Статьи

Сегодня, когда в компаниях практически всех отраслей стремятся получать максимальную отдачу от доступных растущих информационных ресурсов, одними из самых востребованных специалистов стали эксперты по данным (data science).

Ценность этой специальности будет расти и дальше по мере того, как в организациях будут ставить себе на службу всевозможные внутренние и внешние источники информации. В прошлом работа с данными была по большей части технической: сотрудники соответствующих отделов «колдовали» над базами данных, поставляя информационное «топливо» для корпоративных систем, чтобы бизнес-руководители могли готовить отчеты и повышать финансовые результаты.

Технические функции по-прежнему важны, но сегодня восходящими звездами бизнеса становятся специалисты-универсалы, умеющие не только манипулировать огромными объемами информации при помощи статистических методов и наглядных репрезентаций, но и способные точно прогнозировать развитие событий и устранять возможные помехи бизнесу.

Что именно нужно, чтобы стать экспертом в области науки о данных? Перечислим основные качества и навыки, необходимые такому специалисту.

Критическое мышление

Способность критически мыслить необходима для объективного анализа фактов, перед тем как сформулировать мнение или вынести суждение по решаемой проблеме.

Вникнув в суть задачи бизнеса, нужно уметь выделить то, что действительно важно для ее решения, и отбросить несущественное. Этот навык – один из определяющих для специалиста по данным.

Наряду с опытом необходима способность отбрасывать стереотипы. С одной стороны, нужны базовые знания в широком круге областей, с другой – четкое понимание того, что опыт и интуиция не гарантируют стопроцентного успеха. Опыт дает преимущество, но излишняя самоуверенность создает риск, поэтому способность к нешаблонному мышлению имеет большое значение.

Но смысл не в том, чтобы смотреть на любые ситуации широко открытыми глазами новичка, а в том, чтобы оценить проблему под разными углами.

Программирование

Лучшие исследователи данных умеют писать код и способны решать широкий круг задач программирования. Предпочтительным языком программирования для науки о данных становится Python, немало поклонников есть у R. Применяются и другие, в том числе C++, Scala, Closure, Java и Octave.

При этом, помимо общих знаний в области работы с большими объемами данных, с информацией реального времени, облачными сервисами и неструктурированными данными, нужны знания в области статистических методов и моделей – в частности, представление о концепциях регрессии, оптимизации, кластеризации, деревьев принятия решений и т. п.

Если у самого исследователя данных нет навыков программирования, можно положиться на соответствующих специалистов. Партнерство между разработчиком и ученым по данным может быть весьма плодотворным.

Математика

Наука о данных – не лучший выбор для тех, кто не любит математику и не получил соответствующего образования.

Крупным организациям требуется разработка сложнейших статистических моделей финансовой и операционной деятельности, для обеспечения достоверности которых нужны огромные объемы данных. Создание моделей, приносящих реальную пользу при разработке и оптимизации бизнес-стратегий, невозможно без соответствующей математической подготовки.

Ученый по данным должен не только превосходно разбираться в статистике, но и уметь работать в тесном взаимодействии с бизнес-руководителями, а им обычно требуются доходчивые разъяснения происходящего в «черном ящике». Только в этом случае бизнес будет ощущать доверие к полученным вами результатам и предоставленным рекомендациям.

Машинное обучение и искусственный интеллект

Эти направления сегодня развиваются чрезвычайно быстро благодаря росту доступных мощностей, сетевых соединений и возможностей сбора данных. Ученому по данным необходимо быть в курсе последних разработок и понимать области применения различных технологий. Однако стоит избегать внедрения заманчивого новшества, если для решаемой задачи будет достаточно намного менее сложных средств.

Данные «сами» помогут прийти к выбору технологии, когда будет глубокое понимание проблемы и ограничительных условий, включая вычислительные затраты, интерпретируемость, характеристики сети, уровень ожиданий заказчика и т. п.

Вместе с тем нужны навыки в области использования статистических методов. Работодатели не всегда это учитывают, поскольку сегодня широко доступны соответствующие автоматизированные средства, в том числе с открытым кодом. Однако без статистических знаний не будет понимания ограничений таких инструментов.

Недостаточно уметь освоить интерфейсы для работы с готовыми реализациями алгоритмов машинного обучения. Чтобы выбрать подходящий, необходимо понимать статистические методы и принципы предварительной подготовки данных для оптимизации скорости работы модели.

Важны также знания в области компьютерной науки, в частности основ программной инженерии.

Коммуникативные способности

Важность коммуникативных навыков стоит особо подчеркнуть. В службах ИТ сегодня практически ничто не делается «в вакууме»; всегда есть взаимодействие между различными системами, приложениями, данными и людьми. Не исключение и процессы исследования данных, поэтому готовность общаться – одно из важнейших качеств.

Необходимо умение доступно объяснять математические выкладки и превращать их в практические знания. Ученый по данным, работающий на пересечении ИТ, статистических методов и бизнеса, должен быть способным изложить полученные результаты в нужной форме любому из заинтересованных лиц.

Нужно уметь разъяснять топ-менеджерам преимущества данных для бизнеса, возможности технологий и вычислительных ресурсов, проблемы качества данных, приватности и конфиденциальности, а также другие вопросы, имеющие значение для организации.

Иметь хорошие коммуникативные навыки – значит быть способным облечь в доступную форму сложную техническую информацию, но при этом точно и исчерпывающе передать ее смысл. Не стоит забывать, что работа ученого по данным приносит результаты, которые могут и будут использоваться для поддержки руководящих решений.

Исследователю данных нужны знания в области бизнеса и способность задавать верные вопросы бизнес-руководителям, чтобы понять суть проблемы и разобраться, какие именно данные будут полезными для ее решения.

Кроме того, нужно умение разъяснять принцип действия алгоритмов. Способность рассказать, как именно система пришла к тому или иному выводу, важна для завоевания доверия руководства к прогнозным моделям, которые используются в рамках их бизнес-процессов.

Архитектура данных

Понимание всех процессов, через которые проходят данные от источника до создания модели и принятия бизнес-решения, – обязанность ученого по данным.

Отсутствие понимания архитектуры данных ведет к ошибкам в размере выборки и предположениях, обусловливая неверные результаты и решения.

Что еще хуже, может появиться необходимость менять сами элементы архитектуры. Без исходного понимания ее влияния на модели вы можете застрять в бесконечных доработках, раз за разом получая неточные результаты и тщетно пытаясь разобраться в причинах.

Hadoop избавляет от необходимости перемещать большие данные, обрабатывая их в месте хранения, однако знание всех подробностей конвейера обработки по-прежнему важно для обеспечения принятия качественных, обоснованных решений.

Анализ рисков, оптимизация процессов, системная инженерия

Исследователю данных необходимо понимать принципы анализа бизнес-рисков, улучшения процессов и системной инженерии. Соответствующие навыки применяются комплексно как при работе над моделями, так и при взаимодействии с заказчиком, в частности для получения от него исчерпывающих сведений о решаемой задаче.

Для снижения рисков методы их анализа нужно применять с самого начала разработки моделей. Способность выбирать компромиссы между затратами на улучшение процессов и полученными преимуществами, понимание типичных рисков вашей компании и знание потенциального влияния различных систем на ваши данные и предоставляемые результаты помогает повысить удовлетворенность заказчика.

Способность к решению проблем и бизнес-чутье

Ученому по данным необходимы качества, помогающие справляться с проблемными ситуациями. Прежде чем вытащить весь свой арсенал инструментов, исследователь данных рассматривает проблему под многими углами, стараясь вникнуть в суть. Он скрупулезно подходит к своей работе и способен доступно разъяснить полученные результаты.

Именно на эти свойства, помимо склонности к критическому мышлению, следует обращать внимание при найме технического специалиста на должность ученого по данным.

В целом сочетание навыков хорошего ученого по данным выглядит действительно редким: высокие интеллектуальные способности для решения задач обработки данных и создания эффективных моделей, хорошее понимание проблем бизнеса, знание структуры данных и принципов работы различных алгоритмов.

Первое из перечисленного найти проще – необходимые качества обычно есть у большинства выпускников высших учебных заведений с математическими, инженерными и другими техническими специальностями. А вот с изложением принципов действия моделей сложнее. По свидетельству работодателей, весьма распространена ситуация, когда на собеседование приходит человек с опытом построения сложных моделей, но при этом неспособный внятно объяснить, почему именно та или иная модель сработала и на каком основании был выбран конкретный подход к реализации.

Даже если сама модель делает точные прогнозы, без понимания принципа действия доверия к ней будет меньше. Поэтому залогом успешной карьеры на поприще науки о данных будут глубокие познания механизмов работы различных алгоритмов в сочетании с развитой интуицией.

– Bob Violino. Essential skills and traits of elite data scientists. CIO. MAR 27, 2018

В последнее время все чаще поднимаются вопросы, кто такой Chief Data Officer, станет ли эта должность массовой и насколько директор по данным на самом деле важен для современной компании – и с точки зрения организации работы с данными, и вообще в организации процессов. В дискуссии «Chief Dаta Officer – в авангарде цифровой трансформации?», в рамках форума Big Data 2018, проведенного издательством «Открытые системы», мы пригласили поучаствовать нескольких руководителей, которых можно причислить к CDO, хотя их должности и звучат по-разному. Как выяснилось, потребность в таких руководителях будет расти, а вот их место в корпоративной иерархии может существенно различаться в зависимости от специфики компании.

Роль зависит от компании

В чем сегодня заключается роль CDO в компании? Это роль, которая требует быть инициатором преобразований в бизнесе, или она больше подразумевает управление данными и их качеством?

«Проработав в нескольких компаниях, я попытался сформулировать для себя роль CDO одним предложением. Прежде всего это создание единого качественного источника информации по оптимальной стоимости. Естественно, в понятие качества входят все классические атрибуты – полнота, своевременность, интерпретируемость», – говорит Сергей Носов, директор департамента управления данными «Ростелекома».

«Роль CDO возникает там, где есть проблемы с доступностью данных. Новая должность появляется не на пустом месте, она продиктована насущными потребностями бизнеса», Анджей Аршавский, директор центра анализа данных и математического моделирования НЛМК «CDO – это должность, которая подразумевает не только знание техники работы с данными, но и понимание экономической и управленческой составляющей бизнеса», Азат Шамсутдинов, директор направления машинного обучения и искусственного интеллекта North.AI, «Севергрупп» (справа налево)

У каждой компании свои потребности и проблемы, которые накопились со временем или появились недавно. Поэтому говорить об универсальности роли CDO не приходится. Например, ассоциация Digital Asset Management (DAM) четко расписывает, кто такой CDO и чем должен заниматься. Естественно, в его обязанности входят основные направления, такие как обеспечение инфраструктуры работы с данными, работа с нормативно-справочной информацией, архитектура потоков данных и множество других смежных тем. Что интересно, в числе прочего указаны и такие специфические теперь вещи, как работа с данными на бумажных носителях.

«На мой взгляд, CDO – это должность, которая подразумевает не только знание техники работы с данными, но и понимание экономической и управленческой составляющей бизнеса. Иными словами, это человек, который ясно видит и понимает стратегию развития компании, понимает ее бизнес-процессы и, самое главное, как это можно реализовать», – полагает Азат Шамсутдинов, директор направления машинного обучения и искусственного интеллекта North.AI, «Севергрупп». Как показывает практика, когда компании принимают решение всерьез заняться данными и намерены пригласить CDO, они на самом деле хотят получить прибыль. Но на собеседовании часто оказывается, что человек очень хорошо понимает техническую часть, а вот коммерческие показатели ему даются тяжело. Иногда самые простейшие вопросы проясняют, насколько слабо человек владеет экономической частью ИТ-проектов. Людей с требуемыми знаниями на рынке очень немного, но, к счастью, их постепенно становится больше.

«Роль CDO нужна там, где есть проблемы с доступностью данных. Новая должность появляется не на пустом месте, она продиктована насущными потребностями бизнеса», – подчеркивает Анджей Аршавский, директор центра анализа данных и математического моделирования НЛМК. Когда и источников, и потребителей данных много, а их запросы зачастую конфликтуют, возникает дезорганизация, и здесь необходима стратегия управления данными (Data Governance). Ее разработкой должен заниматься кто-то достаточно высокопоставленный, кто способен получать бюджеты на создание необходимой инфраструктуры и понимает реальные потребности разных направлений бизнеса.

«Сейчас у нас возникают проекты, основанные на данных, заказчиками которых являются самые разные направления бизнеса. Потребности в данных растут, требования к их качеству кардинально меняются, и роль CDO становится крайне актуальной», – отмечает Аршавский.

По мнению Носова, должность CDO появилась около пяти лет назад сначала в банковском секторе. Примерно два года назад директора по данным стали появляться, как ни странно, в промышленных компаниях, причем с особой миссией – в их букве D смешались Data, Digital и Data Science. В последнее время эта роль все четче прорисовывается и в телеком-компаниях.

«Очевидно, первенство банков было связано с необходимостью извлечения ценности из клиентских данных. Именно на этом был фокус банковской деятельности в последние годы, хотя в ретейле и телекоме эта проблема тоже всегда была актуальной. Сейчас я вижу именно такие запросы со стороны бизнеса – например, когда требуется запустить активные продажи», – говорит Носов.

«На Западе тема CDO стартовала ненамного раньше, чем в России, и особой продвинутости у них нет. Более того, они довольно редко погружаются в бизнес-задачи и обычно ограничиваются техническими проблемами», – делится наблюдениями Олег Гиацинтов, технический директор DIS Group.

Согласно результатам опроса, проведенного Informatica среди французских CDO, 57% из них видят своей главной задачей «демократизацию» данных. Действительно, это распространенная проблема: зачастую подразделения по разным причинам не желают делиться данными со своими коллегами. Примерно 70% директоров по данным имеют бюджеты на стратегические инициативы и видят себя лидерами кросс-функциональных команд, которые объединяют бизнес и ИТ.

Где «припарковать» CDO?

В Gartner полагают, что СDO должен находиться в прямом подчинении у генерального директора, особенно в случае, когда фактически выполняет роль Chief Data Science. Однако эта модель не всегда работает, и тогда приходится решать, в каком подразделении он должен работать. Во многом это связано с влиятельностью различных подразделений компании и их способностью отстаивать свои интересы.

«Позиция CDO сильно зависит от того, как распределены в компании основные потребители данных и те, кто отвечает за их производство», – утверждает Аршавский. Например, совершенно естественно, что в банках главным потребителем данных является финансовый блок, поэтому его влияние сильнее. Однако сейчас потребители данных появляются во всех подразделениях, и так происходит не только в банках, но и в других отраслях. В соответствии с этим мигрирует и место CDO в корпоративной иерархии: важно, чтобы стратегия работы с данными была сбалансирована в зависимости от нужд потребителей. При этом CDO должен видеть и перспективу: как различные подразделения будут потреблять данные через несколько лет – например, по мере развития систем искусственного интеллекта.

«По моему опыту, это всегда была роль между ИТ и финансами, я пока не видел ее в другом месте. Где в идеале эта роль должна быть “припаркована”, зависит от специфики компании», – говорит Носов. Он приводит несколько примеров эволюции места CDO внутри компаний, где работал. Так, в Сбербанке роль CDO изначально создавалась в финансах, но развитие событий привело к тому, что CDO перешел в ИТ-блок, и это всех устроило. Более того, появилось понимание того, что роль CDO должна быть устроена федеративно. И тогда в каждом блоке появился «мини-CDO», который координировал свою работу с основным куратором этого направления. В «Газпромбанке» позиция CDO появилась в ИТ-подразделении, однако быстро возникли трения с финансовым блоком по методологическим и техническим вопросам. В «Открытии» была другая история: Носов пришел на должность CDO в финансовый блок, однако через полгода было принято решение, что это больше техническая роль и ее надо развивать в ИТ. В «Ростелекоме» функция CDO возникла в ИТ-блоке, но сейчас также находится в процессе миграции – руководство ищет оптимальную модель.

От хозяина до стюарда

Сейчас появляется все больше компаний, обозначаемых как data-driven business, когда сервис, построенный на данных, по сути является главным продуктом компании. В этом случае человек, отвечающий за работу с данными, фактически является «хозяином» основных активов. Западные аналитики высказывают мнение, что он имеет все возможности стать первым лицом организации.

По мнению Шамсутдинова, в какой-то степени CDO действительно можно считать «серым кардиналом» – человеком, который в определенных видах бизнеса знает всю бизнес-структуру и все процессы, вплоть до самых низких уровней. Однако такое, конечно, возможно далеко не везде.

Есть большая разница, занимается ли CDO прямым извлечением ценности из данных или приносит пользу опосредованно, обеспечивая доступность данных для бизнес-подразделений. Те, кто извлекает из данных прямую прибыль, как правило, работают в небольших компаниях, созданных специально для этого. Большинство предприятий, особенно производственных, работают по-другому, в них роль CDO все-таки больше сервисная – обеспечение доступности данных и их качества.

***

В завершение дискуссии журнал «Директор информационной службы» (CIO.ru) объявил об учреждении премии CDO Award, призванной отметить успехи компаний по построению бизнеса, основанного на данных, и конкретных CDO в популяризации своей профессии. Результаты будут объявлены на следующем форуме Big Data.

Методы взаимодействия с покупателями изменяются, центром работы с клиентом по-прежнему будет магазин как место, где он встречается с товаром, но цифровой мир за стенами магазина сулит ретейлерам новые возможности. Борьба за покупателей становится все более многогранной, и победит в ней тот, кто научится извлекать максимальную ценность из имеющихся данных. Всеволод Кузьмич, директор по информационным технологиям сети «Лента», самой крупной сети гипермаркетов России, рассказывает о своих взглядах на перспективы ретейла в условиях цифровизации. Подробнее его мнение можно будет услышать 17 апреля на форуме Digital Transformation Day, организуемом продюсерским центром Future Business.

– Несколько лет назад многие горячие головы предрекали скорую смерть офлайн-ретейлеров. Все оказалось не так просто?

Так и есть, все оказалось и сложнее, и интереснее. Ретейл – многогранная отрасль, развивающаяся в отдельных областях с разной интенсивностью, и заявления о приближающемся исчезновении всего офлайн-ретейла скорее вызваны тягой к сенсациям.

Если продовольственный ретейл сравнить с другими отраслями торговли, становится понятно, что наш товар – продукты питания – сильно отличается от товаров других отраслей. А раз так, то ожидания покупателя и его поведение, все то, что принято называть покупательским опытом, будет иным. В продовольственном ретейле, например, не будет проблемы шоуруминга, актуальной в торговле бытовыми приборами и электроникой, когда покупатель приходит в магазин лишь физически посмотреть на товар, а первоначальный отбор моделей и окончательное приобретение осуществляет в интернет-канале. У нас такое просто невозможно.

В современном продовольственном ретейле основным местом встречи покупателя с товаром пока что остается именно офлайн-магазин. Основным, но не единственным. Движение в сторону цифровизации торговли и появления витрин в Интернете становится системным, и игнорировать его нельзя.

– Значит, смещение рынка в сторону онлайна все же неизбежно?

Да, будут появляться новые идеи и бизнес-модели, но пока что они не будут радикальными. Продовольственный ретейл в этом плане достаточно консервативная отрасль в силу специфики и сложности товара, необходимости обеспечить разные температурные режимы и соблюсти требования по товарному соседству.

«Когда мы говорим о цифровом клиенте, то подразумеваем, что новый, цифровой мир дает целый пласт возможностей, которые прежде были недоступны. Они связаны именно с цифровыми чертами клиента, с его внешней по отношению к ретейлеру жизнью», Всеволод Кузьмич

Представьте, например, комплектование и доставку такой типовой корзины: хлеб, молоко, свежие овощи, охлажденное мясо, замороженные пельмени, детское питание. Каждая единица товара при доставке должна лежать в отдельном отсеке и при своей температуре. А теперь представьте, что таких заказов на город-миллионник будет несколько тысяч в день, летом в жару и зимой в снегопад. Выстроить эффективно и стабильно работающую доставку при таких изначальных условиях очень непросто. Мы все знаем истории компаний-первопроходцев, которые приложили колоссальные усилия, но так и не достигли успеха. Однако изменения произойдут, пусть чуть позже, чем в других отраслях торговли, но они неизбежны – это лишь вопрос времени.

– Что же именно будет меняться в поведении компаний, в их бизнес-моделях?

Главным образом будет меняться взаимодействие ретейлеров со своими покупателями. Если раньше центром работы с клиентом был исключительно магазин как место, где товар встречается с покупателем, то теперь появляется все больше точек контакта. Вторым по значимости после торгового зала становится витрина магазина в Интернете, а следом идут таргетированная реклама, продвижение в социальных сетях и мессенджерах. Именно в онлайне будут развиваться новые технологии взаимодействия с покупателем и укрепляться понимание нового пользовательского опыта. Через какое-то время компании найдут баланс между офлайн- и онлайн-моделями и станут строить бизнес по-новому, тем более что и новое поколение будет более цифровым.

– Как выясняется, мотивацию клиентов не всегда удается описать простой логикой или сухими цифрами. Шопинг даже для цифрового поколения остается неплохим развлечением. Какую пользу можно из этого извлечь ретейлеру?

Это очень хороший вопрос, он точно отражает невидимые, но крайне важные нюансы, о которых часто не думают. Да, шопинг остается неплохим развлечением, хотя в гораздо большей степени это касается сегментов моды или электроники. В этом и состоит задача, чтобы даже в столь тривиальном занятии, как посещение продовольственного магазина, найти новые возможности и заинтересовать покупателя. Многие аналитики подчеркивают, что в этой ситуации может помочь геймификация и элементы виртуальной реальности. Мы тоже думаем, как зацепить покупателя, у нас есть свои идеи. Их суть в том, что человек должен получать от физического посещения торговой точки больше, чем от захода на сайт интернет-магазина. Когда он находится внутри магазина, уже не надо придумывать никакое 3D-пространство, он уже в нем, и, базируясь на этой идее, можно создать очень интересные решения.

– В различных отраслях и в различных бизнес-моделях под цифровыми клиентами зачастую понимаются разные сущности. Кого именно под ними подразумеваете вы как продуктовый ретейлер?

Мы оперируем несколько иными терминами. У нас нет цифровых и физических покупателей, но зато есть понятие «цифровой портрет клиента». Этот портрет приходит из современного мира, где люди взаимодействуют с большим количеством гаджетов, сайтов, различных приложений. Это очень важная информация, она помогает по-другому взглянуть на мотивацию человека: почему он ходит именно к нам или почему делает это не так часто, как хотелось бы. Нас интересуют именно детали портрета клиента, которого мы хорошо знаем как по анкетным данным и истории покупок, так и по поведению вне магазина.

Мир сильно изменился, и многие только сейчас это окончательно осознали. Еще двадцать лет назад посещение гастронома сводилось к персональному контакту двух людей – покупателя и продавца. Сейчас ситуация другая: ретейл глубоко автоматизирован, и не только все товародвижение, но и взаимодействие с клиентом происходит через системы. Вся информация присутствует в контуре информационных систем, товар стоит на полках, и при наличии касс самообслуживания покупатель обходится вовсе без контактов с сотрудниками магазина.

Когда мы говорим о цифровом клиенте, то подразумеваем, что новый, цифровой мир дает целый пласт возможностей, которые прежде были недоступны. Они связаны именно с цифровыми чертами клиента, с его внешней по отношению к ретейлеру жизнью.

Пять или десять лет назад, когда ретейлеры уже были автоматизированы, они могли видеть всю историю покупок, но знали о клиенте лишь то, что он делал в их магазине. Сейчас мы можем собирать и анализировать информацию о поведении покупателя и его предпочтениях, создавать персонифицированные предложения для наших клиентов.

Разумеется, эта цифровая жизнь дает новые возможности для ретейлера, но есть и ограничения. Та информация, которая составляет образ клиента, во многом приватна, относится к его личной жизни. Она защищена и законодательно, и общими представлениями об этике ведения бизнеса. Этот вопрос очень тонок.

– Что конкретно вы делаете, чтобы привлечь цифровых покупателей и работать с ними?

Наши шаги эволюционные, в первую очередь мы стараемся правильно и полноценно использовать то, что не так давно называлось модным термином «большие данные». Сейчас эта мода несколько поутихла, и все больше говорят про цифровизацию, но большие данные как были, так и остаются ее фундаментом. Главная проблема по-прежнему заключается в неумении организаций справляться с большими объемами данных и качественно с ними работать. Мы работаем в этом направлении, стараясь получать больше ценной информации из имеющихся данных и разумно их обогащая.

– Некоторое время назад появился термин «омниканальность», подразумевающий бесшовную работу с клиентами в различных каналах. Все согласились, что это важно, но о прорывных успехах не слышно. В чем причина?

Слово «прорыв» здесь не очень применимо, поскольку речь не идет о вещах, которые раньше были невозможными. Когда мы говорим об омниканальности и разных способах взаимодействия с покупателем, нужно помнить, что таких способов благодаря современным технологиям стало очень много. Просто добавляя их в свой арсенал, заметных изменений добиться трудно, если при этом не меняется формат ретейла как бизнеса. Чтобы произошел прорыв, должна поменяться бизнес-модель.

Но даже при добавлении какой-то одной новой технологии порой происходит переход к новому качеству понимания поведения клиента. Например, в 2014 году на National Retail Forum в Нью-Йорке многие жаловались, что известный им и распознанный камерами видеонаблюдения покупатель заходит в магазин и через какое-то время уходит без покупок. Это их расстраивало, они искали ответы на вопрос, что не так с ассортиментом и сервисом. В 2016 году ожидания выросли, и ретейлеров уже стали расстраивать клиенты, которые просто прошли мимо магазина и не зашли в него. Эти изменившиеся, более агрессивные жалобы означают, что возможности становятся шире, магазины нашли способы узнавать и отслеживать своих клиентов за пределами торговых точек.

Это иллюстрирует изменения, произошедшие по мере развития технологий мониторинга покупателей. Если раньше поведение ретейлеров было относительно пассивным и они лишь старались меняться в лучшую сторону, чтобы не уступать конкурентам и привлечь покупателя, то сейчас их действия становятся все более активными. Чтобы преуспеть, они меняют свою бизнес-модель.

– Типичная проблема: магазин «узнаёт» клиента уже на кассе, когда товары собраны и делать персональные предложения уже поздно. Что можно предпринять?

Когда клиент находится у кассы, все-таки еще не совсем поздно. Персональные предложения могут быть разными – например, можно побудить человека совершить покупку здесь и сейчас, потому что ретейлер, зная профиль клиента и частоту покупок, может просто о чем-то напомнить или сделать хорошее предложение по интересующему товару. Но даже если человек уже уходит, ничто не мешает грамотному и мудрому ретейлеру поблагодарить его за визит и в качестве приглашения на будущее сделать предложение – разумеется, максимально деликатно. Слова благодарности во время расставания – совершенно нормальный и естественный шаг.

Но действительно, клиента было бы лучше распознавать еще до того, как он подошел к кассе. Его визит в магазин нужно сопровождать (в хорошем смысле этого слова). А ретейлеры, находящиеся лишь на уровне автоматизации процессов (даже если она блестящая), но не работающие с покупательским опытом, не выстраивающие омниканальное взаимодействие с клиентом и не занимающиеся трансформацией операционной модели под цифровой мир, действительно видят клиента на кассе как в первый раз и не знают, что он делал в магазине. Однако уже есть много решений, чтобы о приходе клиента узнавать чуть раньше.

– Недавно Amazon открыл магазин без касс Amazon Go, где клиенты могут просто брать товары и уходить. Насколько актуален такой подход для нашего рынка? Насколько наши ретейлеры и их клиенты готовы к такой организации торговли?

Этот проект как раз является примером идеологического прорыва. Модель лежит на поверхности, и технически такое решение можно было реализовать еще несколько лет назад. Но многие компании слишком заняты оптимизацией операционной деятельности, и это нормально – нельзя всем быть пионерами рынка. Разумеется, в Amazon молодцы, но для меня важно, окажется ли эта модель успешной и тиражируемой. Если она не получит массового развития, значит, в ней имиджевой составляющей больше, чем бизнес-ориентированной. Если же модель «выстрелит», операционные показатели будут хорошими, а Amazon начнет тиражирование таких магазинов, это будет серьезный сигнал для рынка. А «высокий ретейл», по аналогии с высокой модой, вряд ли будет интересен массовому рынку.

Если же говорить о клиентах, то многие вполне готовы к такой модели. Другой вопрос, о каких именно объемах идет речь – о миллионах клиентов в различных городах или об ограниченной категории покупателей в Москве.

– О чем вы планируете рассказать на Digital Transformation Day?

Сейчас индустрия ретейла осознала, что их клиент – это гораздо больше, чем история его покупок. То, насколько компании смогут сфокусироваться на цифровом портрете клиента, является вопросом пусть не выживания, но совершенно точно лидерства на рынке. Того, кто в этом преуспеет, ждет успех. Задача не столь проста, как кажется на первый взгляд, потому что с этой информацией еще надо научиться работать, встроить ее в свои операционные процессы. Цифровой портрет клиента должен работать и на благо клиента, и на благо ретейлера.

Слабые результаты компаний в области цифровой трансформации привели к потере доверия к CIO, спровоцировав появление отдельных структур во главе с директорами по данным и инновациям, по этой же причине появились и собственные цифровые стратегии у бизнес-подразделений. Как полагает Игорь Кириченко, исполнительный директор и член совета директоров Naumen, зачастую во всех этих нововведениях нет смысла и в конечном итоге первое лицо компании осознает, что цифровая трансформация – это вопросы бизнес-модели и экономики. И можно только возглавить это движение, заручившись поддержкой CIO, CDO, CMO и остальных.

- Многие считают, что «настоящая» цифровая трансформация подразумевает изменение продуктов компании и даже бизнес-модели – без этого она якобы неполноценна. Каков ваш взгляд на это? Правильно ли говорить о «внутренней» трансформации компании, незаметной извне?

Если цифровизация действительно часто является «заботой» именно для CIO, то с цифровой трансформацией все по-другому. Точнее, под ней пока каждый понимает свое: и «замену лошади на трактор», и разворот компании лицом к потребителю, и полный реинжиниринг бизнес-модели. Последний вариант действительно наилучший, и вокруг нас есть такие примеры – каршеринг, онлайн-банки. Это уровень решений для высшего руководства, но на это идут 5% предпринимателей. Остальные компании на практике выбирают первый или второй вариант. И тут действительно остаются большие возможности, и они уже используются, в том числе нашими клиентами: в разы ускорять внутренние коммуникации с помощью бизнес-процессных платформ, полностью роботизировать работу клерков, с принципиально другим уровнем качества автоматизированно управлять линейным персоналом на местах, расширять число каналов для коммуникации с потребителями с едиными политиками.

- Можно ли применение принципов ITSM в бизнесе – все более популярный подход – считать частью цифровой трансформации?

У цифровой трансформации много целей, но, отвечая на этот вопрос, я выделю три: понять клиента и сделать его счастливым, существенно повысить скорость и качество внутренних процессов, а также везде, где только возможно, уйти от участия человека в цепочке предоставления услуги. Если обратимся к основам ITSM, то обнаружим там очень схожие ценности и цели, все выстроено вокруг сервиса – его проектирования, качественного предоставления и постоянного улучшения. Ну а бурный рост технологий машинного обучения делает возможным еще один рывок – в скорости без потери качества. Воплощается это в виртуальных помощниках и голосовых сервисах самообслуживания, инструментах предсказательной аналитики сбоев, средствах управления знаниями, алгоритмах коллаборации людей ради скорости и качества.

Грамотное применение подходов ITSM гарантированно приносит заметные результаты в любой отрасли, и несложно в этом убедиться на примере наших заказчиков. Например, государство таким образом получает всю обратную связь о клиентском опыте пользования госуслугами и благодаря этому понимает, где производить улучшения и даже изменения законов. Платежные системы расширяют свой сервис втрое быстрее, подключая новые точки продаж, банки-партнеры и точки погашений и вчетверо быстрее устраняя любые неприятные ситуации с платежами. Страховые компании смогли сократить время на взаиморасчеты с клиентами в шесть раз, при этом сэкономив свои трудовые ресурсы на 40%. Розничный бизнес (а это не только продукты питания, но и банки, аптеки, отделения связи) до 80% массового дистанционного обслуживания и консультирования уже осуществляют с помощью чат-ботов и голосовых роботов.

- Значительная часть проблем цифровой трансформации происходит из-за того, что первые лица компаний не хотят ею заниматься, а у остальных не хватает полномочий. Как можно выйти из этого тупика?

По данным Forrester на начало 2018 года, более 60% руководителей в мире считают, что они отстают в цифровой трансформации. При этом слабые результаты привели к потере их доверия к CIO, и как грибы стали появляться отдельные структуры во главе с директорами по данным и инновациям, а бизнес-подразделения стали создавать свои собственные цифровые стратегии. Зачастую в этом нет смысла, в конечном итоге первое лицо компании осознает, что цифровая трансформация – это вопросы бизнес-модели и экономики. И можно только возглавить это движение, взяв в подмогу CIO, CDO, CMO и остальных. К счастью, и рынок России довольно быстро отреагировал на недостаток методик и уже имеет ответы на вопросы относительно пути к будущему цифровому образу компаний. К примеру, коллеги из Disruptive.vc запустили в России комплексную программу «Внедрение инноваций в корпорациях», где рассматривают различные инструменты и методики – открытые и внутренние инновации, корпоративные акселераторы, инновационную корпоративную культуру, инновационную и цифровую стратегии и пр.

- Разумно ли, на ваш взгляд, создавать в компании «искусственные» трансформационные должности (Digital или Transformation Officer), особенно с приглашением внешних специалистов, не знающих истории, культуры и специфики компании? В каких случаях это может быть полезно?

На мой взгляд, трансформационные должности не являются «искусственными». Если какая-то деятельность запущена, то должна быть определена точка ответственности за ее реализацию. Это востребованные должности, появившиеся из запроса, который совмещает в себе потребности текущего бизнеса, не решаемые старыми методами, и цифровые инструменты, идеально для этого подходящие.

С одной стороны, ничего принципиально нового цифровая трансформация за собой не несет – это все те же ИТ-продукты, технологии и сервисы, просто использующиеся в более широком смысле. Но, с другой стороны, возможности новых технологий, скорость их развития, изменений на рынке и потребности бизнеса ставят задачу иного порядка, и решить ее могут только люди с системным пониманием технологий и экономического потенциала их использования. А поскольку раньше сотрудники крупных корпораций, как правило, разделяли, а не совмещали в себе компетенции в технологиях и бизнесе, это привело к появлению новой роли и должности – директора по цифровой трансформации. Особенно важным мне видится приглашение таких специалистов «снаружи», а не поиск или обучение внутри, потому что любой внутренний сотрудник заведомо сильно зашорен прошлым опытом данной компании и с точки зрения компетенции и кругозора ограничен в объеме используемых инструментов.

Еще более важно, что такие люди могут и должны приходить из других отраслей и сфер бизнеса, потому что сейчас применимость цифровых технологий значительно больше, чем потребности любого отдельно взятого бизнеса или отрасли, тем важнее является возможность применять опыт, полученный в не связанных с текущим бизнесом направлениях. Это, безусловно, полезно и исключительно значимо для каждой компании, осознающей скорость технологических изменений и желающей благодаря им сохранить или улучшить собственные позиции.

Наряду с социальными сетями, мобильными и облачными технологиями, анализ и связанные с ним технологии обработки данных в цифровой век превратились в одну из главных движущих сил развития бизнеса. К 2017 году многие компании стали подпитываться данными, а не генерировать их, как прежде, а сами данные и средства их анализа на многих предприятиях превратились в главный центр притяжения. В 2018 году технологии обработки данных должны привносить новые ценности. Рассмотрим подходы, роли и проблемы, которые будут сопровождать дальнейшее развитие стратегий анализа данных в нынешнем году.

Озера данных должны продемонстрировать ценность для бизнеса или уйти в небытие

На протяжении многих лет данные в больших объемах накапливались на предприятиях. Интернет вещей еще сильнее ускорил этот процесс, а источники данных из Web переместились в мобильную сферу и на уровень машин.

Гай Чарчуорд, генеральный директор компании DataTorrent, разработавшей платформу потоковой передачи данных в реальном времени, отмечает, что возникла потребность в масштабировании конвейеров данных экономически эффективным способом.

И действительно, многие предприятия, использовавшие технологии наподобие Apache Hadoop, стали создавать озера данных – корпоративные платформы управления данными для хранения всех данных организации в их исходных форматах. Озера данных призваны были ликвидировать информационную разобщенность, предоставив единое хранилище данных в масштабах всей организации, которое можно было бы использовать в самых разных целях, начиная от бизнес-анализа и заканчивая глубинной обработкой данных. Сырые и неуправляемые, озера данных преподносились как панацея и универсальное место сбора информации.

Но если в качестве хранилищ больших объемов данных они эксплуатировались достаточно успешно, то извлекать из этих данных полезные сведения оказалось весьма затруднительно.

«Озера данных идеально подходили для анализа статических данных в пакетном режиме, – поясняет Чарчуорд. – Однако уже в 2015 году стало ясно, что этой архитектурой злоупотребляют, а сегодня она превратилась в настоящую ахиллесову пяту анализа в реальном времени. Когда требовалось сразу проанализировать только что размещенные данные, это вызывало значительные неудобства. При необходимости оперативно получить представление о текущей ситуации и мгновенно принять необходимые меры компании, полагавшиеся на уже устаревшие события, теряли контроль и не имели возможности реагировать нужным образом. И это лишь одна из областей, где “достаточно хорошее” оказалось стратегически фатальным».

Генеральный директор Splice Machine Монте Цвебен поддерживает эту точку зрения: «Hadoop разочаровывает, и этот процесс идет полным ходом. Многие организации, утонув в своих озерах данных, не могут получить желаемой отдачи из-за сложности неповоротливого вычислительного механизма Hadoop».

«Чтобы выжить в 2018 году, озера данных должны доказать свою ценность для бизнеса», – подчеркнул Кен Хоанг, вице-президент по стратегии и формированию союзов компании Alation, занимающейся каталогами данных: «Новые свалки – озера данных – в последние несколько лет прошли этап экспериментального развертывания, и их ждет постепенная ликвидация, если они не докажут свою ценность. Отличительной чертой успешного озера данных является каталог предприятия, позволяющий совмещать обнаружение информации, искусственный интеллект и информационное обслуживание и помогающий по-новому взглянуть на проблемы бизнеса».

Впрочем, для озер данных еще не все потеряно. Озера данных и другие крупные центры данных могут обрести новую жизнь в так называемых суперцентрах, предлагающих «контекст в качестве сервиса» благодаря использованию методов машинного обучения.

«Развертывание в последние 25 лет крупных центров данных (хранилищ данных, систем управления основными данными, озер данных, сервисов Salesforce и систем ERP) привело к еще большей разобщенности данных. Кроме того, затруднились их понимание, поиск связей и совместное использование, – подчеркнул Хоанг. – Центр, объединяющий другие центры, позволит связать их активы и предоставить контекст в качестве сервиса. А это, в свою очередь, обеспечит еще более мощные и релевантные результаты прогнозирования, которые помогут бизнесу».

Главный архитектор приложений MapR Тед Даннинг предсказывает аналогичный сдвиг: «Когда системы больших данных превратятся в главный центр хранения, доступа и выполнения операций, организации смогут выстроить глобальную структуру данных, предоставляющую исчерпывающий доступ к данным, полученным из множества различных источников, и к вычислениям в действительно многопользовательских системах. Все больше и больше компаний будут рассматривать вычислительные системы с точки зрения потоков данных, а не просто данных, которые только обрабатываются и помещаются в БД. Эти потоки данных охватывают ключевые события бизнеса и отражают его структуру. Объединенная структура данных станет основой для построения таких крупномасштабных потоковых систем».

По мнению Лэнгли Айде, директора по стратегии компании Alteryx, занимающейся анализом данных на условиях самообслуживания, руководители ИТ-служб – не единственные, кто отвечает за извлечение ценностей из озер данных. Ответственность за это в 2018 году будут нести также производственные аналитики и директора по цифровым технологиям.

Большинство аналитиков так и не воспользовались огромными объемами неструктурированных ресурсов (данными о перемещениях, данными Интернета вещей, данными системных журналов и т. д.), которыми наводнены их озера данных. Такая ситуация возникла главным образом потому, что сделать это довольно сложно. Но, честно говоря, аналитики плохо выполняют свою работу, если оставляют эти данные нетронутыми. Многие озера данных остаются неэффективными активами – люди не знают, что там находится, как получить доступ и как извлечь из этих данных полезную информацию. В 2018 году положение дел изменится, поскольку от озер данных хотят получать более высокую отдачу.

По прогнозам Айде, в 2018 году аналитики заменят инструменты «грубой силы» наподобие Excel и SQL технологиями с более высоким уровнем программирования – в частности, каталогизацией данных, которая позволит извлекать из данных добавочную информацию и получать дополнительные ценности.

Возрастание роли директора по цифровым технологиям

В условиях нового толчка к проникновению вглубь данных, в 2018 году директор по цифровым технологиям в полной мере вступит в свои права.

«По сути, данные – это новая нефть. И директор по цифровым технологиям становится фигурой, вокруг которой вращается одна из наиболее важных проблем современных предприятий – извлечение ценностей из данных, – указал Айде. – Зачастую при бюджете менее 10 млн долл. одной из главных задач директора по цифровым технологиям становится превращение широко разрекламированной возможности самообслуживания в реальность за счет переноса корпоративных источников данных ближе к бизнес-пользователям. В 2018 году директор по цифровым технологиям начнет отходить от централизованных функций, а необходимость расширить возможности бизнес-пользователей в конечном итоге приведет к увеличению бюджетов».

Директора по цифровым технологиям, обладающие необходимыми ресурсами, навыками и функционалом, организуют быструю передачу передового опыта из центров компетенции бизнес-пользователям. И ключевую роль в этом сыграют платформы и методологии гибкой разработки.

Появление кураторов данных

Согласно прогнозам Томера Ширана, генерального директора аналитического стартапа Dremio, возглавляющего проект с открытым кодом Apache Arrow, в ближайшее время предприятиям потребуется новая роль куратора данных.

Куратор данных занимает промежуточное положение между потребителями данных (аналитиками и исследователями данных, использующими инструменты Tableau и Python для получения ответов на важные вопросы с помощью данных) и инженерами данных (людьми, которые перемещают данные между системами и преобразуют их посредством скриптовых языков Spark, Hive и MapReduce). Кураторы данных должны понимать значимость данных и применимые к ним технологии.

Куратор данных отвечает за понимание типов анализа, которые должны выполняться различными подразделениями организации, знать, какие наборы данных лучше подходят для этой работы и что необходимо предпринять, чтобы перевести данные из их исходного состояния в форму, которая нужна потребителю данных для выполнения им своей работы. Куратор данных использует различные системы, в том числе платформы самообслуживания, когда требуется ускорить сквозной процесс предоставления потребителям доступа к необходимым им наборам данных, исключив при этом их бесконечное копирование.

Стратегии управления данными станут ключевым вопросом для всех руководителей высшего звена

Общий регламент защиты данных (General Data Protection Regulation, GDPR) Европейского союза вступает в силу 25 мая 2018 года, однако далеко не все предприятия к этому готовы.

«GDPR будет применяться всеми государствами Европейского союза и радикально изменит подход компаний к сбору и обработке данных о гражданах ЕС, – пояснили юристы Global Privacy + Data Security Group компании Morrison & Foerster Мириам Вугмайстер, Локке Мерель и Джон Карлин. – Компании, ранее полагавшиеся на получение согласия для выполнения всех своих операций, больше не смогут делать этого. Им придется действовать на основе другой юридической базы (например, договорной необходимости и законного интереса). Организациям необходимо внедрять совершенно новую систему уведомлений и получения согласия».

Потенциальные штрафы GDPR весьма велики: административные штрафы могут достигать 20 млн евро или 4% общего годового оборота.

«Когда над миром нависла проблема 2000 года, все рассуждали о вероятностях и о том, придется им с ней столкнуться или нет, – заметил технический директор компании Hortonworks Скотт Гнау. – Сегодня едва ли кто-то в полной мере готов во всеоружии встретить вступление GDPR в силу. Многие компании полагаются на директора по безопасности, который должен определить правила, системы и прочие параметры, способные помочь глобальному интегратору выбрать оптимальный план действий. Ждать индивидуального подхода к каждому отдельно взятому клиенту просто нереалистично».

«Выполнение предписаний GDPR требует от руководства информированности, готовности и поддержания связей со всеми элементами организации, – указал Гнау. – Компаниям необходимо улучшить управление своими данными. Но крупные взломы – например, взлом бюро кредитных историй Equifax, о котором стало известно в 2017 году, – говорят о том, что предприятиям приходится искать баланс между предоставлением своим сотрудникам самостоятельного доступа к данным и защитой тех же самых данных от потенциальных угроз. В 2018 году управление данными станет одной из основных тем в повестке дня любой организации. Ключевой целью должна стать разработка системы, которая уравновешивала бы потребность в данных, доступе и анализе на условиях самообслуживания с регулирующими мерами. Путь, который мы изберем при проектировании архитектуры безопасности данных, отразится на каждом – клиентах в США и за границей, СМИ, ваших партнерах и т. д.».

Закари Босин, директор по маркетингу решений компании Veritas Technologies, специализирующейся на управлении данными в различных облаках, считает, что именно американская компания станет одним из первых кандидатов на штраф за несоблюдение GDPR: «Несмотря на приближающийся срок, только 31% организаций, опрошенных Veritas, заявили о выполнении требований GDPR. Штрафы будут очень высоки, а регулирование затронет каждую компанию, имеющую дело с гражданами стран Европейского союза».

Улучшение управления метаданными

Конечно, одним только GDPR дело не ограничивается. Поток данных продолжает расти, и правительства вводят все новые правила регулирования. Сотрудники организаций имеют сейчас больший доступ к данным, чем когда-либо прежде. Все это повышает важность управления данными, а также их качества, интеграции и управления метаданными.

«Необходимость улучшить управление метаданными и обеспечить конфиденциальность данных, в том числе и на основе GDPR, логично дополнит уже сформировавшиеся тенденции развития искусственного интеллекта и Интернета вещей, – подчеркнула старший вице-президент по управлению продуктами компании Infogix Эмили Вашингтон. – Предприятиям все чаще приходится искать способы оптимизации своего технологического стека, 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».

Понадобятся гибкие, интегрированные инструменты, позволяющие пользователям быстро принимать данные, готовить их, анализировать и управлять ими. Управление метаданными будет иметь важное значение для поддержки управления данными, соблюдения действующих норм и выработки требований к управлению данными в корпоративной среде.

Повышение качества данных с помощью прогнозного анализа

По мере того как проекты, связанные с данными, переходят в производственную среду, качество данных вызывает все более серьезное беспокойство. Особенно в условиях, когда Интернет вещей открывает шлюзы их масштабным потокам. В 2018 году организации начнут активно обращаться к алгоритмам машинного обучения для обнаружения аномалий в качестве данных. Используя исторические шаблоны для прогнозирования будущих результатов качества данных, предприятия смогут динамически выявлять аномалии, которые прежде остались бы незамеченными или обнаружились с помощью ручного вмешательства гораздо позже.

В условиях, когда все больше данных генерируется техническими средствами Интернета вещей, усложняется и управление ими. Полная прозрачность ресурсов данных компании будет иметь важнейшее значение для успешной реализации аналитических инициатив, адресации управления данными и нуждами конфиденциальности, монетизации ресурсов данных и решения других задач, которые будут стоять перед организациями в 2018 году.

– Thor Olavsrud. 6 data analytics trends that will dominate 2018. CIO. MAR 15, 2018

Машинное обучение демонстрирует столь высокую эффективность, что возникает соблазн уверовать, будто оно способно решать любые проблемы. Как и другие инструменты, машинное обучение полезно для определенных задач, особенно таких, решением которых многим руководителям давно хочется заняться, но останавливает то, что наем нужного персонала обойдется непозволительно дорого, или таких, цель решения которых ясна, а способ – нет.

И все же машинное обучение в той или иной форме будет применяться практически во всех организациях: 42% руководителей, опрошенных компанией Accenture, указали, что к 2021 году искусственный интеллект станет основой всех внедряемых ими новшеств. Но результаты будут более качественными, если не поддаваться шумихе, не впадать в распространенные заблуждения и точно знать, какие возможности машинное обучение может предложить, а какие – нет.

Миф №1. Машинное обучение – это искусственный интеллект

Термины «машинное обучение» и «искусственный интеллект» используют как синонимы, но первое – это один из методов реализации искусственного интеллекта, на сегодня получивший наиболее широкое применение на практике благодаря активным исследованиям, тогда как второе – это понятие, которое обобщает целый ряд областей, в том числе компьютерное зрение, робототехнику, обработку искусственного языка, а также методы, не имеющие отношения к машинному обучению, например применяемые для решения задачи удовлетворения ограничений. По сути искусственный интеллект – это любые методы, благодаря которым машины начинают казаться «умными», но никакой из них в отдельности не является полноценным «искусственным интеллектом», способным соперничать с человечеством или даже обратиться против него.

Суть машинного обучения состоит в запоминании закономерностей, присутствующих в уже доступном наборе данных, и прогнозировании тех же закономерностей для новых аналогичных наборов данных; результат может выглядеть как плод «интеллектуальной» работы, но в целом принцип состоит в применении статистических методов в огромных масштабах и на очень высокой скорости.

Миф №2. Все данные полезны

Данные для машинного обучения необходимы, но не все они полезны. Чтобы обучить систему, требуется репрезентативная выборка с нужными закономерностями, позволяющая получить именно те результаты, на которые рассчитана ваша система машинного обучения. При этом в данных не должно быть закономерностей, не имеющих отношения к решаемой задаче (например, лишними будут серии фотографий, на которых все мужчины стоят, а все женщины сидят, или где все автомобили в гараже, а все велосипеды – на улице), поскольку модель машинного обучения, создаваемая вами, запомнит эти специфичные закономерности и будет искать их в данных, с которыми вы ее используете. Все данные, используемые для моделей обучения, должны быть аккуратно размеченными, причем разметка должна соответствовать «вопросам», которые вы собираетесь задавать системе машинного обучения, и это потребует немалых трудозатрат.

Полагать, что данные, которые у вас уже есть, чисты, точны, репрезентативны и легко поддаются разметке, – заблуждение.

Миф №3. Вам всегда нужны большие объемы данных

Достижения последнего времени в сфере распознавания образов, автоматизированного понимания текстов, машинного перевода и в других областях стали возможными благодаря появлению более совершенных инструментальных средств, графических процессоров, способных обрабатывать много данных в параллельном режиме, и обширных размеченных наборов данных, например ImageNet и Stanford Question Answering Dataset. Но, благодаря методу под названием трансферное обучение (transfer learning), вам не всегда нужно иметь огромный набор данных, чтобы достичь хороших результатов в конкретной области: вы можете «научить обучаться» систему с использованием большого среза данных, после чего применить приобретенную ею способность к вашему гораздо меньшему набору данных. Именно так работают специализированные API распознавания образов Salesforce и Microsoft Azure: для получения хороших результатов достаточно лишь 30-50 изображений объектов, которые требуется классифицировать.

Метод трансферного обучения позволяет адаптировать заранее обученную систему к вашей конкретной задаче с использованием относительно небольшого объема данных.

Миф №4. Систему машинного обучения может построить любой

Существует множество инструментов и фреймворков машинного обучения с открытым кодом, а также многочисленные учебные курсы, демонстрирующие, как ими пользоваться. Однако машинное обучение по-прежнему остается методом для специалистов – вам нужно знать, как готовить и секционировать данные для обучения и тестирования, как выбрать оптимальный алгоритм и эвристические методы, иметь представление о том, как превратить модель в надежную систему для рабочего применения. Требуется также обеспечить мониторинг работоспособности, следить за тем, чтобы результаты оставались релевантными со временем, – необходимо контролировать качество работы модели и соответствие решаемой задаче, особенно, например, после изменения целевого рынка.

Для эффективного применения машинного обучения требуется опыт. Если вы только начинаете, используйте доступные интерфейсы программирования для заранее обученных моделей и наряду с этим приобретайте необходимые знания в области исследования данных и машинного обучения. Либо нанимайте соответствующих специалистов.

Миф №5. Все закономерности, присутствующие в данных, полезны

Страдающие бронхиальной астмой или ишемической болезнью сердца, а также люди в возрасте 100 лет имеют гораздо более высокую выживаемость при пневмонии – такова статистика. И несложная система машинного обучения, призванная автоматизировать прием пациентов в больницу, может отправить таких людей домой – именно так поступила система, обученная на статистических данных. Однако причина выживаемости таких пациентов при воспалении легких именно в том, что их всегда госпитализируют, учитывая, насколько опасно для них заболевание.

Система «видит» реальную закономерность в данных, однако для принятия решения о госпитализации она не годится (хотя и могла бы помочь страховой компании прогнозировать стоимость лечения). Что особенно опасно, вы не будете знать о присутствии таких вредных закономерностей в ваших данных, если вы не в курсе, какие именно закономерности могут быть лишними.

В других случаях модель может запомнить результативную закономерность, однако она не будет полезной как не имеющая четкого и очевидного объяснения. Например, так было со скандально известной системой распознавания лиц, которая точно определяла сексуальную ориентацию по селфи, – компьютер, по всей видимости, реагировал на социальные сигналы наподобие позы, а не на какие-то врожденные признаки.

Модели, действующие по принципу черного ящика, могут быть действенными, однако остается неясным, какую именно закономерность они выучили. Более прозрачные, понятные алгоритмы вроде обобщенных аддитивных моделей позволяют понять, что именно запомнила система, и это дает возможность принять более обоснованное решение о том, стоит ли ее вводить в рабочую эксплуатацию.

Миф №6. Методы автономного обучения готовы к рабочему применению

Наиболее широкое применение сегодня получил метод обучения с учителем – чаще всего системы обучают на наборах данных, уже размеченных и подготовленных людьми. На очистку наборов данных требуются время и трудозатраты, поэтому существует высокий интерес к методам обучения без учителя, особенно с подкреплением, когда система учится методом проб и ошибок, взаимодействуя со средой и получая сигналы подкрепления («награду») за верное поведение. Система DeepMind AlphaGo, задействуя обучение с подкреплением и с учителем, сумела обыграть сильнейших мастеров по игре го, а Libratus, система, созданная в Университете Карнеги – Меллона, применяя обучение с подкреплением и другие методы, победила лучших в мире игроков в техасский холдем – разновидность покера, которая отличается сложной стратегией ставок. В рамках исследовательских проектов сегодня предпринимаются попытки применять обучение с подкреплением в широком круге областей, от робототехники до тестирования ПО безопасности.

Однако вне исследовательского сообщества обучение с подкреплением используется ограниченно. В Google применяют DeepMind для экономии электроэнергии в центрах обработки данных – обучаясь, система помогает повышать эффективность охлаждения; в Microsoft узкоспециализированный вариант обучения с подкреплением помогает персонализировать заголовки новостей для посетителей портала MSN.com. Проблема в том, что в реальном мире далеко не всегда существуют легко обнаруживаемые сигналы подкрепления и мгновенный отклик. Например, сложности возникают при распределении сигналов подкрепления, когда испытуемая система выполняет несколько действий, прежде чем произойдет значимое событие.

Миф №7. Системы машинного обучения непредвзяты

Обучаясь на введенных данных, модель будет воспроизводить все систематические ошибки, встречающиеся в учебной выборке. Например, при поиске снимков генеральных директоров в результатах, скорее всего, будут преобладать изображения белых мужчин, поскольку таковых среди глав компаний больше. Еще, как выяснилось, системы машинного обучения не просто передают предвзятость, но и усиливают ее.

Набор данных COCO, который широко используется для обучения систем распознавания образов, содержит снимки как мужчин, так и женщин, однако первые на фото чаще сидят за компьютером, держат теннисную ракетку или сноуборд, а вторые – чаще находятся в обстановке кухни. Если обучить систему с помощью COCO, у нее возникнет более сильная ассоциация между мужчинами и компьютерной техникой, чем показывает реальная статистика снимков.

Системы машинного обучения также могут «делиться» предвзятостью друг с другом. Если обучить модель с помощью популярных фреймворков, которые представляют понятия в виде векторов, показывающих отношения между словами, то она усвоит стереотипы и будет, к примеру, приравнивать отношения «мужчина-женщина», «программист-домохозяйка», «врач-медсестра» и «начальник-секретарь». Если использовать такую систему совместно с той, которая переводит с языка с гендерно-нейтральными местоимениями, например, финского или турецкого, на язык с местоимениями «он» и «она», например английский, то фраза «это врач» может превратиться после перевода в «он врач», а «это секретарь» – в «она секретарь».

Получение рекомендаций, скажем по покупкам, – это иногда удобно, но когда дело касается личных убеждений и других деликатных тем, могут возникнуть проблемы: если вы присоединитесь в Facebook к группе противников вакцинации, то система может посоветовать вам группы по конспирологическим теориям или сообщество приверженцев убеждения о плоской Земле.

Проблему предвзятости систем машинного обучения важно иметь в виду. Если вы не можете устранить предвзятость обучающего набора данных, то для сглаживания эффекта воспользуйтесь, например, методом нормализации гендерных ассоциаций между парами слов. Можно также добавить к рекомендациям нечто выпадающее из выученных системой закономерностей, чтобы избежать «пузыря фильтров» – когда пользователю постоянно предлагают только то, с чем он уже знаком.

Миф №8. Машинное обучение используется только для благих целей

Пользуясь методами машинного обучения, антивирусы могут обнаруживать совершенно новые вид атак, с которыми они еще не сталкивались. Но и злоумышленники применяют машинное обучение для проверки возможностей антивирусных средств и организации масштабных целенаправленных атак фишинга, анализируя большие объемы общедоступных данных или уровень успеха предыдущих попыток.

Миф №9. Машинное обучение заменит людей

Опасения по поводу того, что искусственный интеллект отберет у людей работу, сегодня стали обычным делом. Искусственный интеллект действительно изменит рынок труда и принципы выполнения многих обязанностей, поскольку системы машинного обучения повышают эффективность, облегчают соблюдение требований и помогают снижать затраты. В долгосрочной перспективе благодаря машинному обучению появятся новые должности, а некоторые из нынешних исчезнут. Многие задачи, выполняемые сегодня с помощью машинного обучения, раньше попросту были нерешаемыми по причине высокого уровня сложности или огромного масштаба; вряд ли, к примеру, можно было нанять достаточно сотрудников, чтобы в поисках изображения вашего товара изучить каждый снимок, размещенный в социальных сетях.

Благодаря машинному обучению уже сегодня появляются новые бизнес-возможности – например, улучшить клиентское обслуживание с помощью прогнозного обслуживания или ускорить принятие обоснованных управленческих решений. Как и предыдущие поколения средств автоматизации, машинное обучение высвободит время сотрудников, и они смогут, не отвлекаясь на рутинную работу, более полно применять свои знания и творческие способности.

– Mary Branscombe. 9 machine learning myths. CIO. MAR 21, 2018

Зрелость компаний растет, и вследствие этого меняется их операционная модель работы с данными. Вместе с тем, по мнению Сергея Носова, директора по управлению данными «Ростелекома», одна из основных задач Chief Data Officer заключается в обеспечении проактивного сервиса по предоставлению качественных данных. В преддверии дискуссии «Chief Dаta Officer – в авангарде цифровой трансформации?», которая состоится в рамках форума Big Data 2018, он поделился своими взглядами на роль CDO.

- До «Ростелекома» вы работали на должности CDO в двух банках. Ощущается ли разница в специфике работы, в чем она заключается?

Я заметил, что, когда речь идет о CDO, часто смешивают несколько ролей – Chief Data Officer, Chief Digital Officer, Chief Data Science. Я работал в нескольких компаниях именно в роли директора по данным – Chief Data Officer.

Говорить о наличии серьезной специфики для CDO в зависимости от отрасли я бы не стал. Но зато есть специфика, связанная с конкретной компанией. Она обусловлена прежде всего уровнем зрелости компании, выражающимся в ее готовности к внедрению функции «Управление данными», причем готовность эта определяется текущим состоянием процессов работы с данными, немало зависит также от накопившихся проблем, связанных с обеспечением заказчиков качественными данными, от ландшафта систем отчетности и многого другого.

- В чем именно заключаются сейчас ваши обязанности?

Обязанности вполне ожидаемы. Это построение операционной модели работы с данными, развитие хранилища данных, BI и инфраструктуры работы с данными, управление качеством и архитектурой данных. В моей зоне ответственности, кроме того, управление мастер-данными и нормативно-справочной информацией, а также управление метаданными.

- В Gartner отмечают изменение роли CDO в сторону большей бизнес-ориентированности. Чувствуется ли это по требованиям со стороны бизнеса?

Что касается крупных компаний, то требования со стороны бизнеса в части обеспечения необходимыми данными, повышения качества данных, внедрения систем по работе с мастер-данными сохраняются и актуальны. Как я уже говорил, растет зрелость компаний, к тому же появляется большее осознание роли CDO. Как следствие, с появлением такого осознания меняется операционная модель компаний в части работы с данными.

- Данные начинают играть все большую роль в бизнесе. Способен ли CDO стать «серым кардиналом» в современной компании?

Одна из основных задач Chief Data Officer заключается в обеспечении проактивного сервиса по предоставлению качественных данных для заказчиков. Для меня это сервисная функция, поэтому говорить о том, что CDO должен или способен стать «серым кардиналом», считаю неправильным.

- В чем для вас заключаются основные сложности в работе? Каковы главные проблемы, что дается сложнее всего?

В последних двух компаниях, в которых я работал, исторически имелось несколько хранилищ. При этом у руководства были серьезные планы по изменению ИТ-ландшафта. Синхронизировать процессы объединения существующих хранилищ данных, у каждого из которых есть свои плюсы и минусы и история развития, поддержку процессов подготовки данных в условиях изменения ландшафта, одновременно обеспечив реализацию новых требований заказчиков и необходимый уровень коммуникации с ними, – это основной вызов.

Возможна ли цифровая трансформация компании, работающей на устаревшей ИТ-платформе? Один из создателей платформы SAP HANA – Александр Зайер, исполнительный директор In-Memory Solutions, директор HANA СоЕ и инновационного центра SAP HANA компании Accenture – уверен, что нет. Причина заключается в том, что новые технологии, которые многие аналитики за взрывной характер экономического эффекта от них называют экспоненциальными, не дадут ожидаемого результата в морально устаревшем ИТ-ландшафте. Мы поговорили с Зайером о проблемах цифровой трансформации предприятий, роли ИТ-директоров в этом процессе и месте, которое должно занять решение S/4HANA в цифровую эпоху.

– Термин «цифровая трансформация» до сих пор порождает большую путаницу. Одни подразумевают полную автоматизацию традиционных бизнес-процессов, другие – радикальные изменения в бизнес-процессах, третьи – изменения в бизнес-модели и т. п. Как понимаете цифровую трансформацию вы?

Цифровая трансформация в том виде, как ее понимаем мы, – это процесс изменений в компании, который дает возможность разрабатывать новые, цифровые сервисы. Автоматизация же процессов – это лишь меры, которые позволяются избавиться от стандартной, рутинной ручной работы для повышения эффективности процессов. Здесь все сводится к ускорению процессов, попытке сделать их более экономичными.

Проблема в том, что использовать новые, меняющие правила игры технологии невозможно на старых версиях ERP, нужно переходить на новые платформы. Скажем, внедрение нового решения SAP S/4HANA подразумевает не просто автоматизацию, а более глубокую трансформацию, изменение самих процессов. Компании, переходящие на него, получают цифровую платформу, которая позволяет им трансформировать процессы вплоть до полного ухода от прежних, устаревших процессов, от старого образа работы.

Процесс цифровой трансформации мы представляем в виде нескольких шагов, и переход на современную информационную систему рассматриваем как первый, промежуточный шаг. Прежней платформе SAP уже более 20 лет, а рассчитана она примерно на 25. У S/4HANA будет жизненный цикл примерно такой же длины. Скоро все заказчики перейдут на нее и осуществят трансформацию, что позволит более оперативно реагировать на изменение рыночной ситуации, оптимизировать цепочки поставок и прочие процессы.

У нас есть клиент в нефтегазовой отрасли, который на протяжении почти двух лет оценивал эффективность процессов в финансах и продажах, построенных на S/4HANA. В итоге он подтвердил, что благодаря возможностям, заложенным в систему, удалось сократить потребность в трудовых ресурсах для обслуживания процессов финансового контроллинга с 3 тыс. до менее чем 1 тыс. человек. Закрытие месячной финансовой отчетности сократилось с пяти недель до 10 дней.

– Складывается впечатление, что в России про цифровую трансформацию говорят больше, чем делают. А какова ситуация в Европе? Как вы оцениваете успехи большинства компаний?

Треть компаний, использующих новые технологии, относится к передовой волне. В современном мире огромную роль играют лидеры компаний – люди, оказывающиеся на передовом крае принятия решений. Я плотно работаю с нефтегазовым рынком и имею перед глазами пример компаний, которые плелись в хвосте инноваций, а затем у них менялись руководство и политика, в штате появлялась должность директора по инновациям – и в очень короткий срок они вырывались далеко вперед.

Российские клиенты делятся на две категории. Первая – крупные компании, которые работают с технологиями SAP уже 10-15 лет. Они являются лояльными клиентами, но медленно реагируют на новые возможности. Но есть и другие. Они, может быть, не столь активно вкладывались в развитие технологий, но быстрее поняли, что на рынке происходят изменения. Это дало возможность быстрее принять решение об использовании новых технологий, и, оценив первые результаты, они получили уверенность, что работы надо продолжать. Они делают скачок вверх, и таких компаний довольно много. Они очень осторожно подходят к принятию решений – первый проект может планироваться полтора-два года. А затем несколько следующих решений принимаются уже гораздо быстрее.

– Какое место занимают ИТ-директора в процессе трансформации?

Сейчас роль CIO в выборе правильной платформы и принятии решения о дальнейшем направлении развития велика как никогда. С появлением принципиально новых технологий, дающих огромные возможности, они играют основную роль в инновационном развитии компании. Эти технологии становятся необходимыми для движения компаний вперед. Аббревиатура CIO получает новое наполнение: ИТ-директора действительно становятся директорами по инновациям. И становится все яснее, что эта роль лидера по инновациям должна возлагаться на человека, который входит в высший слой управленцев. Раньше основная роль ИТ-директора заключалась в поддержке процессов необходимыми технологиями, повышении эффективности процессов, снижении затрат. Сейчас он берет на себя роль лидера по развитию компании, и его статус значительно повышается.

В последние годы в руководстве крупных европейских компаний появилась позиция директора по цифровизации – Chief Digital Officer, имеющего полномочия на серьезные изменения. Но если в компании при этом остается консервативный ИТ-директор, не настроенный что-либо менять, то это ни к чему хорошему не приведет. Во многом из-за этого сейчас в компаниях на место ИТ-директора нередко приходят руководители, имеющие мировоззрение цифровой эпохи и способные совместить в себе эти две роли. Такой подход дает лучший результат.

Иногда я вижу в советах директоров должность CITO – Chief Innovation/Transformation Officer. Эти люди не только несут ответственность за весь ИТ-бюджет, но и получают право реализации инновационных проектов. Мы в Accenture также пошли по этому пути: наш технический директор Пол Догерти стал Chief Technical and Innovation Officer. Именно таким образом инновации будут продвигаться в компании.

– Какие из новых, перспективных технологий способны наиболее радикально изменить корпоративные ИТ? Какие придут быстрее всего, а какие – окажут наибольшее влияние?

В большинстве компаний понимают: для того чтобы выйти на лидирующие позиции на рынке, нужна способность сделать новое, цифровое предложение, изменить собственную организацию, нужно использовать новые технологии, меняющие правила игры, – например, машинное обучение. Роботизация процессов используется компаниями уже успешно, и они готовы пойти дальше, в направлении систем искусственного интеллекта.

Большое значение приобретает и блокчейн; некоторые говорят, что его распространение стало более значимым событием, чем появление Интернета. Вполне возможно, что его использование в будущем станет обязательным, именно поэтому мы его особо отмечаем в своей стратегии. Конечно, во многих странах уже существуют устоявшиеся юридические рамки по оформлению отношений между компаниями и по проверке достоверности информации, но блокчейн все шире используется для внутреннего документооборота.

Наконец, говоря о новых технологиях, нельзя не сказать о по-прежнему растущей роли облаков как платформы для их работы. Сейчас более 50% компаний используют облака, а две трети заказчиков, внедряющих систему S/4HANA, требуют ее развертывания в облаке. Причина не сводится к ценовому вопросу, хотя и с ценой там все хорошо. Важнее то, что данные переносятся на платформу, в которой новинки появляются буквально каждый месяц. Например, многие переходят в среду Microsoft Azure, где мы можем обеспечить поддержку даже самых крупных заказчиков. Второй вариант – использовать собственную облачную платформу SAP. Кстати, она имеет свой ЦОД и в России. Это даст возможность сделать свою инфраструктуру открытой для будущего развития.

– Сразу после появления платформа HANA была довольно настороженно воспринята бизнес-сообществом даже в Европе. И до сих пор она не является общепринятой. В чем, на ваш взгляд, причина?

Классическим технологиям баз данных более 30 лет, и все эти годы они главенствовали на рынке. Они имеют значительные ограничения, которые, как следствие, характерны для всех корпоративных систем. Именно поэтому Хассо Платтнер, один из основателей SAP, обратился к нашей команде, чтобы мы разработали новую платформу, которая будет ориентирована на многоядерные системы и хранение информации в оперативной памяти, – уже тогда было понятно, что за таким подходом будущее.

Но, с другой стороны, принятие HANA сообществом требовало времени. В том числе и потому, что пришлось нарабатывать компетенции, приобретать необходимые навыки. Среди всех затрат, которые несет наша компания на переобучение и повышение квалификации специалистов, самая большая статья пришлась на HANA.

HANA была выведена на рынок в конце 2010 года. В прошлом году, когда мы проанализировали опыт пионеров, мы увидели, что рынок решений SAP изменился: примерно две трети всех проектов ведутся на новой платформе.

В последние пять лет, которые я работаю в Accenture, я воочию наблюдал процесс изменения мировоззрения клиентов. Сначала заказчики стали использовать HANA точечно – например, для задач оперативной аналитики. А в последнее время 80% проектов внедрения этой платформы имеют цель подготовить будущий переход на S/4HANA. Уже сейчас есть заказчики, работающие с единой базой, содержащей 200 млрд записей, которая используется для управления компанией во всем мире, в том числе для решения аналитических задач, а вычислительный комплекс содержит до 2 тыс. ядер. Это полностью меняет правила игры – все вычислительные нагрузки могут выполняться на единой базе.

Надо сказать, что число проектов HANA и S/4HANA нарастает и в России, причем большими темпами. Мы постоянно ведем работу по подготовке специалистов в российской SAP-практике, за последние два года нам удалось увеличить их число вдвое. Уже сейчас очевидно, что скоро нам придется снова удвоиться.

– Что еще сдерживает интерес клиентов? Может быть, они чувствуют, что им вместо одних технологических ограничений предлагают другие, связанные с обработкой данных в оперативной памяти?

Важно сказать, что технология in-memory – это вовсе не ключевой элемент HANA. Гораздо важнее столбцовая организация системы хранения транзакционных данных.

Среди барьеров ключевым все-таки является проблема компетенций. До сих пор встречаются компании, которые начинают проект по внедрению S/4HANA, не обладая достаточным опытом и знаниями, а потом с удивлением обнаруживают, что система не обеспечивает производительности, на которую они рассчитывали. Это вполне можно воспринимать как источник риска в ситуации, когда происходит переход на новую платформу, но игнорируются наработки в смежных областях. Именно поэтому я определил восемь профилей специалистов, которые необходимы для проекта на платформе HANA, чтобы обеспечить комплексное внедрение с ответственностью за результат. Эта работа была проведена на основе анализа 500 успешных проектов.

Некоторые из необходимых должностей имеют специфические названия. Например, архитектор ценности – специалист, имеющий глубокие отраслевые знания. Общий архитектор решения определяет, какие именно продукты следует использовать. Ключевую роль играет технический архитектор HANA – он принимает конкретные решения по отказоустойчивости, восстановлению данных и т. п. Далее следуют функциональные консультанты. Есть роль HANA data engineer, она во многом соответствует исследователю данных.

Как видите, нужен целый спектр компетенций – от консалтинга и руководства проектом до сугубо технических знаний.

– Какие шаги следует предпринять организациям, использующим старые, классические решения SAP, если они захотят перейти на новейшую версию S/4HANA?

Мы всегда рекомендуем начать с этапа выработки планов на будущее – digital roadmap. С помощью специально разработанного инструментария мы анализируем текущую ситуацию, выявляем специфические элементы решения, приносящие заказчику особые выгоды. Эта работа выполняется не только специалистами по SAP, но и отраслевиками. Затем в течение двух месяцев создается оптимальный план внедрения и производится расчет экономического эффекта.

Шаги, выполняемые заказчиком, такие как приобретение компетенций, формирование проектного офиса и перестройка бизнес-процессов, также входят в этот план. Важно понимать, что если заказчик, начинающий миграцию на S/4HANA, ограничится только преобразованиями внутри ИТ-департамента, то расходы будут понесены в полном объеме, а вот всю выгоду получить не удастся. Только когда в работу вовлекаются все бизнес-подразделения и она охватывает всю цепочку формирования стоимости, достигается максимальная выгода. Это должен быть полноценный бизнес-проект.

– Проекты SAP всегда считались не только дорогими, но еще и сложными и рискованными. Что делает ваша компания, чтобы снизить риски заказчиков?

Например, мы сами используем одну из крупнейших в мире реализаций SAP. Пока это Business Suite на платформе HANA, но уже в течение марта мы запустим переход на S/4HANA Enterprise Management. Наш CIO считает, что это будет самое масштабное изменение в компании с тех пор, как в 2003 году она вывела свои акции на биржу.

– Почему этот переход происходит только сейчас?

Мы большая компания, и, как всегда в таких случаях, нам нужно одобрить бюджет, провести подготовительные работы. А переход на платформу HANA нельзя обосновать просто улучшением работы финансового департамента.

Кроме того, чтобы перейти на новую платформу, нужно сделать целую последовательность предварительных шагов. Мы это выполнили, сейчас наступил заключительный этап. Переход со старой системы у нас занял четыре месяца. Для организации нашего масштаба это очень короткий срок.

Клиентам мы тоже рекомендуем пошаговый подход, где каждый из этапов длится несколько месяцев. То есть речь не идет о традиционном подходе, когда реализуется гигантский проект, под который готовится план на несколько лет. Предлагаемый нами поэтапный подход рассчитан на то, чтобы дать экономический эффект максимально быстро и чтобы он наблюдался после каждого этапа.

Окруженная изменяющейся бизнес-средой сфера образования вынуждена реагировать на внешние вызовы. Потребность в выводе на рынок новых актуальных программ, поиск источников финансирования и конкуренция со стороны других вузов – всё это заставляет образовательные учреждения пересмотреть свои приоритеты. Владимир Соловьев, руководитель департамента анализа данных, принятия решений и финансовых технологий Финансового университета при Правительстве РФ, рассказывает о трансформации университета, реализуемых в его рамках проектах и о личных взглядах на траекторию своего развития.

- Что дает возможность говорить о трансформации университета?

В результате развития технологий, и в первую очередь Интернета вещей, технологий обработки и анализа данных, очень сильно ускоряются процессы и появляются возможности создать принципиально новые продукты и услуги, выйти на новые рынки либо существенно масштабировать существующие задачи. И наш университет с этой точки зрения меняется весьма сильно. У нас каждый год появляются новые образовательные программы – например, в 2018 году запускаем магистерскую программу «Технологии блокчейн и криптовалюты», открывается много новых коротких курсов и дисциплин по выбору.

Но самое главное, что у нас трансформировалось, – это акценты. Традиционно мы, как и большинство вузов, фокусировались на учебном процессе, и преподаватели концентрировались именно на нем. Наука существовала – без нее нельзя, но по отношению к обучению она была вторичной. Мы же во главу угла поставили проектную деятельность на передовом рубеже технологий. Это совершенно прикладные задачи по созданию новых продуктов, основанных на обработке и анализе данных. Сейчас у нас на очереди проекты разработки интеллектуальных систем в области машинного обучения, больших данных, Интернета вещей и пр. В этой работе участвуют и студенты.

- Как сделать, чтобы изменения в бизнес-модели не пошли в ущерб изначальному предназначению университета – науке и обучению?

В ущерб не идут. Образовательный процесс также модифицировался. Возможно, необходимость в его изменении и стала стимулом к трансформации всей организации. Раньше можно было транслировать студентам «вечные» знания и отпускать их работать, чтобы этот фундамент наполнить конкретикой. Сейчас так нельзя – все меняется очень быстро, и мы рискуем начать учить профессиям, которые уже давно не востребованы. Конечно, есть ограничения, из-за которых мы не можем меняться очень быстро. Одно из них связано с тем, что образовательная программа, прежде чем вступить в силу, должна быть полностью сформирована – включая список дисциплин и их содержание. Скажем, к выпуску первых специалистов по блокчейну на дворе будет уже 2020 год. Что к тому времени изменится в технологиях – можно только предполагать.

В любом случае мы не хотим делать продукт среднего качества. Раньше в математической и ИТ-магистратуре была проблема, связанная с абстрактностью программ. Вроде бы собираются лучшие выпускники, имеющие определенный опыт, казалось бы, с ними должно быть очень интересно работать. Но в реальности было тяжело, поскольку интересы людей очень разрозненны, и обеспечить их равную заинтересованность и вовлеченность было сложно. Сейчас магистерские программы четко профилируются, и на обучение приходят люди, готовые с большим энтузиазмом заниматься именно данной проблематикой. И эти студенты не только наш продукт, но и наш ресурс, так как они активно участвуют в создании интеллектуальных сервисов. И на сервисах не только университет зарабатывает, зарабатывают и студенты.

- То есть трансформация обучения стала ответом на традиционные претензии к нашему высшему образованию – что студентов учат не тому и не так?

Выпускников ИТ-направлений, пожалуй, эти претензии касались в меньшей степени, чем других. Абсолютное большинство наших студентов к третьему курсу уже где-то работают. Но была претензия, что гораздо большему они учились на своих рабочих местах, а университет их только отвлекал.

Сейчас в некоторых областях мы взаимодействуем с работодателями, совместно определяем темы работ и задачи, интересные им. Бывает, что эти задачи фактически выполняются в рамках учебного плана и поэтому не требуют от работодателя дополнительных затрат, а порой выливаются в большие интересные проекты.

- Одним из наиболее интересных внутренних проектов университета стал «умный кампус». Какова его цель?

Да, год назад мы решили попробовать, что такое Интернет вещей. Мы уже несколько лет слышали про него и даже обсуждали на конференциях. И я считал, что нам в образовании он вряд ли чем-то может помочь. Но мы понимали, что это технология, с которой можно экспериментировать, и решили попробовать, изначально относясь к этому проекту как к площадке для отработки компетенций. Оказалось, что с его помощью можно сделать много полезного.

Анализ данных умного кампуса стал одной из самых интересных задач для нас как специалистов по машинному обучению и Интернету вещей. Университет может сам подстраиваться под обстановку: лампы реагируют на освещенность; когда в аудиторию приходит много людей, включаются системы кондиционирования; если в аудиториях становится холодно – включаются батареи. Аудитории автоматически считают посещаемость, камеры распознают лица, и потому отпадает необходимость в перекличке.

Что касается экономии электроэнергии, то мы пока не можем оценить результат, хотя нам самим интересно, что в итоге получится. Мне кажется, что большой экономии не будет, потому что аудиторий традиционно не хватает, они не пустуют, и учебный процесс в них идет с утра до вечера. С качеством воздуха тоже все понятно – разумеется, за пару накапливается углекислого газа больше допустимых значений, и аудитории целесообразно проветривать.

Гораздо более интересным для нас стало создание сервиса аналитики вовлеченности студентов в учебный процесс. С камер, размещенных в аудиториях, анализируются видеопотоки. В результате удается собрать распознанные лица, эмоции, расположение студентов, и на основании этих данных предварительно обученные модели машинного обучения оценивают вовлеченность студентов, находящихся на лекции или семинаре. Затем вся аналитика собирается в информационные панели, чтобы можно было видеть, как различаются показатели вовлеченности на различных факультетах, курсах, группах, как они меняются с течением времени.

- На какой стадии находится проект по анализу вовлеченности студентов?

Переходим от пилота к промышленной стадии. Мы тренировались на одной подключенной аудитории. Сейчас камеры размещены в большом корпусе и продолжается их расстановка, подключены 60 аудиторий из 500. Мы смотрим, каковы у разработанного решения проблемные места. Например, насколько охвачены системой студенты, сидящие по краям аудитории. И в любом случае требуется переобучение системы – наверняка обнаружится, что внешние признаки вовлеченности социологов будут отличаться от признаков вовлеченности айтишников и математиков. Есть и другие технические вопросы.

Первые выгоды университет получил задолго до того, как была проработана архитектура системы. Когда камеры разместили в аудиториях, ректор попросил вывести ему в кабинет картинку с них, и для всего университета наступили тяжелые времена. Но конечно, не дело ректора все свое время тратить на отслеживание качества обучения. Гораздо эффективнее поручить это интеллектуальному сервису. И цель вовсе не в том, чтобы увидеть, что какой-то конкретный студент скучает на занятиях, а преподаватель читает курс так, что на его лекциях засыпают. Нам важно понять «среднюю температуру» по аудитории, увидеть различия между факультетами, изменения в течение учебного года, диагностировать причины возникновения проблем. Важно не отчислять студентов или лишать премий преподавателей, а искать корень проблем.

Сейчас мы позиционируем систему как облачный сервис, к которому предложим подключаться заинтересованным вузам, и уже видим на него спрос. Но помимо умного кампуса есть много интересных проектов, которые мы делаем изначально для других.

«Цель вовсе не в том, чтобы увидеть, что какой-то конкретный студент скучает на занятиях, а преподаватель читает курс так, что на его лекциях засыпают. Нам важно понять «среднюю температуру» по аудитории, увидеть различия между факультетами, изменения в течение учебного года, диагностировать причины возникновения проблем», — Владимир Соловьев

- Нет ли планов сделать более всеобъемлющее решение, ориентированное не только на вузы?

Компетенции отработаны, и мы способны делать массу более простых сервисов – например, клиентскую аналитику для банков, позволяющую оценивать эмоции людей во время общения с операционистом. Вообще, мне кажется, что в видеоаналитике сейчас будет очень серьезный прорыв. Решения, подобные хоккейному Iceberg, будут способны извлекать из видео информацию, которую раньше было получить нереально.

Значительным недостатком видеолекций всегда было отсутствие эффективного поиска – единственным способом была прокрутка видео в поисках нужного момента. Сейчас уже есть доступные технологии индексирования и поиска по ключевым словам и персонам. Это применяется и в образовании, и в сфере безопасности, и в клиентском сервисе.

- Какими платформами пользовались при создании видеоаналитики?

Распознавание лиц перестало быть диковинкой, такая функция в приличном качестве присутствует у многих поставщиков. Мы используем Microsoft Cognitive Services. Microsoft – генеральный партнер нашего департамента, и во многом это объясняется возможностью использовать решения бесплатно. Гораздо больше проблем с языковыми сервисами – идеальной технологии пока нет ни у кого.

- Расскажите о наиболее интересных проектах, создаваемых при участии студентов.

Сейчас существует проблема, связанная с развитием дорожной сети, она решается на государственном уровне. Например, приобретаются датчики, размещаемые на столбах и определяющие скорость потока автомобилей. Очевидно, что в масштабах страны датчиков потребуется очень много – это огромные деньги. Мы разработали «программный датчик», измеряющий скорость потока по открытым данным из картографических сервисов. Никаких дополнительных инвестиций не потребуется: данные уже собираются и агрегируются, надо лишь извлечь их и обработать. Прямая экономия. Этот проект сделали несколько студентов бакалавриата под руководством преподавателей.

Расскажу еще об одной разработке: мы построили систему, определяющую начало и конец рыночных фаз. Например, многие предсказывали, что биткойн в декабре начнет падать, но в какой именно момент это произойдет – было неизвестно. Мы создали решение, которое с весьма большой точностью предсказывает моменты начала и конца фаз.

Кроме того, можно выделить интересный проект по мониторингу спроса на противоаллергенные препараты. Система в реальном времени собирает данные о продажах из аптек и отображает на карте, в каких районах города в аптеки выстраиваются очереди, а какие являются более благополучными. Такую статистику можно применять совершенно по-разному, например, люди на основе этой информации могут выбрать себе место жительства. Это решение мы хотели предложить аптечному бизнесу, но, как ни странно, в итоге заказчиком стал производитель фармацевтической продукции.

- Вероятно, эти проекты прошли через ваш фейс-контроль?

Не совсем. Я отвечаю за то, чтобы деятельность университета в области математики и информатики соответствовала требованиям рынка. А чтобы она соответствовала, рынок должен предъявлять спрос, выраженный в деньгах. Если заказчики интересуются и хотят реализовать пилотные проекты – очевидно, спрос есть. Если это фундаментальная наука, то заказчиками выступают различные фонды. В любом случае я себя чувствую на своем месте, понимаю, чем могу быть полезен.

С другой стороны, нам нужно продвигать науку. Каждый преподаватель исторически занимался научной деятельностью сам по себе. У нас были и есть выдающиеся личности с мировым именем, которые работают на переднем крае наук. Но есть понимание, что нужно сделать прорыв в какой-либо области, чтобы в ней были известны не отдельные личности, а сам университет имел свою нишу и был узнаваем как передовой научный центр. Выбор машинного обучения и блокчейна в качестве новых направлений был верным, сейчас видим, как конкуренты только начинают соответствующую работу.

- Как наступил тот момент, когда вы из ИТ перешли в бизнес?

У руководства университета возник трансформационный план, связанный с интеграцией усилий различных подразделений. Например, наш департамент – это почти 200 человек, в том числе 50 докторов наук и 100 кандидатов, – образовался из нескольких кафедр, специализировавшихся на математике и ИТ. Мне было предложено его возглавить.

Было непросто, возникали организационные проблемы, но уже сейчас мы чувствуем синергию. Интеллект каждого, вместо того чтобы конкурировать за «свою поляну», должен сосредоточиться на решении больших задач. Люди осознают это, и появляется инициатива. Проекты, которыми мы занимаемся, по своей сути инновационны, они не могут появиться в голове руководителя отдельно взятого подразделения. Здесь должны сойтись воедино соответствующие компетенции, спрос на рынке и взаимопонимание с заказчиком.

- Что для вас лично означал этот переход?

Я пересел на общественный транспорт, стал за 20 минут доезжать до работы и сбросил 10 кг.

Если серьезно, то переход этот очень существенный. Все-таки ИТ, несмотря на всю их важность, являются основными лишь в ИТ-компаниях, где находятся в одной весовой категории с маркетингом и продажами. Действительно, будучи ИТ-директором, приходится решать стратегические задачи организации, возможно, даже принимать участие в проработке стратегии. А находясь в бизнес-роли, ты можешь смотреть в более узком сегменте, но гораздо дальше. Я могу увидеть то, чего еще никто не видит, и постараться прыгнуть туда, попросив ИТ-службу мне помочь.

Если CIO знает, какие изменения произошли в технологиях и какая революция наблюдается в маркетинге, он совершенно точно знает, как лучше всех выстроить процесс маркетинга и продаж. Но что конкретно он может для этого сделать? Только поговорить с коллегой, отвечающим за это направление. Решение и ответственность будут у коммерческого директора. Перейдя в бизнес, можно не только предложить решение, но и претворить его в жизнь и потом за него ответить.

Кроме того, для любого руководителя важны коммуникации. Я любил свою прежнюю ИТ-команду, люблю и нынешнюю, но они совсем разные. Сейчас более актуален вопрос, как с помощью выдающихся личностей, каждая из которых имеет свою картину мира, свое понимание целей и задач, построить корабль, который движется вперед.

Директора по данным и аналитике начинают играть ключевую роль в проектах цифровой трансформации бизнеса. До сих пор они занимались управлением данными, их качеством, следили за выполнением нормативных требований, но теперь, как показал опрос Gartner Chief Data Officer Survey, их работа приносит осязаемую выгоду компаниям и создает в коллективах культуру, ориентированную на данные. Более половины CDO теперь подчиняются непосредственно одному из высших руководителей компании, а к 2021 году уже в трех четвертях крупных компаний роль службы CDO будет считаться не менее важной для бизнеса, чем роль ИТ-службы или финансового отдела.

Более трети опрошенных CDO заявили, что одним из главных критериев успешной работы для них является увеличение доходов компании. Вопросы снижения риска и экономии средств отходят на второй план. В их зону ответственности включены вопросы аналитики, этики использования данных и цифровой трансформации.

Проблеме роли CDO в современных компаниях и их профессиональной трансформации будет посвящен круглый стол, который пройдет в рамках конференции BIG DATA 2018. Мы поговорили с одним из участников мероприятия – Азатом Шамсутдиновым, директором направления машинного обучения и искусственного интеллекта компании North.AI, входящей в «Севергрупп».

- Каков ваш путь в профессию? Что для вас стало определяющим в ее выборе?

Моя профессия была предопределена со студенческой скамьи: еще будучи студентом Физтеха я понял, что хочу работать с данными, и особенно меня привлекали их возможности для бизнеса. Мне всегда были интересны нетривиальные задачи, я придумывал нестандартные решения, развиваясь как профессионал. Пробовал себя в разных сферах – успел поработать в тяжелой промышленности, в крупнейших ретейлерах и компаниях, занимающихся электронной коммерцией.

Часто приходилось выступать в роли эксперта по большим данным, в основном в зарубежных компаниях. К примеру, был проект с крупной американской производственной корпорацией. Особое значение этот проект имел для крупногабаритного транспорта, начиная с городских автобусов и заканчивая тяжелыми траками угледобывающих компаний Китая. Была поставлена амбициозная цель – показать, что использование газовых двигателей вместо дизельных увеличит маржинальность этих компаний. Технологии больших данных и искусственного интеллекта прекрасно вписались в решение этой задачи, и проект был успешно внедрен.

Сейчас я работаю в сфере HR-tech в «Севергрупп», где вместе с командой мы разрабатываем уникальный продукт для рынка HR. Самое главное – это понимать, что ты участвуешь в создании продукта с невероятным потенциалом, способного многое изменить и улучшить жизнь в будущем.

- Должность CDO до сих пор продолжает оставаться диковинкой в российских компаниях. Как вы думаете, почему? В какой компании эта должность нужна?

Машинное обучение, большие данные, искусственный интеллект, несомненно, стали популярным трендом последних лет. Много компаний с осторожностью присматриваются к этому тренду, но пока не знают, как эти технологии можно применить в бизнесе. Другие же, поддаваясь модным тенденциям, внедряют решения на базе технологий Big Data повсеместно – даже там, где они вовсе не требуются. По этой причине не все до конца понимают, какую роль в компании выполняет CDO и для чего он вообще нужен.

Если компания хочет удержаться в лидерах рынка и выжить в конкурентной борьбе, она не должна игнорировать новые технологии. Таким компаниям CDO необходим. В остальных, тем более без понимания сути технологий и их пользы для бизнеса, наличие такой позиции кажется бессмысленным.

- Наблюдается ли изменение роли CDO в последнее время и в каком направлении? Как вам видится их роль в будущем?

Я бы сказал, что скорее наблюдаются изменения в головах. Люди все больше осознают возможности новых технологий, и поэтому растет важность роли CDO в компании. Как следствие, возрастают требования к ним: понимание бизнеса, рынка и быстрое реагирование на изменения становятся таким же необходимым навыком для CDO, как и глубокое понимание данных.

- В последнее время часто говорится о том, что бизнес должен основываться на данных – быть data-driven, то есть альтернативой старому, «аналоговому» методу принятия решений. Что здесь зависит от CDO?

В современном мире с каждым годом компаниям становится тяжелее сохранять конкурентоспособность. Чтобы победить в борьбе с конкурентами, необходимо непрерывно развиваться и применять новейшие технологии. Но важно понимать, как правильно эти технологии применить и как получить от них максимальный эффект, а не просто поддаваться модным трендам.

Данные – это мощнейший инструмент для принятия решений. Они отражают реальную ситуацию, в которой находятся и рынок, и сама компания. Но, несмотря на огромный потенциал искусственного интеллекта, больших данных и других технологий, роль человека в принятии решений остается главной. Особенно в тех ситуциях, когда данные нерелевантны, недостаточны или вовсе отсутствуют. В таких случаях необходима работа агрегированной команды людей, глубоко понимающих тонкости бизнеса и его процессов, способных принимать решения, основываясь на данных и учитывая все изменения финансовых показателей компании.

- Имеет ли CDO возможность и компетенции, чтобы стать драйвером цифровой трансформации?

Компетенции – да, несомненно. Поскольку цифровая трансформация неразрывно связана с технологиями, основанными на анализе данных, стоит сказать, что CDО и есть тот человек, который должен быть драйвером цифровой трансформации в компании.

Что касается возможностей, это вопрос прежде всего корпоративной политики. Существует проблема, когда компании, пытаясь перейти на уровень Индустрии 4.0, на самом деле не до конца понимают цель внедрения новых технологий и в целом суть их применения. В этом случае возможности CDO сильно ограничиваются и так называемой цифровой трансформации не происходит.

- Что мешает работать CDO, каковы основные барьеры и как с ними бороться?

Многие компании не готовы к переменам, происходящим на рынке. Сегодня они чувствуют себя хорошо, но совсем нет гарантии, что ситуация не изменится в будущем. Вдобавок их останавливает то, что есть мало грамотных управленцев, знающих data-driven-бизнес изнутри и умеющих ответить на вопрос «где ROI?».

В современном мире необходимо бороться за каждого потребителя, а потому работа с данными – не просто модная фишка, а способ выживания для компании. На мой взгляд, как только придет понимание всех возможностей больших данных и искусственного интеллекта, все барьеры отпадут сами собой.

Мне сильно повезло, что наша компания очень продвинутая в плане новых технологий. Мы стараемся перевести производство и управление на новый уровень, применять последние разработки в сфере искусственного интеллекта. Поэтому барьеров и ограничений для работы нет, скорее, наоборот: любые инициативы в данном направлении поддерживаются.