Мы намерены сделать следующее: создать вокруг нашей абонентской базы экосистему, в которой классический телеком будет только одной из составляющих. Главное, что там должно появиться, — финтех-сервисы для наших абонентов, решающие их ежедневные потребности в финансовом обслуживании. Помимо финтеха, в нашу экосистему мы будем добавлять как можно больше развлекательных активностей человека.

Где большие данные в реальном времени — там машинное обучение и искусственный интеллект. Банки уже заявляют, что существенная часть их продаж происходит с участием ИИ. А что видите вы?

Мы не ставим цель использовать искусственный интеллект для решения любой задачи. Где-то эти модели работают, где-то — нет. Как правило, они хорошо работают там, где есть большая обучающая выборка — много фактуры, чтобы построить нейросеть и обучить ее. Иногда задачи лучше решаются более простыми методами. Но перспективы действительно внушительные, ведь искусственный интеллект прогрессирует гораздо быстрее человеческого.

Расскажите о нескольких ключевых недавних проектах.

Один из проектов реализован на основе системы Workforce Management для нашей розничной сети, состоящей из 5 тыс. салонов, и касается управления рабочим временем продавцов. Раньше директор каждого салона, исходя из своих соображений, сам решал, когда и кому работать. Он не был мотивирован экономить: в салонах всегда был избыток персонала, и мы были вынуждены переплачивать. При этом все равно периодически возникали очереди, поскольку внезапный наплыв покупателей предсказать никто был не в состоянии. И вот мы построили модель, которая на основе анализа транзакций магазинов за прошлый год прогнозирует на месяц вперед, сколько будет клиентов в данном магазине в каждый час в течение дня. Модель работает с достаточной точностью, чтобы было возможно построить обоснованное расписание работы сотрудников и получить значимый экономический эффект. Повысилась загрузка сотрудников, и сократились очереди.

Кроме того, мы можем спрогнозировать, когда клиенты хотят сменить свой телефонный аппарат, пытаемся понять, на какой именно, и обращаемся к ним с персональными предложениями. У нас огромная розничная сеть, и очень важно имеющимися знаниями помогать ей работать эффективнее. Наши абоненты должны покупать телефоны именно у нас, мы стараемся оказаться первыми, кто сделает им заманчивое предложение. Пока у нас огромный потенциал для роста.

Часто приходится слышать про этику больших данных. Где та граница, за которую нельзя заступать?

Понятно, что мы обязаны действовать в рамках законов. Этика — совершенно другой разрез. Важно понимать, что наша жизнь неизбежно становится все более прозрачной. Уже сейчас любой человек оставляет мощный цифровой след. До глубокой обработки большинства этих данных еще не дошли руки, но это произойдет буквально завтра. Поэтому нас в будущем ожидает одно из двух: либо мы перестанем стесняться чего-либо и смиримся с прозрачностью (и тогда жизнь людей сильно изменится), либо люди, зная, что всё становится известным, начнут жить жизнью праведников. Мне кажется, что более вероятен первый вариант.

Куда движутся большие данные в МТС? Какую роль они будут играть, как могут изменить бизнес компании?

Я думаю, что рано или поздно в ходе работы с данными мы найдем Клондайк: наткнемся на ту самую золотую жилу, позволяющую создать новый бизнес — что-то совершенно новое. Мы стараемся действовать как конвейер по проверке гипотез. Надо пропахать имеющиеся данные вдоль и поперек. В этом смысле работа с большими данными — как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро. С помощью множества экспериментов надо «перещупать» как можно больше возможностей, стараясь ни обо что сильно не удариться. Если в этой комнате что-то есть, оно обязательно найдется.

Год назад в группе компаний ЛАНИТ создано направление Digital Transformation Group. Его руководитель Денис Реймер выступит на конференции «Технологии блокчейна 2019», которую издательство «Открытые системы» проводит 12 февраля. Он является также вице-президентом группы компаний по цифровой трансформации, активно участвует во внедрении блокчейна в корпоративные информационные системы и считает, что недалеко то время, когда в ERP, CRM и других подобных решениях появится стандартная опция «сохранять в блокчейне».

- ИТ — традиционный инструмент повышения эффективности предприятий. Цифровая трансформация – это очередной эволюционный этап их внедрения или привнесение нового качества в бизнес?

Внедрение ИТ всегда сопровождалось маркетинговыми «зонтиками» — от реинжиниринга бизнес-процессов в середине 90-х до цифровой трансформации сегодня. Однако раньше технологии применялись в основном в качестве инструментов поддержки деятельности компаний, — печати, бизнес-процессов и так далее, а теперь их роль кардинально меняется. Информационные технологии становятся неотъемлемыми атрибутами деятельности предприятий, внутренними компонентами бизнеса, которые в значительной степени формируют и определяют конкурентные преимущества.

Трансформация, которая поддерживается определенными цифровыми технологиями, характеризуется изменением бизнес-модели, создает новые способы получения доходов и возможности донесения ценности до потребителей.

Цифровая трансформация позволяет организации отслеживать в реальном времени ситуацию со своими продуктами, понимать специфику их применения клиентами, формировать обратную связь для корректировки производственных процессов и цепочек поставок. Для эффективного использования преимуществ цифровой трансформации компании должны обладать высоким уровнем внутренних ИТ-компетенций.

- Что меняется в условиях цифровой трансформации в интеграторских ИТ-компаниях?

Формируются консалтинговые подразделения, специалисты которых вместе с заказчиками прорабатывают вопросы цифровых преобразований. В течение последних пяти-семи лет во всем мире отмечается общая тенденция: бизнес-консультанты обзаводятся технологическими подразделениями, а ИТ-компании наращивают бизнес-экспертизу и формируют консультационные направления.

Цифровизация меняет проектный бизнес. Сегодня практически никто не отдает внешним организациям полную разработку платформ, предназначенных для цифровой трансформации. Для решения подобных задач наши потенциальные клиенты набирают людей, с рынка берутся нужные руки, снижается доля аутсорсинга. Это особенно заметно в банках. Заказчики сегодня заинтересованы не в технологиях, а в продуктах, способных дать определенные преимущества при их совместном внедрении с компаниями, предлагающими ИТ-услуги.

Многие системные интеграторы занимаются теперь своими разработками. Подобные компании формируются и в ЛАНИТе, это фактически стартапы, которые выводят на рынок собственные продукты. Мы постоянно анализируем появляющиеся технологии, включая большие данные, искусственный интеллект, блокчейн, Интернет вещей, развиваем основанные на них практики. Далее все зависит от готовности заказчиков и наших возможностей предоставлять основанные на них услуги. Примеры таких решений – преднастроенные обучаемые математические модели, оптимизирующие работу металлургических предприятий, программные роботы для сокращения рутинных операций в бизнес-процессах. А разработки на базе технологий блокчейна активно ведутся в рамках Digital Transformation Group.

- DTG создана около года назад. Какие изменения в области цифровой трансформации с использованием технологий блокчейна произошли за это время?

Заметно снизился уровень хайпа в связи с падением курсов криптовалют, так как многие до сих пор связывают блокчейн исключительно с ними. А в прошлом году нам приходилось постоянно отбиваться от заказчиков, объясняя, почему в их конкретных проектах блокчейн совершенно не нужен.

В DTG мы работаем над внедрением технологий блокчейна в B2B-решения, в которых блокчейн лежит в основе формирования периметра доверия при создании единой среды для взаимодействия ограниченного числа участников совместной деятельности. В таких распределенных процессах блокчейн позволяет сократить число лишних шагов и ускорить исполнение сквозных бизнес-процессов. В рамках такого подхода смотрим, где это можно применить.

- Можно ли выделить специфику проектов, основанных на этой концепции?

Основная цель многих подобных проектов – объединить всех участников в единый процесс, обеспечить доверие к используемым данным, их прозрачность. Блокчейн выступает в качестве «хребта», отвечающего за взаимодействие нескольких компаний. Для каждой из них мы разрабатываем часть бизнес-процесса на базе BPM-решений. Возникают чисто интеграционные задачи, но для их решения нужно связать технологии, которые никогда раньше вместе не работали.

При выполнении проектов с блокчейном на эту технологию приходится около 10% работы. В основном применяются традиционные для корпоративных систем подходы, решаются вопросы наиболее эффективного встраивания элементов идентификации в производственные линии, взаимодействия физического мира и онлайновых компонентов. Технически блокчейн встраивается без особых проблем, а все, что вокруг него – это вопросы, которые и приходится решать.

- Какова роль блокчейна в цифровых экосистемах?

Экосистемы нужно рассматривать не только с точки зрения блокчейна, в них несколько ключевых технологий. Самая распространенная — API Management, обеспечивающая предоставления интерфейсов к внутренним корпоративным ИТ-системам для их использования партнерами по экосистеме. Здесь действительно возникают новые бизнес-модели, так как в этом слое ПО появляется возможность учитывать число обращений к тому или иному сервису, выставлять квоты обращений, регулировать нагрузку и финансовые условия их использования. Второй важнейший компонент – данные, которыми обмениваются все участники. И, наконец, — организация процессов взаимодействия участников экосистемы, для которого используется блокчейн. Здесь в первую очередь важно сформировать бизнес-модель, найти заинтересованных участников, оценить преимущества для их бизнеса, быстро реализовать решение на имеющихся технологиях; только после этого можно решить, как его масштабировать в дальнейшем.

- Существуют минимальная цена входа в блокчейн и специальные требования к ИТ-инфраструктуре?

В блокчейне для корпоративных решений нет ничего сверхъестественного по сравнению с любым интеграционным проектом. Есть определенные алгоритмы, требования к написанию кодов, навыкам программирования. Хороший разработчик может месяца за три разобраться, как блокчейн работает, и начать что-то делать. Блокчейну мы обучаем быстро, проблема в другом — найти хорошего специалиста, да еще желательно с опытом работы в B2B, который способен, к тому же, эффективно работать в команде. Требования к производительности инфраструктуры могут возникнуть, если использовать алгоритмы консенсуса, применяемые для криптовалют. В корпоративных системах с блокчейном мы применяем технологическую платформу Hyperledger Fabric, для которой ничего специального не нужно.

- В DTG ведутся собственные разработки?

Основной продукт, который мы разрабатываем, — платформа автоматизации бизнес-процессов внутри экосистемы, которая содержит решения процессного управления, блокчейн в качестве объединяющей структуры, распределенное хранилище данных и слой управления API. Это инфраструктурное решение позволяет вместе с нашими клиентами сформулировать новую бизнес-модель, быстро провести проверки гипотез и предложить поддерживающую ее систему. В экосистемах требуется, как правило, оператор, в функции которого входят развитие инфраструктуры, ввод в экосистему новых участников и ряд других задач. Блокчейн предоставляет возможность создавать таких технологических операторов, отвечающих за инфраструктурные вопросы, в то время, как за специфику бизнес-процессов внутри экосистемы отвечают сами ее участники. Мы активно используем концепции и идеологию этой платформы для автоматизации цепочек поставок и пополняем ее по результатам каждого нового проекта (см. также «Digital Transformation Group и 'Микрон': связанные блокчейном», Computerworld Россия, 26 ноября 2018).