Статьи

В Tele2 изначально уделяли большое внимание возможностям бизнес-подразделений по самостоятельному созданию необходимых им дата-продуктов. Именно такой подход позволил успешно провести оперативную миграцию на новый BI-инструмент и развивать аналитическую экспертизу внутри подразделений. О реализации проекта рассказывает Алевтина Тинас, руководитель департамента по управлению данными Tele2 и номинант на премию Data Award.

— Участвуя в премии Data Award 2022, вы рассказали о формировании платформы управления данными. Что изменилось за прошедший год, какие были ключевые успехи?

За прошедший год нам пришлось существенно пересмотреть планы развития в связи с изменившимися условиями. Около половины года мы, как и многие компании, работали над тем, чтобы стабилизировать работу всех систем и определить, какие компоненты нашей платформы данных мы сможем развивать дальше, а от чего придется отказаться. Планы развития, которые мы строили изначально, пришлось существенно пересмотреть, так как приоритетным стало обеспечение стабильной работы платформы в изменившихся условиях. Тем не менее мы поняли, что выстроенная нами платформа управления данными достаточно устойчива, что мы знаем, как с ней работать, и понимаем, как ей управлять. Во второй половине года мы уже вернулись к тому, что планировали ранее – наращиванию функциональности и развитию.

— Что из решений осталось, а что пришлось менять?

У нас остались практически все компоненты платформы управления данными, кроме нашего ключевого BI-решения. В начале года мы провели полный аудит, оценили, какие решения находятся в зоне риска. В первую очередь мы старались сохранить возможность работы всех наших компонентов системы, чтобы минимизировать затраты на повторное внедрение. Таким образом, BI-инструмент Tableau стал единственным самым критичным элементом нашей системы, использование которого мы не могли продолжить, соответственно, здесь нам требовалась срочная миграция.

— Дальнейшие перспективы по замене остальных решений тоже есть?

Естественно, мы будем внимательно анализировать ситуацию и принимать соответствующие решения. Мы видим, что современные решения по управлению данными достаточно динамично развиваются: если мы не сможем развивать компоненты нашей платформы, мы прекрасно понимаем, что через какое-то время они уже не будут отвечать новым задачам и вызовам. Тогда нужно будет искать какую-то альтернативу.

Мы начали с того, что было наиболее срочным, так как не могли оставить наш бизнес без инструмента визуализации данных. Мы, в первую очередь, ориентированы на то, чтобы продолжать предоставлять нашему бизнесу возможность проводить анализ данных, создавать новые продукты и одновременно с этим обеспечивать непрерывность работы платформы. Мы стараемся предоставить максимальные возможности с минимальными усилиями.

— Понятно, что любое «отключение рубильника» – это шоковая ситуация для компании...

Весной мы оказались в ситуации, когда у нас осталось меньше полугода работы ключевого решения, в развитие которого мы инвестировали практически три года. Нужно было срочно найти что-то новое и одновременно с этим обеспечить стабильность работы остальных систем, оставшихся без поддержки, и непрерывность получения информации для бизнеса.

— Полгода – это много или мало?

Нас абсолютно устраивало решение Tableau, и мы не рассматривали альтернатив, поэтому ситуация оказалась для нас неожиданной. Конечно, полгода – это мало для обстоятельного исследования рынка, выбора и реализации полноценного проекта внедрения, но, если бы наши лицензии заканчивались, скажем, в апреле, ситуация была бы гораздо сложнее. Таким образом у нас было время, поэтому мы составили план, крайне амбициозный и сжатый: буквально в течение месяца посмотреть на то, что есть на рынке, и принять решение.

— Как выбирали новое решение?

Основная задача заключалась в обеспечении непрерывности бизнес-процессов и предоставлении бизнес-заказчикам удобного решения, сопоставимого по функциональности с тем, что у нас было на данный момент. В этот момент нам очень помогло то, что мы изначально вкладывались в развитие культуры data-driven. Благодаря высокой вовлеченности аналитиков со стороны бизнеса нам без труда удалось собрать кросс-функциональную команду из ключевых пользователей BI-системы со стороны бизнес-подразделений и специалистов офиса данных. Я считаю, что это было очень правильным подходом, потому что, по сути, бизнес стал непосредственным участником выбора решения. Мы проанализировали около 20 решений, а больше 10 из них даже развернули во внутреннем контуре, чтобы реализовать пилотные проекты. Мы анализировали возможность оперативного погружения, порог входа наших разработчиков в новый инструмент, – нам было важно, чтобы наши аналитики от бизнеса могли оперативно начать разрабатывать дашборды. В результате совместная команда выбрала китайское решение – Fine BI, которое позволило быстро приступить к работе и по скорости разработки было сопоставимым с предыдущим решением.

— Насколько вы удовлетворены достижением поставленных целей?

Наш цель-минимум – обеспечить работоспособность отчетов, наиболее критичных для бизнеса, остановка которых была бы неприемлема. Цель-максимум – не потерять ничего из работающей функциональности и перенести все наше наследие. Мы понимали, что без привлечения самих бизнес-разработчиков справиться с миграцией такого количества отчетов в сжатые сроки нам не удастся. Мы договорились о том, что, отчетность, которая была разработана бизнес-подразделениями в Tableau в режиме self-service, они перенесут самостоятельно, а это основная часть работы. Мы поддерживали их во всех вопросах в части консультаций и обучения работе в новой системе. Благодаря привлечению всей компании к этому процессу, мы действительно добились поставленных целей, не приостановили работу никаких критичных дашбордов. За несколько месяцев удалось перевести в новое решение несколько десятков бизнес-функций, сотни бизнес-пользователей и дашбордов, а также организовать внутреннюю экспертизу с компетенциями по Fine BI.

— Насколько важен подход self-service в использовании инструментов анализа данных?

Продвижение подхода self-service в использовании инструментов анализа данных у нас началось с появлением дата-офиса. Мы изначально делали ставку на то, чтобы давать возможность бизнес-подразделениям самостоятельно создавать необходимые для них инструменты, дата-продукты, дашборды. Мы прекрасно понимали, что необходимую скорость и релевантность требованиям крайне сложно обеспечить централизованной командой. Если дашборды создают аналитики внутри бизнес-подразделений, им не нужен длительный и трудоемкий этап бизнес-анализа. Они сами находятся внутри бизнес-процесса и лучше кого бы то ни было понимают, каким образом нужно визуализировать данные для наиболее эффективного их использования. Поэтому мы изначально делали ставку на self-service, а сервис централизованной разработки оставляли только для реализации нестандартных, сложных отчетов, а также для консультаций разработчиков от бизнеса. Именно наличие подобных децентрализованных компетенций позволило нам оперативно осуществить миграцию на новый BI-инструмент.

— Что такое, с вашей точки зрения, культура data-driven?

В общепринятом смысле культура data-driven – это принятие решений на основании данных. Но мы для себя определяем культуру data-driven несколько глубже – это некий критический подход ко всей информации, которая используется для принятия решения. Это понимание того, на основе каких данных принимается решение, откуда они получены, каково их качество, кто ими владеет. Решения должны приниматься осознанно, и в момент их принятия необходимо четко понимать, что используется наиболее релевантная, корректная информация.

Есть различные элементы ее проявления и использования. Как раз к ним относится подход self-service, когда каждый сотрудник имеет возможность понять, какие данные у компании есть, где они находятся и как получить к ним доступ. А если это какой-то сложный расчетный показатель, то по какой методологии он считается и кто отвечает за его расчет. Чем больше людей пользуются этой возможностью в рамках своей ежедневной работы, тем выше та самая культура data-driven.

— Какие у вас планы по развитию инфраструктуры работы с данными?

Предыдущие три года мы активно занимались внедрением инструментов, обеспечивающих управление данными. Сейчас мы наполняем их контентом. Когда мы поняли, что многие системы остаются без поддержки и обновления, у нас появилась задача определить, какие бизнес-процессы находятся в зоне риска и что из этого наиболее критично. Проводя эту работу, мы выявили основную взаимосвязь между данными и бизнес-процессами компании. Это крайне важная информация, она нам помогает не только при проработке негативных сценариев, но и в ситуациях, когда мы реализуем изменения или сталкиваемся с проблемами качества данных.

Собрав всю эту информацию, мы разместили ее в нашем каталоге данных, определили связь с данными для основных, наиболее критичных процессов компании и дальше планируем развивать эту практику. Создавая новые объекты данных, аналитику, показатели, крайне важно фиксировать их описание, привязывать их к конкретным бизнес-процессам.

Сейчас наша платформа управления данными содержит все необходимые компоненты: каталог данных, бизнес-глоссарий, реестр отчетов, каталог предоставляемых сервисов, единый портал доступа, инструменты управления качеством данных, которые позволяют получить полную информацию о том, какие информационные активы есть в компании, кто является их владельцем, каким образом можно получить к ним доступ, какого качества данные и как мы это проверяем, а также в каких процессах компании эти активы используются. Теперь нашей ключевой задачей становится дальнейшее наполнение и поддержание актуальности всей этой информации.

— Внутри бизнес-подразделений появляются полноценные аналитические команды. Это уже не те «гражданские» аналитики, о которых повсеместно говорят, а что-то более серьезное?

Да, наши аналитические команды в бизнес-подразделениях – это не просто «гражданские» аналитики. Мы работаем в технологичном бизнесе, и у нас практически все бизнес-подразделения обладают достаточно глубокой технической экспертизой. Мы очень долго взвешивали: сможем ли мы эффективно выстроить управление разработкой и использованием данных со стороны бизнес-подразделений? Либо мы должны пресекать такие действия и давать в использование только те данные, которые получены централизованно и за которые мы готовы нести ответственность?

В итоге мы решили, что не хотим ограничивать бизнес, а наоборот будем стремиться предоставлять им как можно больше возможностей для анализа и работы с данными. У наших бизнес-подразделений есть возможность не только анализировать данные в витринах, разработанных централизованно, но и пользоваться «песочницами» и инструментами self-service. Они полноценно разрабатывают витрины, отчеты и потоки данных, могут ими делиться со всей компанией, а также имеют возможность эти потоки передать на поддержку в центральную команду.

На самом деле, образовавшиеся команды стали самостоятельными дата-офисами внутри бизнес-подразделений, которые обладают всеми возможностями для полноценной автономной работы с данными. Наша задача – предоставлять им необходимый инструментарий и организовывать процесс их работы, в том числе в части поиска источников необходимых данных, а также информации о качестве данных в этих источниках.

— Как это поддерживалось с организационной точки зрения?

С организационной точки зрения самое сложное и важное – внедрить единые подходы и инструменты, правильно донести информацию о действующих процессах и имеющихся возможностях.

У нас с самого создания дата-офиса активно развивается направление обучения и коммуникации. В рамках этого направления мы проводим регулярные информационные мероприятия, на которых рассказываем о возможностях инструментов, которые внедрены в нашей компании. Также у нас есть регулярные коммуникации, рассылки, в которых мы информируем всех заинтересованных о новых аналитических продуктах, витринах и показателях, которые мы разрабатываем централизованно, об инструментах, которые мы внедряем.

Мы создаем обучающие программы и курсы по инструментам и процессам качества данных, работе с дата-каталогам, подходам по управлению данными, инструментам BI и публикуем их на общекорпоративном обучающем портале.

Используем и другие подходы к обучению – например, при миграции BI-инструмента нам нужно было одномоментно обучить большое количество пользователей работе в незнакомом для них решении. Мы запустили марафон по данным, на котором в течение 10 дней рассказывали о возможностях нового инструмента. Этим марафоном мы охватили абсолютно всю компанию и достигли сразу нескольких целей: с одной стороны, обучили пользователей работе в новом для них инструменте, а с другой – привлекли новых разработчиков и пользователей BI-инструментов. Еще мы дали возможность разработчикам self-service BI рассказать о продуктах, которые они создают с помощью предложенных нами инструментов. В результате проведенных мероприятий у нас появилось внутреннее сообщество, где пользователи нового инструмента активно обсуждают актуальные вопросы работы в системе и делятся друг с другом полезными открытиями из личного опыта.

На данный момент, через полгода после внедрения нового решения, число пользователей, которые просматривают отчетность, увеличилось на 60% по сравнению с предыдущим решением, а количество разработчиков, которые создают дашборды в новом инструменте, увеличилось вдвое. Это значит, что появляются новые подразделения, которые раньше не пользовались современными инструментами анализа данных. Они понимают, что это легко, доступно, они самостоятельно начинают анализировать данные, создавать отчеты и дашборды для своих подразделений и принимать решения, основываясь на данных.

— Что из результатов дата-офиса вы считаете самым важным?

Если говорить о результатах дата-офиса в целом, то самое важное – это внедрение нашей платформы управления данными и активное ее распространение среди пользователей информационными активами в компании. Вся информация доступна, находится в едином месте, проверена и подтверждена со стороны централизованного офиса данных. Если говорить про прошедший год, то самое важное – мы ничего не «уронили», и наш бизнес продолжил получать сервисы по данным в полном объеме. Из непростой ситуации мы вынесли очень много полезного. Во-первых, мы начали самостоятельно разбираться с теми системами, которые у нас были на внешней поддержке, и поняли, что часто делаем это лучше. Во-вторых, при миграции BI-инструментов мы в полтора-два раза увеличили количество пользователей благодаря привлечению новых сотрудников регулярными коммуникациями и обучением. Из-за подготовки к негативным сценариям и стремления оценить их влияние на бизнес компании мы стали лучше понимать, как используются данные в бизнес-процессах компании, осознали, что это крайне важная информация, которую нужно хранить и развивать. Сложности рождают новые возможности.

— Каковы дальнейшие планы дата-офиса?

Мы не останавливаем развитие наших процессов и инструментов, однако понимаем, что какой-то длительный период нам придется работать в режиме экономии ресурсов, оборудования и ПО. Здесь на первый план выходит обеспечение эффективного использования данных. Важно уметь считать экономический эффект от имеющихся информационных активов – если одни и те же данные используются в нескольких бизнес-процессах, то затраты на их получение и хранение мы несем один раз, а эффект будет многократным. Мы планируем развивать такую аналитику и учитывать показатель экономической эффективности разных потоков данных при принятии решений об изменениях и развитии наших аналитических платформ. Конечно же, мы будем продолжать развивать инструменты и процессы self-service для предоставления новых возможностей нашему бизнесу в работе с данными. Дополнительно мы планируем еще больше внимания уделять вопросам безопасности данных – это направление сейчас особенно актуально.

Компания Lamoda создала персонального fashion-помощника, с помощью которого улучшает клиентский опыт и делает онлайн-покупки проще. Этот инструмент должен помочь в выполнении миссии компании – стать лидирующей fashion & lifestyle платформой в России и странах СНГ. О реализации проекта рассказывает Александра Пургина, руководитель отдела развития продуктов на основе данных Lamoda и номинант на премию Data Award.

- Какова история создания продукта fashion-помощник? Как к нему пришли?

Персональный помощник – это набор сервисов, улучшающий опыт клиента в покупке. Мы шли к нему не один год, сначала занимались развитием алгоритмов ранжирования каталога и поиска. Затем обратили внимание на одну из ключевых проблем при покупке в онлайне – выбор размера, и начали заниматься еще и ей. Сейчас это набор различных сервисов, которые в сумме дают пользователю хороший опыт покупки и незримо помогают человеку.

Персональный помощник включает в себя несколько сервисов: ML-ранжирование каталога, модель предсказания рекомендуемого размера для каждого пользователя, модель подбора образов к якорному товару, алгоритмы подбора похожих товаров, в том числе по визуальной схожести.

- В чем заключались проблемы, которые пытались решить?

Мы знаем, что покупка одежды, обуви, аксессуаров онлайн все еще вызывает ряд сложностей. Покупателям приходится ориентироваться в интерфейсах разных платформ, находить нужный товар среди тысяч предложений, выбирать подходящий размер у конкретного товара, так как разные размерные сетки и лекала приносят неопределенность. В результате далеко не все доходят до стадии оформления заказа, примерки и покупки вещи.

Набор сервисов персонального fashion-помощника позволяет экономить ресурс клиента, облегчая поиск нужных товаров внутри платформы. Это влияет как на создание лучшего опыта взаимодействия с Lamoda, так и на финансовые показатели компании. Чем точнее рекомендация, тем выше вероятность, что дальше она конвертируется в покупку. Также для компании это важное конкурентное преимущество перед другими маркетплейсами.

- Почему вы считаете, что «помощник» – это действительно важно и в эту работу имело смысл вкладываться? Может, покупателям Lamoda было бы более полезно что-то другое и силы можно было потратить с большей пользой?

Мы создаем продукты, полагаясь на запрос наших пользователей, цели бизнеса и ориентируемся на исследования рынка. Контекст наших покупателей таков: у человека возникают различные потребности в течение года – например, купить базовые вещи, обновить гардероб для летнего сезона, подготовиться к особому событию и т. д. Они сопровождаются запросом на эффективность и приятные эмоции. В одной ситуации у покупателя ограниченное время на покупку, ему хочется быстро сделать выбор без сложностей поиска среди большого количества альтернатив. В других ситуациях шопинг для наших покупателей – это способ расслабиться, приятно провести время и найти что-то новое для своего самовыражения. Именно эти задачи мы и решаем нашими сервисами, позволяя совершать и запланированные, и спонтанные покупки.

- Вы считаете, что для компании fashion-помощник – важное конкурентное преимущество. В чем его отличие от традиционных рекомендательных систем других компаний?

Отличие – в связке глубокого понимания запроса и ожиданий клиентов от fashion-платформы вместе с персонализацией предложения под этот запрос. Мы обеспечиваем более качественные и проработанные под нашу аудиторию решения, в отличие от стандартных рекомендательных систем. Благодаря этому аудитория Lamoda может получать уникальный опыт покупки, основанный на их действиях на сайте.

- Что «под капотом»? Какой математический аппарат используется?

Под капотом большие данные, алгоритмы машинного обучения и их эффективное применение в высоконагруженных сервисах. Мы используем доступные данные о действиях пользователей на сайте и в приложениях Lamoda: какие товары смотрели и добавляли в избранное, какие делали покупки. На основании данных ежедневно рассчитывается несколько сотен признаков, описывающих предпочтения наших пользователей: к брендам, стилям, ценовому диапазону, размерам и многим другим характеристикам.

По части алгоритмов машинного обучения мы применяем как подходы из классического машинного обучения (градиентный бустинг на деревьях), так и нейросетевые подходы для эффективной работы и использования сигнала из фотографий товаров. Используемый стек технологий: Big Data (Hadoop, PySpark, Hive), Python, Golang, Catboost, PyTorch, Airflow, Docker.

- Сколько ресурсов потрачено на проект?

В этом году над сервисами fashion-помощника работало 25 человек – это несколько команд, состоящих из дата-сайентистов, бэкенд- и мобильных разработчиков, QA-инженеров, продуктовых и проектных менеджеров, аналитиков и тимлидов.

- Что в ходе проекта было самым сложным?

Техническая сторона вопроса занимает много времени: подготовка технического стека, чтобы перейти в ранжировании каталога сначала на машинное обучение, а потом и на персонализированное ранжирование, подготовка инфраструктуры для дальнейших экспериментов.

Наиболее сложным был переход от ежедневного пакетного получения прогноза ML-модели для всех товаров и крупных сегментов пользователей к новой архитектуре с применением ML-модели в режиме реального времени в высоконагруженных сервисах, без которой эффективная и качественная персонализация под каждого клиента была бы невозможна.

- Что получилось особенно удачно? Чем вы гордитесь?

Особенно гордимся персональным ранжированием каталога и подборкой образов к товару. С помощью искусственного интеллекта мы научились предсказывать, какие товары будут интересны конкретному пользователю, и теперь показываем их вверху выдачи. Для такой персонализации анализируется и используется информация о том, какими брендами, цветами, в каком ценовом диапазоне и в каком размере клиент интересовался, что он покупал или искал.

В мобильных приложениях на странице товара запущен A/B-тест подборки образов «С чем носить». Учитывая то, с чем наши пользователи покупали якорный товар, ML-алгоритм предлагает несколько образов к каждому товару, то есть «учится стилю» напрямую у наших пользователей. А чтобы к летним балеткам не предлагались пуховики, стилисты Lamoda составили формулы образов, которые также используются в алгоритме. Получилось очень красиво — и с точки зрения дизайна, и по содержимому образов. Ожидаем, что наши рекомендации вдохновят людей собирать, заказывать модные образы и больше покупать на Lamoda.

- Какими численными результатами можете похвастаться?

В каждом A/B-тесте мы отслеживаем изменения конверсий по всей воронке продаж: стали ли люди больше добавлять товары в избранное, в корзину, стало ли людям проще совершать заказ, выросло ли число заказанных и купленных товаров. В рамках сервисов fashion-помощника все эти показатели также выросли. Например, если говорить о нашем последнем успешном запуске, то новый алгоритм ранжирования каталога увеличил метрики воронки: добавление в избранное выросло на 3%, добавление в корзину — на 3%, заказы — на 2%.

- В каком направлении будет развиваться fashion-помощник?

Миссия Lamoda – стать лидирующей fashion & lifestyle платформой в России и странах СНГ. Персональный fashion-помощник – один из инструментов, который способствует достижению этой задачи.

Наша разработка упрощает процесс онлайн-покупок и делает моду доступной для миллионов пользователей. Lamoda – это площадка не только для поиска нужного товара, но и для вдохновения. Сервисы fashion-помощника позволяют пользователям находить товары даже по самым необычным запросам (например, «сумка-банан»), определять подходящий размер и даже подбирать дополняющие товары к образу.

Мир постоянно меняется, появляются новые технологии и новые задачи для компаний. Вместе с этим меняется клиент и его потребности и ожидания от онлайн-сервисов. Мы хотим быть рядом, когда человек проходит через все эти изменения, и помогать адаптироваться в меняющемся мире, делать его жизнь чуточку проще.

Компании HFLabs и Platforma предлагают использовать синергетический эффект от объединения данных разных компаний безопасным образом – так, чтобы партнеры смогли получить дополнительную информацию о профиле своего клиента за счет сведений, которые есть у других игроков. Что важно, данные клиентов при этом не раскрываются. О подробностях проекта безопасного мэтчинга рассказывает Никита Назаров, технический директор HFLabs.

— Сопоставление и сведение воедино разных баз данных – не такая простая задача даже в рамках одной организации. Каким образом вы предлагаете обеспечить решение подобной задачи для разных организаций, причем с соблюдением требований регуляторов?

Наша компания накопила большой опыт в области работы с данными. Так, мы уже 17 лет занимаемся формированием эталонных клиентских баз для банков, страховых компаний, телеком-операторов. Крупный бизнес на протяжении многих лет активно собирает информацию о клиентах и, по сути, узнал о них уже практически все в рамках своих возможностей. Тем не менее, есть способ улучшить понимание клиента – за счет информации, которая есть у компаний других отраслей.

Мы, например, применяем такой подход. Каждый из участников экосистемы наших партнеров с помощью одного из разработанных нами программных модулей обезличивает имеющиеся у него клиентские данные, а затем передает их в федеративный узел (hub) данных. Некая третья сторона (в нашем проекте в этом качестве выступает Platforma – разработчик решений для бизнеса на основе больших данных) предоставляет так называемую «чистую комнату», где происходит сопоставление, объединение данных и формирование межотраслевого суперпрофиля клиента. Например, мы выясняем, что клиент компании 1 с идентификатором 01 и клиент компании 2 с идентификатором 02 – один и тот же человек. И так далее. Основываясь на полученных результатах, специалисты по данным каждой из организаций могут обучать свои скоринговые модели.

Регулятор сам активно ищет способы, как обеспечить участникам рынка «песочницу», где они могли бы безопасно обмениваться данными. В нашем проекте предусмотрен обмен только обезличенными данными – для статистических и аналитических целей. В этом, собственно, и состоит ключевая идея безопасного мэтчинга данных, которая легла в основу вашего проекта: компании могут получить дополнительную информацию о портрете своего клиента за счет сведений, которые есть у других игроков, при этом данные клиентов не раскрываются.

— В каких организациях и в каких сценариях применения безопасный мэтчинг данных будет иметь важное значение?

Безопасный мэтчинг данных могут использовать компании из любых отраслей. Но наибольший эффект он даст крупным B2C-игрокам, которые уже исчерпали возможности работы с собственными данными. В бизнесе есть термин «красный океан», он описывает конкурентную борьбу на рынке, насыщенном игроками. Для компаний, находящихся в условиях «красного океана», приоритетом становится не привлечение новых, а удержание постоянных клиентов, поэтому они и стремятся понять их как можно лучше.

— Какие цели ставили перед собой участники вашего проекта в самом начале? Пришлось ли переформулировать цели по ходу проекта?

Нет, не пришлось. Мы изначально понимали, что нам нужно сформировать платформу, выстроить сквозной процесс для безопасного мэтчинга и отладить схему взаимодействия между участниками пилотного проекта. Все работы шли в рамках двух треков: технического и организационного. Мы взяли на себя техническую сторону, компания Platforma – организационную.

— Какие подходы и технологии – инструменты и платформы вы выбрали для реализации безопасного мэтчинга данных?

В основе безопасного мэтчинга данных лежат локальные модули хеширования, которые передаются конкретным участникам проекта. Именно эти модули хранят в себе бизнес-логику обезличивания. Они приводят базу участников пилотного проекта к единому формату, нормализуют данные, дедуплицируют их и специальным образом обезличивают. Разработчиком модуля выступила наша компания HFLabs, а транспортный, интеграционный слой реализовали коллеги из Platforma.

«Сердце» мэтчинга – федеративный узел данных внутри ИТ-контура компании Platforma. Он сопоставляет и объединяет деперсонализированные хешированные выгрузки участников проекта, руководствуясь при этом определенными критериями. Федеративный узел данных – также собственная разработка HFLabs. Сами приложения написаны на языках Java и Kotlin, ключевая библиотека – Spring, а в качестве хранилища данных используется объектное хранилище S3 в частном облаке.

Первым шагом нашего проекта стала организационная фаза: нужно было договориться со всеми участниками проекта. На следующей стадии мы сфокусировались на подготовке локальных модулей. Наконец, в ходе третьей фазы был создан федеративный узел данных.

— С какими сложностями пришлось столкнуться в ходе проекта и как их удалось преодолеть?

Как показал пилотный проект, сразу приступить к хешированию данных невозможно. Даже внутри одной компании один и тот же человек может быть записан по-разному (например, в одной системе имя записано как «Наталья», а в другой – «Наталия»). Кроме того, участники могут использовать разные модели данных.

При подготовке к хешированию мы сначала провели поиск схожих данных с помощью механизмов дедупликации и алгоритмов, учитывающих синонимы, опечатки, взаимозаменяемые слова, устаревшие наименования населенных пунктов – эти процедуры помогли выявить неявное дублирование данных.

— Каковы результаты вашего проекта безопасного мэтчинга данных на текущий момент?

Главным результатом можно считать то, что к платформе обмена уже подключены два первых участника. Процесс безопасного мэтчинга поставлен на промышленные рельсы: по команде одного из участников формируется запрос на мэтчинг, после чего актуальные базы двух компаний загружаются, сопоставляются и объединяются. Наш узел данных может в любой момент принять новых игроков.

Мы уже работаем с крупнейшими представителями телекома и банковской отрасли. На этапе пилота мы специально эмулировали рост объема объединяемых данных и убедились, что производительность при этом не деградирует.

— Какие результаты проделанной вами работы способны обеспечить повышение эффективности бизнеса организаций, которые воспользуются вашими технологиями? За счет чего оно произойдет?

Представим, что я – банк. Я никогда не узнаю, какую страховку покупает мой клиент, как часто он путешествует по России, есть ли у него дети и пр. У меня нет полной картины о жизни клиента, следовательно, обеспечить соответствие его ожиданиям и сделать ему релевантное предложение мне будет довольно трудно.

Если мы вместе с телеком-оператором найдем общих клиентов, то сможем предложить им новые совместные программы лояльности. Кроме того, ускорится доступ клиентов к новым услугам. Например, банк охотнее выдаст кредит, зная, что человек исправно оплачивает мобильную связь.

При этом не нужно путать безопасный мэтчинг с классическим обогащением данных – участники проекта не получают никаких новых контактов потребителей.

— Какое влияние на рынок способен оказать безопасный мэтчинг данных? В чем оно будет заключаться, на каких рыночных показателях сможет отразиться?

Как я уже говорил, безопасный мэтчинг открывает перспективы в работе с действующими клиентами. Компании смогут лучше их понимать, более точно оценивать их поведение, а значит, генерировать для своих потребителей релевантные приложения и снижать вероятность их оттока. Все это повышает пожизненную ценность клиента (Customer Lifetime Value, CLV) – прибыль, которую компания может получить от одного клиента за все время сотрудничества с ним. Именно здесь, на наш взгляд, для крупного бизнеса открывается новая возможность роста.

— Каковы дальнейшие перспективы вашего проекта?

Прежде всего мы планируем подключить новых участников обмена данными. Главная задача состоит в том, чтобы участники рынка поверили, что обмениваться данными можно безопасным образом.

Среди инженерных вызовов, которые предстоит решить, – работа с большими объемами данных и использование большего количества критериев, чтобы принимать решение об идентичности клиентских записей разных участников. Например, в качестве одного из критериев сопоставления мы планируем использовать вложения (embeddings).

Система мониторинга промышленного оборудования «Диспетчер» от ГК «Цифра» получила масштабное внедрение на предприятиях «Атомэнергомаша» – машиностроительного дивизиона «Росатома». Реализация проекта заложила фундамент для развития цифрового производства и повышения его управляемости. О проекте рассказывает Сергей Бондаренко, заместитель генерального директора АО «Атомэнергомаш» и номинант на премию Data Award.

— Каковы были предпосылки реализации проекта?

Машиностроительный дивизион «Атомэнергомаш» уже на заре цифровизации промышленности России – в 2010-ые годы – начал проявлять интерес к системам контроля эффективности работы производственных активов, а именно дорогостоящего промышленного оборудования. Мы пробовали внедрять различные решения на нескольких единицах оборудования, в том числе от Siemens и OMATIVE. Локальные внедрения первых цифровых технологий давали необходимую информацию, но при этом требовалась ручная обработка данных и отсутствовала консолидация. К началу 2020-х уже было понятно, что для производства нужны инструменты автоматизации, и не только локальные.

Мы стали смотреть на российские решения, которые бы обеспечили синергию всех активов с возможностью управления от Корпорации и связку с планом производства, технологией выполнения, логистическими цепочками и отказоустойчивостью оборудования. Два с половиной года назад совместно с фондом «Сколково» мы решили принять участие в пилотном проекте федеральной программы по внедрению отечественных аппаратно-программных комплексов при софинансировании государства. Это предложение удачно совпало с комплексной программой цифровизации, которую проводит «Атомэнергомаш». Наши предприятия протестировали технологию, сравнили «Диспетчер» от ГК «Цифра» с другими АИС по удобству, функционалу и возможностям, и согласились, что эта система полностью соответствует нашим запросам.

— Какие были поставлены цели, чего хотели достичь?

Предприятиям «Атомэнергомаша» требовалось обеспечить контроль работы основного технологического оборудования в режиме реального времени. Для этого на наших станках были установлены специальные блоки и датчики, непрерывно снимающие показания с оборудования. Данные, собранные со всех производственных площадок, позволяют анализировать производительность и загруженность станков, точно планировать производство, устранять причины простоев, получать оповещения о внештатных ситуациях и оперативно реагировать на них. Если смотреть шире, то теперь у нас есть вся информация о статусе работы станков, чтобы своевременно принимать и корректировать управленческие решения для повышения эффективности, а также гарантировать высокий уровень координации между площадками.

Растущий портфель заказов предприятий «Атомэнергомаша» потребовал высокоточного управления загрузкой оборудования, находящегося на критически важном пути производства. Для этого был инициирован данный проект. Используя данные из системы мониторинга, можно определить время полезной работы станка, оценить доступные резервы, а также в целом управлять производством и повышать его эффективность.

— Какие решения были использованы?

Для реализации проекта использовался комплекс ИТ-продуктов «Диспетчер». «Диспетчер MDC» – крупнейшая в России система мониторинга работы промышленного оборудования и производственного персонала на предприятии. Мы выбрали этот продукт, потому что он полностью соответствует концепции импортонезависимости – программное обеспечение и вся аппаратная часть произведены в Российской Федерации компанией «Цифра». При этом уровень отечественной разработки полностью соответствует потребностям современных производств. В ходе внедрения разработчики модифицировали «Диспетчер» под запросы предприятий дивизиона, так что в итоге его стали называть системой мониторинга производственного оборудования — СМПО.

— Что было сделано в рамках проекта?

К мониторингу были подключены более 400 станков на семи производственных площадках «Атомэнергомаша».В связи с высокой значимостью проект вошел в число приоритетных и был реализован вместо запланированных двух лет за один год.

«Диспетчер» запустили в пяти российских городах: на производственных площадках «ЗиО-Подольск» и «Гидропресс» в Подольске, «Атоммаш» и «Атомтрубопроводмонтаж» в Волгодонске, на предприятии «Петрозаводскмаш» в Петрозаводске, а также в «Опытном конструкторском бюро машиностроения имени И. И. Африкантова» в Нижнем Новгороде и «Центральном конструкторском бюро машиностроения» в Санкт-Петербурге.

— Какие результаты достигнуты?

Раньше данные о загрузке, выработке и простоях оборудования были субъективными, так как замеры производились нашими специалистами вручную на каждом участке. Теперь на подключенных к системе предприятиях еженедельно автоматически формируются отчеты по каждому цеху, станку и сотруднику. В них обозначены все ключевые показатели работы, а у простоев зафиксированы причины и время. Дополнительно в цехах установлены мониторы, где в реальном времени транслируется ключевая информация о состоянии оборудования. После внедрения СМПО вся цепочка работ стала прозрачной.

Если говорить о цифрах, мы увеличили производственную загрузку ключевого оборудования на 7%. А вот, например, на участке обработки деталей из силицированного графита на ЦКБМ, загрузка возросла с 40 до 67%.

При этом общий важный результат – создание фундамента для цифрового производства, повышение его управляемости. Еще один косвенный эффект – формирование культуры открытости, ведь теперь все прозрачно и у рабочих нет возможности скрывать факты рабочего процесса, а значит они вынуждены вовлекаться в оптимизацию производственной деятельности.

— А если говорить о финансовых результатах?

Оценки осторожные, прямой эффект оценить сложно, так как СМПО лишь оперативно формирует объективную информацию. Без своевременного реагирования персонала, без эффективного решения выявленных проблем эффектов бы не было. В Росатоме на высоком уровне зрелости функционирует производственная система – ПСР. Вот совокупность этих инструментов в части загрузки станочного парка в 2022 году принесла нам более 80 млн руб.

— Были ли в результате анализа данных об оборудовании сделаны какие-то неожиданные открытия?

Неожиданных открытий не было. Были выявлены на ряде площадок так называемые «узкие места», а также определены их причины. Сама суть внедренной системы не в открытии «неожиданностей», а в правильном применении полученных данных и повышении эффективности работы всех производственных переделов на всех площадках.

— Что было самым сложным в ходе проекта?

«Атомэнергомаш» имеет высокопроизводительное сложное оборудование, выполняющее важные стратегические заказы. Одним из вызовов в ходе проекта было согласование графика отключения производственного оборудования для его адаптации и подключения к комплексу «Диспетчер».

Вызов для поставщика – масштабность проекта, реализованного в короткие сроки. Проект охватывал сразу несколько производственных площадок, на которых параллельно велась работа команд внедрения.

— Каково значение проекта для бизнеса компании?

Достигнуто несколько важных целей. В первую очередь, это точное управление загрузкой оборудования, стоящего на критическом пути производства. Кроме того, важна интеграция данных, собираемых со станочного оборудования, и переход к безбумажному сквозному производственному планированию. Это позволило повысить производительность труда и упростить процедуру выявления возможных производственных проблем.

Еще один аспект – мы научились использовать данные СМПО для принятия инвестиционных решений. Сейчас ни один инвестиционный проект не открывается, пока на основании данных СМПО не доказано, что все действующие станки задействованы максимально.

Наконец, можно отметить рост культуры производства и обеспечение технологического суверенитета.

— В каком направлении будет развиваться система, внедренная на «Атомэнергомаше»?

Безусловно, останавливаться на первом этапе мы не планируем. Мы видим эффекты от СМПО, и эти эффекты постоянны. Будем расширять количество подключенного оборудования. В этом году мы запускаем проект по формированию методологии использовании данных СМПО в задачах повышения эффективности, уточняем и совершенствуем динамическую отчетность. Далее, в наших планах связать систему с данными видеоаналитики, позиционирования персонала и интегрировать в систему оптимизатор планирования производства. Это позволит объединить данные о работе станков с данными о работе операторов и автоматизировать принятие управленческих решений.

В Государственной инспекции по контролю за использованием объектов недвижимости города Москвы продолжают практику использования нейросетей для автоматического выявления признаков нарушений в области землепользования. Дарья Казакова, заместитель начальника отдела мониторинга вовлечения земельных участков Госинспекции по недвижимости Москвы и номинант на премию Data Award, рассказала о новых проектах, позволяющих оптимизировать надзорную деятельность.

— В прошлом году, участвуя в Data Award, Госинспекция по недвижимости рассказала об использовании алгоритмов для автоматического выявления нарушений по пяти сценариям. Какова судьба этих проектов, каковы итоги, как вы сами оцениваете их результаты?

Алгоритмы применяются в деятельности Госинспекции по недвижимости для автоматического выявления признаков нарушений в области землепользования. В настоящий момент проводится работа по совершенствованию их работы, а также ведется разработка новых алгоритмов по новым типам нарушений.

Поскольку для ряда алгоритмов сохраняется потребность в анализе архивных источников, нами в настоящий момент апробируется технология по распознаванию постобработки архивной разрешительной и технической документации. В рамках пилотного проекта, который мы проводили в 2022 году, проведена оценка точности распознавания текста документов и выявления атрибутов. Ее основными преимуществами являются быстрая проверка на наличие штампов и печатей, распознавание рукописных дат и номеров документов, качественное извлечение данных из таблиц с четкими линиями, а также точное извлечение машинописных атрибутов, имеющих фиксированный формат.

— Что произошло за последний год? Появились ли новые приоритетные задачи или корректировка направления работ?

Мы ведем активную работу по совершенствованию и разработке новых инструментов контроля. В рамках достижения стратегической цели по использованию городского пространства с максимальной экономической эффективностью, одной и приоритетных задач является внедрение и увеличение количества алгоритмов получения информации для повышения объективизации процессуальных решений.

— Новые представленные вами решения направлены на сферу строительства: стройплощадки, летние кафе, мусор. Почему эта задача важна для вас?

На территории столицы зарегистрировано огромное количество объектов недвижимости, они все различны по своему назначению и фактическому использованию. Мы считаем важным убедиться, что объекты соответствуют градостроительным нормам, а при выявлении нарушения – привести эти объекты в соответствии с регламентами.

— Одним из источников данных являются городские камеры ЕЦХД. Неужели кому-то еще приходит в голову «нарушать» под камерами?

Тут необходимо уточнить, что городские камеры ЕЦХД не фиксируют нарушение. В рамках информационного взаимодействия мы получаем скриншоты объектов, которые передаются на анализ искусственной нейронной сети (ИНС). Ее задача – определить по фотографии наличие признака нарушения. Для реализации такой нейросети совместно с ДИТ города Москвы была проделана большая методическая и технологическая работа по ее обучению.

— Другой источник данных – БПЛА. О каких именно аппаратах идет речь, в чьих интересах они работают?

В нашем распоряжении мульти-роторные системы DJI maviс 2 и DJI mavic 3. В ведомственной системе реализован функционал по формированию и согласованию полетов, а также автоматической передаче изображений на анализ ИНС из системы АИС Госинспекции по недвижимости.

— Есть ли какая-нибудь особенность у данных видов нарушений и практики их выявления?

Для детектирования событий с помощью ИНС разрабатываются альбомы нарушений, которые содержат описание признаков нарушений и их примеры на изображениях. Это четкий набор критериев и условий, по которым обучается нейронная сеть.

— Каких результатов удалось достичь? Как это соотносится с ожиданиями?

По результатам внедрения технологии ИНС можно сделать вывод, что точность и эффективность этого метода в обнаружении событий составляет более 90%. По итогам 2022 года около трети (30,4%) нарушений в области землепользования было выявлено Госинспекцией при помощи нейросети.

— А чего можно ожидать в дальнейшем?

В настоящий момент мы апробируем новые источники получения данных для анализа нейронной сетью, такие как камеры, установленные на транспортные средства, и анализ спутниковых снимков. В 2022 году совместно с ДИТ мы провели пилотный проект по выбору оптимального решения для автоматического обнаружения изменений в городской среде на основе космоснимков. По итогу проведения сравнительного тестирования было определено лучшее программное обеспечение, которое путем сравнения географически привязанных снимков одной и той же местности, сделанных за разные периоды времени, обнаруживает с точностью более 90% следующие события: появление объекта капитального строительства, временных строений и строительных площадок, исчезновение объекта капитального строительства и временных строений, а также пространственное изменение объекта капитального строительства, временных строений или строительных площадок на более чем 20 кв. м.

— Что показывает практика – каких из видов нарушений больше? А с какими из них бороться сложнее всего и почему?

Статистика обработанных ИНС изображений по камерам БПЛА и ЕЦХД, на которых зафиксированы объекты контроля, по итогам 2022 года следующая: строительные площадки – 37,5 тыс. с БПЛА и 49 тыс. с ЕЦХД, навалы – 43,5 тыс. и 65 тыс., летние кафе – 6 тыс. и 6,5 тыс. соответственно. Объемы датасетов для анализа ИНС по каждому детектору различны. Приведены лишь сводные данные о количестве изображений, проанализированных данной технологией.

— Вы считаете, что нивелирование человеческого фактора позволяет выстроить доверительные отношения между Госинспекцией по недвижимости и подконтрольными ей субъектами. Чем это помогает в работе и почему является целью?

Применение той или иной технологии не говорит о том, что человеческий труд будет полностью заменен. Целью цифровизации является внедрение цифровых технологий в конкретный бизнес-процесс организации, направленное на его оптимизацию и приводящее к росту продуктивности. Поэтому, применяя цифровые технологии, мы обеспечиваем автоматизацию и оптимизацию деятельности, которые способствуют производительности и стандартизации производственных процессов.

Современные технологии становятся неотъемлемой частью социальных проектов, и сервисы билайна помогают сделать жизнь людей лучше. О применении больших данных и технологий искусственного интеллекта в социальных инициативах компании рассказывает Константин Романов, директор по искусственному интеллекту и цифровым продуктам ПАО «ВымпелКом» и номинант на премию Data Award.

— Откуда у компании интерес к социальным инициативам?

Мы реализуем ESG-стратегию, миссия которой формулируется как возможность влиять на социальные и экономические проблемы с помощью современных технологий: разрабатывать и поддерживать новые проекты, делиться экспертизой, предоставлять платформу для развития. Такой подход мы используем в развитии технологий с использованием больших данных и искусственного интеллекта для поисково-спасательного отряда «ЛизаАлерт», а также технологий для социального сектора, медицины и экологического направления. Несмотря на то, что большие данные призваны помогать нашим клиентам развивать или создавать бизнес, активная социальная позиция – это то, что нас драйвит. Я ощущаю это как культурный код команды билайна.

— Расскажите о реализуемых вами проектах.

«билайн.Поиск» (18+) – это платформа для помощи в поиске пропавших людей с использованием технологии анализа больших данных. Решение разработано специально для поиска людей и позволяет находить потенциальных свидетелей, а также людей, с высокой вероятностью обладающих дополнительной информацией о пропавшем человеке. Для команды билайна и волонтеров свидетели остаются неизвестны, так как весь процесс их поиска – это автоматизированная работа сложных алгоритмов. Найденным контактам обеспечивается отправка сообщений со сведениями о пропавшем человеке с фотографией, приметами, возрастом и телефоном горячей линии поисково-спасательного отряда «ЛизаАлерт» для сообщения имеющейся информации о пропавшем. Далее собирается статистика по звонкам со свидетельствами.

«билайн.Поиск» & Digital Indoor – решение двух сервисов билайна по поиску людей с помощью медиаэкранов в магазинах сети «Пятерочка». На экраны выводятся ориентировки на людей, чьим поиском занимается отряд «ЛизаАлерт» в данном районе, с целью привлечь внимание гостей магазинов и поиска людей, которые могли узнать или видеть пропавшего. Когда на экране появляется объявление о пропаже, внимание покупателей к нему возрастает на 50%.

«beeline AI — поиск людей» — технология на основе сверточных нейронных сетей. Она призвана распознавать образ человека и следы его присутствия на тысячах снимков, сделанных дроном при облете лесных массивов, промышленных зон, полей. Это помогает в десятки раз сократить время анализа местности и экономить физические силы людей, позволяя более оперативно принимать решения о стратегии проведения спасательной операции. Как правило, за один полет дрон делает около 2,5 тыс. фотографий, которые команда из 30 человек отсматривает примерно пять часов. Обычно одного полета недостаточно, и получаются тысячи отснятых фотографий. Мы предложили заменить человеческий глаз искусственным интеллектом.

— Вероятно, реализуемые проекты касаются не только поиска людей?

Да. Мы подписали соглашение о сотрудничестве с Сеченовским Университетом. Оно стало основой для создания цифровой лаборатории и продуктов с использованием искусственного интеллекта в медицине. Такие решения могут помочь снизить нагрузку на врачей и сделать диагностику заболеваний и патологий эффективнее, так как результат анализа данных используется врачами в качестве «второго мнения» при постановке диагноза.

Наконец, «Контроль площадок сбора ТБО» — решение по видеоаналитике, используемое для повышения качества жизни жителей населенных пунктов России. Его цель – обеспечить почти 100% уровень контроля за чистотой контейнерных площадок, наличием и степенью заполненности контейнеров для сбора твердых бытовых отходов разных типов и своевременно дать сигнал о необходимости вывоза отходов с помощью анализа видеозаписей нейронными ML-моделями.

— Какие технологии использованы для проекта «билайн.Поиск»?

В проекте для отряда «ЛизаАлерт» используются данные абонентов, которые дали согласие на получение рассылок по сети связи. На текущий момент реализовано три сценария поиска потенциальных свидетелей с помощью алгоритмов больших данных. Самый очевидный из них – абоненты, бывшие в определенном радиусе во время последнего факта связи телефона пропавшего абонента с вышкой сотовой связи. Второй сценарий – абоненты, находившиеся в определенном радиусе в то время, когда пропавшего видели в последний раз. Наконец, абоненты, часто пересекавшиеся с пропавшим в одном и том же месте в одно и то же время. Повторюсь, что все данные остаются анонимными и обезличенными для всех участников процесса. Получив сообщение, человек сам принимает решение связаться с отрядом и сообщить информацию о пропавшем.

Для поддержки одного поиска обрабатывается более 1 Тбайт данных. На нашей платформе внедрена модель автоматического распознавания статуса по пропавшему для реализации автоматической остановки показов. Это важно в случае, если человека нашли. В настоящий момент приложением пользуется специально выделенная команда кураторов «ЛизаАлерт» из восьми человек.

Проект по поиску людей с помощью медиаэкранов в Москве реализуется на базе платформы Digital Indoor, которая использует «умные» алгоритмы для настройки сообщений на удаленных рекламных носителях. Если кто-то из гостей магазинов «Пятёрочка» узнает пропавшего человека, он может сообщить об этом на круглосуточную горячую линию отряда «ЛизаАлерт».

При разработке технологии особое внимание уделялось скорости, которая так важна в первые часы поиска пропавших. Информация о человеке и фото загружаются в личный кабинет волонтерами «ЛизаАлерт» в пределах двух минут и благодаря привязке к геопозиции оперативно выводятся на экраны магазинов в свободные эфирные слоты в радиусе 5–10 км от места, где человек находился или был замечен в последний раз.

Используя инфраструктурные решения компании, поисково-спасательный отряд «ЛизаАлерт» в 2021 году провел более 42 тыс. поисков, более 30 тыс. человек спасены. Всего за время 12-летнего сотрудничества удалось спасти более 150 тыс. человек.

— В другом поисковом проекте речь идет об анализе изображений…

Поиски с использованием беспилотной авиации и технологии «Beeline AI — поиск людей» проводились более 800 раз. Во время вылетов было сделано порядка 700 тыс. снимков, а общий трек беспилотников составил более 20 тыс. км. Непосредственно с воздуха пилоты направления и группы просмотра нашли в 2021 году 42 человека. При этом решение билайн отработало более 1,5 тыс. сложных «квадратов» — поля, болота, лесные завалы и т.п. «Проверка» местности с воздуха позволяет определить стратегию поиска, векторы направления поисковых групп, что в итоге позволило за год сэкономить 12 тыс. часов работы добровольцев. А люди – это главный ресурс поисково-спасательных операций.

Всего за несколько лет с помощью технологии Beeline AI обработано более 1,5 млн снимков, а непосредственно с воздуха найдено около 100 человек. При этом данные за 2022 год пока не подсчитаны.

— Использование ИИ в медицине постепенно становится мейнстримом?

Безусловно. Мы видим интерес не только со стороны разработчиков ИТ-решений, но и медицинского сообщества. В результате тестирования решения мы с точностью более 80% научились предсказывать вероятность развития патологии тазобедренного сустава, в частности – синовита и повреждения хряща (это наиболее часто встречающиеся патологии). Особенно это важно на ранних стадиях развития заболевания. Данная патология сложна в ранней диагностике, и билайн – одна из немногих компаний в мире, которая взялась за создание решения, которое может использоваться специалистами при назначении лечения.

Кроме того, среди медицинских проектов можно выделить морфометрический анализ гистологических препаратов. Наша технология сегментации может помочь сэкономить время дорогих специалистов и сократить ожидание пациентов на проведение обязательного анализа. Система сегментирует биопсию почки с точностью до 92% и биопсию толстой кишки с точностью до 99%. Использование ИИ в дальнейшем анализе помогает врачам сформировать персонализированные рекомендации по терапии.

В трансплантологии ИИ-анализ способен помочь врачам в вопросе по принятию или отторжению органа, основываясь в том числе на результате анализа данных. В настоящий момент мы научились прогнозировать вероятность клеточного отторжения с точностью 92%. Результат анализа данных является вспомогательным инструментом, решение по диагнозу принимает квалифицированный специалист. Точность моделей рассчитана в результате тестирования решений.

— А что с мусорными контейнерами?

Это решение для бизнеса и государства мы создавали с мыслью о ежедневных проблемах каждого человека: чисто ли на площадке, где играют дети, комфортно ли во дворе проходить мимо зоны с мусорными контейнерами, адекватно ли работают подрядные организации, отрабатывая расходы «за вывоз мусора».

В решении «Контроль площадок сбора ТБО» для сегментации мусора и детекции баков и мусоровозов используются нейронные ML-модели. Они могут обрабатывать до 5 кадров в секунду с камеры на карте T4, что позволяет при обработке 1 изображения с камеры в 30 минут, обрабатывать на одной карте до 8 тыс. камер. Модели обучались на 1 тыс. изображений.

Сервис позволяет анализировать в режиме реального времени состояние контейнеров и площадок вокруг них, выставлять интегральную оценку их состояния. Мы умеем детектировать три типа мусорных контейнеров: обычный, раздельный и для твердых отходов. Умеем определять замусоренность при ориентации камеры на контейнер сбоку и при ориентации внутрь контейнера. Отдельно от степени заполнения баков определяется замусоренность площадки. Точность работы модели составляет до 98%.

В целом, сервис предоставляет операторам возможность оптимизировать свою работу, до 20% уменьшить пробег спецтехники, снизить вероятность получения штрафов, а также выявлять факты несанкционированного выброса мусора. Потенциально такое решение может использоваться и надзорными органами для повышения ответственности и качества работы операторов по вывозу ТБО. В целях использования сервиса клиент самостоятельно уведомляет о ведении видеонаблюдения. Мы, в свою очередь, предоставляем доступ к сервису или программному обеспечению, позволяющему автоматически анализировать состояние контейнеров и площадок вокруг них.

— Почему это важно для компании?

В основе стратегии устойчивого развития билайна лежит понимание, что эффективное развитие бизнеса сопряжено с очень серьезной включенностью в решение стратегически важных задач экономики и общества. Наш выбор – создание технологий, которые могут усилить инновационный потенциал страны и оказать значимое позитивное воздействие на жизни людей. Кроме того, опрос вовлеченности сотрудников показал, что возможность участвовать в реализации социально значимых проектов положительно влияет на их выбор билайна как работодателя. Они гордятся своей деятельностью в этой связи и положительно относятся к переключению с бизнес-проектов на социальные и обратно.

В B2B-Center создали методологию, позволяющую вывести управление НСИ на системный уровень. О подходах к созданию решения и достигаемых результатах рассказывает Виктор Мастеров, руководитель бизнес-линии НСИ компании B2B-Center и номинант на премию Data Award.

— Что привело к созданию решения? В чем заключаются решаемые проблемы?

Наш опыт показывает, что после решения насущных проблем, таких как создание корпоративного справочника и повышение качества данных, компании неизбежно приходят к необходимости комплексного управления НСИ. Поэтому мы разработали и предложили рынку методологический подход, который выводит прикладные задачи на системный уровень. Он является фундаментом для формирования экосистемы НСИ на предприятии.

Мы — «пионеры» рынка электронных торгов России. За 20 лет мы прошли путь от небольшой компании до лидера рейтинга ЭТП, в чьем портфеле есть разнообразные сервисы для корпоративных закупок и продаж, а также решение для сквозной автоматизации закупочного процесса B2B Altis.

Управление нормативно-справочной информацией является одним из ключевых направлений нашего бизнеса. На сегодняшний день мы реализовали свыше 35 крупных проектов по НСИ, многие из которых включали интеграцию, программную разработку, консалтинг и нормализацию данных. Среди наших заказчиков — «Кордиант», «Макфа», «Полиметалл», "Российские коммунальные системы", «Самолет», «Хеликон».

— В чем особенность и «фишка» вашего подхода?

Для наших основных заказчиков — директоров по закупкам — автоматизация НСИ не является первоочередным вопросом. Они сосредоточены на надежном снабжении своих предприятий качественными товарами, в необходимый срок и по оптимальным ценам.

Ключевая особенность нашего подхода как раз в том, что мы предлагаем вывести управление НСИ на системообразующий уровень. Мы говорим о том, что данные — это прежде всего инструмент достижения стратегических целей предприятия. И чтобы эффективно ими управлять, необходимо провести комплексную оценку всех бизнес-процессов.

В НСИ мы выделяем несколько компонентов. Это инфраструктура НСИ, компетенции, ресурсы, изменения. В рамках каждого компонента решаются как фундаментальные, так и прикладные задачи.

На фундаментальном уровне задача НСИ сводится к тому, чтобы управлять уровнем соответствия данных тем физическим объектам, которые они описывают. Мы должны смоделировать оптимальный состав данных и механизм их интерпретации. Отбор признаков диктуют потребности различных подразделений: финансы, закупки, маркетинг и т.д. Недостаток данных — проблема для многих предприятий. Но не меньшие сложности возникают из-за их избыточности. Компания задействует ресурсы и мощности, накапливает информацию и не может ее в последствии эффективно применить.

Прикладные задачи, которые мы помогаем решать — это подготовка данных для внедрения ERP-системы, повышение эффективности закупочного процесса, обеспечение уровня качества поступающих данных и т.д.

— Какой методологический аппарат используется?

Мы стремимся построить устойчивую и гибкую экосистему НСИ. В основе нашей методологии лежит принцип сдержек и противовесов.

Например, на предприятии существует проблема занесения некорректных данных в справочник. Мы не пытаемся найти единственное решение, а предлагаем разнести задачу по различным слоям, внедрить несколько микрорешений. Это могут быть методологические (архитектура самого справочника), технические (стандартизированные формы занесения информации) и административные инструменты. Все они работают на одну задачу и уравновешивают друг друга.

Принцип сдержек и противовесов с одной стороны повышает устойчивость системы НСИ перед человеческим фактором и риском возникновения недостоверных данных, а с другой — позволяет гибко и эффективно управлять конфигурацией системы в условиях меняющегося контекста.

— Какие требования вы предъявляли к создаваемому решению, какие принципы старались соблюдать?

Основной принцип — построение цельной и взаимосвязанной экосистемы НСИ, которая учитывает специфику отдельно взятого предприятия. Для нас важно было разработать такой подход, который можно легко масштабировать на предприятиях всех отраслей с различным уровнем зрелости внутренних бизнес-процессов и ИТ-инфраструктуры.

— На какой платформе реализовано решение?

Экосистема НСИ реализована на технологической базе B2B-Center. Мы разработали ряд функциональных модулей: «Информационное ядро», «Мой справочник НСИ» — для самостоятельной нормализации и поддержки качества данных; Darwin — для совместного управления проектами нормализации; «Заявки Тьюринга» — для передачи функций ведения НСИ на аутсорсинг. Из них можно сконфигурировать оптимальное решение для конкретной компании. При этом мы дополнительно предлагаем методологию, которую можно самостоятельно или с нашей помощью реализовать на собственной ИТ-инфраструктуре.

— Кто является целевой аудиторией, какие компании могут быть заинтересованы?

Крупный и средний бизнес любых отраслей, для которого актуальна работа с данными, как с важнейшим компонентом эффективного управления.

— Каких эффектов может ожидать компания?

Мы помогаем выстроить эффективный подход к управлению количественным и качественным составом данных, снизить издержки на обработку избыточных данных, их актуализацию, ИТ-инфраструктуру. В конечном итоге повышается качество принимаемых управленческих решений.

У нас накоплена широкая экспертиза в управлении данными о коммерческих закупках. Наши решения в этой сфере позволяют cэкономить на трудозатратах на ведение корпоративных справочников до 40%, уменьшить складские запасы на 20%, снизить простои команды НСИ до 30% в год.

— Кто ваши клиенты? Что ими уже достигнуто?

Среди наших клиентов крупные и средние предприятия из горнодобывающей отрасти, АПК, фармацевтики, транспорта и логистики. Уже реализованные проекты предполагали разный масштаб внедряемых изменений. Среди решенных задач можно выделить несколько направлений. Во-первых, это автоматизация сквозной аналитики и отчетности для закупочного процесса по предприятиям группы в разрезе поставщиков, стоимости ТМЦ и услуг, категорий закупок. Во-вторых, внедрение принципов интерпретации и формирование самих данных для централизации процесса закупок в рамках группы компаний. Кроме того, мы выполнили формирование и аутсорсинг операционной функции НСИ для группы компаний, включая актуализацию, поддержку целостности, обогащение и нормализацию номенклатурных данных. Наконец, снижение риска возникновения некорректных данных за счет автоматической проверки качества входящих данных, внедрения контрольных точек и анализа взаимодействия пользователя с ИТ-системой.

— Каковы направления развития решения?

Прежде всего, мы хотим изменить само отношение рынка к управлению НСИ. Показать, что это не просто прикладная задача, а важная стратегическая функция наравне с другими процессами. И эффективность этих процессов зачастую зависит от НСИ и качества данных.

В перспективе мы хотим создать максимально полную базу устойчивых методологических шаблонов, по которым формируются и интерпретируются данные на предприятиях. Это поможет нам эффективно и быстро их автоматизировать, а также масштабировать решение с учетом специфики различных отраслей.

«Нетология», MTS AI и NtechLab совместно разработали бесплатный обучающий курс по разметке данных, целевая аудитория которого – люди с расстройствами аутистического спектра и другими ограничениями здоровья. С учетом дефицита таких специалистов это поможет выпускникам стать востребованными. О реализации проекта рассказывают номинанты на премию Data Award – Анна Дружкина, руководитель центра работы с данными MTS AI, Валентина Куренкова, GR-директор «Нетологии» и Надежда Глебко, руководитель группы по разметке данных NtechLab.

— Как родилась идея этого проекта?

Надежда Глебко: Идея сделать инклюзивный онлайн-курс по разметке данных пришла мне после успешного опыта стажировки и трудоустройства сотрудника с расстройством аутистического спектра (РАС). Я увидела, что особенности РАС в каком-то смысле помогают размечать данные, как это ни удивительно. Разметка данных предполагает долгий и однообразный труд, требующий внимания, усидчивости, способности обнаружить свои ошибки. Для многих людей работа исключительно по инструкции и без разнообразия воспринимается тяжело, но не для людей с РАС. В силу специфики функционирования когнитивных функций именно шаблонная работа дается им легче всего – а в разметке как раз не должно быть вариативности, все строго по инструкции. Кроме того, разметка данных обладает низким порогом вхождения в профессию и может осуществляться из любой точки мира с компьютером и интернетом, поэтому такой вариант подработки может стать для многих в буквальном смысле спасением. Также стоит отметить, что разметка данных становится все более востребованной, а потому спрос на грамотных специалистов растет. Именно эти наблюдения и привели к созданию этого проекта. Безусловно, NtechLab в одиночку было бы тяжело реализовать эту идею, поэтому после недолгих обсуждений с коллегами из МТС и «Нетологии» было принято решение о реализации проекта.

Валентина Куренкова: К нам обратились наши партнеры из NtechLab с предложением вместе поработать над таким курсом. У нас уже есть опыт обучения людей с ограниченными возможностями здоровья. В прошлом году в рамках проекта «Цифровые профессии» у нас начали обучаться более 3 тыс. людей с инвалидностью, а мы адаптировали образовательные программы в соответствии с потребностями таких людей.

Анна Дружкина: Разметка данных – относительно новая специальность, которой нигде не учат. А потребность в разметчиках действительно растет день ото дня. У нас в компании есть постоянная необходимость в разных видах разметки аудио, текста и изображений. Мы регулярно проводим обучение новых приходящих к нам сотрудников, так что у нас довольно обширная экспертиза. Мы рады возможности доработать наш курс и прочитать его для новой аудитории. Более того, у нас есть сотрудники с ограниченными возможностями здоровья, и это очень позитивный опыт.

— На какие именно ограничения здоровья ориентировались? Кто является целевой аудиторией?

Н.Г.: При разработке онлайн-курса мы прежде всего ориентировались именно на РАС, поскольку именно с такими ребятами был опыт взаимодействия. Тем не менее, эксперты постарались максимально расширить целевую аудиторию, чтобы люди с различными ограничениями здоровья – например, моторными или слуховыми – также могли пройти обучение. Конечно, здесь стоит учитывать, что мы в любом случае не обучим всех. Несмотря на низкий порог входа, разметка данных требует развитых коммуникативных навыков, уверенного владения ПК, способности понимать инструкции и ориентироваться на нее при работе, а это могут далеко не все люди. Но перспективность данного проекта от этого не теряется.

В.К.: Люди с аутистическими расстройствами внимательны к деталям, усидчивы и могут запоминать большие объемы информации. Это, если хотите, их суперспособность и конкурентное преимущество. Поэтому мы верим, что у наших студентов получится реализовать себя в сфере ИТ.

— Каковы задачи проекта?

Н.Г.: Наша задача – научить студентов такой востребованной в последнее время специальности, как разметка данных. Мы создали курс, в котором обучаем студентов разным видам разметки текста, аудио, видео и изображений. Мы учим их пользоваться распространенными инструментами разметки, а также рассказываем, как начать карьеру в области разметки данных и как взаимодействовать с заказчиками.

А.Д.: Общая цель курса состоит в том, чтобы дать слушателям представление о профессии разметчика: показать само существование такой возможности и помочь им освоить специальность разметчика. Таким образом, надо познакомить студентов с основными видами разметки, с полным циклом рабочего процесса разметчика, от постановки задачи до оценки качества разметки, дать возможность попрактиковаться на реальных заданиях.

— Что собой представляет курс?

Н.Г.: Курс рассчитан на 100 студентов и проходит в четыре потока. Сейчас проходят первые два потока курса, и студенты уже приступили к подготовке дипломных проектов. Каждый поток курса длится три месяца (22 часа теории и 28 часов практики в формате видеолекций, онлайн-встреч с преподавателями и практических заданий).

А.Д.: За это время студенты осваивают разметку изображений: классификацию, выделение объектов, сегментацию; разметку видео; разметку аудио: отекстовку (транскрибирование с привязкой ко времени) и сравнение; разметку текста: выделение именованных сущностей, классификацию, вопросно-ответные задачи, задачи генерации текста. Также они узнают некоторые базовые понятия из области машинного обучения, а также проходят небольшой карьерный блок, посвященный старту в профессии. Таким образом, студенты осваивают полноценную профессию разметчика.

В.К.: За три месяца обучения студенты освоят два инструмента и научатся размечать в них четыре типа данных: изображения, аудио, видео и текст. Каждую неделю студентов ждет практическое занятие с экспертом, на котором участники рассмотрят, как инструмент работает на практике, домашнее задание с проверкой, а также онлайн-консультация с преподавателем, где студенты смогут задать свои вопросы. Одна неделя – одна задача в копилку студента. По итогам обучения слушатель выполняет проект. Ему предстоит разметить большой датасет самостоятельно. После обучения студентов ждет карьерный блок, где мы совместно с партнерами расскажем ребятам, как найти работу, и сопроводим их в поиске первого проекта на краудсорсинговых платформах.

— Как учитываются в ходе обучения особенности студентов? Или в этом нет необходимости?

Н.Г.: На самом деле, каких-то существенных отличий в процессе обучения от других онлайн-курсов нет. Обучение в данном случае не должно быть легким, а для самих студентов не должно быть особых поблажек, поскольку целью обучения является подготовка востребованных специалистов. Однако, безусловно, мы учитывали особенности потенциальных студентов с РАС. Перед запуском первого потока все причастные к курсу эксперты и специалисты проходили специальный тренинг на тему того, как лучше вести коммуникацию. В качестве особенностей, например, можно выделить то, что наши студенты всегда задают много вопросов – заметно больше обычного. Также на занятиях всегда необходимо давать больше деталей, прописывать и проговаривать все то, что кажется очевидным. Это может показаться нудным и мешающим процессу, но вкладываться в сотрудников на этапе обучения важно и полезно для любого работодателя, если он хочет видеть эффективность в дальнейшем.

— Какие платформы и данные используются?

А.Д.: Для разметки используются платформы CVAT и Label Studio, одни из самых широко используемых платформ для разметки. Важно давать актуальные инструменты, чтобы у студентов был опыт с реальными инструментами и материалами.

В качестве «сырых данных» мы используем наши рабочие инструкции, адаптированные под программу курса, и реальные данные, которые можно распространять, а также данные из открытых корпусов и материалы соревнований по машинному обучению.

— Каковы первые результаты?

В.К.: Первый поток уже приступает к дипломным задачам. Второй поток проходит занятия. Набраны третий и четвертый поток. До конца 2023 года мы планируем обучить 100 студентов.

А.Д.: Мы будем помогать выпускникам с трудоустройством, как в МТС и NtechLab, так и в компании наших партнеров. На реальных примерах докажем: людям с аутизмом есть место в ИТ.

— Получаются действительно полноценные специалисты?

Н.Г.: Основываясь на собственном опыте и опыте коллег, например, из «МВС Груп», могу с уверенностью сказать, что ребята с РАС – прекрасные кандидаты на разметчиков данных. На данный момент такой наш сотрудник выполняет все поставленные ему задачи. Конечно, в начале всегда надо немного помочь с объяснением задания. Однако при должном уровне организации работы и построения коммуникации это не составляет большого труда.

— Среди других компаний есть интерес?

Н.Г.: Чем больше мы освещаем эту тему, тем выше интерес. Многие компании опасаются вступать на путь инклюзии, поскольку видят для себя в этом разные риски, например, большие затраты различных ресурсов. Также велико и влияние стереотипных представлениях о «не таких» людях. Правда же состоит в том, что каждый из нас – обычный человек со своими особенностями. И когда удается показать компаниям вокруг, что ребят с РАС не стоит бояться и что помогать находить таким людям работу – это не только про благотворительность, но еще и про пользу компании, вот тогда интерес начинает появляться. Надеюсь, что данный курс послужит катализатором развития инклюзивности во многих ИТ-компаниях.

А.Д.: Да, коллеги из других компаний интересуются и нашим проектом, и возможностями найма и стажировок наших выпускников.

— В чем роль проекта для общества?

А.Д.: Это первый в России подобный курс, который помогает людям с ограниченными возможностями здоровья получить востребованную специальность. Мы рассчитываем, что благодаря таким проектам у людей с ограниченными возможностями здоровья появится возможность быть востребованными. Разметчиков данных не хватает на рынке, в то время как потребность в них постоянно растет, поскольку компаниям постоянно необходимы обработанные данные для эффективного обучения систем искусственного интеллекта.

Разметка данных – реальный способ для людей с ограниченными возможностями начать карьеру в ИТ. Люди с аутистическими расстройствами внимательны к деталям, усидчивы и могут запоминать большие объемы информации. Это их конкурентное преимущество. Поэтому мы верим, что у наших студентов получится реализовать себя в новой профессии.

В.К.: Мы верим, что проект поможет людям с ограниченными возможностями здоровья получить новую профессию и изменить жизнь.

А.Д.: Конечно, наш курс учит тех, кто хочет научиться разметке данных, но не менее важно то, что у людей появляется представление о самом существовании такой профессии.

— Есть ли у вас планы по развитию проекта?

Н.Г.: Курс стартовал только недавно, поэтому конкретные планы по развитию имеет смысл строить по итогам первых потоков, чтобы оценить эффективность обучения и т.д. Однако уже на данный момент есть идеи по поводу расширения целевой аудитории, чтобы разметка данных была еще более доступной для освоения.

В ICL Services разработали и реализовали устройство сбора и передачи данных с диагностического офтальмологического оборудования, а также серверные и веб-приложения для их декодирования. Включение диагностического оборудования в цифровой контур клиник позволило ускорить процессы и минимизировать ошибки. О реализации проекта рассказывает Илья Апполонов, старший руководитель группы Интернета вещей направления цифровых технологий ICL Services и номинант на премию Data Award.

— Какова история реализации проекта: зачем это потребовалось, в чем заключались проблемы?

Одному из наших заказчиков – медицинскому центру «КОРД» – потребовалось оцифровать и интегрировать данные с диагностического офтальмологического оборудования в общую цифровую среду на базе «1С: Управление медицинским центром».

Проект был инициирован с несколькими целями. Требовалось уйти от хранения медицинских архивов в бумажном виде и увеличить скорость и качество обслуживания пациентов на стадии диагностики. Кроме того, было важно повысить эффективность цифровизации за счет перевода данных диагностики в цифровой вид и интеграции в медицинскую информационную систему.

Фактически речь шла об интеграции медицинского оборудования в цифровой контур компании.

— Почему это важно?

Архив медицинских данных – это огромное количество бумажных носителей, которые по регламенту должны храниться в медицинском учреждении на протяжении многих лет. Такой объем документов занимает большую площадь, а активная деятельность организации с каждым месяцем увеличивает потребность в свободных площадях для хранения. Перевод в цифровую форму позволяет прямым образом снизить затраты на всю цепочку процессов, связанных с бумажными носителями: закупку бумаги, печатающих устройств, их заправка, ремонт и сервис, ручное архивирование и поднятие из архива карт, поиск информации внутри медкарт, анализ медицинской информации в научных и производственных целях.

Сейчас процесс обслуживания пациентов в большинстве клиник не является сквозным с точки зрения обработки данных в информационных системах: приходится что-то делать вручную, вводить данные анализов, привязывать к электронной карточке пациента и т.д. Это может вызывать появление ошибок в данных, задержки в обслуживании, делает невозможным оперативное предоставление доступа к данным для пациента.

— Какие задачи были поставлены перед проектом?

Проект призван интегрировать диагностические данные со специфичного медицинского оборудования, которое не имело открытых стандартных средств сетевого взаимодействия, в медицинскую информационную систему на базе «1С».

— Какой подход был выбран для их решения?

Для решения поставленной задачи был использован программируемый сервер последовательных портов собственной разработки, который позволял не только передать данные в режиме моста, но и на стороне оборудования преобразовать «сырые» данные из формата производителя оборудования в общепринятый формат обмена данными (JSON). Для сервера последовательных портов разработана библиотека конвертеров под различные модели медицинского оборудования, которые автоматически подключаются в зависимости от того, на каком оборудовании установлен сервер портов. Для оператора оборудования (медицинской сестры) было разработано веб-приложение, которое запускается на планшете на рабочем месте и отображает полученные с оборудования данные диагностики. При этом формат данных идентичен тому, который ранее был представлен на бумажном чеке. То есть с точки зрения человека, который работает с оборудованием, бумажный чек просто стал цифровым и с ним можно привычно работать, остается только подтвердить верность распознавания и отправить чек в электронную карту пациента.

— На каких платформах построена система?

Веб-приложение и серверная часть решения разворачиваются на любой платформе за счет реализации в виде микросервисов, упакованных в docker-контейнеры. Встроенное ПО сервера последовательных портов реализовано на MicroPython. Такой подход позволил очень быстро разработать ПО и ввести систему в эксплуатацию, но при этом сохранить достаточный уровень надежности и быстродействия.

— Что собой представляет созданное решение?

Решение представляет собой программно-аппаратный комплекс, в который входит сервер последовательных портов (один на каждую единицу оборудования), веб-приложение для оператора оборудования (лаборанта), серверная часть для обработки данных и управления библиотекой конвертеров данных с разных моделей медоборудования, а также планшет для оснащения рабочего места оператора (опционально).

— Каких результатов удалось достичь, что из них является самым важным?

Разработанное решение подключено к двум офтальмологическим системам.

Произошло повышение пропускной способности линий диагностики на 30%. Система управления клиникой собирает всю информацию в цифровом виде, что делает ее работу максимально эффективной от регистратуры до выписки пациента после операции. Риски ошибок внесения информации сводится к минимуму, так как необходимость «вклейки» бумажных носителей отсутствует. Таким образом, был сокращен объем бумажных архивов, снижено число ошибок в данных, была повышена скорость обслуживания клиентов клиники.

Главным итогом можно считать именно повышение точности и исключение ошибок на стадии ручного переноса данных. В среднем чек одного исследования содержит 20-30 значений, каждое из которых необходимо врачу. Ошибка при внесении данных может привести к медицинским осложнениям.

— Удалось ли заказчику достичь экономического эффекта?

Экономический эффект – существенное повышение скорости работы, а значит снижение трудозатрат и повышение пропускной способности рабочего места, снижение утомляемости работников от монотонного рутинного труда. Кроме того, реализация проекта на удаленном сервере, а не на рабочих местах врачей, позволяет руководству компании получать доступ к базе данных в любой момент и не тратить средства и время на развертывание серверных мощностей и их поддержку.

— Каковы возможности тиражирования системы?

Система универсальна с точки зрения ее применения в клиниках офтальмологического профиля, а также расширяема с точки зрения возможности любого количества приборов и рабочих мест.

— Есть ли перспективы развития решения? В каком направлении?

В дальнейшем возможно подключение приборов других моделей и производителей путем пополнения библиотеки конвертеров медицинских данных новыми «драйверами» для получения универсального текстового формата обмена данными. Система будет расширяться как с точки зрения роста количества поддерживаемого оборудования, так и с точки зрения расширения функционала по работе с отдельными видами оборудования. Например, появится возможность указывать сопутствующие проводимые манипуляции, на фоне которых проводилась диагностика, контроль доступа к оборудованию в зависимости от квалификации персонала и т.п.

Реклама на сайтах и в мобильных приложениях онлайн-ретейлеров становится очередным полем сражения за кошельки покупателей. Платформа Eshop Whitе Label, работающая по принципу программатик, призвана стать одним из инструментов в этой борьбе. О ее роли рассказывает Зоя Андреева, генеральный директор медиаагентства Eshopmedia и номинант на премию Data Award.

— Каковы предпосылки появления платформы для ретейл медиа, в чем суть проблемы?

По мере роста популярности онлайн-шопинга среди потребителей, реклама в точках онлайн-продаж (на сайтах ретейлеров) становится все более популярной среди брендов: она позволяет коммуницировать с покупателем непосредственно в месте и в момент покупки. В ответ на этот запрос со стороны рекламодателей онлайн-ретейлеры также стали трансформироваться и создавать рекламную медиасеть, в которую входят разные цифровые каналы одного ретейлера – сайт и приложение. Все эти процессы в электронной коммерции привели к взрывному росту ретейл медиа – рекламы на сайтах и в мобильных приложениях онлайн-ретейлеров.

— Это направление действительно востребовано?

Ретейл медиа открывает новые возможности как для ретейлеров, так и для брендов. Ретейлеры могут значительно увеличить прибыль от рекламы, а бренды получают возможность влиять на выбор пользователей, которые находятся в процессе принятия решения о покупке. Среди ретейлеров ориентиром является Amazon, который первым начал развивать этот канал. Его рекламная выручка за 2021 год составила 31 млрд долл.

Что касается брендов, то, по данным Group M, доля рекламных бюджетов в ретейл-медиа уже сейчас занимает 11% от всего бюджета цифровой рекламы. Согласно прогнозам BCG, к 2026 году этот сегмент будет занимать уже около 25% от общего рынка цифровой рекламы.

В России ретейл медиа только начинает развиваться, и мы видим бурный рост рекламы в электронной коммерции: рекламная выручка маркетплейсов растет на 100-200% в год. Мы планируем стать ведущим игроком в России в ретейл медиа – как с точки зрения технологических продуктов, так и с точки зрения управления рекламными кампаниями. Для этого у нас есть и рекламная программатик-платформа Eshop Whitе Label, которая позволит автоматизировать рекламу и многократно увеличить прибыль от продажи рекламного инвентаря, так и глубокая экспертиза в рекламном сервисе.

— Что вы предлагаете рынку?

Мы используем собственную платформу Eshop White Label, которая работает по принципу программатик и имеет собственные алгоритмы для автоматизации и оптимизации кампаний. Интеграция с внутренними базами данных ретейлера и широкий функционал платформы позволяют работать с данными площадки для увеличения релевантности показа рекламных объявлений, обрабатывать текущее поведение и запросы пользователей в режиме реального времени для оптимизации показа с учетом целей размещения (охват или конверсии).

Также доступны широкие возможности по таргетированию на основе внутренних данных о пользователе и его поведении. Это социально-демографические данные, геопозиция, посещение определенных страниц сайта и приложения, просмотр и добавление в корзину или покупка определенного ассортимента, наполнение заказа, платформа (десктоп, мобильная версия сайта, приложения). Кроме того, можно использовать и внешние данные, которые подключаются к платформе, – например, погодные условия или данные операторов связи для обогащения таргетингов.

— Какие ИТ-платформы лежат в основе решения?

В основе нашей платформы лежат три технологии. DSP (Demand Side Platform) – система, которая позволяет закупать рекламные места по максимально выгодным ценам на рекламных площадках. SSP (Suply Side Platform) позволяет продавать рекламные места по максимально выгодным ценам. И, наконец, CDP (Customer Data Platform) – это платформа многоканальной атрибуции данных, которая собирает и кластеризирует информацию о покупателях. Эта информация потом используется при закупке и продаже рекламы. Для создания платформы были использованы языки R, Python, Java, Rust, JavaScript, HTML, SQL, awk, bash-scripting, jq.

— Какой математический аппарат используется?

Ключевое преимущество программатик-платформы – это возможность продавать рекламный инвентарь в режиме реального времени по модели аукциона. Аукционы бывают двух типов: открытые и закрытые, первой и второй цены, последний построен на математической модели Викри.

— Какие результаты достигнуты и ожидаются?

Агентство Eshopmedia было основано в 2022 году, однако каждый ключевой игрок команды имеет более чем 10-летний опыт работы в своем направлении: электронной коммерции или ИТ. Это позволило уже в первый год основания заключить партнерства и интегрировать рекламную программатик-платформу Eshop White Label на площадки ключевых ретейлеров в категориях фармацевтики и детских товаров.

Например, в фарминдустрии нашим партнером стала крупнейшая онлайн-аптека Apteka.ru, которая насчитывает около 20 млн уникальных пользователей, примерно 20% всего Рунета. В категории детских товаров сотрудничаем с компанией «Детский мир», который является лидером в этой категории и имеет безусловный авторитет среди целевой аудитории.

Сейчас мы ведем переговоры и планируем интеграцию нашей платформы в медиа ключевых ретейлеров. Рассматриваем такие категории, как DIY, техника, мода, продукты и др.

— В чем роль вашего проекта для рынка?

Вместе с ростом ретейл медиа появилась необходимость в развитии дополнительных технологий и автоматизации процессов продажи рекламы. Ответом на этот запрос как раз и стало развитие программатик-платформ, которые позволят каждому из участников процесса достигать своих целей.

Благодаря нашей платформе ретейлеры смогут автоматизировать процессы продажи рекламного инвентаря и многократно увеличить прибыль. Автоматизация позволит им предоставлять рекламные услуги даже брендам с небольшими рекламными бюджетами, запросы которых невозможно было бы обработать вручную. Бренды же, представленные в ретейл медиа с установленной платформой Eshop White Label, получат возможность максимально эффективно коммуницировать со своим покупателем благодаря переданным добровольно персональным данным, оптимизации в режиме реального времени, таргетингам, разнообразному инвентарю и др. Возможность самостоятельного управления снизит порог входа на площадку ретейлера для брендов с небольшими рекламными бюджетами. Кстати, в мировой практике ROI рекламных кампаний в ретейл медиа может достигать 400%.

Если же говорить о покупателях, то благодаря правильно настроенным алгоритмам они получат релевантную персонализированную рекламу. Это позволит значительно сократить время на поиски нужного товара и находить наиболее оптимальное ценовое предложение. Кроме того, большее количество рекламодателей и борьба за внимание покупателям будут инициировать различные акции и промопредложения. Это, в конечном итоге, позитивно отразится на кошельке покупателей.

— В каком направлении будет развиваться платформа?

Очевидно, что в будущем рекламодателям потребуется единая «точка входа» для работы с рекламными кампаниями – как с внутренними, так и с внешними источниками. Мы планируем развивать нашу платформу таким образом, чтобы можно было запускать, управлять и анализировать рекламные кампании на всех рекламных каналах из единого дашборда. Кроме того, мы будем развивать аналитический дашборд с точки зрения метрик, которые важны как для медийной, так и для перформанс-рекламы.