Статьи

Розничная группа Inventive Retail Group‚ объединяющая сети специализированных магазинов цифровой электроники, детских и спортивных товаров, внедрила систему Wi-Fi-аналитики компании «НПО Аналитика», которая позволяет зафиксировать перемещение пользователей и успешность онлайн-рекламы.

Мария Голенкова: «Wi-Fi-аналитика действительно позволила в режиме реального времени проанализировать поведение посетителей магазинов и фактически измерить, насколько эффективна на самом деле реклама в Интернете»

Систему ретейлер в первый раз протестировал в 2017 году: в нескольких магазинах были установлены специальные сенсоры, отслеживающие перемещение пользователей со смартфонами с включенным Wi-Fi. В Inventive Retail Group хотели понять пути перемещения клиента между разными каналами продаж и оценить эффективность медийной онлайн-рекламы. Благодаря эксперименту компания сумела отследить пересечение трафика между магазинами одного бренда, между брендами самой компании, между разными торговыми центрами и автоматически собрать ряд важных показателей, таких как трафик галереи и процент захвата трафика магазином. На базе собранных данных она настроила рекламные онлайн-кампании и отследила посещение пользователями офлайн-магазинов (online-to-offline conversion). Затем опробовала использование отделом аренды данных с сенсоров как для общения с арендодателями, так и для планирования открытия новых магазинов – на основе информации о посещениях других торговых центров теми, кто был в магазинах.

Сенсоры передавали данные в облако, а ретейлер получал доступ к информации о состоянии потоков посетителей в магазинах в режиме реального времени с помощью интуитивно понятных дэшбордов. Информация была агрегированной и анонимизированной, персональные данные, как утверждают в компании, не собирались. Аналитическая платформа вырабатывала автоматические рекомендации по улучшению бизнес-процесса.

«Wi-Fi-аналитика действительно помогла в режиме реального времени проанализировать поведение посетителей магазинов и фактически измерить, насколько эффективна на самом деле реклама в Интернете», – отмечает директор по маркетингу Inventive Retail Group Мария Голенкова. Примененные технологии вкупе с платформами для таргетирования онлайн-рекламы позволили нацелить такую рекламу на любые категории посетителей отдельных магазинов. Так, во время некоторых рекламных кампаний посещаемость магазинов (конверсия витрины) теми, кто видел рекламу, повысилась в разы по сравнению со средним показателем, что теперь позволяет прямо во время проведения рекламной кампании оставить только те группы, в которых клиенты из онлайн приходят в офлайн.

Однако в работе возникли и определенные сложности. Например, как признает Голенкова, на установку сенсоров в магазинах требуется определенное время и иногда нужна дополнительная координация между отделами компании. Не все онлайн-партнеры хотят делиться данными для оценки посещения офлайн-магазинов – компания работает с теми, кто готов к этому. Главная же проблема – это отсутствие легальных методов получения информации о связке хэшированных МАС-адресов смартфонов посетителей магазинов, которые фиксируются сенсорами, и мобильных телефонов клиентов в CRM-компании.

«Надеемся, что со временем найдется решение и мы сможем полноценно видеть весь путь клиента до и после покупки в разных каналах, так называемый customer journey. Запуск мобильного приложения в будущем помог бы частично решить эту задачу», – говорит Голенкова.

На данный же момент группа способна обогатить CRM-систему, накапливая новую информацию о тех, кто уже зарегистрирован в программе лояльности. Существует несколько возможных применений этого механизма – например, гиперлокальная коммуникация или глубокий анализ того, как себя ведут лояльные покупатели, каково пересечение аудиторий различных брендов. Система показывает не только то, как и когда покупают в магазинах, но и когда этого не делают даже находясь какое-то время в магазине.

Компания на регулярной основе работает с двумя новыми метриками. Первая – это захват трафика. Аналитики смотрят, как он меняется в брендах и магазинах в зависимости от маркетинговых инициатив, переоформления витрин и пр. Вторая метрика – посещаемость офлайн-магазинов теми, кто видел онлайн-рекламу. «Раньше не было возможности говорить об этом показателе из-за отсутствия инструментов замера, поэтому считалось, что медийная реклама работает в первую очередь на бренд и генерацию спроса. Оказалось, что посещаемость традиционных магазинов зависит от посещаемости сайтов», – признает Голенкова. По ряду сегментов в онлайн-кампаниях O2O-конверсия (online-to-offline) составила 3,8%. Захват трафика (capture rate) теми, кто видел рекламу, из общего потока, прошедшего мимо магазинов в галерее торгового центра в период рекламной кампании, в сравнении с просто общим потоком был по ряду сегментов выше в два-три раза.

В мае 2018 года компания от тестирования перешла к повсеместному внедрению технологии. Теперь сенсоры установлены не в отдельных магазинах, а во всех охваченных проектами магазинах Москвы и Санкт-Петербурга. Есть сенсоры и в Сочи. Всего Inventive Retail Group оборудовала 94 магазина. Это проекты re:Store, Lego, Nike, Street Beat, Street Beat Sport, UNOde50. В случае успешной реализации этого эксперимента компания планирует подключить к нему и другие проекты и надеется, что благодаря этому оценка эффективности онлайн-кампании станет еще более объективной, поскольку увеличение числа оборудованных объектов дает комплексную картинку продаж.

Меняются технические характеристики автомобилей, способы использования и обслуживания транспортных средств, а программные системы на основе искусственного интеллекта позволяют изменить и сам процесс купли-продажи железных коней. Компания CarPrice предлагает сервис оперативной продажи автомобиля по текущей реальной рыночной цене, складывающейся в ходе аукциона с участием десятков тысяч дилерских центров со всей страны. Юрий Буйлов, руководитель отдела разработки компании, рассказал о применении машинного обучения в информационной системе поддержки автомобильного аукциона и сопутствующих сервисах.

На практической конференции «Технологии машинного обучения 2018», которую издательство «Открытые системы» проведет 25 сентября, он раскроет свои секреты использования нейронных сетей и расскажет о том, какие преимущества в работе дают дилерским центрам и продавцам автомобилей сервисы на базе глубинного обучения.

- В каком направлении идет развитие CarPrice и какую роль будут играть инновационные технологии в достижении поставленных целей?

Юрий Буйлов, руководитель отдела разработки компании CarPrice

CarPrice находится на стыке онлайн- и офлайн-сервисов: автовладельцы приезжают в наши пункты обслуживания, там при помощи мобильного приложения осуществляется осмотр их автомобилей, после чего виртуальный образ машины выставляется на площадке онлайн-аукциона, где в реальном времени проходят торги за лот дилеров со всей страны (до 2 тыс. человек ежедневно). Ясно, что для развития бизнеса и повышения качества клиентского сервиса компания находится в состоянии непрерывной цифровой трансформации.

Ежедневно через сервисы онлайн-аукциона проходит огромный массив данных: порядка 500 характеристик состояния каждого автомобиля, сведения о его владельце (возраст, уровень доходов, местоположение и пр.). Регулярная аналитика данных и машинное обучение – неотъемлемая часть всех бизнес-процессов компании, позволяющие провести максимально подробный осмотр и определить точную рыночную стоимость каждого автомобиля.

- Как меняется вторичный автомобильный рынок под влиянием инноваций?

Рынок становится более цивилизованным и прозрачным. Практически вся информация по автомобилям оперативно оцифровывается: история владения и обслуживания, пробег, участие в ДТП, ремонты и т. п. Налаживается обмен этой информацией между сервисами, дилерами и вендорами, что открывает новые возможности как для продавцов, так и для покупателей.

- Чего ожидают клиенты? Какие технологии помогают выявить и удовлетворить их потребности?

Исторически основным фактором при продаже авто была цена, но сегодня потребности клиентов меняются, все больше внимания обращается на комфорт, безопасность. Существенную роль играет и оперативность продажи, особенно в мегаполисах. Для построения моделей машинного обучения мы научились использовать накопленные данные по уже проведенным аукционам, аналитику рынка и запросы дилеров и поэтому можем максимально быстро предложить рыночную цену автомобиля независимо от времени суток, дня недели или текущей активности дилеров.

- Какие новые технологии применяются в сервисах покупки и продажи автомобилей?

Системы машинного обучения позволяют во время осмотра выдать список типичных повреждений, характерных для автомобиля конкретной модели и возраста. Благодаря этому минимизируются риски, связанные с качеством предпродажной экспертизы.

- Для чего используются нейронные сети?

В первую очередь мы нацелены на решение внутренних задач компании – например, предсказание динамики ликвидности автомобилей по маркам и моделям исходя из индексов цен. Система работает и по внешним задачам: мы стремимся предложить нашим клиентам-продавцам максимальную стоимость автомобиля, а покупателям-дилерам – автомобили, профильные для их бизнеса.

- Каковы особенности использования нейронных сетей в современных программно-аппаратных конфигурациях?

Сейчас в современных системах широко распространены микросервисные архитектуры, что дает свободу применения различных технологий, языков программирования и баз данных, упрощает масштабирование и развертывание ПО. Однако неоднородность данных, вариативность форматов и скорость изменения усложняют сбор и подготовку данных для машинного обучения. Кроме того, возникают сложности при перестройке уже обученной модели, если она начинает выдавать плохие результаты.

- Какие преимущества получают продавцы, дилерские центры и клиенты от работы с сервисами на базе глубинного обучения?

Автовладелец-продавец – скорость, комфорт и выгодную цену. Покупатель-дилер – юридическую защищенность, гарантию качества и прогноз развития собственного бизнеса. Сегодня, кстати, мы готовим к запуску новый проект, предоставляющий расширенную аналитику для понимания рыночной ситуации, динамики ликвидности автомобиля конкретной модели с прогнозом на два года. Это может быть полезно не только дилерам, лизинговым и страховым компаниям, но и частным клиентам.

- О чем вы собираетесь рассказать участникам конференции «Технологии машинного обучения – 2018» и о чем сами хотели бы услышать?

Считается, что внедрение технологий машинного обучения – достаточно дорогое удовольствие ввиду требований к инфраструктуре и квалификации кадров, а потому доступно только крупным ИТ-компаниям. Но это не всегда так. Возможности собственных разработок, а также опыт других компаний позволяют сегодня сформулировать задачи для машинного обучения и решить их с минимальными затратами. Поэтому возможность обменяться опытом практического применения технологий машинного обучения – одна из основных причин участвовать в данной конференции.

Какие прикладные задачи крупные торговые сети научились решать с помощью машинного обучения? Валерий Бабушкин, начальник управления развития данных X5 Retail Group, руководитель группы аналитики компании «Яндекс» и приглашенный преподаватель НИУ «Высшая школа экономики», рассказал об этом журналу «Директор информационной службы» (CIO.ru). Больше по этой теме можно будет узнать из его доклада на практической конференции «Технологии машинного обучения 2018» (организатор «Открытые системы», Москва, 25 сентября 2018 год).

- Что заставляет ретейлеров браться за технологии машинного обучения?

Когда есть огромный бизнес с оборотом 1,6 трлн руб. (оценка на 2018 год), свыше 250 тыс. сотрудников, более 13 тыс. магазинов (на 30 июня 2018 года. – Прим. ред.), очень остро встает вопрос оптимизации. Даже 0,5% от такого оборота превращается в дополнительные 8 млрд руб. в год. В следующем году вырастаем еще на 20%, и тогда добавка составит 10 млрд руб. А если можно оптимизировать 1%? А 2%?

Машинное обучение непосредственно решает задачи оптимизации. Например, мы ищем минимум функции потерь. Возможно, это звучит немного пугающе, но фактически речь идет о простой аппроксимации какой-то функции.

Математический аппарат машинного обучения не нов, линейной регрессии более ста лет, а первая статья о нейронных сетях и персептроне написана Фрэнком Розенблаттом еще в 1960-х годах.

- Но обучать нейросети на бизнес-данных начали не так уж давно...

Валерий Бабушкин: «Нет никакого искусственного интеллекта, если не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть математические алгоритмы решения строго определенных прикладных задач»

Нейросети – одна из областей машинного обучения. С их помощью решают прикладные задачи, связанные с видео, аудио и текстами. Нейросети работают лучше, чем классические методы, а что касается качества задач видео и аудио – на порядок лучше, чем все, что было до них.

Это уже не первая «весна» нейронных сетей, а третья. Предыдущий расцвет был в 1980-х годах, а первый – в 1960-х, когда многослойный персептрон должен был находить на фотографиях грузовики и танки. С чем связан их ренессанс? Наконец появились достаточные мощности, чтобы их использовать, и достаточное количество размеченных данных. Но энтузиасты занимались нейросетями и раньше. Сегодня же это стало более распространено благодаря тому, что в глобальном мире новую информацию можно получать практически мгновенно.

- Но в первую и вторую волну это были всего лишь интересные эксперименты, а теперь нейросети обещает стать базовой технологией для любого бизнеса.

Да, это стало доступно, потому что сейчас мощный компьютер – это смешные деньги для крупной компании.

- Какие задачи торговые сети уже решают с помощью искусственного интеллекта и почему именно эти задачи?

«Искусственный интеллект» – термин модный, но некорректный. Нет никакого искусственного интеллекта, если, конечно, не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть некие математические алгоритмы решения строго определенных прикладных задач – если задать условия и предоставить данные, на которых они смогут «учиться». Да, применяя заранее заданные правила, они сами обнаруживают закономерности и, условно, их «выучивают». Но нет искусственного интеллекта, который самообучается, это очень большое преувеличение.

- Так какие именно задачи решаете вы?

Мы должны предсказывать на месяц вперед, какой будет спрос на каждый из 8 тыс. товаров в каждом из 13 тыс. магазинов – 104 млн прогнозов. Нам нужно понять, как правильно проводить промоакции, как товары влияют друг на друга, когда продажи одного товара растут в ущерб продажам другого, похожего, и т. д.

Еще одна задача – оптимизация ремонтов. В каждом магазине стоят холодильники с датчиками. Холодильники обычно не ломаются внезапно, процесс деградации можно отследить и построить модель, которая на основании поступающих с датчиков данных будет подсказывать, какой холодильник вскоре выйдет из строя. Это позволит отремонтировать его заранее и заодно выбрать оптимальный маршрут для ремонтной бригады.

Следующая задача связана с размещением товаров на полке. В магазин привозят не только те 50 пачек сока, которые помещаются на полку, а больше. Когда товар на полке заканчивается, клиент проходит мимо, хотя на складе товар есть. Но можно поставить камеру, которая будет определять количество товара на полке и, когда его остается мало, сигнализировать о необходимости пополнить полку. Это задача компьютерного зрения, и в решении используются уже упомянутые нейросети.

Кроме того, планируем решать классическую задачу HR-аналитики, которая стоит перед всеми компаниями, где много людей и большая текучка. Когда человек увольняется – это всегда расходы, и чем больше компания, тем больше затрат. Поэтому все стремятся снизить текучку. Если человек увольняется, значит, его что-то не устраивает. Если он увольняется спустя два месяца после своего прихода в компанию, значит, при приеме где-то была совершена ошибка. Процесс подбора под конкретные задачи людей, которым долго будет комфортно работать в компании, тоже можно оптимизировать. Эта задача стоит и в других странах, и в других отраслях, и ее можно довольно успешно решать с помощью машинного обучения, помогая миллионам людей найти то место, где им будет комфортно и приятно работать длительное время.

- Под каждую из задач разрабатывается отдельное ИТ-решение или они строятся на одной платформе?

Обычно по методологии Scrum создается кросс-функциональная команда, куда входят разработчики, аналитики, исследователи данных, инженеры по данным, инженеры машинного обучения под руководством «владельца продукта», отвечающего за конечный продукт. Они работают совместно, используя различные языки программирования.

Как создаваемый ими продукт реализуется технологически, зависит от конкретной бизнес-задачи. И задача, где надо получить результат через 8 миллисекунд, очень сильно отличается от задачи, где результат можно получить через две недели. Скажем, предсказывая, каким будет розничный оборот магазина через год, чтобы понимать, стоит ли открывать магазин в конкретной точке или нет, мы можем выдать результат через неделю, но результат нужен максимально точный. А если разрабатывается рекомендательная система для магазина «Перекресток Онлайн», то результат нужен очень быстро, потому что когда человек положил товар в корзину, ему тотчас же надо рекомендовать. Это абсолютно разные платформы и разные реализации.

Поэтому нет единой платформы, но есть единый стек ИТ-инструментов, и на разных частях этого стека строятся конкретные продукты. С точки зрения оргструктуры функция разработки ИТ-продуктов для работы с данными в X5 отдана отдельной дирекции, которая принимает «заказы» от других подразделений.

- Достаточно ли уже накопленного опыта в области машинного обучения для результативного решения перечисленных задач? Или это пока все же экспериментальная площадка?

Всё перечисленное активно работает. Проект с компьютерным зрением – это, скорее, «пилот». Сделать что-то в одном магазине несложно, сложно масштабировать это на 13 тыс. магазинов, это уже инженерная задача. Пока компьютерное зрение охватывает 20-30 магазинов, но, думаю, вскоре станет реальностью для всей сети.

Ну а такие задачи, как предсказание спроса, уже решаются в производственном режиме.

- И можно уже говорить о результатах?

Результат – то, что X5 растет на 20% в год. Влияние отдельных шагов очень сложно вычленить, всё вносит свой вклад. Но мы проводили пилотный проект по моделям лояльности и зафиксировали увеличение трафика на 4%. Это фантастически много!

- Что мешает развивать технологии машинного обучения в ретейле?

Мы занимаемся все-таки не развитием технологий, мы не исследователи. Мы решаем прикладные задачи, характерные для нашей отрасли.

Когда есть много данных из разных источников, возникает проблема интеграции и качества данных. Это самая большая проблема. Особенно если компания проходила через слияния или приобретала другие компании, у которых были свои системы хранения и свои стандарты.

- И как вы ее решаете?

Есть специальные службы. Например, отдел ЕTL (extraction transformation loading) занимается извлечением, трансформацией и загрузкой данных, управление мастер-данных чистит данные, приводит их в божеский вид и тоже загружает. Исходные данные могут быть повреждены, загрязнены, они могут оцифровываться или вноситься вручную с ошибками.

Только в нашей дирекции без малого сорок специалистов пишут скрипты для очистки данных. Это постоянный и трудоемкий процесс, тяжелая работа, она, безусловно, удлиняет сроки реализации любых проектов. Но если у вас нет хороших чистых данных, на этом можно завершать работу: как говорится, «мусор на входе – мусор на выходе».

Какую компанию ни возьми, 80% времени исследователь данных тратит на работу с данными, а не с алгоритмами. И на вопрос «Как улучшить алгоритм?» стандартный ответ такой: «Нужно больше данных».

- О чем вы собираетесь рассказать участникам конференции?

Я с удовольствием расскажу про uplift-модели (модели прогнозирования воздействия), это очень интересная тематика. Представьте, что у нас есть m клиентов и n воздействий, которые мы можем оказать на каждого из них. Например, послать SMS со скидкой на 100, 200 или 300 руб. – уже три воздействия. Мы хотим максимизировать покупки клиента, поэтому прислали ему SMS со скидкой на сыр, и он его купил. Казалось бы, это хорошо. Но если он купил бы его и без SMS, то получается, что мы зря потратили деньги на скидку. Если же он не купил, результат тоже не очень хороший, ведь рассылка SMS десяткам миллионов покупателей – это расходы. Третий вариант: без сообщения он бы не купил, а благодаря сообщению купил – это успех. И четвертый вариант, когда мы послали SMS, а клиент говорит: «Как же вы мне надоели, все время отвлекаете, никогда больше в ваш магазин не приду». Это самый плохой результат.

Проблема в том, что у нас нет параллельных вселенных, в которых мы могли бы одному и тому же человеку прислать SMS и не прислать SMS, чтобы посмотреть, как лучше. Но есть ряд математических методов, которые позволяют такую проблему решать. Как это сделать, я и буду рассказывать.

Растет число предприятий, для которых переход в облако – это не просто развертывание одного-двух приложений в Amazon Web Services, Microsoft Azure и других общедоступных сервисах, а мультиоблачная стратегия, ключевая часть проекта цифровой трансформации, направленного на модернизацию бизнес-процессов.

Мультиоблачная стратегия способна принести существенные преимущества.

Использование облачных сервисов, таких как инфраструктура, платформа и ПО в виде сервиса (IaaS, PaaS, SaaS), в единой гетерогенной архитектуре позволяет уменьшить зависимость от поставщика, объясняют эксперты.

Кроме того, так можно улучшить возможности аварийного восстановления и сопротивляемость потерям данных, облегчить использование систем скидок, помочь компаниям соблюдать законы о личных данных и учитывать геополитические барьеры, а также дать организациям возможность задействовать лучшие инфраструктурные, платформенные и программные сервисы.

Одно из основных преимуществ – оптимизация расходов. Но смысл не в том, что при переходе на мультиоблачную систему вы меньше тратите, а в том, что гораздо лучше управляете рисками.

Мультиоблачность дает больше гибкости и адаптивности, позволяя выбирать лучшие в своем классе технологии и обеспечивая гораздо более надежные механизмы аварийного восстановления. Благодаря отсутствию привязки к поставщику некоторые приложения можно выполнять в частной среде, а другие – в публичной, поддерживая при этом соединение между ними. Провайдеры облачных сервисов располагают необходимыми для этого средствами, поэтому у вас нет необходимости нанимать на работу соответствующих специалистов.

Как и другие масштабные ИТ-проекты, реализация эффективной мультиоблачной стратегии требует наличия специалистов и инструментов определенного профиля, а также согласования с целями бизнеса. Перечислим некоторые рекомендации, относящиеся к этой растущей тенденции, которые дают ИТ-руководители и отраслевые эксперты.

Проведите комплексную оценку

Мультиоблачное развертывание чревато дополнительными сложностями, поэтому от организации требуется глубокое понимание приобретаемых сервисов и предварительная комплексная оценка.

Такая оценка должна включать в себя планирование. Воспользуйтесь какой-либо стандартной схемой освоения облака, содержащей рекомендации по процессам идентификации приложений, выбору облачных провайдеров и типовым задачам, связанным с эксплуатацией сервисов публичного облака. Используя такую схему, обучите персонал, познакомьте его с особенностями архитектуры, сервисами выбранного провайдера, а также с инструментами, которые помогут с внедрением.

При переходе в мультиоблачную среду могут возникнуть риски, нехарактерные для ваших имеющихся приложений и систем. Проверьте наличие таких рисков и выясните, какие механизмы можно задействовать для их снижения. Применяйте инструменты провайдера для контроля безопасности используемых сервисов.

К корпоративной инфраструктуре следует относиться так же, как к исходному коду – в частности, внедрить процедуры обязательного контроля изменений и учета различий между реализациями, применяемыми разными провайдерами.

Вывод сервисов из эксплуатации тоже должен проходить по заранее спланированным обязательным процедурам. Самая важная для организации часть любого приложения или системы – это хранимые и обрабатываемые ими данные. Поэтому необходимо четко понимать, как извлечь данные, хранимые одним провайдером, и перенести в облако другого.

Переформируйте ИТ-службу

В McAfee рекомендуют сформировать для задач облачной инженерии отдельную структуру, которая будет заниматься исключительно доработкой и защитой рабочих нагрузок для облака.

По мере освоения публичных облаков потребуются новые навыки, которых может не быть в традиционном ИТ-отделе – например, будут нужны облачные архитекторы, инженеры по автоматизации и менеджеры по продуктам. Предстоит нанимать, обучать и сертифицировать соответствующих специалистов, а также обеспечивать координацию деятельности «облачного» отдела с задачами бизнеса. Возможно, придется создать «бимодальный» департамент, в котором вся активность, связанная с облаком, будет отделена от обслуживания традиционных ключевых ИТ-сервисов.

Как и во многих средних и крупных компаниях, в McAfee используется гибридная облачная среда, в том числе два публичных облака и собственное частное. Все виды облаков применяются как для взаимодействия с клиентами, так и для внутренних нужд. Компания использует сервисы IaaS и PaaS, предоставляемые облачными провайдерами.

В рамках глобальной стратегии консолидации центров обработки данных в McAfee разделили весь портфель приложений на категории в зависимости от назначения. Выбор приложений для переноса в публичное и частное облако осуществляется по ряду критериев – это перспектива преобразования, возможность перевода на архитектуру микросервисов и возможность миграции без изменений. Учитываются также затраты и особенности приложений.

Проведите полную инвентаризацию корпоративных приложений

Перед тем как приступить к осуществлению мультиоблачной стратегии, хорошо бы провести оценку имеющихся приложений, советуют в GE. При этом нужно проанализировать технологический стек, используемый каждым из них, уровень интеграции с общей экосистемой приложений и, что наиболее важно, пользу, которую приложение приносит бизнесу.

Эти сведения критически важны для планирования общекорпоративных преобразований. На первом этапе следует определиться, от каких приложений стоит отказаться. На следующем – уточнить, у каких приложений есть на рынке аналоги, предоставляемые по принципу SaaS, и выбрать наиболее подходящие для вас.

Остальные приложения станут главными кандидатами на перенос в облако. Сама процедура переноса будет зависеть от пользы, приносимой приложением предприятию. Приложения, которым до конца срока службы осталось год-полтора, желательно перенести в облако без изменений. Те, которые будут служить дольше или считаются обеспечивающими конкурентное преимущество, следует подвергнуть рефакторизации или переписать, чтобы использовать все возможности современных облачных технологий.

Отдайте приоритет интеграции

Если бизнес-приложения клиентов и внутренних пользователей базируются на множестве облачных сервисов, необходимо обеспечить между ними тесную интеграцию.

Для этого потребуются интерфейсы программирования, с помощью которых системы будут взаимодействовать, обеспечивая оптимальное обслуживание пользователей – без прерываний и замедлений. Именно API дают приложениям независимость и возможность одновременно использовать сервисы из различных облаков, как публичных, так и частных.

В компании Benjamin Moore, выпускающей лакокрасочные изделия, развертывают инициативу, которая позволит клиентам заказывать продукцию более удобным образом. В рамках программы используются раздельные облачные сервисы для внутренней обработки данных, а также хостинга клиентского приложения, сайта и прочих систем.

Внутренняя инфраструктура и облачные приложения тесно интегрированы, они формируют решение для B2B-сделок, все компоненты которого слаженно взаимодействуют. В компании считают, что при использовании единственного облака управлять таким решением гораздо труднее, мультиоблачная же стратегия позволяет выбирать оптимальные инфраструктуры для различных приложений в зависимости от их характеристик.

Управляйте доступом и защищайте данные

При использовании множества облачных сервисов, работающих в разных публичных и частных облаках, требуется решить целый ряд проблем безопасности. Одним из факторов надежности защиты являются идентификация и аутентификация пользователей. Для снижения риска компрометации верительных данных при работе с многими облачными провайдерами нужно использовать мультифакторную аутентификацию.

Также необходимо разграничить пользовательские права. В частности, создать набор ролей, охватывающий и задачи, выполняемые совместно, и индивидуальные. При этом придется разобраться, как реализовать единую систему аутентификации с учетом различий при реализации ролевого контроля доступа у разных провайдеров.

Еще одна важная мера – разработка политик доступа к ресурсам и контроль их соблюдения. Облачные провайдеры предлагают различные типы сервисов хранения данных, например виртуальные диски и службы доставки контента, и у каждого из них могут быть свои политики доступа, которые обязательно нужно задействовать для защиты хранимых данных.

Защита данных от несанкционированного доступа – это необходимость. Обеспечить ее можно с помощью шифрования неактивных данных, размещенных у всех ваших провайдеров. Это поможет предотвратить их раскрытие при несанкционированном доступе.

Важно также убедиться в том, что процедуры резервного копирования и восстановления, реализуемые всеми провайдерами, соответствуют требованиям вашей организации. Возможно, эти процедуры придется дополнить собственными механизмами резервирования и восстановления.

Защита данных – важнейший элемент управления мультиоблачной средой. Обеспечение достаточного уровня безопасности данных и других ресурсов является настоятельной необходимостью.

Контролируйте расходы

Один из главных коммерческих аргументов в пользу облака – возможность снизить затраты путем более рационального использования вычислительных ресурсов. Плата за сервисы зависит от реального потребления, а тратиться на покупку и сопровождение многочисленных серверов не нужно.

Тем не менее с мультиоблачной средой легко запутаться в ходе учета расходов. Поэтому необходимо тщательно контролировать затраты на управление мультиоблачными средами, включая кадровые расходы, связанные с административным контролем, интеграцией, расчетами характеристик, а также задачами локализации и устранения проблем и дефектов, могущими оказаться весьма непростыми.

Для снижения таких затрат и улучшения управляемости можно внедрить средства администрирования облака, аналитики и DevOps, предоставляющие интегрированный интерфейс для административного контроля, развертывания, масштабирования, конфигурирования, запуска ресурсов и управления ими.

Используйте микросервисы, нативные сервисы и контейнеры

Провайдеры облаков предлагают ряд сервисных опций, облегчающих перенос данных и рабочих нагрузок в облако, и клиентам следует их использовать по мере возможности.

Например, микросервисы, работающие на оригинальных платформах наподобие Lambda, облегчают масштабирование приложений, повышают их экономическую эффективность, ускоряют разработку и сокращают сроки выпуска на рынок. Использование нативных сервисов, предоставляемых провайдером, обеспечивает более быстрые обновление и масштабирование, чем локальные развертывания.

Однако использование оригинальных функций, предлагаемых провайдером, создает риск привязки, поэтому нужно учитывать, насколько они для вас важны. Невозможно выбрать единую облачную платформу или стратегию, которые будут соответствовать требованиям сразу всех ваших приложений и нагрузок.

В целом мультиоблачная стратегия обеспечивает гибкость и расширение возможностей. Вы не привязаны к единому провайдеру, вам проще внедрять новшества и вести переговоры о расценках. Чтобы в полной мере реализовать преимущества мультиоблачной среды, в том числе переносимость рабочих нагрузок, необходимо принять определенные архитектурные меры – например, развернуть приложения в контейнерах.

– Bob Violino. 7 secrets to a successful multi-cloud strategy. CIO. AUG 7, 2018

Аналитики Gartner гиперконвергенцией называют объединение программно-определяемых инфраструктур на всех уровнях – от сети и вычислительных мощностей до хранения данных и приложений. Таким образом, концепция гиперконвергентности подразумевает уход от привязки к физическим устройствам и создание единого виртуального набора активов, из которого можно получить любые ресурсы по требованию. Преимущество этого подхода состоит в том, что можно использовать существующее оборудование, получая максимум отдачи от вложенных средств.

Из чего состоят гиперконвергентные решения

Будучи поставщиком средств виртуализации, мы сами относительно недавно узнали, что выпускаем гиперконвергентные решения. И все потому, что в состав гиперконвергентной системы входят самые стандартные компоненты: средства виртуализации вычислительных мощностей, распределенное программно-определяемое хранилище данных и сетевые сервисы. Могут быть и другие составляющие, но они уже ложатся на основные элементы, управление которыми сведено в одну точку и происходит значительно проще, чем мы привыкли думать.

В связи с тем, что виртуализация как таковая уже давно стала стандартом де-факто в абсолютном большинстве компаний, ключевым элементом гиперконвергентной системы становится программно-определяемое хранилище данных. Использование единой экосистемы ресурсов с возможностью выделить для решения той или иной задачи процессорную мощность вместе с дисковой емкостью без каких-либо ограничений (кроме реального наличия процессоров и дисков) в корне меняет подход к потреблению ИТ-ресурсов и их экономику.

В архитектуре современного гиперконвергентного решения можно выделить три основных компонента, которые дополняют друг друга и позволяют достичь максимального эффекта при запуске различных бизнес-систем или предоставлении услуг другим компаниям.

• Гипервизор и виртуальные машины

Гипервизоры бывают разными, и в зависимости от потребностей компании можно использовать различные решения. Сегодня существуют проприетарные гипервизоры, такие как Microsoft Hyper-V или VMware vSphere, а также решения с открытым исходным кодом, например KVM с хорошим потенциалом и качественной архитектурой. В недавнем прошлом наша компания приняла решение создать свой собственный гипервизор именно на базе KVM. Тем самым удалось получить прирост производительности и эффективности утилизации ресурсов для целого ряда распространенных задач, а также обеспечить совместимость с open-source-экосистемой KVM.

• Контейнеры приложений

Популярные сегодня контейнеры приложений диктуют свои условия для современных ИТ-сред. Экономичность и эффективность этих миниатюрных систем обеспечивается благодаря тому, что контейнер содержит только необходимые для работы приложения библиотеки и компоненты. Контейнер намного «легче» виртуальной машины, и его удобнее перезапустить – достаточно удалить старый и создать новый. За счет перехода на контейнеры приложений значительно сокращаются сроки разработки и внедрения ПО, но зато возникает потребность во внешнем хранилище данных, так как с контейнером уничтожается вся хранящаяся в нем информация.

• Хранилище данных

Программно-определяемое распределенное хранилище использует диски, установленные в ваших серверах – тех самых, которые работают с нагрузками и поддерживают виртуальные машины. Каждый новый диск встраивается в систему и становится элементом общей инфраструктуры. В связи с ростом популярности контейнеров такие хранилища начинают поддерживать интерфейсы для хранения данных вне зависимости от жизненного цикла контейнеров, которые с этими данными работают. Поскольку распределением данных по разным накопителям и серверам управляет специальное ПО, такие операции, как резервное копирование, осуществляются автоматически, обеспечивая высокую доступность данных, а для расширения емкости достаточно добавить новые диски в уже существующие системы.

Реальная экономия от применения гиперконвергенции

Популярность гиперконвергентных решений продолжает расти: только за 2016 год аналитики зафиксировали рост на 80%, и, по оценкам Gartner, системы нового класса займут около четверти рынка интегрированных систем уже в 2019 году (в 2012 году их доля была практически нулевой).

Такое положение дел неудивительно, потому что гиперконвергентные системы помогают компаниям экономить. Во-первых, по данным HP, само по себе распределенное хранилище позволяет снизить затраты на хранение данных до двух раз. Оценка проводилась вендором с учетом целого спектра статей расходов, связанных с закупкой, обслуживанием и администрированием традиционных систем хранения данных и дисковых массивов по сравнению с распределенным программно-определяемым хранилищем.

Во-вторых, использование контейнеров помогает утилизировать вычислительные ресурсы серверов с большей эффективностью. Особенно ярко эта экономия проявляется, когда речь идет о небольших сервисах, таких как рабочие среды пользователей или веб-элементы. Чем более гранулярной будет нагрузка, тем значительнее окажется эффект.

В-третьих, единая система оркестрации позволяет контролировать работу всех компонентов решения через единую консоль, обеспечивая экономию на ИТ-персонале. То есть управлять всей программно-определяемой экосистемой теперь могут один-два специалиста, тогда как раньше компаниям приходилось нанимать для контроля работы ИТ-систем вдвое больше людей.

Но и это еще не все: гиперконвергентные системы позволяют экономить средства на обеспечение соответствия требованиям регуляторов. С 1 июля в России вступил в силу «закон Яровой», при этом никто не отменял закон «О персональных данных» и другие нормативные акты. Все компании, обслуживающие в том числе европейские рынки, обеспокоены на сегодняшний день требованиями GDPR, выполнить которые без обеспечения высокой доступности данных оказывается просто невозможно.

Работая с гиперконвергентной инфраструктурой, можно не только обеспечить отказоустойчивость и высокую доступность хранилища данных без приобретения дорогостоящих дисковых массивов, но и сэкономить на количестве дисков, используемых для реплик данных. Например, задействуя алгоритмы Erasure Coding, удается обеспечить двойную защиту 1 Тбайт информации с постоянной доступностью, занимая при этом лишь 1,7 Тбайт. То есть затраты на защиту данных снижаются почти вдвое.

Перспективы развития систем

Сегодня происходит постепенное внедрение гиперконвергентных систем, и первыми в этом направлении движутся сервис-провайдеры, для которых критична отдача от каждого ресурса – будь то емкость или процессорная мощность. Одним из плюсов гиперконвергенции для них является возможность создать готовую облачную среду для предоставления заказчикам услуг с высоким уровнем SLA. Фактически можно начать с одной стойки с оборудованием и по мере появления новых заказчиков постепенно масштабировать решение, просто добавляя новые серверы или устанавливая дополнительные диски.

Другой фактор, обеспечивающий развитие гиперконвергентных систем, – это Интернет вещей. Генерируемое огромное количество данных на периферийных устройствах диктует потребность в их хранении, передаче и обработке. Оказалось, что решить эти задачи без использования распределенных хранилищ очень сложно. Поэтому гиперконвергентные решения идеально подходят для обработки и хранения таких больших потоков данных.

Наконец, используя гиперконвергентные системы, сами корпоративные пользователи получают возможность развивать концепцию гибридного облака, объединив свою собственную виртуализированную инфраструктуру и сервисы провайдеров услуг. Единая система оркестрации позволяет достичь тех самых параметров agility и flexibility, о которых уже очень давно говорят аналитики, прогнозируя переход к программно-определяемым решениям практически во всех сферах.

Автор – Алексей Кобец, старший вице-президент по разработке Virtuozzo.

Компании вынуждены становиться все более интеллектуальными, встраивая аналитические инструменты в процессы принятия решений и делая анализ данных неотъемлемой составляющей управления. Во многом в этом и заключается смысл цифровой трансформации. Дмитрий Рубин, директор департамента систем автоматизации ИТ и процессов обслуживания компании Naumen, рассказывает об управленческих проблемах на пути к цифровой трансформации, пользе сервисного подхода в этом процессе и своих взглядах на место искусственного интеллекта в цифровом будущем предприятий.

- Как вы считаете, каковы основные проблемы бизнеса на пути к цифровой трансформации?

Сначала необходимо определиться с самим термином «цифровая трансформация», или «цифровая революция». В моем понимании это переосмысление всех составляющих бизнеса с точки зрения возможностей, предоставляемых современными технологиями. Именно технологии выступают инструментом для достижения целей: оперативно реагировать на запросы рынка, адаптироваться к меняющимся экономическим условиям, минимизировать риски и издержки.

Проблем на пути к цифровым преобразованиям несколько. В первую очередь — нежелание менять привычный уклад. Иногда оно связано со страхом перед новым и неизведанным, иногда – с уверенностью, что можно обойтись без изменений. Но следует понимать, что даже лидеры рынка рискуют потерять позиции, если не будут адаптироваться к новым условиям.

Не менее существенной проблемой является экономическая целесообразность цифрового преобразования. Изменения требуют финансовых вложений, а бизнесу важно понимать, за счет чего он станет больше зарабатывать или меньше тратить. В то время как далеко не каждый проект трансформации имеет четкое экономическое обоснование, подкрепленное статистическими данными. Остается либо прибегнуть к детальному анализу всех составляющих проекта, либо полагаться на веру в лидера. Найти такого лидера от бизнеса со знанием ИТ – задача крайне важная. Зачастую первые лица компаний не имеют достаточных знаний, а ИТ-директору не под силу совершить цифровую трансформацию в одиночку. Решить проблему может диалог между ИТ и бизнесом.

Даже в тех компаниях, где понимают необходимость преобразований, не всегда есть четкий алгоритм действий. Специфика российского рынка такова, что на нем не так много компаний с абсолютно одинаковыми бизнес-процессами. Универсальной схемы цифровой трансформации нет. Важно не бросаться оптимизировать все и сразу, а сконцентрироваться, расставить приоритеты исходя из насущных проблем компании.

- Какова роль ИТ в решении всех этих проблем?

ИТ выступают основным советником бизнеса на пути к трансформации. Именно ИТ нередко демонстрируют эффективность новых технологий на собственном примере, становясь драйвером трансформации в рамках всего бизнеса.

Генеральные директора все больше проявляют интерес к технологиям и преимуществам, которые эти технологии несут бизнесу, а ИТ-директора становятся полноценными партнерами в управлении компанией. При этом ИТ нередко берут на себя обучающие функции для снижения порога входа в цифровую эру для сотрудников, помогая им адаптироваться в новых условиях.

Хорошим примером сотрудничества и передачи опыта ИТ в бизнес является использование идей сервисного подхода и автоматизации процессов взаимодействия сервисных служб на базе единой сервисной цифровой платформы. ITSM-практика доказала свою эффективность в управлении ИТ, а теперь уверенно демонстрирует ее в управлении бизнес-процессами.

- Что может получить бизнес от перехода на сервисную модель и зачем на нее переходить?

Одни из критериев эффективности процессов трансформации – оптимизация процессов, сокращение затрат и повышение удовлетворенности клиентов. Все это можно обеспечить благодаря внедрению сервисного подхода. Доказательством тому служат более 400 успешно реализованных проектов на базе Naumen Service Desk. Так, компания «Новапорт», одна из крупнейших сетей региональных аэропортов России, повысила контроль и качество обслуживания в восьми аэропортах. Благодаря автоматизации процессов сервисного обслуживания удалось на 50% повысить оперативность обработки запросов и на 15% уменьшить количество инцидентов. В дальнейшем решение планируется использовать за рамками ИТ – для автоматизации заявок в Общем центре обслуживания.

Переход на сервисную модель взаимодействия на базе цифровой платформы может быть одним из первых шагов в цифровой трансформации. Многие наши заказчики уже прошли этот путь и развиваются дальше.

- Согласны ли вы с тем, что четвертая технологическая революция строится на машинном обучении и искусственном интеллекте?

Несомненно, триада «люди-процессы-технологии» дополнилась четвертым компонентом – данными. Они служат новым источником знаний для автоматизированных систем и процессов, их использование открывает поистине большие возможности в части оптимизации деятельности компании. Данные являются базисом для систем искусственного интеллекта. Чем данных больше, чем они лучше сегментированы и структурированы, тем большую пользу можно от них получать для решения прикладных задач. В связи с этим позиция директоров по данным (Chief Data Officer, CDO) в компаниях уже нередко становится обязательной наряду с СЕО и СIO.

- Ранее компания Naumen заявила о создании линейки решений Naumen Service Management Intelligent Automation (SMIA) и создании Центра интеллектуальной автоматизации. Чем обусловлено развитие данного направления?

Наша компания является ведущим российским производителем ПО для управления сервисными процессами и объединенными центрами обслуживания. Мы много инвестируем в развитие наших продуктов, и одно из основных направлений инвестиций сейчас – разработка решений на основе технологий больших данных и машинного обучения. В ходе цифровой революции востребованность этих технологий со стороны заказчиков будет неуклонно расти. Именно это стало толчком для создания Центра компетенций по интеллектуальной автоматизации и линейки SMIA. Naumen Service Management Intelligent Automation может внедряться на универсальных платформах для построения решений по автоматизации бизнес-процессов, интеллектуального мониторинга и анализа экосистемы предприятия – Naumen Service&Data Platforms. Сюда входят универсальная платформа для автоматизации бизнес-процессов Naumen Service Management Platform и платформа для построения систем интеллектуального мониторинга и анализа экосистемы предприятия Naumen Data Aggregation Platform.

Уже сейчас у нас есть решения для интеллектуальной классификации, приоритизации и маршрутизации обращений, поступающих от пользователей и клиентов, что позволяет фактически упразднить первую линию обслуживания и сократить как минимум до 20% время на решение запросов.

Алгоритмы предиктивной аналитики позволяют интеллектуально обнаруживать и предотвращать от 30% инцидентов в инфраструктуре еще до их возникновения, благодаря чему снижаются затраты на эксплуатацию оборудования. Интеллектуальные чат-боты, умные базы знаний и системы генерации и распознавания речи предоставляют возможность строить комплексные роботизированные системы эксплуатации и клиентского обслуживания.

Мы также уделяем особое внимание фундаменту интеллектуальных систем – управлению и работе с данными. Технологии искусственного интеллекта призваны кардинально изменить подход к управлению данными. Предприятиям необходимо оптимизировать свои процессы, если они хотят успешно использовать большие данные и средства анализа, чтобы улучшить клиентское восприятие, достичь бизнес-целей, получить конкурентные преимущества и в конечном итоге занять лидирующие позиции на рынке. Мы готовы предоставить для этого гибкие инструменты, помогающие собирать данные, анализировать их и управлять ими.

- Какие отрасли наиболее готовы к использованию технологий искусственного интеллекта?

К ним проявляют интерес отрасли с максимальной конкуренцией, где компании находятся на передовой использования инновационных решений в целях получения конкурентных преимуществ: электронная торговля, финансовый сектор, ИТ и телеком. Не отстает и госсектор – этому способствует принятая программа «Цифровая экономика Российской Федерации на 2017-2030 годы», в которой основное внимание уделяется развитию цифровых технологий, в том числе базирующихся на больших данных, искусственном интеллекте и робототехнике.

Особое место искусственному интеллекту отводится в промышленности. Эксперты прогнозируют, что рынок ИИ в отечественной промышленности к 2021 году достигнет 380 млн долл. Здесь он используется пока в большей степени для увеличения срока службы промышленного оборудования и повышения эффективности его обслуживания.

- Насколько внедрение технологий искусственного интеллекта оправданно экономически и насколько оно организационно сложно?

Технологии на базе искусственного интеллекта призваны заменить человеческий труд, снизить затраты на операционные процессы. С одной стороны, обосновать экономический эффект от внедрения таких технологий довольно просто. С другой, очень многое зависит от базиса внедрения – состояния данных. Из-за этого эффективность внедрения может очень сильно различаться, что подчас дискредитирует и проекты, и саму технологию. Именно поэтому необходимо привлекать компетентных исполнителей, которые смогут организовать правильные процессы работы с данными, отслеживать их качество и полноценность, чтобы в конечном счете получать пользу от внедрения и применения ИИ. Только в этом случае гарантирован возврат инвестиций. Скажу, что все реализованные на сегодня проекты на базе решений Naumen SMIA сопровождались конкретными бизнес-результатами – в частности, снизились затраты на операционные процессы до 50% и выросла скорость принятия решений до 70%.

Конечно, все хотят верить в некую магию и в то, что внедрение технологий на основе ИИ быстро решит их проблемы. Мы видим свою задачу не только в том, чтобы разрабатывать и внедрять технологии, но и в том, чтобы обеспечить эффект от их использования у каждого заказчика.

- По вашим прогнозам, когда ждать массового использования технологий ИИ и машинного обучения?

Технологии ИИ и машинного обучения сейчас переживают настоящий информационный бум. Ожидания от них, как и от любых инновационных решений, могут быть весьма завышены на первоначальном этапе. Следует понимать, что результаты сильно зависят от ИТ-зрелости компании, базиса данных, формулировки целей и, конечно же, компетенций исполнителей. В ближайшие два года мы будем наблюдать рост количества проектов по внедрению искусственного интеллекта. Как прогнозируют в IDC, к 2019 году примерно 40% проектов цифровой трансформации, реализуемых в компаниях, будут использовать ИИ-сервисы. Через три года искусственный интеллект станет реальным инструментом для решения практических задач. Мы стремимся работать на опережение, развивая компетенции для выполнения проектов на базе прорывных технологий.

Разработка цифровой стратегии столицы «Умный город – 2030» близка к завершению. Умной Москву призваны сделать не только сквозные технологии и цифровая архитектура, но и новые принципы городского управления. Основные требования к изменению управления городом уже определены.

Стратегия предусматривает шесть основных направлений: человеческий и социальный капитал, городская среда, цифровая мобильность, городская экономика, цифровое правительство, безопасность и экология.

Верхнеуровневыми показателями, которые позволят комплексно оценить развитие Москвы по всем направлениям стратегии, станут качество жизни и качество городской среды. Наборы отраслевых критериев «ума» пока еще продолжают формироваться. Но уже сейчас ясно, что две отрасли будут ключевыми при оценке качества «умной» Москвы: здравоохранение и образование.

По словам главы Департамента информационных технологий Москвы Артема Ермолаева, требуемый для реализации стратегии объем инвестиций в разы превышает возможности московского бюджета, поэтому в правительстве намерены получать кумулятивный результат от цифровизации в кооперации с бизнесом.

Помимо широкого обсуждения цифровой стратегии, стартовавшего в апреле на площадке ict.moscow и охватившего более 20 тыс. экспертов и представителей бизнеса, ДИТ Москвы собрал 27 экспертов на ток-шоу «Умный город: вызовы современности».

В цифровой стратегии выделено восемь ключевых технологий, которые помогут ответить на эти вызовы: беспроводная связь 5G, блокчейн, большие данные, виртуальная и дополненная реальность, Интернет вещей, нейроинтерфейсы, компьютерное 3D-моделирование и 3D-печать.

Основным эффектом от внедрения технологий для горожан участники дискуссии считают экономию времени при различных взаимодействиях с городской средой. «Все технологии, в которых мы видим коммерческий потенциал, связаны с экономией времени», – отметила операционный директор компании «МегаФон» Анна Серебрянникова.

По ее словам, первые сети пятого поколения могут быть развернуты в Москве и городах-миллионниках уже в 2023 году. Самое очевидное применение этой технологии, полагают в «МегаФоне», – телемедицина.

Однако до сих пор крупному бизнесу не удавалось удачно коммерциализировать масштабные проекты в сфере здравоохранения. «Несмотря на то что накопленный объем клинических и генетических данных уже позволяет строить предиктивные модели для медицины, существующей системе обязательного медицинского страхования невыгодно инвестировать в предсказательные подходы, – указал Кирилл Каем, вице-президент “Сколково” по инновациям. – Нет потребителя, готового платить за эти технологии, потому что плечо планирования слишком длинное для плательщика».

Вице-президент НИУ «Высшая школа экономики» Игорь Агамирзян напомнил о важности единых стандартов в различных отраслях для развития «умного города». Он считает, что у Москвы сегодня есть шанс принять непосредственное участие в выработке новых международных стандартов, а не в гармонизации уже существующих. Но для этого нужен человеческий капитал.

По мнению Ольги Свибловой, директора «Мультимедиа арт музея», технологии «умного города» развиваются «отдельными пучками», в отсутствие целостного видения и объединяющей инфраструктуры. Для формирования же такого видения нужны культура и развитие системы дополнительного образования.

Финальную версию цифровой стратегии Москвы, учитывающую принятые авторами проекта замечания, планируется опубликовать в августе 2018 года.

Большинство глав ИТ-служб балансируют сегодня между руководством трансформацией и инновациями и выполнением функциональных требований, которые присущи традиционной роли ИТ-директора. На практике же, как сообщили 87% участников опроса «2018 State of the CIO», они, несмотря на громкие дифирамбы цифровой трансформации, продолжают решать стандартные задачи, связанные с ИТ-операциями.

Вопросы безопасности, бюджетных войн и головная боль, обусловленная недостатками систем и архитектуры, могут отвлечь ИТ-директора от проектов, продвигающих организацию вперед, но ИТ-руководители постоянно ищут пути решения оперативных вопросов, отвлекающих их внимание, и стараются при этом не выпускать из поля зрения трансформацию.

Перечислим пять наиболее важных вопросов, с которыми ИТ-директорам приходится сталкиваться сегодня, и возможные способы их решения.

Управление безопасностью

Более половины ИТ-директоров считают управление безопасностью своей главной задачей. «Это постоянная, непрекращающаяся битва», – заметил Дон Наглич, ИТ-директор компании Franciscan Ministries, обслуживающей десять обществ по уходу за пенсионерами и вспомогательные учреждения в четырех штатах. В общей сложности в ее ведении находятся около двух тысяч жителей.

Нередко почти четверть своего рабочего дня Наглич тратит на оценку безопасности систем, желая убедиться в том, что информация о пациентах надежно защищена и соответствует требованиям закона об отчетности и безопасности медицинского страхования – HIPAA.

Угрозы сегодня исходят из самых неожиданных мест. «Например, мы обнаружили, что поставщики устройств Интернета вещей, используемых нашими сообществами, пытаются установить связь с иностранными ресурсами, – указал он. – Экстренная беспроводная связь, срабатывающая от шнурка в комнате, или кнопки на носимом устройстве сопровождаются дополнительной информацией, передаваемой по сети. Наш брандмауэр все блокировал, но устройства продолжали настаивать на передаче. Они подавляли часть радиоэфира, наводняя сеть своими пакетами».

Сегодня все продукты независимых разработчиков и подключенные устройства Интернета вещей в компании Franciscan Ministries перенесены с серверов поставщиков на ее собственный сервер. Межсетевой экран блокирует весь трафик из 120 стран, где компания не ведет бизнес. Решено также отказаться от антивирусного программного обеспечения на основе сигнатур, обнаруживающего только известные ему вредоносные программы, в пользу антивируса, оценивающего потенциальное поведение объекта до выполнения им каких-либо действий. «Необходимо уделять внимание каждому отдельно взятому вопросу», – подчеркнул Наглич. Сейчас он собирается внедрять в сообществе помощи пенсионерам средства искусственного интеллекта и функции, активируемые голосом.

Приведение ИТ-инициатив в соответствие с целями бизнеса

Половина ИТ-директоров, принимавших участие в опросе State of the CIO, значительную часть своего рабочего времени тратят на приведение ИТ-инициатив в соответствие с целями бизнеса.

Целый ряд стратегических инициатив, реализуемых в Западном резервном университете Кейза в штате Огайо, где работает ИТ-директор Сью Веркман, предусматривает расширение операционной и трансформационной зон ответственности в сфере ИТ. И с каждым годом список ее дел становится все длиннее и разнообразнее.

«Я действительно пытаюсь сохранить за собой стратегическую роль, – призналась Веркман. – У меня есть штат непосредственно подчиняющихся мне сотрудников, которые выполняют большинство операций, но бюджетирование замкнуто на мне. Мне хочется быть уверенной в том, что все действия, направленные на повышение эффективности и оптимизацию используемых ресурсов, осуществляются наилучшим способом».

Веркман постоянно трудится над оптимизацией технологии, призванной способствовать повышению эффективности преподавания, обучения, исследовательской деятельности и административной работы: «Одна из главных задач ИТ-директора, особенно в исследовательском университетском мире, – быть частью всего, что происходит вокруг».

К основным ее проектам относятся внедрение передовых технологий в новом кампусе медицинского образования общей площадью более 50 тыс. квадратных метров и интеграция программ для медсестер, стоматологов и других врачей в Медицинском колледже Лернера при клинике Кливленда.

Начиная с осени 2019 года анатомию в новом кампусе будут изучать с использованием голограмм, которые придут на смену традиционному вскрытию трупов. Университет стал первым партнером Microsoft в сфере образования, внедрившим у себя головные дисплеи HoloLens. «Нам нужно было понять, как развернуть беспроводную сеть в помещении, где находятся сто голографических шлемов, – отметила Веркман. – Нам удалось со всем этим справиться, но потребовалось время».

Студенты хотят иметь дело с самыми передовыми технологиями, и Веркман старается не отставать от новейших тенденций, поддерживая конкурентоспособность университета в глазах абитуриентов.

«Сегодня у старшекласников уже есть Alexa и Siri, – подчеркнула она. – Чтобы получить интересующую их информацию, достаточно просто задать вопрос. Мы начинаем внедрять прототипы чат-ботов, обрабатывающих вербальные запросы студентов: «Где находится автобусная остановка?» или «Какие заведения принимают мои талоны на питание?» Сегодня ИТ-директор является технологическим новатором, но не обязательно технарем. Я считаю, что университетская ИТ-служба должна быть более гибкой и инновационной. Да, нужно продолжать заниматься системами ERP и LMS, но следует выделять ресурсы и на перспективные эксперименты, приносящие радость и удовлетворение».

Повышение производительности систем и сокращение затрат на управление

Почти половина ИТ-директоров (49%) заявляют, что нацелены на повышение производительности систем, а 37% часть своего времени тратят на управление затратами. В Американском международном колледже ИТ-бюджеты сокращаются уже на протяжении двух лет, и этот университет, как и многие другие, стремится снизить стоимость обучения путем сокращения базовых затрат.

«В финансовом плане мы очень дисциплинированны, – отметила ИТ-директор университета Мими Ройстон. – Я должна принимать обоснованные технологические решения и быть уверена в том, что они приносят хорошую отдачу».

Стремясь выжать из имеющихся у нее средств максимум, ИТ-служба анализирует бизнес-процессы всех своих крупных программных систем, продумывает, как можно улучшить каждый из 41 продукта и распределить потоки данных между системами так, чтобы снизить их разобщенность.

«В итоге нам удалось улучшить бизнес-процессы, устранив узкие места в потоках данных, средствах связи и рабочих процедурах, – сообщила Ройстон. – Теперь мы можем автоматизировать прохождение этих потоков данных».

К осени в университете будут внедрены шесть новых программных пакетов, каждый из которых потребует интеграции по крайней мере еще с одной системой. Программное обеспечение спортивной кафедры, например, помогает проверить соблюдение нормативных требований, контролировать процедуру найма и выполнение связанных с ней норм. Данные от регистратора и из студенческих учетных записей, а также информация о финансовой помощи и приеме студентов собираются с использованием интеграционных сервисов Microsoft SQL.

«Мы продолжаем расти, но при этом не забываем о жесткой экономии, – добавила Ройстон. – Чтобы идти тем же курсом, нам необходимо принимать хорошие решения, а для принятия хороших решений нужны потоки данных».

Внедрение новых систем и архитектур

На третьем месте по количеству выделяемого времени у ИТ-директоров находится внедрение новых систем и архитектур, поддерживающих бизнес.

В компании Emerald Expositions Events считают данные основой своей жизнедеятельности. Компания организует на территории США более 55 отраслевых выставок, объединяющих в общей сложности 500 тыс. участников и посетителей. «Мы просто живем и дышим данными, получаемыми от наших клиентов и посетителей выставок», – отметил ИТ-директор Emerald Expositions Events Билл Чарльз.

Большую часть своего времени он тратит на внедрение облачного решения Informatica, помогающего осуществлять управление данными различных систем, и системы Tableau, упрощающей бизнес-подразделениям получение доступа к данным без помощи со стороны ИТ-службы. «Мы хотим, чтобы у наших подразделений была возможность составлять свои собственные отчеты, и предоставляем им данные, которые нужны для принятия решений», – пояснил Чарльз.

Главная задача для Чарльза состоит в совершенствовании навыков, которые необходимы для поддержки новых и меняющихся очень быстрыми темпами технологий.

«Разработкой для нас занимаются независимые поставщики, а большую часть технической поддержки мы осуществляем самостоятельно, силами ИТ-службы, включающей в свой состав 15 человек, – сообщил Чарльз. – Но, поскольку список новых партнеров расширяется, обеспечивать поддержку их решений становится все труднее. Команде, занимающейся поддержкой, нужны новые знания, а получить их не так просто. Впрочем, не думаю, что мы оказались в какой-то уникальной ситуации. Все ИТ-директора, по сути, плывут в одной лодке и регулярно сталкиваются с недофинансированием, нехваткой персонала и избытком реализуемых проектов. Но с новыми инструментами управления данными, которые используются у нас наряду со средствами Salesforce, нам удалось добиться заметных успехов в деле привлечения потенциальных клиентов».

Управление изменениями и стимулирование инноваций

На фронте цифровой трансформации ИТ-директорам, которые помогают бизнесу внедрять инновации, отводится очень важная роль. 88% руководителей ИТ-служб считают, что сегодня ИТ-директор должен быть нацелен в первую очередь на инновации и цифровые преобразования.

Треть ИТ-директоров принимают активное участие в управлении изменениями. В их число входит и руководитель ИТ-службы сети ресторанов TGI Fridays Шериф Митьяс. Два года назад он начал переосмысливать роль ИТ в компании, поставив перед собой задачу привлечь потенциальных клиентов и поддерживать связи с ними при помощи новых технологий. Митьяс создал цифровую платформу, благодаря которой клиенты могли поддерживать контакты с сетью как извне, посредством социальных сетей и чат-ботов, так и изнутри, с помощью планшетов и персональных телевизионных сервисов. Использовались технологии компаний Amperity, Conversable и Urban Airship. Проект окупился очень быстро. Только за первый год число внешних заказов удвоилось.

Теперь сеть ресторанов совершенствует уже имеющиеся инструменты с помощью искусственного интеллекта. «Сейчас, когда связь с гостем уже установлена с помощью чат-бота или цифровой платформы, мы можем лучше понять, что он собой представляет, и направлять ему персональные предложения, – пояснил Митьяс. – У нас появилась возможность общаться с каждым клиентом индивидуально, и мы расширяем масштабы такого общения с использованием искусственного интеллекта».

Искусственный интеллект выступает в роли цифрового помощника управляющего рестораном и размещается на его телефоне или планшете. «Инструменты искусственного интеллекта изучают индивидуальные особенности заведения, анализируя поток посетителей и действия персонала, – отметил Митьяс. – Они помогают управляющему принимать решения, связанные с формированием запасов, обработкой заказов и рабочим графиком подчиненных. Теперь решения принимаются быстрее и лучше, а у управляющего остается больше времени на гостей. Некоторые элементы искусственного интеллекта для внутренних процессов ресторана предлагаются стартапом HyperGiant».

Митьяс ежеквартально приглашает представителей пяти-шести стартапов выступить с 20-минутной презентацией предлагаемых ими продуктов и сервисов. «Именно отсюда мы черпаем лучшие идеи, – признался он. – Преимущества новой технологии оценить легко, но я всегда смотрю на нее с точки зрения потенциальной окупаемости. Подходит ли она для наших гостей? Можем ли мы взять ее на вооружение? Можем ли на этом заработать? И если я не получаю утвердительного ответа на все эти три вопроса, такая технология для нас не годится. Что касается искусственного интеллекта, начинать следует с малого. Здесь все очень быстро становится слишком сложным и дорогим, поэтому следует придумать небольшой сценарий, в котором, на ваш взгляд, все должно сработать, и начать с него».

– Stacy Collett. The biggest issues CIOs face today. CIO. JUL 11, 2018

Чем сильнее в мире ИТ ажиотаж по поводу новшества, тем больше о нем неверных представлений, и аналитика не исключение. Методы аналитики, одного из самых «модных» направлений в современных ИТ, могут принести существенные преимущества бизнесу, но заблуждения способны помешать оперативно реализовать возможности, которые могли бы пойти на пользу как самой компании, так и ее клиентам.

При разработке и расширении стратегии в области аналитики организациям стоит иметь в виду распространенные мифы. Перечислим 12 таких мифов.

Миф № 1. Аналитика требует немалых инвестиций

В наше время любой технологический проект проходит через фильтр финансовой оценки. «Во что это нам обойдется?» – один из первых вопросов, который получают ИТ- и бизнес-руководители, когда предлагают начать проект или внедрить новый инструмент.

Некоторые считают, что аналитика данных – внедрение непременно дорогостоящее, а потому доступное только организациям с солидными бюджетами и внутренними ресурсами. Однако не все инициативы в этой области требуют значительных инвестиций.

Сегодня существует масса инструментов с открытым кодом, и не только тех, с помощью которых вы сможете быстро увидеть преимущества аналитики. Чтобы убедиться в этом, понадобятся анализ внутренних ресурсов для хранения данных и оценка задач, которые требуется решить. К тому же пробные внедрения сегодня значительно упростились благодаря облачным сервисам.

Современная аналитика основана на облачных системах и средах обработки больших данных, которые по своей природе гораздо менее дорогостоящие, чем традиционные хранилища данных. Кроме того, данные и аналитика обычно применяются ради трех задач: повышения КПД процессов, увеличения выручки и прогнозного управления рисками. Поэтому в целом внедрение аналитики обеспечивает значительные экономические преимущества любой компании.

Миф № 2. Для аналитики требуются большие данные

В представлении многих концепции больших данных и аналитики идут рука об руку. Считается, что организациям, прежде чем осваивать аналитику, нужно собрать колоссальные объемы данных, чтобы получать полезные для бизнеса знания, улучшать процессы принятия решений и т. д.

Разумеется, преимущества анализа больших данных сегодня хорошо известны, и компании с соответствующими ресурсами действительно могут получить ощутимое конкурентное преимущество за счет использования информационных хранилищ в рамках аналитических инициатив. Однако представление о том, что большие данные обязательны для аналитики, неверно.

Зачастую в компаниях стараются сохранять как можно больше данных, пребывая в уверенности, что это необходимо. Но полагать, что чем больше данных, тем лучше, а остальное – дело техники, является ошибкой.

Для аналитики требуются не максимально большие объемы данных, а данные определенного рода. Сотрудникам прежде всего необходима информация, относящаяся к их должности, которая поможет в принятии решений и улучшении результатов. Нужно не гнаться за большим объемом данных, а уточнить, какие именно данные нужны бизнес-пользователям и в какой форме они должны быть представлены.

Для предоставления доступа ко всему объему информации во множестве форматов, может потребоваться чрезмерно сложный проект, который будет лишь сдерживать освоение аналитики. Поэтому необходимо выяснить, какие именно данные важны и как представить информацию в наиболее доступной для пользователей форме.

Миф № 3. Аналитика исключает присущую людям предвзятость

Принципы работы автоматизированных систем таковы, что ошибки из-за предубеждений им, казалось бы, не должны быть свойственны. Но технологии разрабатываются людьми, поэтому полностью исключить предвзятость невозможно. По мнению некоторых, аналитика и машинное обучение устраняют предвзятость, присущую людям, но это, увы, не так. Алгоритмы аналитических систем настраиваются с помощью обучающих данных и воспроизводят все особенности, свойственные учебной выборке.

В одних случаях возникающая таким образом системная предвзятость может быть незначительной, в других – сильной. Поэтому не стоит полагать, что полученный результат верен и объективен только потому, что «так сказал компьютер».

Миф № 4. Лучшие алгоритмы – залог успеха

На самом деле если объем данных достаточен, то выбор алгоритма может и не иметь значения. В публикации IEEE, озаглавленной «Необоснованная эффективность данных», инженеры Google доказывают, что простые статистические модели в сочетании с гигантскими объемами данных позволяют получить лучшие результаты, чем более «интеллектуально развитые» модели, учитывающие множество признаков и выполняющие сложные обобщения. В некоторых случаях простая обработка более обширного набора данных позволяет получать оптимальные результаты.

Миф № 5. Алгоритмы безотказны

Людям свойственно безоговорочно доверять статистическим моделям, алгоритмам и методам науки о данных. Не обладая достаточными знаниями, чтобы подвергать сомнению качество моделей, они предпочитают доверять «умникам», которые их разработали.

Прогнозы о том, что искусственный интеллект через пару десятков лет обойдет по интеллектуальным способностям людей, слышны уже более полувека и будут раздаваться далее. Однако, прежде чем можно будет безоговорочно доверять машинному обучению и результатам работы моделей, пройдет еще очень много времени. А пока что необходимо требовать от людей, разрабатывающих алгоритмы и модели, объяснений того, как именно получаются те или иные результаты. Речь идет не о том, что верить им в принципе нельзя, а о том, что нужны уточнения, которые помогут проверять аналитику и после этого доверять ей.

Миф № 6. Наука о данных – «тайное» искусство, доступное не всем

В последние годы наука о данных получила широкую известность, но, тем не менее, не все понимают, что это такое. Говоря упрощенно, это поиск закономерностей в данных с помощью специальных алгоритмов.

Наука о данных представляется загадочной, поскольку такие алгоритмы способны анализировать больше переменных и данных, чем может себе представить человеческий разум. С ростом доступных вычислительных мощностей и объемов памяти, происшедшим за последние годы, мы обрели возможность быстро решать задачи, которые еще десять лет тому назад было бы невозможно экономично решить доступными способами. Наука о данных – это естественное развитие методов статистического анализа, хорошо известных уже много десятков лет. Никакой загадки в науке о данных нет – достаточно освоить соответствующие разделы математики.

Миф № 7. Чтобы выполнять больше аналитики, нужно больше ученых по данным

Ученые по данным (data scientist) на сегодня одна из самых востребованных технических профессий. В каких-то случаях организация может обойтись меньшим количеством этих специалистов, если перераспределить обязанности.

Масса времени ученого по данным тратится на второстепенную работу – поиск наборов данных, перенос в системы обработки, преобразование и очистку. Учитывая, насколько непросто сегодня нанять ученого по данным, эти малоценные задачи следует поручить другим.

В качестве примера можно привести разработанную в компании Uber платформу Michelangelo, которая позволяет ученым по данным заниматься не переброской данных туда-сюда, а проектированием, выделением и анализом признаков, предоставляя им возможность работать продуктивнее.

Миф №8. Аналитика занимает слишком много времени

Скорость сегодня имеет огромное значение для конкурентоспособности компаний, идет ли речь о срочном выпуске продукта на рынок или о быстром ответе на запрос клиента. Существует мнение, что аналитика занимает много времени, а потому мешает повышению скорости и деловой гибкости.

Миф о том, что проекты подобного рода слишком длительны и сложны, довольно расхож. Однако на деле все сводится к кадровому вопросу. При наличии специалистов с необходимыми навыками, умеющих грамотно применять agile-методологии, вы сможете отвечать на важные вопросы за считанные дни, а не месяцы.

Миф № 9. Самое сложное – технологии

В связи с постоянным ростом количества доступных технологий, выбрать правильный комплект инструментов для аналитиков сегодня не так-то просто.

Но в действительности самое сложное – выстроить организационную структуру и операционную модель, которая поможет объединить результаты работы людей, процессов и технологий. Кроме того, очень сложно создать такую структуру внутри существующего отдела ИТ или параллельно ему.

При этом важно не впадать в заблуждение относительно того, что всю работу будут выполнять аналитические инструменты. Технологии сами по себе не решают задачи бизнеса. Спеша создавать озера данных, организации нередко получают болота – информационную «трясину», в которой невозможно разобраться.

Технология не решает аналитические задачи. Вначале нужно выявить проблему бизнеса и выяснить, какие именно данные нужны для ее решения. Это поможет уточнить наличие пробелов в данных, имеющихся у вашей организации.

Миф № 10. Аналитикой должен заниматься специальный отдел

В некоторых организациях аналитикой занимается отдельный департамент, в других – кросс-функциональная группа специалистов.

Однако, учитывая взрывной рост накапливаемых объемов данных по всем аспектам бизнеса и современные темпы перемен, можно утверждать, что модель самостоятельного отдела уже не подходит. В эпоху, когда компании становятся более клиентоориентированными, специалисты по аналитике должны работать непосредственно в бизнес-подразделениях, а не в самостоятельном отделе, к которому обращаются как к службе поддержки.

Ключ к решению многих сложных задач, стоящих перед бизнес-подразделениями, спрятан именно в данных. Поэтому ученые по данным и другие специалисты, применяющие искусственный интеллект для обработки обширных информационных срезов в тесном сотрудничестве с бизнес-пользователями, станут важнейшим звеном в создании новых продуктов, услуг и принципов взаимодействия с клиентом.

Миф № 11. Аналитика доступна только выпускникам аспирантуры

Большое количество аналитиков с учеными степенями – это плюс, но не обязательное условие. В компаниях нередко считают, что без кандидатов наук высококвалифицированный анализ невозможен. Однако современная аналитика требует наличия специалистов многих квалификаций, в том числе разбирающихся в современных технологиях и ПО с открытым кодом. Формирование группы, в которую входят архитекторы больших данных, инженеры, ученые по данным, специалисты по визуализации и т. д., – вот залог успеха.

Миф № 12. Искусственный интеллект лишит людей работы и разрушит экономику

Появляющиеся новые технологии всегда влияли на рынок труда и различные отрасли, и сегодня существуют страхи по поводу того, что искусственный интеллект сделает ряд профессий ненужными.

Искусственный интеллект действительно гораздо лучше справляется с определенными задачами: по сравнению с человеком машина быстрее читает, способна больше запомнить и может выполнять более сложные математические расчеты. Однако в новых ситуациях человек ориентируется намного лучше.

Да, некоторые профессии уже исчезают в связи с развитием искусственного интеллекта, и за ними последуют другие. Однако, в отличие от человека, существующие технологии искусственного интеллекта лишены способности осваиваться и действовать в непредвиденных ситуациях. В обозримом будущем искусственный интеллект наибольшую пользу будет приносить при решении сложных задач, дополняя человеческие возможности. Многие профессии в связи с появлением искусственного интеллекта изменятся, но люди по-прежнему будут оставаться критически важным элементом экосистемы бизнеса.

– Bob Violino. 12 myths of data analytics debunked. CIO. NOV, 2017