Статьи

Блокчейн, как правило, ассоциируется у нас с криптовалютами или с неизменностью записей в реестре документов. Однако он оказался востребован и в реальном секторе, где отвечает за истинность первичных данных, на основании которых принимаются дорогостоящие решения. О том, как блокчейн позволяет избегать многомиллионных ошибок при управлении работой скважин, рассказывает Сергей Косенков, руководитель ИТ-проектов Научно-производственного объединения «Союзнефтегазсервис», докладчик конференции «Технологии блокчейна 2019», которую издательство «Открытые системы» проводит 12 февраля.

- Что такое индустриальный блокчейн, отличается ли он чем-то от «обычного»?

Индустриальный блокчейн, как и любой другой, — это набор математических и логических функций и операций. Просто он применяется в реальном секторе экономики в различных целях, в том числе, для обеспечения достоверности данных.

Подтверждение достоверности информации, в нашем случае — получаемой с датчиков на скважинах, всегда было одной из важных задач. Она решалась различными методами. Административными — назначениями прав и паролей, техническими — шифрованием данных, передачей данных по защищенным каналам.

Но затем стало ясно, что достоверность данных можно сохранять при помощи их самих — считать контрольные суммы, шифровать их и распределять по одноранговой сети. Это обеспечит такой уровень защиты, при котором не нужно будет никаких организационных или других технических средств, средств защиты каналов связи. Только в случае необходимости, конечно, если заказчик на этом будет настаивать.

Когда мы посмотрели, что есть наработанного в этой области, то увидели, что такую технологию назвали блокчейн. На тот момент появились работоспособные блокчейн-платформы, которые можно было адаптировать под наши производственные процессы.

По этому принципу мы раньше работали и сейчас работаем, просто длинная формулировка «технология подсчета контрольных сумм последовательной шифрации на основе предыдущего шифра и распределение в одноранговой сети» теперь заменяется одним словом — «блокчейн».

- На производстве всякое случается. Допустим, датчик установили неправильно, выяснилось, что он месяц давал систематическую ошибку в два градуса. В обычной базе данных «руками» скорректировали данные, а как этот вопрос решить в случае применения блокчейна?

Этот вопрос нам первым задают на встречах с нефтяниками. Да, блокчейн не дает возможности поменять в исходных данных что-либо задним числом и скрыть просчеты. И если к нам попали неверные данные — они останутся в системе навсегда. Но, с другой стороны, нельзя сделать вид, что все было сделано правильно, руководство получит достоверную информацию о происходящем на скважине — когда и где что-то не работало, когда и как исправили, какие внесли коррективы.

Тут, конечно, возникает вопрос: что предпочитают руководители при принятии решений – находиться в счастливом неведении либо видеть объективную картину, происходящую на скважине?

А эти решения очень дорогостоящие, потому что, например, один день работы на скважине на суше — это несколько сотен тысяч рублей, на шельфе — уже несколько миллионов. Соответственно стоимость достоверности данных, на основе которых принимаются эти решения, тоже весьма велика.

Если что-то пошло не так, то в большинстве систем удаленного мониторинга есть административный режим, в котором можно остановить передачу данных, наладить датчик, внести в систему правильные параметры раствора в скважине, передать данные заново. Просто все это фиксируется. И вносить поправки, в случае обнаружения неверной работы датчика или еще каких-то проблем с достоверностью данных, в расчеты, конечно, можно, это уже не сфера нашей ответственности.

Наша ответственность в том, чтобы расчеты в научных центрах и решения, принимаемые на их основе руководителями нефтегазовых компаний, строились на достоверных, первичных геолого-геофизических данных. Блокчейн помогает снизить влияние человеческого фактора и возможность компрометации первичных данных.

- Почему вы взяли в качестве основы OpenChain, а не стали писать собственную платформу или не взяли какую-либо корпоративную?

Блокчейн-платформу как таковую разработать относительно несложно, написать к ней интерфейс, пользовательскую оболочку — тоже. И мы сначала хотели разработать свою. Но когда оценили свои силы, мы поняли, что тратить на это три-четыре месяца нет смысла. Так что мы посмотрели, какие есть продукты с открытым кодом, и выбрали OpenChain.

На тот момент это была актуальная, развивающаяся разработка. В текущий момент, увы, приходится констатировать с горечью, что она не развивается. Но есть и другие открытые платформы, на которые можно перенести наши разработки с минимальными затратами. Мы выбрали Hyperledger от Linux Foundation и сейчас переходим на нее.

Что касается того, почему мы взяли открытую платформу, то все аппаратное и программное обеспечение, создаваемое нашим научно-производственным объединением, насколько это возможно, российское.

Микросхемы китайские, конечно, но готовые комплексы — отечественные. Аналогично с программным обеспечением; если есть возможность, мы выбираем продукты с открытым кодом, адаптируем его под наши нужды, создаем готовые решения.

Поэтому, когда встал вопрос о создании блокчейн-платформы, мы не рассматривали возможность покупки ПО западных разработчиков, затем, как я говорил, отказались от разработки с нуля, а взяли продукт с открытым кодом.

- Считается, что больное место блокчейн-платформ — производительность. Вам хватает — на потоки данных с датчиков, видеопотоки?

Когда мы разрабатывали решение, то рассматривали разные варианты — снятие информации раз в десять секунд и ежесекундно. И у нас как раз были опасения, что в «ежесекундном» режиме система не справится. Но выяснилось, что хватает буквально мощности одного ядра восьмиядерного процессора для того, чтобы обсчитывать несколько скважин одновременно.

Если проблемы и возникают, то только на одной стадии — на стадии валидации. На нее может уходить, грубо говоря, от одной до десяти минут. Но мы построили работу таким образом, что валидация происходит раз в сутки по расписанию или в любой другой момент по мере необходимости.

- Каковы планы по развитию платформы?

Сейчас запланировано два направления. Во-первых, мы ставим целью расширение спектра данных, которые мы получаем со скважин. При этом данные, и не только со скважин, но и те, которые дают, например, профильные научные институты, должны быть валидированы, снабжены «подписью» — кто их выложил, когда, с точностью до секунды.

С этими валидированными данными мы хотим работать при помощи программных роботизированных систем – ботов по обработке и интерпретации геолого-геофизических данных. Это второе планирующееся направление развития.

- О чем вы предполагаете рассказать на конференции «Технологии блокчейна 2019», о чем услышать сами?

Я собираюсь рассказать об индустриальном, «немайнинговом» примере использования технологии блокчейна в нефтесервисе. В свою очередь, хотел бы услышать мнения и замечания коллег – участников конференции о нашей блокчейн-платформе для дальнейшего учета этой информации при развитии системы. Интересны примеры использования «немайнингового» блокчейна в других отраслях.

Спутниковым мониторингом транспортных средств уже давно никого не удивишь — любая компания, обладающая серьезным парком техники, не пускает его на самотек и пытается наладить за ним контроль. Однако телематические инструменты способны решить далеко не все управленческие вопросы. Даже при успешной блокировке явных коррупционных схем открытым остается вопрос доверия данным и дальнейшего повышения эффективности компании. О контроле данных и об организации процесса их выверки рассказывает Леонид Кушнир, заместитель генерального директора по ИТ компании «РесурсТранс» и соискатель премии CDO Award.

- В чем заключаются вызовы, стоящие перед компанией?

Мы занимаемся транспортным аутсорсингом и управляем парком примерно из 10 тыс. единиц транспортных средств. Любой аутсорсинг всегда сопряжен с потребностью в снижении себестоимости. Приходится не только конкурировать с другими игроками рынка, но и предлагать услуги дешевле, чем предлагают внутренние транспортные подразделения. При этом нужно не нарушать законодательство и соблюдать требования безопасности. Мы должны находить всё новые и новые способы работать дешево, качественно и безопасно.

Сокращение издержек на транспорт было одной из приоритетных задач. Я взял на себя проект по использованию в этих целях инструментов телематики, углубился в него и стал детально разбираться. На стыке телематических и учетных платформ требовалось создать процесс, который позволил бы получать достоверные данные об эксплуатации транспорта и понесенных в связи с этим затратах.

- В чем особенность выбранного вами подхода?

Леонид Кушнир: «Система проверки пробега автотранспорта стала для нас пробным камнем и показала свою эффективность. Мы поняли, что такие решения себя оправдывают, и глядим дальше — нацеливаемся на самообучающиеся системы и нейросети»

Наш подход подразумевает глубокое погружение в детализацию процессов. Я много общаюсь с коллегами из транспортной отрасли и вижу, что они зачастую не до конца осознают сложившуюся ситуацию. Внедрив телематическую систему на базе какой-либо из существующих платформ, они считают, что у них все хорошо. Да, в этих системах на карте можно увидеть машины и их уровень топлива, и всё выглядит вроде бы нормально, но на самом деле картина не столь радужна. У компаний много данных, но их никто не проверяет. А проверять нужно, причем каждый день. Это несложно сделать, если предприятие невелико и директор сам готов разбирать инциденты с водителями. Но когда парк исчисляется сотнями или даже тысячами машин, между руководителем и водителями находится несколько управленческих уровней. На каждом из них данные искажаются из-за того, что менеджеры стремятся решить свои личные задачи. Возможен и прямой сговор водителей с начальниками колонн и участков с целью использования ресурсов в своих интересах.

- То есть дело не столько в том, что телематика врет, сколько в человеческом факторе, проявляющемся на разных управленческих ступенях?

Техническая погрешность тоже есть. Заявленная точность средств телематики — 4%, точность показаний одометра — до 20%. На показания приборов влияют загруженность машины, износ шин, погрешность самого одометра, рельеф местности, дорожное покрытие и пр. Поэтому разница между плановым и фактическим потреблением горючего может доходить до 20%. И это исключительно объективные факторы.

Есть и другие погрешности: например, если давление в шинах понижено, показания пробега увеличиваются на 5%. Подспустив колеса, водитель такой нехитрой манипуляцией вполне может обмануть технику. В транспортных компаниях машины проезжают минимум 5 тыс. км в месяц, и эти 5% превращаются во вполне ощутимую сумму.

Второй фактор — непосредственное воздействие на оборудование с целью накручивания показаний. К сожалению, в России это очень популярное занятие. При попустительстве руководства водитель может накрутить пробег до 100%, такие прецеденты случались неоднократно, и поэтому приходится исходить из того, что словам сотрудников не следует доверять. Причем манипуляции настолько профессиональны, что отследить их без помощи спутников невозможно. Требуются решения, способные автоматически контролировать правдоподобность цифр, заносимых в учетные системы.

- В чем проблема перехода на данные объективного контроля?

После принятия решения о том, что мы доверяем только данным спутникового мониторинга, пришлось пройти аудит в KPMG, который подтвердил, что так можно делать — у нас есть письмо от Министерства финансов, разрешающее принимать к учету пробег по системе ГЛОНАСС. Таким образом, появилась возможность принимать пробег от системы мониторинга.

Мы несколько раз пытались внедрить системы мониторинга, однако в реальности они не работали. Проблема кроется именно в расхождении данных. Сначала пробовали сверять показания, предоставленные водителем, с системой мониторинга. Диспетчеры, выявляя расхождения, считали показания мониторинга ложными и принимали показания от водителей, потому что «нет оснований им не доверять», прикрывались инструкциями и регламентами.

Мы ввели показатель качества работы системы — процент принятия пробега по системе ГЛОНАСС, то есть данных, которым мы полностью доверяем. Он не превышал 30%. Мы выезжали в филиалы и разбирались на местах, но переломить ситуацию не получалось.

Решили, что проверять данные должны независимые сотрудники, выделенные в отдельное подразделение — центр компетенций в Нижнем Новгороде, где 10 человек следили за пробегом транспортных средств. Но работа по-прежнему велась вручную: диспетчер, принимая путевой лист от водителя, связывался с центром компетенций и запрашивал информацию о достоверности пробега. В случае недостоверности данных оборудование считалось неработающим и создавалась заявка на его ремонт. Конечно, мы сразу столкнулись с тем, что водители стали ломать оборудование, пришлось организовывать быструю его поставку и замену. В результате этих усилий мы вышли на показатель достоверности данных 90%, а затем и 95%. Мы считаем, что это уже хорошо.

- На каком этапе возникло желание уйти от человеческого труда?

В пилотном центре компетенций работали 10 сотрудников со средней зарплатой 35 тыс. руб. Каждый из них может обрабатывать данные 50 машин, а у нас ежедневно выходят на линию 8 тыс. машин. При масштабировании проекта это означает наем 160 диспетчеров и колоссальные издержки на фонд оплаты труда.

Мы начали анализировать данные. Я проводил экспертную оценку закономерностей с целью роботизировать процесс сверки данных. В результате удалось разработать алгоритмы принятия решений, как совсем простые, так и довольно сложные — при тех или иных параметрах качества системы мониторинга, параметрах спутников, датчиков скорости.

Усилиями партнеров в телематическую платформу Wialon и учетную систему — собственную конфигурацию на базе «1С» — был встроен модуль по анализу качества данных. Проверка осуществляется не только по телематическим данным, но и по путевым листам и их последовательности, а также с учетом прежних инцидентов с водителем. Появляются «черные» и «серые» списки транспортных средств, анализируются прочие закономерности, и самые частые события не остаются без внимания.

Разработанную систему удалось масштабировать на 8 тыс. единиц транспортных средств. Теперь для сверки данных не нужно звонить в диспетчерский центр. Сам робот мгновенно дает ответ на вопрос, корректен ли пробег по системе мониторинга. У нас осталось лишь шесть диспетчеров, они обрабатывают спорные моменты. По нашим оценкам, лишь 2% показаний попадают в диспетчерский центр для принятия нестандартных решений, все остальные проверяются автоматически.

Не менее важно то, что радикально ускорились процессы. Раньше у диспетчера было два часа на обработку заявки вручную, и люди на местах были вынуждены ждать, не имея возможности закрыть документы. Приходилось тратить больше времени на выполнение своих обязанностей. Роботизация высвободила много времени.

- Каков достигнутый эффект?

Реализация проекта дала возможность снизить пробеги на 30%. Прямая экономия на топливе составила 470 млн руб. в год. Эффект превзошел ожидания. Мы рассчитывали на сокращение затрат хотя бы на 10%.

Сэкономленные средства пошли на дальнейшие ИТ-разработки и обновление парка машин. Обновление парка положительно сказывается на лояльности и клиентов, и водителей.

- В чем заключается роль этого проекта для развития компании?

Наши идеи удалось реализовать совершенно небольшими усилиями партнеров, наладивших интеграцию между системами и разработавших и вписавших ботов в наши системы. Теперь, если мы видим в каком-то регионе снижение уровня приема данных, это становится известно руководству и является поводом для разбирательств, заканчивающихся в том числе увольнением руководства филиала. Например, в астраханской автоколонне руководство сменили трижды, прежде чем показатель честности приблизился к среднему по стране.

Конечно, важно использовать получаемые данные в системе мотивации. При показателе качества данных ниже 95% руководство участков, автоколонн и филиалов автоматически лишается премий. Во многом благодаря этому удалось выйти на впечатляющие показатели экономии.

- А каким вы видите будущее интеллектуальных систем в вашей компании?

Внедрив систему мониторинга транспорта, мы получили данные, с которыми можно работать. Это стимулирует дальнейшую работу, направленную на их анализ. Только посредством роботизации, ускорения процессов и улучшения производительности труда в целом мы можем сделать услуги дешевле и качественнее. Система сама должна выполнять многие рутинные, а желательно и более сложные операции. Инструменты должны частично вытеснить человека.

Мы многое делаем для перевода процессов под управление роботами: налаживаем максимально детализированный учет, в том числе запчастей, анализируем поставщиков и эффективность работы с ними и формируем уровень доверия к ним. С помощью системы мониторинга мы контролируем, вовремя ли техника подана клиенту, создаем систему контроля загрузки водителей.

Система проверки пробега автотранспорта стала для нас пробным камнем и показала свою эффективность. Мы поняли, что такие решения себя оправдывают, и глядим дальше — нацеливаемся на самообучающиеся системы и нейросети.

Например, сейчас думаем о создании цифровых помощников руководителей, способных выступать консультантами. У нас много руководителей (например, почти 250 начальников участков), и их уровень подготовки различен. Многие недостаточно хорошо понимают свои показатели эффективности и не всегда владеют всеми существующими методами решения проблем. Разработанные роботы могли бы на базе опыта наших лучших специалистов подсказывать пути решения задач. После прохождения стадии «помощника» они естественным образом превратятся в полностью роботизированные системы, руководящие сотрудниками.

Розница – один из тех бизнесов, где вложения в большие данные и современную аналитику способны дать реальный и немалый экономический эффект. Однако, чтобы раскрыть их потенциал в полном объеме и вовремя, необходима планомерная, сложная работа. Антон Мироненков, директор по большим данным Х5 Retail Group, соискатель премии CDO Award, рассказывает о создании в компании дирекции по большим данным, ее первых достижениях и планах на ближайшее будущее.

- Как и почему в Х5 появилась структура для работы с большими данными?

Год назад в компании по теме больших данных не было ничего, дирекция по большим данным создавалась с нуля. Хотя, конечно, системы аналитики в компании использовались, без них мы не могли бы ежедневно пополнять товарами более 14 тыс. магазинов и платить зарплату 200 тыс. сотрудникам. Но не было централизованного хранилища данных по клиентам, которые можно быстро извлекать в нужных разрезах, обрабатывать и делать на их основе важные для бизнеса выводы. За год удалось создать такое хранилище, внедрить средства работы с ним, включая современные инструменты визуализации, и все это собрать в единую систему.

Антон Мироненков: «В сфере больших данных люди – самый ценный и самый дорогой ресурс»

Все началось с идеи. Мы проанализировали опыт западных ретейлеров по применению аналитики больших данных, в том числе побывали в нескольких компаниях и поняли, что обладание такими компетенциями может стать конкурентным преимуществом. Вместе с консультантами мы описали структуру нового подразделения, какие специалисты нам понадобятся, какая требуется инфраструктура, как выстроить data governance и т.д., и затем начали искать людей и параллельно формировать инфраструктуру.

При этом мы столкнулись с типичной проблемой, которая так или иначе возникает при создании подобных структур: данных в компании много, но прежде чем их можно будет использовать, все они требуют обработки. Их надо чистить и структурировать. Например, мы обнаружили, что данные по программе лояльности и чековые данные о покупках хранятся в разных форматах. Поэтому задача была не просто запустить инфраструктуру, куда можно складывать данные, но и обеспечить, чтобы данные собирались в правильном виде.

Параллельно с созданием инфраструктуры и сбором данных мы стали выяснять, какие потребности бизнеса можем реализовать. Было собрано около 200 кейсов и для тех из них, которые обладали потенциалом принести наибольшие выгоды для Х5, были сформированы продуктовые команды. К настоящему моменту ряд продуктов доведен до стадии MVP (minimum viable product), один запущен в продуктивную эксплуатацию.

- Что это за продукт?

Набор отчетности для переговорных кампаний с поставщиками. Если раньше для анализа поставщика приходилось долго и сложно сравнивать данные из десятков таблиц Excel, то сейчас буквально двумя кликами можно получить исчерпывающую информацию по любому вендору – история взаимоотношений, на каком они уровне находятся в данный момент и где потенциал для дальнейшего развития.

С решением постоянно работают более 100 сотрудников.

- Каким образом выделялись продуктовые направления, которые приносят деньги. Это были ваши гипотезы, результат серьезного анализа или запрос от бизнеса?

Они появились из нескольких источников. Во-первых, лучшие мировые практики. Во-вторых – обсуждение с бизнесом, показавшее, какие из этих практик работают не только на Западе, но и у нас. И в-третьих – идеи, появившиеся в результате мозгового штурма в команде. Затем выявленные направления были приоритезированы. Впрочем, любой, кто в ретейле работает не первый год, скажет вам, что основные деньги в нашем бизнесе приносят правильная работа с ассортиментом, ценообразование, промоактивности. Конечно, эти направления оказались в приоритете и в Х5.

Затем мы стали глубже анализировать каждое из направлений – какие данные используются, что должно получиться на выходе, степень возможной автоматизации. Будет ли это инструмент, который помогает принимать решение, как в случае отчетности для переговорных кампаний, или полная автоматизация определенных процессов так, чтобы человек в них вообще не участвовал. Ведь, как правило, пользователей можно условно разделить на «отличников», «хорошистов» и «троечников». Если в процесс вмешивается «отличник», у него получается лучше чем у системы, по крайней мере на начальном этапе, но если в систему вмешивается «троечник», получается хуже. На большом масштабе автоматизация позволяет в среднем результат подтянуть до более высокого уровня. Это не значит, что люди не нужны. Они теперь системно занимаются тем, чтобы процесс работал правильно, а не улучшением результата процесса на каждом из его этапов, то есть меняют алгоритм вместо того чтобы искать правильные решения в отдельных точках.

- Речь идет о внедрении машинного обучения или пока только автоматизации заданных алгоритмов?

Мы используем различные подходы, в том числе машинное обучение. В некоторых случаях простая линейная регрессия дает хороший результат. Например, в продукте «Ассортимент» статистическими методами на основе чеков строится дерево принятия решения покупателем, а оптимизация ассортимента реализуется с помощью машинного обучения.

Еще один классический оптимизационный инструмент применяется в ценообразовании. На входе он получает большое количество параметров (исходные цены, цены конкурентов, маржинальность товаров, условия по логистике), чтобы на выходе ежедневно генерировать оптимальные цены на товары в магазинах.

При этом мы никогда не зацикливаемся на одном подходе для конкретной задачи, модель должна становиться все более точной со временем. Специалисты из команды data science находятся в постоянном поиске улучшений: если из этого метода мы выжали все, давайте попробуем вместо деревьев решений применить нейронную сеть, а затем добавим к ней дополнительные слои. Наш продукт – это не монолит, а живой организм, который постоянно дорабатывается. Поэтому продуктовые команды работают по принципам Agile – они отвечают за то, чтобы бизнес-результат был лучше и лучше с каждой итерацией.

- Сколько продуктов реализовано за год?

У нас восемь продуктовых команд. Но потребностей у бизнеса больше, и периодически приходится формировать временные девятую и десятую команду, чтобы срочно реализовать ту или иную задачу.

- Какова связь стратегии дирекции по большим данным с бизнес-стратегией компании?

До того, как возглавить подразделение по работе с большими данными, я отвечал за стратегию Х5, поэтому прекрасно представляю задачи бизнеса и могу говорить с ним на одном языке. Это очень помогло в формировании нашей продуктовой линейки. Наш план на текущий и будущий год увязан со стратегией компании в целом и со стратегией каждой торговой сети, входящей в Х5.

Несколько лет назад в X5 было принято решение о децентрализации. Каждая сеть получила достаточную свободу, чтобы развивать собственное клиентское предложение, в чем-то конкурировать, иметь ресурсы для самостоятельного ведения бизнеса. Как следствие, сети различаются и с точки зрения используемых ИТ-решений. Даже данные в анкетах программы лояльности в разных сетях не идентичны, хотя и пересекаются процентов на 80. Поэтому обычно мы не можем сделать одинаковый продукт для всех трех сетей.

Часто бывает так, что мы разрабатываем решение, например, для «Пятерочки», рассказываем о нем в «Перекрестке», и менеджеры сети высказывают желание получить аналогичный продукт. Тогда продуктовая команда делает кастомизацию решения под другую сеть. Происходит миграция знаний и продуктов между торговыми сетями.

- Как организована работа вашего подразделения?

Команды работают по принципам Agile и включают в себя все необходимые группы специалистов – data science, аналитики данных, бизнес-аналитики, менеджеры продуктов, DevOps. Есть и системные инженеры, которые отвечают за инфраструктуру определенного уровня. Базовую инфраструктуру для нас поддерживает ИТ. Но у нас остается возможность разворачивать инфраструктурные слои более высокого уровня, необходимые для наших решений. Это нетипичный подход, но по-другому скорости просто не достичь. Чем больше ресурсов в одном месте сконцентрировано, тем быстрее можно двигаться. А скорость – это наша первоочередная задача.

Процессы data governance реализуются в нашей дирекции и в ИТ. Мы занимаемся контролем качества данных во входных потоках, которые получаем на свой кластер. Но кроме этого необходимо обеспечивать качество данных на источниках, которые расположены в других местах корпоративной архитектуры. За это отвечает ИТ.

Сейчас процессы data governance включают в себя сбор, обеспечение качества, описание собранных данных и формирование требований к конечным витринам. Очень важной составляющей data governance являются также корпоративные политики работы с данными, но здесь мы еще в самом начале пути. Корпоративная политика задает стандарт ввода данных для бизнес-пользователей, тем самым закладывается основа для того, чтобы данные были качественными при всех дальнейших использованиях.

Нам необходимо наладить процесс регламентации ввода данных, и это займет немалое время, поскольку груз проблем в этой сфере за годы существования компании накопился очень большой.

- Какие данные используются для реализации ваших продуктов – внутренние данные компании или вы привлекаете также внешние данные с рынка?

Мы активно обсуждаем с телекомом, с банками, какие решения мы можем сделать вместе, обогащая данные. И пришли к выводу, что те данные, которые есть у нас, гораздо более полезны другим игрокам, нежели нам полезны внешние данные с рынка. Почему? Потому что у нас очень много данных внутри компании, и их, как правило, достаточно для реализации различных идей по улучшению бизнеса. Наша основная задача при работе с данными — наладить процесс получения и постоянной актуализации этих данных, а также сделать так, чтобы данные, которые единожды получены, неважно из какого источника, были доступны всем заинтересованным бизнес-пользователям.

Надо отметить, что в Х5 с большими данными работает не только дирекция больших данных. Наиболее сложные вещи, которые требуют написания кода и ведут к созданию продукта, мы делаем централизованно. Это специализированные задачи, которыми должны заниматься квалифицированные специалисты, а в сфере больших данных люди – самый ценный и самый дорогой ресурс.

При этом от бизнеса постоянно возникает большое количество сиюминутных запросов, поэтому мы обеспечиваем бизнес-пользователей данными, с которыми они могут самостоятельно делать любую аналитику. Причем очень важно, чтобы все было совершенно прозрачно – где взять нужные данные, как их обработать и что делать с результатом. Но если одна и та же задача возникает постоянно, мы берем ее на себя. Мы стараемся освободить аналитиков от рутины, чтобы они могли заниматься более продуктивными задачами.

- Что представляет собой технологическая инфраструктура больших данных в X5?

У нас полный стек необходимых инструментов. «Холодные» данные собираются в озере данных на базе Hadoop, дальше в зависимости от приложения данные перемещаются в более быстрые базы – Greenplum, Qlickhouse. Для загрузки данных используются классические ETL-инструменты, для визуализации – Qlicksense, Tableau.

- Что было самым сложным за этот год?

Самое сложное – наладить работу команды. Наш Agile пока часто «перпендикулярен» тому, как работает остальная компания. С одной стороны, бюджет, оргструктура, регламентированный процесс найма человека, с другой – скорость процессов Agile. Как увязать между собой еженедельные спринты с ежегодной оценкой эффективности сотрудника? Объясняем, договариваемся, где-то меняем процессы в самой компании.

- А что вы можете поставить в заслугу дирекции больших данных?

Главное достижение – скорость. Я очень рад, что удалось меньше чем за год собрать сильную команду. Когда к нам приходят на собеседование специалисты по data science, они спрашивают, с кем будут работать, и быстро соглашаются, когда слышат фамилии. Для меня это показатель качества команды. Второй показатель – то, что за короткий период мы довели несколько продуктов до стадии MVP и один до промышленной эксплуатации и уже получаем много положительных отзывов от пользователей.

Мы построили гибкую инфраструктуру, в которую можно быстро адаптировать дополнительные инструменты, если понадобится. Развернули хранилище из более 80 узлов в кластере, которое удалось быстро наполнить.

Скорость – это главное, к чему мы стремимся. Я постоянно говорю ребятам: «возможно, вы сделаете это гораздо лучше через год, но тогда это уже никому не будет нужно». Меняются потребности бизнеса, технологии уходят вперед, а задачи надо решать здесь и сейчас.

- Не в ущерб качеству?

Это же Agile. Конечно, продукты дорабатываются. Но для этого и нужен постоянный диалог с бизнесом.

- Какой эффект получит бизнес от продуктов на базе больших данных, когда они будут введены в промышленную эксплуатацию? Например, я – постоянный клиент «Перекрестка». Какие я почувствую улучшения?

Возьмем для примера такое решение, как ассортиментный план. Главный результат его применения состоит в том, что, если раньше вы приходили в супермаркет и клали в корзину 7 товаров, то сейчас будете класть 8. Вам не придется обходить несколько магазинов, вы здесь найдете все, что вам нужно. И в целом увеличивается число клиентов сети, когда люди понимают, что могут найти в магазине все необходимое и, возможно, по более выгодной цене, чем у конкурентов.

Другой пример – промоакции. Продукт позволяет правильным образом изучить аудиторию в конкретной локации, понять, какие магазины рядом, как правильно сделать скидку на определенный товар и каким людям из программы лояльности нужно ее предложить. Пилот по этому решению продемонстрировал рост трафика в магазинах на несколько процентов – это очень хороший результат. Лояльность покупателей тоже выросла.

- Ваши планы на будущее?

Главная цель ближайших нескольких месяцев – вывести в продуктив те продукты, которые сейчас находятся на стадии MVР. Это не самая простая задача, поскольку необходимо быстро и без лишних затрат масштабировать успешный пилот с сотни на несколько тысяч магазинов.

В апреле должны быть завершены проекты по ассортименту и ценообразованию. Весной планируется улучшить качество прогнозирования продаж в сети магазинов «Перекресток». Это обеспечит повышение точности заказа товаров на склад, как результат, сократится количество продуктов, которых нет на полках, и это, в свою очередь, положительно отразится на продажах.

Я люблю смотреть разные спортивные игры. Можно сказать, я просто рожден для этого занятия. А вот играть в них — не мое призвание. И однажды мне стало интересно, чем мир спорта схож с миром программного обеспечения, а точнее — с моделью DevOps. В какой-то момент меня осенило, что если и есть что-то, совсем не похожее на спорт, то это модель DevSecOps. Попробуем разобраться на примерах.

С самого начала сохранение безопасности процессов DevOps было общей обязанностью, и в результате возникло такое понятие, как DevSecOps. DevSecOps — это полностью интегрированная система, а не просто безопасность «вокруг» приложений и данных. Если безопасность перенесена в конец конвейера разработки, то организации, внедряющие DevOps, могут оказаться в ситуации, когда придется вернуться к долгим циклам разработки, которых они пытались избежать. DevSecOps означает, что нужно думать о безопасности приложений и безопасной инфраструктуре с самого начала работы. Также подразумевается необходимость автоматизации некоторых доступов для того, чтобы поддерживать рабочий процесс, а не тормозить его. Однако DevSecOps — это больше, чем подобранные инструменты. Это система, построенная на культурных изменениях DevOps для внедрения в работу security-команд, и чем раньше такое произойдет, тем лучше.

1. Нельзя во всем винить вратаря

Я начну с сугубо личного, но, надеюсь, хорошо понятного примера: когда в детстве мы играли в футбол, меня, как наименее ценного игрока, обычно ставили на ворота. И всякий раз, когда мяч со всей дури влетал в ворота (или неторопливо закатывался в них мимо меня), все, конечно же, винили вратаря. Должен сказать, что такой подход не только ужасно влияет на командный дух, но и является полной противоположностью тому, как необходимо работать в команде.

С другой стороны, лично меня напрягают фразы типа: «Безопасность в DevSecOps — это ответственность каждого». Далеко не каждый является экспертом по безопасности, хотя все участники команды обязаны понимать, что такое правильно организованные процессы, и нести определенную ответственность за их выполнение. И если что-то идет не так, не следует возлагать всю вину только на одного человека. И не забывайте о том, что в DevSecOps у вас есть все возможности, создав соответствующие тесты, оперативно устранить проблему и избежать ее дальнейшего появления.

2. Вы не знаете, кто ваш противник

В спорте всегда известен соперник. Вы знаете, кто он, где он, и можете оценить его действия в различных игровых ситуациях. Вы не всегда можете его остановить, зато точно понимаете, какие цели он преследует. В обычных ИТ-проектах это далеко не так, а в модели DevSecOps всё вообще не так, поскольку есть вы — те, кто занимается разработкой, тестированием и эксплуатацией различных уровней стека приложений, и есть противники, сильно различающиеся в плане ресурсов и профессионализма. И ключевая фраза здесь — «есть вы». И если «вы» — действительно команда, то совокупные знания ваших специалистов можно применять для реализации более амбициозных решений, которые практически невозможно выполнить в рамках стандартной модели «проектирование —разработка — тестирование — развертывание».

3. В отличие от спорта, здесь нет правил

Да, такой вот жесткач. В спорте противник играет по тем же правилам, что и вы, иначе он получит предупреждение от арбитра, рефери или другого спортивного судьи. Было бы здорово, если бы тех, кто атакует ИТ-инфраструктуры и приложения, всегда ловили и наказывали, но, к сожалению, нет никаких предпосылок для ожидания такого счастья в ближайшем будущем. Поскольку у вас вряд ли будет возможность отслеживать в реальном времени действия противника и активно контратаковать, вам надо продумать, какие исправления можно задействовать, как их применять и насколько быстро их можно запустить. Важно отметить, что эту задачу не надо сваливать только на тех членов вашей команды, которые отвечают за безопасность. Хотя эксперты по безопасности могут неплохо спрогнозировать возможные атаки, именно основной инженерный и операционный персонал лучше всего сможет оценить, как скажутся последствия атак на работе системы, поэтому эти люди и должны разрабатывать соответствующие меры по смягчению последствий при возникновении проблем.

4. В игре участвуют все и всё время

Во всех командных видах спорта во время игры на поле находятся далеко не все участники команды. А вот в DevSecOps можно задействовать абсолютно всех. Тренер не обязан наблюдать за игрой со стороны и может привлекать вспомогательный персонал (а точнее говоря — экспертов по производительности и разного рода технических специалистов) в моменты, когда возникает такая потребность. По мере роста количества итераций каждый участник команды довольно быстро сможет внести свой вклад, поскольку изменения будут возникать как на уровне приложения, так и в среде развертывания на уровне безопасности. Кроме того, командам DevSecOps не стоит изолироваться от других сотрудников и подразделений организации: если вам нужно привлечь кого-то из них на денек-другой, не стесняйтесь это делать. Не бойтесь действовать быстро и признаваться в том, что вам нужна помощь.

5. В проигрыше нет ничего страшного

В спорте принято думать о том, как одержать победу, невзирая на условия и силу соперника. Но и поражение является необходимым инструментом. Лучшие спортсмены и команды знают, как его использовать, чтобы в следующий раз выступить, выполнив «работу над ошибками». В DevSecOps надо поощрять команду и не бояться проигрывать, поскольку только опыт поражений позволит сделать приложения и проекты лучше. Уже никто не верит, что можно создать абсолютно неуязвимые приложения и системы. Главный вопрос не в том, смогут ли вас взломать, а в том, когда это произойдет и где. Поэтому стройте свои процессы, отслеживая подозрительную активность, и будьте готовы минимизировать последствия атак. Первым делом стоит убедиться в том, что ваши процессы позволяют учиться на ошибках и помогают повысить эффективность, надежность и устойчивость вашего проекта и команды на следующей итерации.

Подводя итоги

Я не утверждаю, что между DevSecOps и спортом нет ничего общего. Сходство есть, и достаточно большое. Вот наиболее очевидные общие черты: серьезные изменения требуют серьезного распределения ответственности как сверху вниз, так и снизу вверх; в команде важны эффективные коммуникации друг с другом и слаженная реакция на угрозы в реальном времени. Я не настаиваю на том, что различия — это главное. Но иногда лучше сравнивать отличия, а не сходные черты. Это, как говорится, открывает глаза.

Автор — Майк Берселл, главный архитектор по безопасности Red Hat

Эксперты пока не пришли к единому мнению о том, сколько рабочих мест роботизация бизнес-процессов (Robotic Process Automation, RPA) уничтожит, а сколько создаст — в частности, в МТИ проанализировали ряд исследований, обнаружив, что прогнозы на этот счет сильно расходятся. Но так или иначе, автоматизация идет полным ходом: в компаниях внедряют соответствующие технологии для оптимизации процессов бизнеса, ИТ, разработки и обслуживания. С ростом этой тенденции в компаниях всех отраслей все более остро ощущается потребность в инженерах по автоматизации — они помогают обеспечивать автоматизацию предприятия и контролируют соответствующие процессы.

Роль инженера по автоматизации

Автоматизация всегда была одним из столпов производства, но в бизнесе, здравоохранении и финансовой индустрии применяется с относительно недавнего времени. Вне производства средствами ИТ обычно автоматизируют обслуживание и контроль качества процессов. Задача инженера по автоматизации — устранять дефекты и ошибки в процессах разработки продуктов или ПО, а также в процессах бизнеса и обслуживания клиентов.

Кроме того, предприятия все активнее внедряют чатботов, которые помогают разрешать проблемы клиентов или переадресовывать их на нужного специалиста — такими внедрениями тоже руководят инженеры по автоматизации. Автоматизированные средства помогают передавать сведения об инцидентах в службу поддержки, управлять услугами и более быстро выпускать качественные продукты и ПО, уменьшая процент брака. В конечном счете цель инженера по автоматизации — уменьшить нагрузку на работников и повысить эффективность и надежность за счет избавления от лишних и нестандартизованных ручных процессов.

Обязанности инженера по автоматизации

В отделе ИТ такой инженер обеспечивает внедрение решений по автоматизации процессов, связанных с программным обеспечением. Он работает в тесном взаимодействии с другими специалистами, обнаруживая и устраняя проблемы путем уточнения требований. Автоматизироваться могут процессы, касающиеся оборудования, ПО, а также обслуживания и бизнес-деятельности.

В числе обязанностей инженера по автоматизации — выяснение возможностей автоматизации процессов, касающихся ПО; разработка и выполнение автоматических тестов контроля качества на основе скриптов; тестирование баз данных, систем, сетей, приложений, оборудования и ПО; выявление ошибок и проблем качества в рамках процессов разработки, обслуживания и ведения хозяйственной деятельности; установка приложений и баз данных для автоматизации; взаимодействие с другими бизнес-единицами с целью выяснения возможностей улучшения рабочих процессов с помощью автоматизации; сбор сведений о требованиях внутренних и внешних клиентов и конечных пользователей с целью разработки оптимальных решений автоматизации.

Навыки инженера по ИТ-автоматизации

Инженеру по автоматизации необходим широкий круг технических и личностных навыков. Необходимы знания о системах, сетях, оборудовании и ПО, с которыми предстоит работать, а кроме того, нужны способности общаться и взаимодействовать с другими бизнес-подразделениями, с клиентами и покупателями. Чаще всего нужны навыки программирования на C#, SQL и Java, но для различных отраслей может понадобиться знание других языков программирования и инструментов. Также требуются практические знания мобильных и настольных операционных систем, веб-технологий, опыт в сфере аналитики, робототехники, искусственного интеллекта и машинного обучения. Важны лидерские качества, поскольку вам предстоит руководить проектами оптимизации бизнес-процессов с участием многих отделов.

Чаще всего инженеру по автоматизации нужны навыки и знания в следующих областях: автоматизация и робототехника, искусственный интеллект и машинное обучение, программирование и написание скриптов, управление проектами; Agile, DevOps и облачные вычисления; навыки анализа и решения проблем; лидерские и коммуникативные навыки; опыт в сфере компьютерных наук и инженерного проектирования.

Как стать инженером по автоматизации

Требуется получить как минимум степень бакалавра в области компьютерной науки, проектирования компьютерных систем или близких областях. Необходимо пройти программу обучения, включающую курсы робототехники, баз данных, математической статистики, искусственного интеллекта, систем управления и нейронных сетей. Некоторые работодатели требуют наличия магистерской степени и опыта ручного и автоматизированного тестирования.

Специалист по автоматизации работает на стыке инженерного проектирования, научных исследований и ИТ, но конкретный набор навыков варьируется в зависимости от отрасли. Чтобы уточнить ситуацию с необходимыми навыками, инструментами и уровнем образования, можно ознакомиться с объявлениями о соответствующих вакансиях на предприятиях различных отраслей. Чаще всего, подобная вакансия называется «инженер по проектированию решений автоматизации», «инженер по системам автоматизации», «специалист по автоматизации», «инженер по автоматизации контроля качества», «инженер по автоматизации полного цикла», «инженер по автоматизации тестирования» и др.

Инструменты автоматизации

Чаще всего такому специалисту придется иметь дело со средствами автоматизации тестирования. Такие инструменты помогают автоматизировать рассылку уведомлений, а также внедрять процессы контроля качества и автоматизированного тестирования в организации. Кроме того, они также помогают в устранении проблем и распространении отчетов.

По данным Capterra, к числу программных средств автоматизации тестирования, получающих самые высокие оценки, относятся следующие продукты: UiPath Robotic Process Automation, Cypress, LambdaTest, Rainforest, Testim, Usetrace, pCloudy и PractiTest.

- Sarah K. White What is an automation engineer? A growing role to address IT automation. CIO. November 23, 2018

Ретейлеры открывают для себя все новые возможности использования технологий Интернета вещей в бизнесе, но в 2019 году мы скорее станем свидетелями реализации экспериментальных программ и тестирования в небольших масштабах, нежели увидим глобальные повсеместные сдвиги в этой сфере.

Ликвидация разрыва между электронными покупками и приобретением товаров в физических магазинах, усиление автоматизации и новые способы привлечения клиентов (по большей части за счет показа им рекламы) – все это обладает для розничной торговли большим потенциалом, но соответствующие технологии еще только начинают получать массовое распространение.

Стоит отметить, что некоторые применения Интернета вещей в ретейле не являются специфичными для розничной торговли. Компании используют средства управления ресурсами, интегрированные системы отопления, кондиционирования и вентиляции и другие технологии «умных» зданий точно так же, как и во многих других отраслях, но в последнее время ретейлерам приходится нелегко, и инвестиции в новые технологии очень быстро могут выпасть из списка их приоритетов.

Впрочем, как бы то ни было, Интернет вещей постепенно начинает доминировать в сфере розничной торговли. Неудивительно, что лидирующее положение здесь занимает один из крупнейших игроков в этой области.

Пустой реестр

Гигант розничной торговли Amazon давно использует технологии Интернета вещей – сложные цепочки поставок и логистические функции здесь хорошо документированы и уже успели доказать свою эффективность. Упаковкой товаров на огромных складах занимаются армии роботов, а программное обеспечение осуществляет централизованное планирование, определяя наиболее эффективные способы доставки несметного количества заказов по всему миру.

Вместе с тем, по словам вице-президента Forrester Research Сучариты Кодали, некоторые из самых современных технологий Интернета вещей не вполне подходят для таких операций.

«Интернет вещей очень дорог и используется для мониторинга особо ценных поставок (например, медицинских), для которых зачастую необходимо соблюдение определенного температурного режима, – подчеркнула она. – Для игрушек и малоценных подарков, доставляемых с целью экономии самым дешевым способом, он не годится».

Впрочем, в отношении розничных магазинов Amazon вынашивает еще более амбициозные, чем для электронных продаж. Помимо новой волны традиционных магазинов компания открывает полностью автоматизированные магазины Amazon Go.

Работает это так: при входе в магазин покупатели регистрируются, сканируя свой штрих-код. Затем они берут с полок все, что им понравилось, и уходят, а приложение автоматически выставляет счет за выбранные товары в аккаунте Amazon.

Естественно, в таких магазинах очень многое остается за кадром. По словам вице-президента Gartner Марка Ханга, центральное место в предлагаемой концепции занимает технология интеллектуального зрения – использование камер для отслеживания отдельных покупателей и их физического местоположения в магазине. Но помимо этого есть много чего еще, а компания предпочитает не раскрывать подробности функционирования своей системы.

Конечно, у наблюдателей есть определенные предположения – существенную роль здесь, по мнению Ханга, играют датчики на самих полках.

«В Amazon никогда не раскрывали, как работают магазины Amazon Go, но, поискав немного в Интернете, вы обнаружите, что компания зарегистрировала ряд патентов на технологию 'умных' полок».

Именно так действует стартап Zippin, применяющий похожие автоматизированные средства в розничных магазинах. Датчики веса на полках дополняют технологию интеллектуального зрения, обеспечивая более точное отслеживание происходящего. Основатель Zippin Кришна Мотукури сообщил, что для полного покрытия магазина площадью 90 квадратных метров достаточно всего 15 камер. При этом в одном из магазинов Amazon Go (хотя и большей площади) их установлены сотни.

В настоящее время Zippin управляет флагманским магазином в Сан-Франциско в основном для демонстрации своих технологий. У Amazon Go имеются уже шесть площадок – три в Сиэтле, две в Чикаго и одна в Сан-Франциско, а к 2021 году компания планирует открыть 3 тыс. магазинов.

Помимо новой волны традиционных магазинов компания Amazon открывает полностью автоматизированные магазины Amazon Go.

«Хотите купить [$item]?»

Ритейлеры любят узнавать о своих покупателях побольше, и вряд ли кого-то должно удивлять, что что они используют технологии Интернета вещей для их изучения и трансляции полученных знаний в увеличение потенциальных продаж.

Интернет-магазины уже давно обладают преимуществом в этой области, отслеживая на сайтах продавцов файлы cookie, собирая демографические сведения, информацию о наших предпочтениях и географическом местоположении, а также многое другое. Однако и розничные магазины все чаще используют Интернет вещей для этих же целей.

По словам вице-президента IDC Лесли Хенд, курирующей сектор розничной торговли, его представители важнейшими инновациями считают средства контекстного взаимодействия с клиентами в реальном времени.

«Они обращаются к мобильным телефонам клиентов с учетом их текущего местоположения и предпочтений, пытаясь наладить индивидуальное, контекстное и персонализированное взаимодействие», – указала она.

На практике здесь используется технология маяков. Ретейлеры заинтересованы в долгосрочном применении маяков в качестве средства персонализированного привлечения клиентов, находящихся поблизости (посредством рекламы).

Более 30% представителей сектора розничной торговли сообщили, что вмонтированные в полки датчики веса и умные камеры (подобные тем, о которых говорилось выше, когда речь шла об автоматических магазинах) помогают получить четкую картину наполнения клиентами своих тележек. Идея заключается в том, чтобы адаптировать продажи к особенностям покупателей или, по крайней мере, предлагать им какие-то конкретные товары.

Компания Wal-Mart уже подала заявку на патенты биометрических устройств, закрепленных на тележках и корзинах для покупателей. «Предположительно это делается для того, чтобы клиент мог получить информацию о состоянии своего здоровья, – заметила Хенд. – Но в Wal-Mart хотят знать и местоположение покупателя внутри физического магазина».

Все эти технологии, по словам Ханга, еще подлежат осмыслению, и не факт, что покупатели смогут встретить их в каждом магазине уже в период нынешних рождественских распродаж. Технология маяков, например, получила более широкое распространение на спортивных аренах и в аэропортах. Но, как уже отмечалось ранее, владельцы физических магазинов по-прежнему сталкиваются с серьезными экономическими трудностями, поэтому для рядовых магазинов расходы на внедрение новейших технологий не являются сегодня главным приоритетом.

Jon Gold. Retail IoT is still coming into its own in 2019. Network World. November 19, 2018

Активность компаний в области слияний и поглощений требует не только серьезной оптимизации ИТ-систем. Зачастую выход на новый масштаб предопределяет новые амбиции и изменение планов развития. Негосударственный пенсионный фонд «ЛУКОЙЛ -ГАРАНТ» после объединения с НПФ электроэнергетики и НПФ РГС стал вторым по объему активов в управлении фондом страны.

Из-за чего возникла потребность в объединении трех достаточно крупных НПФ?

Эти фонды находились под контролем одного акционера — банка «Открытие». Решение об объединении было принято с точки зрения увеличения масштабов и повышения конкурентоспособности пенсионного бизнеса и в то же время с целью экономии издержек на управление фондами.

В августе 2018 года юридические процедуры по объединению были завершены, на рынке НПФ появился крупнейший и надежный фонд — второй по размеру активов в управлении. На текущий момент в негосударственных пенсионных фондах формируют свою накопительную пенсию почти 37 млн россиян, из них 7,4 млн являются нашими клиентами. Это примерно 20% рынка. Завершающим этапом объединения станет переименование фонда в НПФ «Открытие», по плану это должно произойти уже в декабре.

Одна из стратегических целей развития объединенного НПФ, которая была поставлена перед нами акционером, — переход на единую технологическую платформу и оптимизация инфраструктуры пенсионного бизнеса в целом. Разрозненные ИТ-системы, поддерживающие одинаковые бизнес-процессы, хранилища данных, личные кабинеты по обслуживанию клиентов, системы управления операционными рисками, системы отчетности — все это необходимо было унифицировать и тем самым минимизировать затраты на поддержку дублирующих процессов. Менее чем за год мы провели все необходимые мероприятия для перехода трех фондов на единую ИТ-платформу. Клиентские базы трех НПФ были готовы к физическому объединению уже ко времени завершения необходимых юридических процедур. На сегодняшний день клиенты присоединенных фондов пользуются единым личным кабинетом и онлайн-сервисами благодаря интеграции учетных систем.

Максим Аверин Возраст: 32 года Образование: Московский государственный институт электроники и математики, специальность «автоматизация и интеллектуализация процессов управления (кибернетика)» Московский институт экономики, менеджмента и права, специальность «финансы и кредит» Послужной список последних лет 2014 – настоящее время НПФ «ЛУКОЙЛ-ГАРАНТ», технический директор — директор департамента ИТ 2013 – 2014 НПФ «ЛУКОЙЛ-ГАРАНТ», заместитель директора департамента ИТ, начальник управления системного и технического обеспечения 2009 – 2013 НПФ «ЛУКОЙЛ-ГАРАНТ», главный администратор баз данных Oracle 2005 – 2009 DBI (BostonSD, DataIntensity), начальник смены администраторов, администратор баз данных Oracle

Какова роль ИТ в пенсионном бизнесе? Можно предположить, что она ниже, чем в банках или страховых компаниях.

В банки или страховые компании клиенты обращаются регулярно, а в пенсионном бизнесе все несколько иначе. Говоря упрощенно, клиенты пенсионного фонда обычно приходят в него два раза в жизни: заключить договор и подать заявление на назначение пенсии. Мы поставили себе амбициозную цель — поддерживать контакт с клиентом на протяжении всего периода действия договора и сделать обращение в фонд максимально удобным. Главным средством этого стал личный кабинет, в который интегрированы различные сервисы, необходимые клиенту как на этапе накопления пенсии, так и на этапе выплаты: запрос копий документов, обновление личных сведений, заключение договора индивидуального пенсионного обеспечения и оплата взносов, подача заявления на назначение накопительной пенсии, изменение реквизитов выплаты.

На рынке НПФ мы стремимся стать лидером по технологичности для клиентов. Возможно, прозвучит смело — стать самым цифровым НПФ. Наша цель — достичь уровня удаленного обслуживания, как в банках, в которых для оформления, например, депозита уже давно не обязательно посещать офис.

Не стоит забывать, что после 2022 года ожидается массовый выход на пенсию клиентов НПФ по обязательному пенсионному страхованию (ОПС), и фонды должны быть к этому готовы. Клиентам негосударственных пенсионных фондов нужны онлайн-сервисы, цифровое развитие продуктов — аналог того, что они видят, получая финансовые услуги в смежных сегментах. Чтобы удержать своих клиентов, мы должны стремиться за нашими коллегами из финансового сектора.

Клиенты пенсионного фонда обычно приходят в него два раза в жизни: заключить договор и подать заявление на назначение пенсии. Мы же поставили себе амбициозную цель — поддерживать контакт с клиентом на протяжении всего периода действия договора и сделать обращение в фонд максимально удобным.

Зачем нужно общение с клиентом на протяжении всего договора? Какой в этом смысл для бизнеса?

Есть традиционные факторы выбора НПФ — финансовые показатели, стабильность его акционеров. Остальное, способное повлиять на решение выбрать именно нас, приходится добирать сервисами, а это в первую очередь цифровые услуги. Если компания не соответствует требованиям времени, то у нее нет будущего.

Как правило, клиент пенсионного фонда раз в год получает «письмо счастья», в котором указана сумма на его счету, и выбрасывает это письмо в мусорную корзину. На этапе формирования накоплений он просто не задумывается о пенсии, ему кажется, что до этого времени еще очень далеко. Однако, если человеку объяснить, что это за накопления, как они формируются и как можно повлиять на размер своей будущей накопительной пенсии, заинтересованность может появиться. У клиента есть озможность зайти в личный кабинет, поиграть с пенсионным калькулятором, спрогнозировать ситуацию после достижения пенсионного возраста при текущих отчислениях — все это дает некое ощущение продукта. Именно такую цель мы преследовали, когда начали развивать личный кабинет клиента в 2015 году. Мы предложили клиенту интерактивный тест, в котором он может выбрать уровень желаемой жизни на пенсии, посмотреть, что для этого нужно — рост зарплаты, дополнительные отчисления и т. п. Система полностью интегрирована с данными клиента и поэтому дает абсолютно реальную ситуацию. Помимо прочего, клиент может в режиме онлайн заключить договор негосударственной пенсии и вносить средства на счет — все это позволяет перевести желания, обозначенные в рамках интерактивного теста, в действие.

Объединение компаний и появление у них новых возможностей иногда способствует новым амбициям на уровне стратегии.

Действительно, в таких случаях всегда необходимо нечто большее, чем просто объединение уже существующих решений. Рост числа клиентов влияет не только на потребности в производительности систем. Появляются и новые бизнес-идеи, связанные с ИТ. Став очень крупным игроком рынка, необходимо поддерживать этот статус, то есть требуется быть технологичным, предлагать более высокое качество сервиса, более удобные услуги, чтобы не растерять уже имеющихся клиентов и привлечь новых.

Понятно, что причины оттока клиентов могут быть в меньшей степени связаны с ИТ и вызываться внешними факторами. В любом случае наша задача — предоставить такие сервисы, которые могут обеспечить конкурентное преимущество. Личный кабинет — фактически лицо фонда. Посредством этого многофункционального сервиса можно получать максимально расширенную информацию о текущих счетах, а значит, все необходимые операции должны быть доступными дистанционно. Молодые клиенты для нас не менее важны, чем пенсионеры. И современной молодежи нужны сервисы, отвечающие духу времени, они вряд ли захотят ходить в банк со сберкнижками.

Молодые клиенты для нас не менее важны, чем пенсионеры. И современной молодежи нужны сервисы, отвечающие духу времени, они вряд ли захотят ходить в банк со сберкнижками.

Что включала в себя эта «надстройка» над уже существовавшими решениями?

В первую очередь ставилась задача улучшения взаимодействия с клиентами, в том числе повышения реального качества обслуживания. Мы модернизируем контакт-центр на платформе Genesys, внедряем речевую аналитику ЦРТ, систему управления бизнес-процессами Terrasoft. Это позволяет отслеживать статус обращений, приходящих к нам по различным каналам, облегчать поиск информации и оценивать удовлетворенность клиентов. Также к этой части проекта относится развитие личного кабинета не только для физических, но и для юридических лиц, у которых также есть свои потребности.

В каком состоянии компании подошли к слиянию, как выглядели их ИТ-ландшафты?

Наиболее благополучной система ИТ была в НПФ «ЛУКОЙЛ-ГАРАНТ». Ряд проблем был в НПФ РГС — это уровень развития ИТ-инфраструктуры, качество информационных систем и стоимость обслуживания. В НПФ «ЛУКОЙЛ-ГАРАНТ» использовались решения собственной разработки на платформе Oracle, хранилище данных на базе Oracle BI, бухгалтерия и кадры на платформе «1С». Система управления операционными рисками, службы внутреннего контроля и ряд специфических приложений были реализованы на C#.

Использование самописных решений смущать не должно. Пенсионный бизнес по объему несравним с банковским, где по каждому направлению деятельности можно найти несколько вполне приемлемых коробочных продуктов. Для нас готовых к использованию систем на рынке нет вообще. Кроме того, многие НПФ не могут себе позволить масштабные инвестиции в ИТ. Те же, кто смог создать достойные решения, не собираются их тиражировать.

Для сравнения, НПФ электроэнергетики в качестве основной использовал систему, приобретенную без права доработок у одного из игроков рынка. Система неплохая, но развивать ее было невозможно. НПФ РГС работал с системой, разработанной на базе «1С», этот продукт не в полной мере удовлетворял потребности бизнеса, имеющего несколько миллионов клиентов, а компания-разработчик не инвестировала в развитие системы. Поэтому для консолидации выбрали систему, существовавшую у нас, как более масштабируемую и поддерживаемую своими силами.

Основные требования к инфраструктуре — это отказоустойчивость и катастрофоустойчивость. Были организованы два ЦОДа на расстоянии 40 км друг от друга, территориально распределенные линии связи, резервные каналы. Оборудование, не подходящее под новую концепцию, продавалось или переводилось в тестовый ЦОД в Туле, который перешел от НПФ электроэнергетики. Вливание средств в новую инфраструктуру, конечно же, тоже потребовалось. Но полученный эффект покрывает разовые вложения, они окупаются за полтора года. Достигнута экономия на поддержке оборудования, сокращен штат за счет отказа от ряда вендоров.

Несмотря на то что компании объединились в середине августа, технологически мы уже полностью едины. Не каждый фонд этим может похвастаться, хотя тенденция к объединению НПФ налицо. Разумеется, мы узнали об объединении значительно раньше официальной даты. Фактически работы по консолидации систем заняли около года.

Какие этапы включал в себя проект?

Начали с объединения инфраструктуры. Требовалось перевести все системы на единые мощности и единые ЦОДы. Так как процесс был начат до юридического слияния, у нас были определенные ограничения. Например, нельзя было использовать оборудование, где хранятся данные другого фонда. Поэтому от лица разных компаний заключались договоры с коммерческими ЦОДами и там по соседству размещалось оборудование.

У нас рассматривались все варианты построения инфраструктуры — от ухода в облако до использования конвергентных и гиперконвергентных решений. Пришлось остановиться на услугах colocation: каждый фонд имел значительное количество оборудования, и уход в облако не оправдывает себя экономически даже в пятилетней перспективе.

Второй этап работ был связан с объединением информационных систем. Третий — с развитием сервисов на базе обновленных систем.

Пришлось остановиться на услугах colocation: каждый фонд имел значительное количество оборудования, и уход в облако себя экономически не оправдывает даже в пятилетней перспективе

В чем проблема таких проектов?

Разнородность всех ИТ-составляющих, особенно если прежде никто особенно не заботился об их стандартизации, — разные вендоры, типы оборудования, требования к отказоустойчивости. Кроме того, разный подход к выстраиванию ИТ-процессов. Наконец, информационные системы — у всех свои требования к разработке, контракты, лицензии, партнеры.

Требовались не просто унификация и создание рабочего решения из того, что существовало в разных компаниях. Нужно было максимально сократить число вендоров и используемых технологий, по возможности при этом добавив в отказоустойчивости и производительности.

Тем не менее в вопросах стандартизации далеко не всегда полезен перфекционизм, обычно пытаются найти баланс между едиными решениями и сохранением инвестиций…

Можно выделить несколько направлений. Во-первых, команда — она должна быть единой и охватывать все необходимые направления, существующие в ИТ. Второе направление — инфраструктурное. Оно включает два ЦОДа, удовлетворяющих нашим требованиям по всем параметрам. Третье — оборудование, максимально приближенное к моновендорности, хотя мы и понимаем, что в реальности с учетом унаследованной инфраструктуры это невозможно. Но хотя бы двумя производителями хотелось ограничиться. Например, сетевое оборудование удалось полностью привести к стандарту Cisco. В серверном оборудовании ограничились решениями HPE и IBM, в системах хранения — Hitachi и IBM. При этом различные производители не смешиваются внутри категорий. Так, в качестве СХД под основные бизнес-приложения используются системы Hitachi, а резервное копирование работает на нижнем сегменте IBM.

Наконец, учетные и фронт-офисные системы тоже должны быть едиными и ни в коем случае не дублировать функционал друг друга. Сейчас этого уже удалось добиться — объединенный НПФ функционирует в наших доработанных системах.

Вероятно, для этого потребовалось унифицировать процессы. Исторически фонды наверняка работали по-разному.

Процесс продаж обязательного пенсионного страхования для всех един или, по крайней мере, схож. Процессы ведения учета этого вида услуг тоже едины и строго прописаны в законодательстве. А вот с негосударственным пенсионным обеспечением (НПО) действительно могли возникать сложности. Каждое предприятие может иметь свою пенсионную программу, и они обслуживаются по разным правилам. Естественно, потребовалось много времени, чтобы эту функциональность переписать заново, добавив ее внутрь системы, которая теперь обслуживает продукты присоединенных НПФ. Где было возможно, мы унифицировали процессы, а уникальные процессы для того или иного вида деятельности пришлось переносить в системы.

Где было больше проблем — с технологической или управленческой точки зрения?

Проблемы были на всех уровнях. Каждый фонд строил работу так, как считал правильным, и единых правил не существовало. Ожидаемые вещи — разнородность информационных систем. Мы прекрасно понимали, с чем предстоит столкнуться: самописные решения, зачастую неоптимальные и плохо задокументированные.

Как быть с человеческим фактором?

Люди, готовые перестраиваться, продолжают свою работу. У нас никогда не было массовых увольнений. Конечно, если человек 10 лет выполнял привычную работу в одной и той же системе, ему сложно в одночасье принять радикальные изменения: новые интерфейсы всегда кажутся неудобными, а реализованные в них процессы — нелогичными. Однако мы не стоим на месте: изменяется законодательство, появляются новые требования регулятора, внедряются новые сервисы. Мы живем в эпоху цифровизации, и люди тоже должны быть готовы к переменам.

«Личный кабинет» — звучит буднично, выглядит просто. Насколько это решение сложное по своей сути?

Сложное. Это не тот личный кабинет, где можно увидеть красивую картинку и сумму на счету, это гораздо более функциональный продукт. Он требует интеграции и мгновенного отклика. Причем речь идет об интеграции не только с другими системами пенсионного фонда и системой эквайринга, но и с внешними сервисами — например, СМЭВ и ЕСИА. Иногда бывают проблемы: если банкам и страховым компаниям доступ к СМЭВ предоставляют без проблем, то НПФ приходится доказывать ведомствам, что им это тоже нужно.

У производственных компаний центральным звеном ИТ-систем становится ERP. А у вас?

Без единой учетной системы обойтись тоже нельзя. Однако у нас очень многие процессы связаны с аналитикой, которая предъявляется как регулятору, так и внутренним подразделениям и клиентам. С этой точки зрения единое хранилище является ядром консолидации данных.

Куда идет объединенная компания, как вы видите ее будущее? Какие шаги нужны, чтобы стать «самым цифровым из НПФ»?

У нас есть сервисы, которые мы планируем запустить в ближайшее время. Однако называть их раньше времени не буду, так как подобные идеи быстро подхватываются конкурентами. Из остального можно выделить несколько направлений.

НПФ с этого года начали сдавать отчетность в формате XBRL. У многих возникают очень большие проблемы и с поставщиками систем, и с интеграциями. У нас же сдача отчетности автоматизирована на 90%, и до конца года выйдем на полную автоматизацию. Можно сказать, что мы в этом направлении шагнули далеко.

Дальнейшая модернизация клиентского сервиса также является серьезным проектом в свете ожидаемого скачка числа пенсионеров. Уже в ближайшее время число их обращений резко вырастет, и с текущими мощностями справиться с этим потоком будет сложно. Нужны более масштабируемые и производительные решения — именно с этим связан наш проект развития контакт-центра.

Кроме того, мы всерьез задумываемся о присоединении к системе обмена биометрическими данными, она нам нужна для работы с правопреемниками. Все упирается в экономический эффект: мы вряд ли можем быть поставщиком новых клиентов, поэтому за использование системы придется платить.

Входит ли в число направлений развития роботизация процессов?

Конечно, мы присматриваемся, но будем честны: возможности развития подобных технологий в банках, мягко говоря, несколько превосходят наш уровень. Мы вынуждены выступать в роли догоняющих. Первым шагом может стать роботизация общения с клиентами, но в ограниченном числе сценариев. В НПФ огромный процент нетиповых обращений. После автоматизации и вывода в удаленное обслуживание максимального числа сервисов мы задумаемся о роботизации остальных.

Применять роботизацию во внутренних процессах с целью сокращения издержек также возможно, но это должен быть отдельный проект, в ходе которого потребуется провести ревизию всех процессов компании на предмет их готовности к роботизации. Когда компания находится в процессе слияний и поглощений, физически не хватает времени на инновационные проекты, особенно касающиеся оптимизации внутренних процессов. Вполне возможно, мы этот проект начнем в 2019 году.

С вождем (официальная должность) «Кнопки» Андреем Завьяловым мы встретились в интересное время. Компания, специализирующаяся на аутсорсинге бухгалтерских и юридических сервисов, готовится к выходу на новый для себя рынок продажи технологий. Хороший повод поговорить об автоматизации, применимости и масштабируемости облачного аутсорсинга, состоянии рынка бухуслуг и о том, что будет, если посадить на одном этаже офисного здания тысячу бухгалтеров.

Если попробовать описать одной фразой, «“Кнопка” — это…»?

Прямо сейчас мне сложно ответить на этот вопрос. Мы работаем над тем, чтобы технологии, которые мы отработали внутри «Кнопки», — нейронные сети, роботы и прочие штуки — можно было продавать другим участникам рынка. Если раньше я бы сказал, что «Кнопка» — это бэк-офис для малого бизнеса, то теперь мы идем к тому, чтобы «Кнопка» стала бэк-офисом для аналогичного нам бизнеса.

Бэк-офис для бэк-офиса?

Бэк-офис для другой аутсорсинговой компании.

Применима ли эта модель для других видов процессов — например, для оптимизации закупок, для ИТ, может быть, для чего-то еще?

Вероятно, да, но мы сфокусированы на бухучете. Мы автоматизируем ввод первичных документов в систему. Это не просто распознавание. Мы берем скан документа и в качестве результата возвращаем бухгалтерскую проводку. Возможно, похожие технологии можно использовать где-то еще, например в закупках.

Андрей Завьялов, сооснователь «Кнопки» В 2013 году стал сооснователем «Кнопки». До этого пять лет проработал в крупной энергетической компании в должности финансового и генерального директора. Три года управлял инвестиционной компанией в сфере «зеленой » энергетики. Сменил привычную сферу, отказался от важных должностей и три года руководил продажами интернет-проектов «Эльба» и «Диадок» в СКБ «Контур». Заработал лысину, степень MBA и огромный опыт в b2c- и b2b-продажах. Начал свой длинный профессиональный путь с работы на железной дороге: был самым молодым начальником поезда (командиром подвижного состава).

Если говорить не про ИТ, а про бизнес-модель, кроме бухгалтерии, есть еще какие-то процессы, стоящие в очереди на аутсорсинг?

Конечно. Например, «Тинькофф Банк» на своих мощностях стал продавать клиентам услуги колл-центра. Если я клиент этого банка и мне надо обзвонить две тысячи человек, я могу заказать эту услугу у них.

Существуют ли в России и мире компании, которые реализуют бизнес-модель «Кнопки» и про которые вы можете сказать, что вы с ними прямые конкуренты?

В России основные игроки на этом рынке — это, как ни странно, банки. Они идут в предпринимательский low-сегмент. Появляется новая категория клиентов — самозанятые, которые будут платить 4%. Это несколько десятков миллионов человек. Банки хотят оказывать им услуги по ведению налогового учета. ИП и малым предприятиям, которые платят 6%, они предлагают налоговый и бухгалтерский учет. Наше поле — устоявшийся, стабильный бизнес, у которого уже есть сотрудники. Этим компаниям мы предлагаем облачный бэк-офис.

Такого в мире больше нет. Облачные CRM, 1C-Bitrix — они решают узкие задачи. Мы решаем широкую задачу: закрываем бухгалтерские и юридические вопросы сопровождения бизнеса. Разница огромная. В отличие от CRM, здесь высокая ответственность, штрафы, регламенты. Никто не выставит бизнесу штраф за неверное использование CRM, но, если бухгалтер не сдал какую-то отчетность, заблокируют счета в банках.

Воспроизвести вашу бизнес-модель никто не захотел, не догадался или не смог?

Мы недавно с ребятами вспоминали запуск «Кнопки» и поняли, что даже мы не готовы второй раз это сделать. Очень сложно. Тяжелая неблагодарная работа.

Бухгалтерия жестко зарегламентирована. Там работают очень странные люди. Они не плохие и не хорошие, они своеобразные, заточенные под определенные вещи. Пытаться из бухгалтерии сделать сервис, а потом еще объяснить бухгалтеру, что часть работы будет делать робот или нейронная сеть… Бухгалтер это воспринимает как вторжение в свое личное рабочее пространство. Типичная реакция: «Нет, мы лучше, чем ваш робот, знаем, как делать банковскую проводку». Иногда приходилось прямо-таки заставлять использовать эти технологии. Потому что за ними будущее, как бы банально это ни звучало.

Часто задают вопрос: почему вы вообще стали писать роботов, нейронные сети, распознавание? У нас не было изначально такой задачи. Мы обслуживали предпринимателей с помощью бухгалтерских рук. В какой-то момент число ошибок бухгалтеров стало очень большим. Мы пробовали разные подходы: правильное отношение к ошибкам, «бирюзовая компания»… В итоге стало понятно, что не ошибаться может только «нечеловек».

Сколько сейчас клиентов у «Кнопки»? Какие планы роста?

У нас полторы тысячи активно работающих клиентов. Раньше мы планировали инвестировать в увеличение клиентской базы. Сейчас хотим двигаться в сторону продажи технологий.

Из-за проблем с масштабированием бизнеса?

Благодаря тому, что мы создали методики бухгалтерского и юридического сопровождения, мы можем масштабироваться без особого увеличения штата. После ошибок это была вторая причина придумать технологии автоматизации. Мы просчитали бизнес-модель и поняли, что можем нанять хоть тысячу бухгалтеров. Даже при таких объемах модель будет работать и приносить прибыль. Но тысяча бухгалтеров? Это зомби-апокалипсис! Поэтому мы стали думать, как, не увеличивая количества сотрудников, обслуживать больше клиентов. Еще один путь — самим использовать аутсорсинг. За счет того, что мы очень хорошо знаем бухпроцесс, мы знаем каждый кирпичик и умеем некоторые из этих кирпичиков отдавать на аутсорс. Это тоже позволяет хорошо масштабироваться.

Насколько далеко зашла автоматизация? Момент, когда не останется ни одного бухгалтера, а будет несколько инженеров, которые обслуживают серверы, уже появился на горизонте?

Быстро это не произойдет. Существуют ФНС, Росстат и Пенсионный фонд: государственные структуры не будут с разговаривать с бизнесом электронно. Конечно, электронный документооборот появляется. Лидер в этом отношении — налоговая инспекция: в девяти случаях из десяти с ними можно решить вопросы дистанционно. Но остаются 10%, которые пока не решаются. Пенсионный фонд требует личного присутствия. Если возникает проблема, ее можно решить только голосом. Пока структурированного общения с госорганами не получается, перед нами стоит одна из самых сложных инженерных задач — перевод неструктурированной информации в структурированную.

Какие метрики вы используете, как измеряете эффективность своей работы?

Мы фанатики метрик — измеряем вообще все. Мы начали с исследования структуры работы бухгалтера. Мы стали замерять его рабочий процесс, иногда буквально секундомером. Стало понятно, что надо на каждый процесс закладывать отдельную метрику. Сколько документов заведено, сколько не заведено, каким клиентам робот отправил расчет налогов, каким нет, скорость ответа: 90% ответили за час, 100% ответили за 18 часов, 50% ответов уложились в 15 минут. Вся «Кнопка» построена на метриках. Это наш фетиш.

Какие из них ключевые? Если тебе надо за минуту понять, хорошо ли работает какое-то подразделение, на что ты смотришь?

Вот такого у нас вообще нет. Как бы странно это ни звучало, к KPI у нас очень негативное отношение. Как только ты ставишь человеку или подразделению KPI, они фанатично начинают их исполнять, фокусируются на их достижении и больше не видят ничего вокруг. Поэтому у нас KPI оценивают не человека, а процесс.

Какие платформы для коллективной работы вы используете?

«1С». Мы используем ее как ядро. «1С» обладает лучшей компетенцией актуализации форм отчетов перед государством. Как только государство меняет внешний вид налоговой декларации, это делает «1С». Это первый и базовый инструмент, как и у всех бухгалтеров России. У нас есть Slack. Это важный коммуникационный инструмент внутри компании. Мы используем Jira и собственное мобильное приложение.

Основной инструмент коммуникаций с клиентом — чат?

Да. Чат, который мы самостоятельно написали.

Клиент пишет в чат, что ему надо что-то сделать, и ваши ребята садятся и делают?

Да.

Насколько эти удаленные коммуникации эффективны, могут ли они заменить живое общение? Много говорят о новых технологиях коммуникаций, видеоконференциях с высоким разрешением. Скажутся ли они на эффективности аутсорсинга?

В нашем бизнесе ничего подобного не нужно. У клиента есть потребность заплатить минимальный налог из всех вариантов, которые ему позволены законом. Для этого нужно проделать определенные простые действия: вовремя подавать документы на льготы, вовремя предоставлять все первичные документы, сдавать выписки, чеки, вторичную документацию. Необходимо показывать клиенту, каких документов не хватает, какова будет сумма налога. Разговаривать с бухгалтером клиенту не нужно.

Чем меньше клиент думает о бухгалтерии, чем меньше он ее видит, чем меньше он вообще о ней задумывается — тем лучше. Поэтому чат интереснее.

Идеальный способ коммуникации — аналог игры «Веселая ферма». Ты включил приложение, у тебя моргает: сюда отправь пару сканов документов, потому что их требует бухгалтер, здесь мигает запрос по увольнению или приему сотрудника, тут тебе загрузили платежки в банк, зайди их подпиши. Это не совсем чат. Чат тоже есть — когда возникают вопросы, которые надо обсудить. Но в целом все сводится к графическому пользовательскому интерфейсу.

Развитие идет в сторону геймификации: человек открыл приложение, собрал золото, построил шахты. Так же можно управлять бизнесом.

«Кнопка» — это стартап?

Скорее нет, чем да. Что такое «стартап»? Компания, которая что-то новое придумывает? Да. Убыточная? Да. Прибыльная? Да. И на те же вопросы можно ответить «нет».

По внутренним ощущениям? Да, мы — стартап. Когда мы задумались о продаже технологий, я снова почувствовал дух авантюризма. Мы опять стартап, потому что мы начали делать что-то новое, вышли на новый рынок с новыми клиентами.

Сколько времени прошло с создания «Кнопки» до выхода на оперативную безубыточность?

Три с половиной, даже четыре года.

Называли цифру 10 млн долл. инвестиций в «Кнопку». Это похоже на правду?

Да. Хотя смотря по какому курсу. По нынешнему — меньше. Но порядок такой.

Мы работаем над тем, чтобы технологии, которые мы отработали внутри «Кнопки», — нейронные сети, роботы и прочие штуки — можно было продавать другим участникам рынка

Есть мнение, что все бухгалтерские сервисы в России собирают крошки со стола «1С». Это так?

По большому счету, да, они зарабатывают как минимум столько же, сколько все остальные участники рынка бухуслуг, вместе взятые.

Но что считать рынком бухуслуг? Если посчитать, сколько платит РЖД своей дочерней компании, которая ведет их бухгалтерию, тогда «1С» — просто один из игроков на этом рынке. Если мы отбрасываем крупные компании и банки, это будет другой разрез.

Если брать сегмент мелких компаний, самозанятых и ИП и убрать верхний слой, где работают зарубежные системы, то на «1С» придется 99% софта, которым пользуются для бухучета. Но они же зарабатывают на лицензиях. А рынок бухуслуг гораздо шире. В том же РЖД работают 8 тыс. бухгалтеров, приплюсуем сюда еще какой-нибудь Магнитогорский металлургический комбинат. Бухуслуги гораздо дороже софта внутри. Поэтому, кто у кого подбирает крошки со стола, не знаю.

Ты знаешь, что происходит с малым и средним бизнесом? Расскажи об этом. Как меняется бизнес твоих клиентов?

Мы не делаем таких наблюдений. Наверно, если я сяду с парой аналитиков и посмотрю на ту информацию, которая у нас есть, я смогу рассказать, что происходит в каждой компании, кто как платит и какие есть тренды.

Точно есть общероссийская тенденция перевода сотрудников в ИП, чтобы снизить налоговую нагрузку. Видно стремление максимально снизить налоги, но при этом оставаться в рамках закона…

Этой тенденции уже три тысячи лет…

Разница в том, что раньше это делали без царя в голове. Некоторые предприниматели говорят: «Я вообще не буду вести бухгалтерский и налоговый учет. Пусть налоговая сама что хочет считает. Выставили претензию, я заплатил». И он ждет, когда его поймают.

Сейчас таких стало меньше. Все прекрасно понимают, что юлить, вилять — дорого. Многие переходят из черной бухгалтерии в белую, и уже пытаются в рамках правового поля придумывать какие-то схемы, патенты, ИП.

Исчезла тема «рисования» документов. Раньше регулярно спрашивали, можем ли мы это сделать. Сейчас этот вопрос даже перестали задавать.

Второй по популярности вопрос был: «Ведете ли вы черную кассу?» Потому что бухгалтер обычно ведет черную кассу. Сейчас такого понятия практически нет. Или совсем нелегальный кеш, или все уже законно. Эта разница стала очень явной: «черное» стало совсем черным, а «белых» стало больше.

Блиц, короткие вопросы, на которые ты можешь отвечать не обязательно коротко. Хороший формат, не я придумал. Agile работает?

Да. Прямо большими буквами — ДА.

Выход на биржу или продажа стратегам?

Первое. Стратегов нет, потому что нет личностей. Мы обдумывали вариант не продавать бизнес полностью, но найти способ взаимодействия со стратегом с вероятным дальнейшим выкупом или что-то еще… Но говорить об этом не с кем. Либо получается такая же токсичная история, как сейчас у Сбербанка с «Яндексом».

Если ты застрянешь в лифте с Нуралиевым, о чем ты с ним поговоришь?

Мы долго будем разговаривать: про технологии, про будущее аутсорсинга и бухгалтерии, куда это все идет. У него свой взгляд на ситуацию в бизнесе, очень интересный. Это человек, которого я по всем параметрам уважаю. Мне было бы интересно застрять с ним в лифте на подольше. И разговаривали уже не раз, и есть еще много о чем поговорить.

Большие данные перестали писать с заглавных букв, волна ажиотажного интереса к этой теме спадает. В «сухом остатке» остаются конкретные бизнес-задачи по организации работы с данными в компании и множество связанных с ними вопросов. Своим пониманием роли директора по данным и рекомендациями по выстраиванию работы исследователей поделился Виктор Кантор, консультант и эксперт по машинному обучению.

- Действительно ли российским компаниям требуются директора по данным (Chief Data Officer, CDO) или обсуждение CDO — лишь дань моде?

Многие вещи, приходя в нашу жизнь, сначала являются данью моде, но постепенно обретают больше смысла. Пока у всех разное понимание того, что должен уметь и делать CDO. Кто-то, называя себя так, фактически выполняет работу главного исследователя данных CDS (Chief Data Scientist). Кто-то считает, что CDO не должен быть исследователем данных, а должен думать о том, какие данные компании следует собирать, хранить и использовать и каким образом. Еще одна популярная точка зрения: CDO должен уметь смотреть на данные с позиции бизнеса. В моем представлении CDO отвечает за все, что касается сбора данных и извлечения из них пользы для бизнеса, а значит, должен разбираться и в аналитике, и в инфраструктуре, и в бизнесе.

- Нужна ли отдельная должность CDO или его функции может выполнять директор информационной службы либо директор по цифровизации (Chief Digital Officer)?

Должна ли быть эта функция отдельной или ее можно доверить кому-то из топ-менеджеров, зависит от того, какие люди работают в компании. Если у сотрудника достаточно компетенций, чтобы справляться с задачами CDO — как в плане технических навыков, так и в организации своего рабочего времени, то не вижу проблемы в совмещении. Но и отдельная должность может быть вполне оправданной.

- Из каких специалистов можно вырастить CDO? Какие для этой должности требуются специфические знания и навыки?

Вырастить директора по данным можно из бизнес-специалиста, из аналитика или инженера, но при этом нужно трезво оценивать его реальные компетенции. Если человек пришел из инженеров и не вполне понимает бизнес или пришел из бизнеса и не знает, что в аналитике действительно возможно, а что — просто фантазии, то, будучи на позиции CDO, он своими решениями может навредить компании.

- Как правильно организовать работу с данными? Зачем выделять в структуре компании подразделение data science? Не эффективнее ли будут распределенные команды специалистов по данным?

Распределенная команда или одно подразделение — это вопрос вкусов и сопоставления плюсов и минусов каждого варианта с целями компании. В одном подразделении, как правило, более налажены такие вещи, как экспертиза, контроль качества работы, повторное использование результатов, но менее — плотное взаимодействие со смежниками. В команде, распределенной по отделам или по продуктам, общение со смежниками более активное и эффективное, но контроль качества, обмен опытом и развитие экспертизы остаются в каждой маленькой части команды, если не предпринимать дополнительных усилий. Бывает даже так, что команды независимо решают одну и ту же задачу, вместо того чтобы объединить усилия и воспользоваться результатами работы друг друга.

Для решения этой проблемы можно организовать различные мероприятия, принимать общие для всех аналитиков регламенты. Но когда у людей ближайший общий начальник — например, генеральный директор, рабочее взаимодействие несколько осложнено. Можно выделить кого-то, кто будет отвечать за всю работу с данными при том, что сама команда распределенная, но тогда у руководителей подразделений data science будет сразу по два начальника, а это тоже непростая ситуация, хотя и привычная для многих (в корпоративном мире никого не удивишь и тремя начальниками, указания которых постоянно противоречат друг другу). Все сводится к тому, что люди, которые сидят в офисе порознь, общаются меньше. Так что выбирайте, с кем ваш исследователь данных должен общаться меньше — с коллегами или со смежниками.

Я бы рекомендовал сначала сконцентрировать компетенции по data science в одном отделе. Этот отдел может работать с другими подразделениями как с заказчиками, решая для них задачи, и постепенно формировать список проектов. Как только проекты будут собираться в большие направления, для работы над этими направлениями в DS-отделе можно выделить группы. Когда их сотрудники и руководители будут готовы, а задач будет у всех много, можно подумать о распределении команды по отделам, но если компания не очень большая, то это совсем не обязательно. Конечно, если в организации работают 10 тыс. человек в нескольких бизнес-подразделениях и треть этих сотрудников имеют отношение к проектам по анализу данных, возможно, лучше завести несколько отделов data science. Но в небольшом стартапе не надо множить сущности. Так что выбирайте золотую середину — сравнивайте плюсы и минусы и принимайте решение.

Как построить эффективное подразделение data science в условиях дефицита опытных специалистов?

В условиях нехватки высококвалифицированных кадров я бы рекомендовал инвестировать в перспективных молодых сотрудников.

Мой рецепт состоит из нескольких пунктов. Во-первых, нанять одного-двух узнаваемых и компетентных специалистов в качестве руководителя подразделения или эксперта, чтобы вокруг этих людей собиралась команда. Во-вторых, привлечь в команду уже проявивших себя сотрудников младшего и среднего уровня — например, из топовых выпускников образовательных проектов. Далее надо сделать все, чтобы членам команды было комфортно, нравилась рабочая атмосфера, окружение и задачи. Это обеспечит их лояльность компании и желание продолжать работать. Наконец, не препятствовать их карьерному росту.

Последнее очень важно. Если вы осознанно инвестируете в перспективных сотрудников и они быстро развиваются, оправдывая эти инвестиции, то самое нелогичное и непоследовательное — отказывать им в повышении. К сожалению, так происходит почти всегда и везде. Но если человек повысил свой профессиональный уровень и понимает это, то повышение он все равно получит — не в вашей компании, так в другой. А нового сотрудника вы найдете не сразу и будете платить ему больше, чем старому. Так что, инвестируя в амбициозных и перспективных, важно сразу понимать, что вас ждет, и быть последовательными.

Конечно, необходимо уяснить, кому в компании нужно эффективное применение data science. Если только руководителю этого подразделения, то в общем-то без разницы, как строить команду. Очень опасная тенденция последних лет — создавать отделы data science, руководствуясь соображением: «Нам нужно машинное обучение, нам нужен анализ данных — сделайте его нам». И содержательно уже не важно, что там будет, главное — чтобы «у нас было машинное обучение». В первую очередь следует разобраться, нужно ли компании подразделение data science и зачем, обрисовать круг его задач, выяснить, чем это может быть полезно бизнесу и до какой степени.

По способности собирать огромные объемы самых разнообразных данных о своих клиентах мало кто может соперничать с мобильными операторами. Анализом данных они наверняка занимались всегда. Однако лишь недавний всплеск интереса к подходам, связанным с большими данными, искусственным интеллектом и машинным обучением, сделал их попытки работы с клиентами более успешными и результативными.

«Мы сами не сразу поняли, чего в реальности можем добиться, пока не начали всерьез копаться в имеющихся данных, пытаясь получить новые знания о своих клиентах», — признает Леонид Ткаченко, директор департамента Big Data МТС. Очень быстро выяснилось, что возможности мобильного оператора действительно очень велики. В компании с легкостью способны видеть, даже кто с кем живет, причем не только среди собственных абонентов.

Проекту Big Data в МТС недавно исполнилось три года. Сначала команда проекта состояла из 20 сотрудников, сейчас же в ней насчитывается 250 опытных экспертов, а чистый экономический эффект за время ее существования составляет 3,5 млрд руб. Оказалось, что накопленные оператором данные действительно могут быть полезными, и эту пользу вполне получается извлечь.

Стратегия работы с большими данными в МТС неизменна на протяжении всего времени и включает в себя три ключевых пункта. Первое направление — это сбор и приумножение знаний о своих клиентах. Второй элемент, гораздо более сложный, — обеспечение доступа к данным для всех сотрудников. Требуется в буквальном смысле положить необходимые данные  сотрудникам на рабочий стол и дать им возможность зарабатывать для компании деньги. Наконец, надо пытаться создавать на основе данных новые бизнесы, не имеющие отношения к основному — телекоммуникационному.

«Говоря о приумножении знаний о клиентах, мы считаем конечной целью создание в наших ИТ-системах цифрового двойника абонента. Мы пытаемся получить всю законную информацию о нем, даже не понимая, как будем ее использовать и пригодится ли она вообще», — говорит Ткаченко. Стоимость хранения сейчас настолько невелика, что в хранилища данных попадает все, до чего компания может дотянуться. Источников, из которых черпается информация, очень много. К ним относятся как внутренние источники — биллинг и «кликстрим» (виртуальный след, который пользователь оставляет во время нахождения в Интернете), так и внешние источники, включая социальные сети и всевозможные справочники.

«К концу 2020 года мы планируем охватить все возможные источники и агрегировать их в нашем озере данных. К тому времени знания о клиентах станут максимально полными», — продолжает Ткаченко. Когда проект начинался, объем полезных данных об абонентах составлял около 100 Тбайт — ничтожно мало по нынешним меркам. Сейчас данных более 1,5 Пбайт. В ближайший год в хранилище поступит еще 4 Пбайт данных.

«В начале проекта сведения о каждом абоненте включали примерно 1 тыс. метрик, начиная с базовых и заканчивая сложными, моделируемыми: профессия, место работы, наличие домашних животных. Сейчас их около 2 тыс., через год будет 3,5 тыс., а в принципе, мы видим возможность собрать 5 тыс. метрик по каждому клиенту», — говорит Ткаченко. Сейчас клиентские данные в системах обновляются раз в день, и в компании хотят добиться того, чтобы все данные, которые важно иметь в реальном времени, были максимально к нему приближены.

Для обеспечения доступа к данным используется решение Teradata Alation. По сути, это поисковая система поверх хранилища данных. Бизнес-пользователь может ввести в нее любой запрос, и она подскажет, какого вида метрики и данные об абонентах есть в системах, где они находятся и какова их актуальность.

За время работы подразделение Big Data успело реализовать достаточно много проектов, но три из них хотелось бы отметить особо. Это автоматическое вычисление индекса NPS, психотипирование абонентской базы и оптимизация работы персонала в розничных магазинах.

Промоутеры и критики

Индекс потребительской лояльности (Net Promoter Score, NPS), который вычисляют исходя из соотношения выявленных лояльных и недовольных клиентов (соответственно промоутеров и критиков), до сих пор остается ключевым показателем практически для любой компании. В той или иной степени его используют все, определяя с помощью прямого опроса клиентов. Этот индекс действительно важен: опыт показывает, что он сильно связан с оттоком клиентов. Однако качество проводимой оценки (ответы не всегда правдивы) и стоимость этого процесса вызывают вопросы.

«Многие компании занимаются вычислением NPS в попытках понять, насколько довольны их клиенты. Можно констатировать, что работа эта крайне дорогостоящая. К тому же по результатам выборочных опросов остается неясным, кто именно из абонентской базы лоялен, а кто является критиком», — говорит Ткаченко. В МТС создали модель, с помощью которой автоматически в любую секунду можно рассчитать лояльность каждого из 60 млн абонентов с точностью 70–80%. По итогам проекта компании удалось выявить 3,5 млн критиков из московской базы абонентов, а проведенный кластерный анализ позволил выделить 15 их профилей. С точки зрения бизнеса — это 15 видов «болезней» клиентов, которые можно лечить.

Одну из самых больших групп объединяло то, что люди, ее составляющие, часто ездят по России, тарифицируются во внутрисетевом роуминге и плохо представляют себе стоимость услуг. Эти абоненты были недовольны списанными средствами, постоянно звонили в контакт-центр и интересовались остатком. Очевидно, им нужна большая информированность. Вторая группа, получившая название «небольшой пакет», — это люди, систематически выходящие за ограничения своего тарифа и расстроенные дополнительными списаниями средств. Здесь решение тоже очевидно: предложить им чуть больший пакет услуг по цене чуть выше (или даже прежней) — и эти клиенты перестанут быть несчастными. К сожалению, далеко не все проблемы могут быть решены столь простыми действиями.

Психотипы и геолокация

Еще один интересный проект, предпринятый МТС с целью оптимизации маркетинговых акций, — психотипирование абонентов на основе их поведения. Идея состояла в том, чтобы дифференцировать коммуникации с каждым из абонентов. Возможностей для этого традиционно не хватало. Ведь даже в Интернете при показе контекстной рекламы баннер демонстрируется хоть и не всем подряд, но один и тот же, а реакция на него не всегда будет желаемой. «Мы решили провести сегментирование клиентов и интегрировать его во все каналы — SMS, почту, мобильное приложение. Даже в контакт-центре автоответчик может разговаривать с клиентом по-разному», — рассказывает Ткаченко. У компании имелись обучающие выборки, и поэтому без особых проблем удалось разметить всю абонентскую базу по методологии Big Five.

Третий проект связан с геопозиционированием — это то, в чем мобильному оператору не может быть равных. В прошлом году МТС купила два портала по продаже билетов на развлекательные мероприятия — Ticketland и «Пономиналу». Вполне естественной стала попытка на основе информации об абонентах повысить продажи билетов. «Это действительно неплохо получается, потому что мы прекрасно знаем, на какие мероприятия ходил человек», — констатирует Ткаченко. В результате произошел значимый рост коэффициента кликабельности (click-through rate, CTR) — от 4 до 10% людей реагируют на сообщения о мероприятиях, подобранные специально с учетом их интересов.

Сколько человек нужно, чтобы закрыть магазин?

Не менее интересен проект из категории Workforce Management по управлению графиками работы сотрудников Русской телефонной компании — «дочки», управляющей монобрендовой розничной сетью МТС. Справедливости ради следует отметить, что данная задача не совсем вписывается в проекты департамента Big Data, однако лишь у данного подразделения существует хранилище такого размера, в котором возможно собрать и обработать детальнейшие данные об операциях из 6 тыс. салонов МТС, где работают 30 тыс. сотрудников. У каждого из офисов есть начальник, который на глазок определял, когда и сколько людей должны работать. Идея состояла в том, чтобы математически обосновать необходимость наличия в магазине определенного количества людей.

На основе данных о товарообороте за предыдущий год удалось составить двухнедельный прогноз продаж в каждом магазине: сколько будет осуществлено транзакций каждого типа с точностью до 15 минут. Фактически появилась модель спроса, и стало возможным оптимально распределить сотрудников.

Интересной находкой оказалось изменение регламента открытия и закрытия магазинов. Традиционно служба безопасности требовала, чтобы магазины открывались и закрывались двумя сотрудниками. Однако собранные данные показали, что во многих случаях в начале и конце рабочего дня операций настолько мало, что второй человек оказывается ненужным, да и правонарушений в отношении сотрудников во время этой «зоны риска» также немного. Двукратное сокращение числа работников, занятых в эти часы, дало огромный экономический эффект: удалось снизить затраты на ФОТ на 10%. Что немаловажно, при этом не произошло оттока персонала (судя по всему, работа в утренние и вечерние часы радовала далеко не всех) и даже несколько возросли продажи.