Ирина Шеян

Место ИТ-службы в организационной структуре и зоны ее ответственности в вузах сильно разнятся: ИТ может быть самостоятельным подразделением или связанным с финансово-экономическим блоком, далеко не всегда очевидно, кому оно подчиняется и отвечает ли за информационную безопасность. А вот проблемы у всех вузов по большому счету одинаковы и сводятся к ограниченности ресурсов: финансирования и кадров. Участники стрима «Образование», организованного сообществом цифровых управленцев «я-ИТ-ы», обозначили ряд болевых точек для ИТ-руководителей учебных заведений.

Бессмертный «зоопарк»

«Зоопарк» слабо интегрированных или вообще не связанных между собой программных продуктов, с которым бизнес активно боролся много лет назад, сегодня, похоже, наиболее характерен именно для вузов. Разносортный софт, которым пользуются деканаты и бухгалтерия, личные кабинеты студента и работодателя, расписание, рабочие приложения ректора, система управления учебным процессом (LMS) — все это надо увязывать. И нельзя сказать, что в этом направлении ничего не делается.

Как рассказал начальник управления информационных технологий, связи и информационной безопасности Омского государственного университета Сергей Барановский, цифровизация ОМГУ начиналась с самописных систем. «Но в 2020 году нас постигла катастрофа масштаба: замена каждого следующего сервиса требовала все большей трансформации существующей инфраструктуры, — поделился он. — С той поры мы начали радикально все менять, упорядочили самописные системы и положили в основу понятные платформы».

На проблему «зоопарка» обратили внимание и регуляторы, наметив движение в сторону типовых облачных ресурсов. Так, был запущен проект по типовым облачным ресурсам для вузов Донбасса, включающий операционную систему, офисный пакет, LMS и прочее. Кроме того, в этом году ожидается перезапуск проекта по созданию типового рабочего места под эгидой Минцифры и Минобрнауки, так что в небольших вузах остроту проблемы, возможно, удастся снизить.

А вот тема совместной разработки или обмена уже созданным ПО как средства борьбы с «зоопарком» на рабочем месте буксует, и понятно почему. Во-первых, вузы конкурируют за бюджеты, за абитуриентов «высокобалльников» и «олимпиадников» по всей стране. Поэтому помогать разрабатывать решения конкурентам готовы далеко не все. Во-вторых, внутреннее решение развивается под требования внутреннего заказчика, а у следующего заказчика будут иные идеи. Вырвать любую инхаус-разработку из существующей инфраструктуры конкретной организации и куда-либо перенести — сложнейшая задача. В-третьих, даже передав свои наработки безвозмездно, поддерживать их в другой организации бесплатно никто не будет. Тиражирование внутреннего решения требует серьезного уровня партнерства, командной работы. Отнюдь не каждой организации под силу повторить опыт создания «ЛОГОСа», разработанного в контуре Росатома для внутренних нужд, но превращенного в рыночный продукт.

Дорогая безопасность

Затронули участники обсуждения и весьма деликатный вопрос о жизни на два компьютера, один из которых «нормальный», а другой — аттестуемый для обработки персональных данных (ИСПДн). Общее мнение — лучше даже не задавать лишних вопросов о том, как вообще это устроено.

Еще один тонкий момент: вуз не имеет права хранить персональные данные студентов после окончания обучения — эти данные нужно перенести в архив, либо обезличить, либо уничтожить. Об это правило спотыкается организация эффективного взаимодействия с работодателями. Например, в МАИ создали цифровую кадровую платформу, чтобы пристраивать своих выпускников. Но, во-первых, на эти цели персональные данные не собирали, и, во-вторых, самые интересные работодателю студенты — выпускники, данные которых как раз и требуется убирать. МАИ должен готовить кадры, прежде всего, для авиационной промышленности и авиационно-ракетной отрасли. Однако ОАК, Ростех, Роскосмос и ОДК не могут конкурировать по стартовому уровню зарплаты для новичков с тем же «Яндексом». Поэтому кадровая платформа, где можно размещать вакансии, которые видят студенты, для них очень актуальна, подчеркнул Федор Васильев, заведующий кафедрой «Цифровые технологии и информационные системы» Московского авиационного института. Что касается вопроса, зачем государству готовить специалистов, которые потом уходят на свободный рынок, по его мнению, ответ прост: человек, который работает в условном «Яндексе», приносит государству налогов в разы больше, чем человек, работающий на авиационном заводе.

Федор Васильев: «Учить «буржуйскому» софту, который пока еще везде есть, или уже российскому, которого пока еще нигде нет?»

Обеспечить себя ИТ-специалистами высокого уровня для вузов тоже серьезная проблема. «Как затащить топ-айтишников в любую компанию, если это не «Сбер» и не «Яндекс», это большой вопрос», — обозначил проблематику Васильев. Возможность вырастить собственные кадры из студентов не спасает «кузницу кадров» от катастрофического кадрового голода. Сегодня вузам нужны любые ИТ-специалисты, которые способны самостоятельно и качественно решать различный спектр задач.

Помимо требований к защите персональных данных, еще один огромный ИБ-айсберг норовит потопить вузовские ИТ: по умолчанию вузы являются объектами критической информационной инфраструктуры с соответствующим уровнем требований к защите. Нелегальный доступ или модификация информации в объекте критической инфраструктуры является уголовным преступлением. Поэтому с «закручиванием гаек» и выходом новых нормативных актов, связанных с удаленным подключением, ИТ-службы вынуждены закрывать возможности удаленного доступа к системам учреждения, резко ухудшая таким образом качество сервиса. Если раньше сотрудники финансово-экономического управления и бухгалтеры могли работать удаленно, а преподаватели могли из дома делать рабочие программы по своим дисциплинам, учебные планы, смотреть результаты работы студентов, то теперь это можно делать исключительно с аттестованного компьютера на отечественной операционной системе. Ключевым сотрудникам стараются сохранить возможности для удаленной работы, но решение этой проблемы требует затрат, отметил Барановский. Для удаленного доступа на рабочем месте должны быть типовое программное обеспечение и средства защиты информации. Однако для рядового сотрудника нельзя купить за бюджетные деньги ноутбук с характеристиками лучше установленных, и потратить на него выше установленной суммы — тоже нельзя. Между тем купить ноутбук со всеми средствами защиты за установленную нормативом сумму просто невозможно, отметили участники дискуссии.

«Буржуйское», но сейчас, или свое, но потом?

Государственные вузы сегодня должны заменять иностранное ПО, в том числе операционные системы и офисные приложения, на российское. Но, помимо этого, есть еще один серьезный вопрос, связанный с импортозамещением: чему учить студентов? Учить «буржуйскому» софту, который пока еще везде есть, или уже российскому, которого пока еще нигде нет? И какие операционные системы, средства проектирования и прочие решения тогда устанавливать в компьютерных классах?

«Нам уже сейчас нужно готовить студента, который через 4-6 лет выйдет на предприятие и будет работать на том программном обеспечении, которое там будет использоваться», — говорит Сергей Попов, проректор по цифровизации МАИ. Только как обучить продукту, которого еще нет?

Сергей Попов: «Для понимания того, как сейчас учить студентов, нужна более плотная коммуникация с отраслью»

Разумеется, в крупных холдингах есть представление о том, на каком софте они будут работать через несколько лет, существуют дорожные карты по разработке ПО, в том числе в рамках индустриальных центров компетенции. Но сами продукты еще не готовы. «Для понимания того, как сейчас учить студентов, нужна более плотная коммуникация с отраслью в части разработки стратегии импортозамещения на предприятиях», — считает Попов.

Пока же остается в запасе классический тезис, что вузы не учат конкретным инструментам. «Все-таки конкретные инструменты — это ремесло, а мы — про образование», — заметил Васильев. Поэтому студенты знакомятся с разными программными инструментами, но основное что дает вуз — базовая теория. Правда, работодателей возврат к такой установке вряд ли обрадует.

Для Президентской Академии РАНХиГС импортозамещение сейчас не самая критичная задача, тем не менее, ее решением занимаются. И Р7, и «Мой офис» уже давно включены в программы обучения, на которых учат всех чиновников. «Что касается внутренних систем, то в апреле, когда Microsoft заявила, что уходит из России в соответствии с пакетом новых европейских санкций, для нас это был хороший повод, — рассказал Павел Клепинин, проректор по информационным технологиям и цифровой трансформации Президентской Академии РАНХиГС. — И мы через пять дней перевели наших пользователей на сервисы «Яндекса» — почту, календарь, диск и мессенджер». Все встречи и рабочие совещания теперь проводятся в сервисе «Яндекс.Телемост», а дистанционный процесс обучения и в гибридном формате — через «МТС Линк». Смена любой системы — всегда стресс и нужно с ним работать. В управлении изменениями есть множество инструментов, как этот стресс снять и сделать людей сторонником изменений. При переходе большое внимание было уделено именно этому компоненту. Нужно обязательно транслировать опыт воздействия на сотрудников.

«ИТ-ночь на Ивана Купала» — традиционная встреча цифровых управленцев, с которой начинается отсчет очередного года сообщества «я-ИТ-ы», прошла насыщенно и плодотворно. Съехавшиеся со всех концов страны ИТ-руководители обсуждали интересные исследования и кейсы, делились полезным опытом, разбирали свои ошибки и тренировались в управленческих поединках. «я-ИТ-ы» активно растет и развивается: каждый день в сообщество добавляется один новый ИТ-управленец, сообщил один из учредителей сообщества «я-ИТ-ы» Павел Клепинин.

В числе обсуждаемых ИТ-директорами тем снова актуализировались вопросы эволюции роли ИТ-подразделений и необходимости ИТ-бизнес-партнеров. Согласно исследованию «Монитор технологий» компании РДТЕХ, в 28% компаний, опрошенных в прошлом году, ИТ-подразделение – это основной драйвер цифровой трансформации. При этом 48% ресурсов ИТ-подразделений направлено на разработку цифровых продуктов и сервисов.

Павел Клепинин: «Каждый день в сообщество добавляется один новый ИТ-управленец»

Некогда модный тренд на превращение ИТ-руководителей в ИТ-бизнес-партнеров так и не стал доминирующим, но и не растворился совсем. Как рассказала Людмила Трофимова, директор по цифровому развитию Президентской Академии РАНХиГС, опрос резидентов сообщества «я-ИТ-ы» подтвердил предположение, что массового появления ИТ-бизнес-партнеров не наблюдается, поскольку результаты запуска этой активности не стабильны и больше зависят от личных особенностей конкретного исполнителя, чем от системно выстроенной работы ИТ-бизнес-партнеров. Тем не менее, у 40% опрошенных в компании есть либо выделенная должность, либо роль ИТ-бизнес-партнера. Причем лидируют роли, связанные с глобальным развитием ИТ-функции и формированием отношений с заказчиком. ИТ бизнес-партнер – это специалист, который умеет вести диалог на уровне первых лиц компании/функции, обладает стратегическим видением и понимает взаимосвязь бизнес-задач с ИТ-решениями. По аналогии с семейным доктором он знает историю «болезни» своего бизнеса, персональные особенности, владеет полным «анамнезом», и его цель — упреждающе работать на сохранение «здоровья». Ключевые компетенции ИТ-бизнес-партнера явно связаны с цифровизацией бизнес-процессов: он должен знать бизнес-процессы функции и имеющиеся на рынке ИТ-решения, которые позволяют их автоматизировать, а также уметь инициировать и реализовывать необходимые проекты цифровизации. По мнению участников дискуссии на ИТ-Купале, наличие ИТ-бизнес-партнера ускоряет принятие управленческих решений, так как коммуникации входят в число его основных задач.

Людмила Трофимова: «Новые роли появляются тогда, когда влияние ИТ на эффективность бизнеса становится очень высоким»

Стать хорошим ИТ-бизнес-партнером способен далеко не каждый айтишник. Хорошо справятся с этой ролью бывшие ИТ-директора, бизнес-аналитики и бизнес-архитекторы, главные по развитию ИТ, проектные менеджеры. И совсем не подходят на эту роль ответственные за инфраструктуру, пресейлы, ИТ-архитекторы и аналитики данных. Подавляющее большинство респондентов считает, что ИТ бизнес-партнеры не нужны абсолютно всем компаниям и на появление этих позиций в оргструктуре в большей мере влияет масштаб холдингов.

В целом решающее влияние на появление новых ролей в ИТ оказывают не масштаб компании, ее зрелость, корпоративная культура или численность ИТ, а степень влияния цифровизации на эффективность бизнеса. Чем больше эффективность бизнеса зависит от ИТ-инструментов, тем сильнее это вынуждает ИТ-функцию эволюционировать, выстраивая новые эффективные модели работы.

Опытом преодоления кризиса поделились представители ряда компаний: «М.Видео-Эльдорадо», «Лента», «Интер РАО-Онлайн», «Тинькофф» и «К-Скай». (Еще одной актуальной теме — самообслуживанию — посвящен отдельный материал, см. статью «'Управление данными — 2022': На прямой связи с данными»).

Перестройка трансформации

Кризис застал «М.Видео-Эльдорадо» в разгар погружения в цифровую трансформацию. В компании шел процесс ликвидации границ между бизнесом и ИТ. Все бизнес-подразделения имели собственные бюджеты на разработку. Директора по продуктам и технические директора решали задачи в каждом бизнес-домене, а разработчики создавали инструменты, чтобы автоматизировать именно бизнес-процессы подразделения. Дата-офис поддерживал своими компетенциями разработку продуктов бизнесом и развивал платформу данных, методологию Data Governance и инструментарий машинного обучения. При этом cтруктура дата-офиса была очень прозрачной с точки зрения бюджетирования — было легко оценить стоимость каждого продукта, рассказал Данила Наумов, директор офиса больших данных «М.Видео-Эльдорадо».

Данила Наумов: «Как CDO я упразднил платформу данных как выделенный продукт, а ее компоненты и бюджет распределил по центрам компетенции»

Новая реальность привела к резкому сокращению бюджетов, и недостатки дорогой матричной структуры продакт-менеджмента стали критичными. Стало не хватать специалистов для создания полноценного конвейера данных по каждому продукту в каждом домене: было трудно полностью закрыть весь список задач.

Поэтому уже летом десять бизнес-доменов свернули в три, что позволило выстроить внутри каждого из них отдельные конвейеры данных. Помимо них, существовал и централизованный — он мог принимать задачи подразделений, не имеющих собственного конвейера.

Были предприняты и другие важные стратегические шаги.

«Как CDO я упразднил платформу данных как выделенный продукт, а ее компоненты и бюджет распределил по центрам компетенции так, чтобы у команд были средства на решение задач как сервисов», — рассказал Наумов. Распределенный бюджет стали использовать по сервисной модели: кто угодно может попросить решить его задачу, но сделано это будет в рамках общих приоритетов. Установление очередности происходит в соответствии со стратегией бизнес-домена, что очень понравилось бизнесу. От момента введения задачи в систему до внедрения результата сейчас проходит 15 рабочих дней, и, по словам Наумова, это довольно хороший для отрасли показатель.

Таким образом реализуется урезанный вариант цифровой трансформации: в нынешних условиях она стала чересчур дорогой.

Благодаря и вопреки

В компании «Интер РАО-Онлайн» большинство проектов по управлению данными реализовано «благодаря и вопреки»: благодаря поддержке очень высокого уровня руководства и вопреки всей бюрократической машине. «Роль CDO, в которой я живу, — это роль лифта в космос, — объяснил Владимир Анисимов, директор по данным «Интер РАО-Онлайн». — Одни читают DAMA DMBOK2, другие стоят «у сохи», и надо подружить эти две половины мира, чтобы что-то двигалось вперед». Для этой цели в компании создали службу заказчика, построенную по методологии Agile и стоящую особняком от ИТ- и бизнес-отделов.

Владимир Анисимов: «Роль CDO, в которой я живу, — это роль лифта в космос»

Еще один лайфхак энергетической компании — не бояться использовать обходные приемы решения ИТ-проблем. ««Костылизация» — часть нашей жизни, такой подход позволяет бежать быстрее, — констатировал Анисимов. — Большинство наших пилотных проектов, а затем и продуктов стоят на «костылях», которые мы вытаскиваем на протяжении 3–5 лет, и эти «костыли» достойно себя ведут».

Любимый «костыль» Анисимова — программные роботы. «Я предпочитаю ставить роботов там, где нет и не будет в ближайшее время интеграции по API, — отметил он. — Такой 'костыль' отлично выполняет свою задачу, на нем можно шагать долго и уверенно».

Гордость Анисимова — система автоматизированного взыскания дебиторской задолженности, интегрированная с набором внутренних сервисов компании и содержащая алгоритмы машинного обучения. Она строилась на зарубежных продуктах и сейчас мигрирует на отечественные решения — в частности, на low-code-платформу Loginom. Хранилище данных уже «съехало» с Oracle. Теперь и аналитику, которую до сих пор развивали на Oracle Analytic Server, переведут на open source и отечественные продукты. «Переход идет тяжело, — признался Анисимов, — так как ни одного BI-решения с полноценным самообслуживанием на внутреннем рынке пока не нашли».

Работа на результат

Что делать, чтобы работа дата-команд приносила пользу организации? Руководитель Data Science компании «Лента» Ирина Голощапова заострила внимание на бизнес-аспектах вывода моделей в продуктивную эксплуатацию. Это целая история по управлению изменениями, считает она. Недостаточно построить модель, способную повысить эффективность бизнеса. Нужно сделать так, чтобы люди эту модель использовали, включив ее в бизнес-процесс. «А для этого важно думать об интерпретируемости решения для конечного пользователя, — подчеркнула Голощапова. — Чтобы доверять результатам работы модели, он должен понимать, как она к нему пришла, как может меняться ее поведение в реальных условиях, как полученный результат можно использовать и почему». Для внедрения продвинутой аналитики в «Ленте» реализуют фреймворк Reliable ML, который позволяет учитывать как технические особенности машинного обучения, так и процессы работы дата-офиса и его взаимодействия с бизнесом для достижения максимального финансового эффекта.

По мнению Анисимова, оценить эффект удачного внедрения дата-проектов невозможно: все понимают, что «штука классная», но никто не может посчитать результат в рублях. Как только появляется первый прототип, рабочие процессы меняются настолько сильно, что сравнивать текущий и прошлогодний периоды просто бессмысленно. «Когда в момент внедрения менялись бизнес-процессы, мы, как служба квалифицированного заказчика, подменяли собой бизнес-подразделения: они слишком заняты операционной деятельностью, и объяснить им, что не надо таскать круглое и катать квадратное, невозможно. Старайтесь договариваться о качественной оценке эффектов», — посоветовал Анисимов.

Детективная история

Как в колоссальных объемах доступной для анализа информации найти именно то, что нужно для ответа на текущий вопрос? Огромное количество рабочих пространств, содержащих небольшие разрозненные кусочки контекста, бесконтрольно ведущаяся документация, качество которой остается на совести ее составителя, — вот проблемы, которые знакомы многим крупным организациям. Проведенные пару лет назад опросы сотрудников «Тинькофф» показали, что хранилище в текущем виде «непознаваемо для пользователей», а поиск метаданных — «искусство, которому нельзя научить».

«У вас могут быть отличные метаданные, но если у пользователя нет инструмента для доступа к ним, то, к сожалению, они бесполезны», — заметил Дмитрий Пичугин, руководитель группы управления данными «Тинькофф».

По примеру таких авторитетов, как Google, Linkedin и Uber, в «Тинькофф» решили бороться с неполнотой документации и разрозненностью информации с помощью каталога данных, который должен стать «единой точкой правды» для всей экосистемы данных и удобным инструментом поиска нужных сведений, но главное — средством анализа зависимостей при движении данных от источника к точкам их применения и обработки, что крайне необходимо для отслеживания происхождения ошибок.

Экосистема ИТ-решений «Тинькофф», по большей части самописных, — очень сложная, поэтому к гибкости модели метаданных предъявляются довольно высокие требования и обязательной опцией при выборе каталога должен быть Data Lineage. «У нас бывает анализ зависимостей на тысячу нод, а иногда и больше, — поделился Пичугин. — Если не дать аналитикам удобный инструмент, то, скорее всего, через некоторое время они уволятся, не выдержав этой пытки». Так как ни одно из представленных на рынке решений всем критериям компании не удовлетворяло, пришлось строить каталог самим. В его основу положили идею комфорта пользователей: искать данные не должно быть сложнее, чем товары в интернет-магазине.

Так появился Data Detective — каталог для неквалифицированных пользователей, способный, как утверждают его создатели, вписаться в любой ИТ-ландшафт. Несмотря на то, что ранее запущенные решения никуда не делись, 85% пользователей сегодня предпочитают новый каталог, и более половины из них — бизнес-пользователи. В дальнейшем в «Тинькофф» намерены распространять Data Detective за пределами компании. Помимо «полировки» интерфейса, в ближайшие планы разработчиков входит внедрение инструментов для удобного отображения бизнес-глоссария любой структуры.

Медицинские данные, заслуживающие доверия

Использование электронных медицинских карт (ЭМК) в качестве источника данных для анализа сопряжено с такими объективными сложностями, как отсутствие единых форматов хранения записей и использование неструктурированного текста. Но и это еще не все. Половина ЭМК (51%) вообще не содержат медицинских данных — это просто записи в базе с ФИО и датами рождения пациентов. А оставшиеся 49% зачастую содержат фрагментарные сведения, ценность которых для анализа сомнительна. Кроме того, длительность наблюдения пациентов в большинстве ЭМК не превышает трех лет, то есть вероятность наличия в них ценных для прогностического искусственного интеллекта находок очень низка.

Александр Гусев: «Мы научились детектировать аномалии не благодаря математике, а благодаря пониманию, где они будут возникать»

Кроме того, есть и важный субъективный фактор, который серьезно тормозит развитие интеллектуальных продуктов в медицине, — отсутствие доверия к сделанным искусственным интеллектом выводам, обусловленное недоверием к качеству данных, на основе которых делаются эти выводы. «90% времени наших исследований связано с данными. Именно работа с данными определяет провал или успех», — считает Александр Гусев, сооснователь компании «К-Скай», которая занимается предиктивной медицинской аналитикой на основе технологий искусственного интеллекта. Чтобы сломать лед недоверия к выводам на основе анализа данных медкарт, в «К-Скай» разложили все накопленные данные по типам, видам и источникам и оценили с точки зрения рисков возникновения ошибок. Выяснилось, что есть существенный сегмент данных, где риск недостоверности составляет менее 1%, — это протоколы инструментальной и лабораторной диагностики, рецепты. Более половины всех данных ЭМК, включая заполненные по шаблону протоколы врачебного осмотра и автоматически сгенерированные выписные эпикризы, попали в зону умеренного риска с вероятностью возникновения ошибки 1–5%. И лишь 5% данных — заключительные диагнозы, карты выбывших из стационара, талоны амбулаторного приема — находятся в зоне высокого риска с вероятностью ошибки более 5%. Таким образом, руководители, принимающие решения об использовании врачами систем-помощников, стали четко понимать, каким данным можно доверять, а какие ставить под сомнение.

Затем в «К-Скай» стали изучать причины возникновения аномалий в сырых данных, паттерны поведения врачей и даже оценивать влияние качества интерфейса ЭМК на полноту данных. «В итоге мы научились детектировать аномалии не благодаря математике, а благодаря пониманию, где они будут возникать», — сообщил Гусев.

Самообслуживание в работе с данными становится мейнстримом: тему развития сервисов самообслуживания так или иначе затронули практически все представители бизнеса, выступившие на форуме «Управление данными — 2022», организованном издательством «Открытые системы». Даже функции обеспечения информационной безопасности в какой-то части делегируются сотрудникам бизнес-подразделений (см. врезку «Защита данных в документах: cам себе админ»). Представители компаний Tele2, «Уралхим» и «Газпром нефть» в своих выступлениях фокусировались главным образом на самообслуживании в области бизнес-аналитики.

Tele2: девять «пилотов» сразу

После ухода из России западных вендоров, на основе решений которых были построены бизнес-процессы Tele2, компания столкнулась с серьезными проблемами. Особенно болезненной оказалась ситуация с BI-системой Tableau: ее использовали многие разработчики, а кроме того, с ее помощью составлялось множество отчетов, пробуксовка в выдаче которых грозила замедлением процессов и потерей прибыли.

Чтобы спасти положение, команда экспертов провела анализ рынка и, изучив полтора десятка решений, запустила сразу девять пилотных проектов, подключив к корпоративному хранилищу девять BI-систем. Затем вместе с бизнес-пользователями отобрали 30 наиболее важных дашбордов и один из них (конкурсный) реализовали с помощью интегратора на всех девяти платформах. Получив отчеты и заполнив чек-листы, в компании оценили результаты, выбрали победителя и приступили к самостоятельному проведению миграции. Сейчас все критичные дашборды находятся в системе Fine BI, а разработку в бизнес-аналитике и по некоторым другим направлениям полностью ведут пользователи.

«Self-service — не хаос, им можно управлять. Без наших бизнес-разработчиков мы не смогли бы перейти на новую BI-платформу всего лишь за месяц, обеспечив собственными силами все потребности бизнеса в данных», — резюмировал Александр Снытко, руководитель службы поддержки и развития инструментов бизнес-аналитики Tele2. По его словам, активные и заинтересованные в корректном описании всех объектов данных бизнес-разработчики становятся адептами культуры data-driven. И убеждать их пользоваться новым инструментом не приходится, поскольку они сами его протестировали и выбрали.

Ударный год «Уралхима»

В «Уралхиме» и раньше продуктивно работали с данными: тут и искусственный интеллект, сортирующий заявки на первой линии поддержки и даже управляющий производственной установкой, и роботы, формирующие справки 2-НДФЛ. А в начале текущего года в компании запустили платформу, которая дает бизнесу возможность работать с данными самостоятельно. Доставка данных на базе гибридной инфраструктуры происходит для бизнеса бесшовно.

Владимир Вавра: «Замеры наглядно показывают довольно существенную (от 30 до 90%) экономию ресурсов по нескольким направлениям»

«Если мы хотим стать data-driven-компанией, а мы такую технологическую цель перед собой поставили, то дальше надо идти совместно с бизнесом, ведь бесконечно расширять штат айтишников — это безумие, — заявил Дмитрий Шведов, заместитель руководителя департамента цифровизации ОХК «Уралхим». — Мы сразу фокусировались на ключевых селф-сервисах, и BI — одно из ведущих направлений».

В компании запустили школу аналитиков данных с защитой проектов, выполненных на платформе, и бизнес с энтузиазмом воспринял эту инициативу. В школе проходят обучение 1200 сотрудников, и эффект внедрения культуры управления данными уже заметен, сообщил Шведов.

Требования бизнеса к инфраструктуре и сервисам работы с данными постоянно меняются, и подстраиваться под них приходится быстро. В этом году в дата-офисе сосредоточились на качестве данных и реализовали два десятка автоматизированных проверок качества по заданной бизнесом методологии. Сравнение затрат времени и ресурсов на выработку одних и тех же решений подтверждает эффективность оптимизации. «Замеры наглядно показывают довольно существенную (от 30 до 90%) экономию ресурсов по нескольким направлениям», — отметил Владимир Вавра, руководитель отдела инфраструктуры данных ОХК «Уралхим».

«Газпром нефть»: бонусы самостоятельности и мини-CDO

Анализировать результаты проверок качества данных — это то, что может и должен делать бизнес-пользователь, уверен Виталий Когтев, руководитель направления по качеству данных управления по организации работы с данными дирекции экономики и корпоративного планирования «Газпром нефти». В компании уже несколько лет работает школа аналитики, через которую прошли около 200 пользователей. Многие из них являются ответственными за данные и сами настраивают аналитические панели на основе шаблонов для решения своих актуальных задач. А теперь бизнес-пользователи получили инструменты для самостоятельного мониторинга качества данных.

Виталий Когтев: «Анализировать результаты проверок качества данных — это то, что может и должен делать бизнес-пользователь»

Незапланированным бонусом перехода на самообслуживание стала поддержка импортозамещения ПО: поскольку используются несколько инструментов мониторинга качества данных с последующей консолидацией метрик, внедрение нового ПО проходит достаточно плавно, отметил Когтев. Кроме того, самообслуживание в BI стимулировало каталогизацию данных — нудный процесс, которым бизнес обычно не особо хочет заниматься. Но теперь создание наглядных и понятных аналитических панелей стало соревновательным процессом, участники которого стараются максимально качественно описать необходимые элементы данных в каталоге. Не менее ценным стало и развитие новых навыков у сотрудников: аналитики с удовольствием обучились создавать аналитические приложения.

В лаборатории данных блока разведки и добычи «Газпром нефти» тоже совершенствуют self-service BI, улучшают магазин данных и каталог данных, а также укрепляют команду поддержки. Для управления данными в дочерних обществах, в «Газпром нефти» ввели функцию «мини-CDO». А «дочки» в компании немаленькие: например, в Заполярье трудятся около 1800 территориально распределенных сотрудников. «Если компания крупная, обязательно нужны люди на местах, которые выполняют роль CDO: внедряют продукт, общаются с бизнесом на его языке и готовы сразу интерполировать производственные задачи, предлагая подходящие для их решения дата-продукты», — отметил Александр Егоров, руководитель программ по управлению данными компании «Газпромнефть-Заполярье». Чтобы извлекать информацию и передавать ее до дашборда, лаборатория данных использует платформу Qlik Sense. Теперь, согласно дорожной карте импортозамещения, идет переход на Luхms BI. В части self-service BI здесь провели апробацию возможностей нового решения и передали разработчикам список замечаний и предложений для их возможной реализации в следующем году.

Несмотря на солидные объемы данных, накапливаемые в течение многих лет в разнообразных информационных системах, одним из главных препятствий для управления на основе данных в здравоохранении специалисты медицинских информационно-аналитических центров (МИАЦ) называют… нехватку данных. Конечно, речь не о данных как таковых, а именно о данных, пригодных для принятия управленческих решений.

Дефицит объясняется тем, что интересы потребителей данных и генераторов данных драматически не совпадают. Врачи обычно воспринимают наполнение данными информационных систем как неизбежное зло — нудную обязанность, навязанную начальством. Особенно если эти данные предназначены для органов управления здравоохранением. Положительной обратной связи между передачей данных в информационные системы более высокого уровня и изменением к лучшему существующей реальности не наблюдается. А значит, нет смысла стараться сделать эти данные качественными — все равно они уходят «наверх» как в «черную дыру», не давая возможности создателю данных понять их роль в процессе оказания медицинской помощи или оценить свой вклад в общий результат. С другой стороны, управленцам затруднительно принимать эффективные решения на основе данных, которые собираются исключительно ради формального выполнения требований руководства.

Пусть такая картина упрощена и утрирована, но счастливые исключения чаще всего подтверждают общее правило. Как посреди океана можно умереть от жажды, не имея пресной воды, так и руководителю зачастую невозможно найти ответы на свои вопросы в многочисленных источниках больших медицинских данных.

Проблема далеко не нова, профессионалы давно пытаются разорвать этот замкнутый круг. Но если в крупных клиниках удается снизить остроту проблемы, то про более высокие уровни управления этого не скажешь. Тем не менее, на региональном уровне здравоохранения делаются первые шаги к управлению на основе первичных данных.

Дата-хакатон

Управление на основе данных стало темой конференции «Практическая польза региональных информационных систем в сфере здравоохранения 2022», которую компания «Нетрика Медицина» и Санкт-Петербургский МИАЦ провели в рамках конгресса «ИТМ Петербург». Главная цель мероприятия – обмен опытом между регионами, поэтому основной акцент в программе был сделан на совместную практическую работу участников, дополненную выступлениями экспертов. В дата-хакатоне приняли участие более ста человек из 40 регионов России и стран СНГ: руководители МИАЦ, ИТ-специалисты в области медицины и другие ответственные за цифровизацию здравоохранения. Под руководством дата-инженеров и аналитиков из «Нетрика Медицина» команды азартно искали аномалии данных в отчетах, осваивали принятие решений в условиях нехватки данных и проектировали идеальный дашборд для руководителя органа управления здравоохранением.

Под руководством дата-инженеров и аналитиков команды азартно искали аномалии данных в отчетах, осваивали принятие решений в условиях нехватки данных и проектировали идеальный дашборд для руководителя.

Конференция проводится уже в пятый раз и отражает существенную трансформацию задач региональных специалистов, которые изначально фокусировались на создании медицинских информационных систем, затем — на автоматизации процессов, а сегодня перешли на совершенно другой уровень — изменения процессов. На этом этапе им особенно нужны качественные данные. «Сегодня подход к управлению на основе данных в практике российского здравоохранения только зарождается, — отметил Денис Чумаков, генеральный директор «Нетрика Медицина». — Однако отдельные кейсы мы как интеграторы видим уже во многих регионах».

Северная столица: на подступах к data-driven здравоохранению

Как сообщил руководитель Центра электронного здравоохранения Санкт-Петербургского МИАЦ Алексей Архипов, в конце 2021 года в северной столице завершился проект по электронному здравоохранению, в рамках которого было создано 40 сервисов для пациентов, врачей и руководителей здравоохранения. Сейчас Центр переходит к стадии активного анализа собираемых данных – сведений из электронных медкарт и обратной связи от пациентов.

Геннадий Орлов, заместитель генерального директора по цифровому развитию Северо-западного окружного научно-клинического центра им. Л. Г. Соколова ФМБА России, привел примеры из практики Координационного центра Минздрава РФ, которые свидетельствуют о переходе от отдельных выводов из полученных данных к системе управления на основе данных. Он также отметил усложнение алгоритмов обработки накопленных данных. В 2021 году на федеральном уровне стали чаще применять алгоритмы машинного анализа текстов на естественном языке, анализа медицинских изображений, а также визуализацию данных. Например, визуализация структурированности записей в электронных медкартах государственных клиник существенно ускоряет принятие решений в ситуационном центре губернатора Ленобласти. Пока не все понимают необходимость применения специальных аналитических инструментов для управления данными, но постепенно это понимание приходит, и руководители вскоре будут оперировать не отчетами, а данными, отметил Орлов. Инициаторами перевода здравоохранения на рельсы управления на основе данных, и соответствующего обучения аналитиков и управленцев, по его мнению, должны стать именно МИАЦ, это их важнейшая задача на ближайшую перспективу.

Момент истины для ВИМИС

Управленцам действительно нужны данные достаточные, чтобы понять эффективность собственных решений, особенно финансовых. Однако в настоящее время управления на основе данных еще не происходит, получается информатизация отдельно, а лечение пациентов — отдельно, считает Евгений Коган, главный специалист Санкт-Петербургского МИАЦ. «Данными никто не пользуется, потому что они низкого качества, и они низкого качества, потому что ими никто не пользуется», — констатировал он.

Будет ли в России управление на основе данных? Само по себе — не будет, если ограничиваться задачей сбора данных и гнаться за их количеством, забывая про практическое использование в интересах пациентов. Поэтому в питерском МИАЦ начали пользоваться данными, несмотря на известную неполноту и неточность, стараясь постепенно выделить и показать городу полезные аспекты уже собираемых данных.

«За последний год, к нашей огромной радости, в Санкт-Петербурге произошел сдвиг — нашлись заинтересованные главные внештатные специалисты, которые начали использовать данные в своей работе, нас это воодушевляет, — сообщил Коган. — Оказывается, есть много тем, где организатору здравоохранения даже по неполным данным ясно, что делать».

Денис Чумаков: «Сегодня подход к управлению на основе данных в практике российского здравоохранения только зарождается»

Например, обнаружилась высокая годичная летальность пациентов, перенесших легкий инсульт, в сравнении с их госпитальной летальностью. Из этого следует, что амбулаторная служба упускает таких пациентов. Еще выяснилось, что продвинутую квадритерапию при хронической сердечной недостаточности назначают только отдельные врачи. Остальные, возможно, о ней не знают. «Получив эти данные, главный внештатный невролог и главный внештатный терапевт пошли заниматься организацией медицинской помощи, и когда они изменят реальную ситуацию, мы с ними увидим это в цифрах», — подчеркнул Коган.

На его взгляд, для профильных вертикально-интегрированных медицинских информационных систем (ВИМИС) настал момент истины. Надо показать их практическое использование: что какому-то пациенту стало лучше, или была выявлена ранее неизвестная проблема организации здравоохранения, и приняты полезные решения. Например, обнаружена повышенная нагрузка на врачей таких-то медицинских организаций, и выделены деньги на новую поликлинику. Или обнаружено, что в таком-то районе при тотальном скрининге на рак молочной железы доля его выявления на ранних стадиях все равно остается низкой, поэтому рентгенологов отправили учиться, и выявляемость повысилась. «ВИМИСы без практического использования  – только головная боль для всей страны», — уверен Коган.

Многострадальная структуризация

За десять с лишним лет Единая государственная информационная система здравоохранения (ЕГИСЗ), а потом и ее новая ипостась — Единый цифровой контур здравоохранения (ЕЦКЗ) — обросли новыми сущностями, которые никому не упрощают жизнь, скорее наоборот. ВИМИС — отдельная сущность, живущая сама по себе, по своим правилам и со своими форматами. Практически одну и ту же первичную информацию региональные МИАЦ передают в федеральную подсистему интегрированных электронных медкарт (ИЭМК) в виде структурированных электронных медицинских документов (СЭМД), в реестр электронных медицинских документов (РЭМД), да еще и в ВИМИСы по трем нозологиям («Сердечно-сосудистые заболевания», «Онкология», «Акушерство и неонатология»), к которым скоро добавится четвертая.

Между тем, проблема структуры информации никуда не делась. В ЕГИСЗ используются одни справочники, а в системах территориальных Фондов обязательного медицинского страхования (ТФОМС) — другие. В результате подсистемы ЕГИСЗ не слишком удачно взаимодействуют друг с другом, в том числе потому, что структура данных, на которых они построены, — разная.

Чтобы данные стали более пригодными для аналитической обработки, необходимо принять общий российский стандарт структуры медицинских данных, базируясь на HL7 FHIR. Тем более, что рабочая группа, «приземляющая» HL7 FHIR на российскую почву, уже создана и функционирует.

Стандарт HL7 FHIR хорош для информатизации процессов, а федеральный уровень задает HL7 CDA — стандарт для документов, уточнил Андрей Дюков, руководитель отдела продаж и развития «Нетрика Медицина». Оба стандарта уже начинают применять в регионах при информатизации процессов. «Чтобы данные в документах были качественные, нужны потребители этих данных — и пациенты, и врачи, — отметил Дюков. — С процессами проще: в них «зашита» обратная связь и непосредственно задействован потребитель данных».

Сбор десятков миллионов медицинских документов в федеральные информационные системы — необходимое, но не достаточное условие для управления на основе данных. Минздраву РФ следует показывать, каким образом полученные данные применяются для совершенствования системы для оказания медицинской помощи. Возможно, тогда у региональных МИАЦ появится мотивация поставлять качественные данные для анализа, а не файлы в формате PDF. Сейчас, по грубой экспертной оценке, в структурированном виде в ЕГИСЗ предоставляется не более 5-10% медицинских документов.

Год назад в Нижнем Новгороде запустили платформу «Лобачевский», которая дает возможность принимать решения на основе интегрированных данных.

Как рассказал номинант на премию Data Award 2022 Марат Фатхуллин, директор департамента цифровой трансформации администрации Нижнего Новгорода, это не только помогло повысить эффективность работы городского руководства, но и стало стимулом для команды проекта поставить перед собой новую амбициозную цель — создать полноценную информационную модель города.

- Как вы стали директором по цифровой трансформации?

По образованию я программист, окончил Нижегородский государственный технический университет им. Р. Е. Алексеева (Учебно-научный институт радиоэлектроники и информационных технологий). Некоторое время работал программистом, затем был ИТ-консультантом крупного регионального медиахолдинга, главным редактором, создавал интернет-телевидение. Когда в 2018 году был объявлен конкурс на должность заместителя главы администрации по ИТ, принял в нем участие и вошел в число финалистов. Хотя победителем я не стал, мне предложили возглавить управление развития ИТ. Позже в результате структурных преобразований был создан департамент цифровой трансформации, и я стал его руководителем.

- Чем занимается ваш департамент?

Задача департамента — выстроить логику взаимодействия между информационными системами (как внутренними, так и внешними) в периметре администрации и понять, какие данные можно получить из них не механическим, а именно киберфизическим путем и как лучше их представить, чтобы было удобно анализировать. Например, департаменту, который занимается коммунальной техникой, необходимо видеть количество коммунальной техники по дням. Для этого он использует свою систему мониторинга. Подрядчики для таких целей применяют свои решения. Мы объединяем данные всех систем, включая системы подрядчиков и субподрядчиков. Выбираем из всех GPS-точек информацию по выходу, пробегу, скорости и визуализируем ее на дашбордах, глядя на которые можно оценить ситуацию по городу в целом.

- Как родилась идея платформы «Лобачевский»?

Если 2000 год можно обозначить как начало компьютеризации администрации Нижнего Новгорода, то 2018-й — как начало цифровизации. Тогда же стартовал проект «Умный город», а в структуре администрации появилась позиция заместителя главы города по ИТ. В 2018–2019 годах было создано несколько информационных систем для департаментов, которые ранее работали только «на бумаге».

В 2020-м, с приходом команды мэра Юрия Шалабаева, начался новый виток развития — цифровая трансформация. Использование систем города перешло от анализа процессов к анализу имеющихся в них данных. Мы поставили перед собой цель — обеспечить принятие решений на основе данных.

Получив первые данные, мы захотели принимать решения на основе моделей и сейчас идем к тому, чтобы выстроить информационную модель города на основе данных из профильных информационных систем.

Идеология, которую мы закладываем в будущую модель, — экосистема «Лобачевский». В центре экосистемы — интеграционная шина, а любая новая информационная система в периметре города является дополнением единой картины данных.

- Что представляет собой платформа?

«Лобачевский» — это целый стек технологий для визуализации, хранения и аналитики данных. Основная составляющая платформы — построенная на технологии Apache NiFi интеграционная шина, которая осуществляет обмен данными между системами без участия человека. Это инструмент подключения к другим системам, который позволяет и загружать файлы Excel, и делать различные запросы REST API, и выстраивать очереди запросов.

В системах города находятся сотни терабайт данных, поэтому всю эту информацию в платформу мы не «тянем». Производим калькуляцию в тех профильных системах, где работают сотрудники, а собираем и складируем на платформе статистические исторические срезы, чтобы выстраивать ретроспективу в дашбордах. Таким образом формируется витрина данных. У нас есть OLAP-кубы в системе Saiku, также используем Keycloack, который позволяет, единожды авторизовавшись, получить доступ ко всем информационным системам. Вместе с компанией «Горький AI» мы построили нейросеть, которая помогает обрабатывать поступающие по всем каналам обращения граждан, подсказывая модераторам, куда их следует направить. В числе интегрированных каналов — сервис «Вам решать», платформа обратной связи «Госуслуги. Решаем вместе», «Инцидент-менеджмент», а также Instagram губернатора и горячая линия главы города.

- Планируете ли в будущем отказаться от модераторов?

Сначала необходимо довести точность нейросети до 98–99%, тогда останется один модератор, чтобы обрабатывать оставшийся 1% ошибок. Пока мы подняли точность с 80% на старте до 86%.

- Такие экосистемы, как у «Яндекса» или «Сбера», образуют среду, которая буквально окружает пользователя. А что такое экосистема в вашем понимании?

В нашем понимании платформа «Лобачевский» является именно такой экосистемой. Витрина данных всех информационных систем (парковки, обращения, ордера и т. п.) создает связанную модель процессов, происходящих в городском управлении. Здесь все собрано в одном месте, чтобы управлять городом и принимать решения, получая объективную информацию и обратную связь. Глава города имеет доступ ко всем системам — так же, как мы работаем в системах условного «Яндекса» (от «умного дома» до «Яндекс.Музыки»), имея в руках только смартфон как средство доступа.

- Данные каких систем уже интегрирует «Лобачевский»?

К шине уже подключены системы, имеющие внешние интерфейсы: система обратной связи, парки, централизованная бухгалтерия, управление муниципальным реестром, единое парковочное пространство, система контроля дорожной техники, система согласования разрешительной документации, система автоматизации контрольно-надзорной деятельности, система контроля и управления доступом и система оплаты питания в образовательных учреждениях. Кадровую систему, написанную еще на Perl, переведем на «1С» в этом году и тоже подключим.

Обращения граждан, а точнее большое количество источников этих обращений, — проблема для любого органа исполнительной власти. «Лобачевский», объединив множество источников обращений в едином окне, позволил ее решить. Сообщения приходят из множества источников, обрабатываются в едином интерфейсе, а ответ направляется автоматически в ту систему, откуда поступило обращение.

Интеграция систем обратной связи стала первой быстрой победой, показав эффективность выбранного подхода. Все системы обратной связи интегрированы каждая по своему интерфейсу. В региональной платформе «Вам решать» нет своего API, поэтому применили RPA: раз в сутки робот выгружает поступившие обращения в Excel, переносит на файловый сервер и дальше распознает, что внутри. А «Инцидент-менеджмент», ГИС ЖКХ и платформа обратной связи работают c «Лобачевским» через API.

Исполнители в районах и департаментах получают назначенные им заявки через веб-интерфейс, а мы через выстроенную систему контроля видим, с какой скоростью накапливаются и отрабатываются обращения.

- Какие решения помогает принимать «Лобачевский»?

Например, на основании данных СКУД о проходе детей через школьный турникет и об их питании можно сделать вывод о начинающейся эпидемии. По данным централизованной бухгалтерии можно увидеть пики «текучки» и выявить наметившиеся проблемы в работе с кадрами в конкретных учреждениях.

В двух городских парках видеокамеры считают входящих и выходящих посетителей. Нейросеть, работающая на данных системы видеонаблюдения, присваивает каждому входящему свой «вес» и по этому параметру отслеживает его на выходе. Платформа дает возможность наложить эти данные на информацию о мероприятиях, чтобы проанализировать их посещаемость с учетом погодных условий и сделать вывод об эффективности и нужности мероприятий, выяснить, дает ли проведение мероприятия прирост посещаемости парка в конкретный день.

Четверть всех остановок в городе сделали «умными»: на каждой из них установлены четыре камеры видеонаблюдения, Wi-Fi, табло, кнопка SOS, функционал вызова такси. По данным с камер система мониторинга обнаруживает переполненные урны, забытые вещи, граффити, снежные накаты. Пока это пилотный проект, но совместно с правоохранительными органами мы уже так находили оставленный пассажирами рюкзак.

- Опирались ли вы на чей-то опыт при создании платформы?

Первую версию системы, обрабатывающей обращения граждан, мы делали сами. И как только получили первые результаты, стало ясно, что все получится. Мы побывали в Москве в павильоне «Умный город» на ВВЦ, были в Казани, но подобного интегрированного решения для руководства города нигде не увидели.

- Как изменилась жизнь городской администрации с появлением платформы «Лобачевский»? Какие результаты получены за первый год ее работы?

Существенно изменилась. Тематические совещания теперь проходят не на основе докладов ответственных департаментов, а на базе реальных цифр. Поэтому обсуждение проблем идет предметное, и в этом случае проще принимать решения и управленческие, и порой даже кадровые.

Переданные «Лобачевскому» данные мы структурируем так, чтобы по ним можно было принимать решения. Например, этой зимой были сильные снегопады, поэтому очень важен контроль работы подрядчиков и субподрядчиков, обеспечивающих выход снегоуборочной техники. Соответственно, регулярно проводятся совещания с дорожниками по вопросам уборки снега с использованием конкретных данных. Раньше, для того чтобы глава района на совещании озвучил какую-то цифру, минимум два сотрудника должны были потратить время на сбор и распечатку этих данных. Диспетчер должен был записать, сколько техники вышло в первую смену и сколько — во вторую, собрать тахометром примерный пробег или выписать такие данные из разных систем, скалькулировать и сделать отчет. Теперь все это не требуется.

Все машины с GPS передают данные — контроль стал простым. Одно дело, когда руководителю приносят бумажную выписку о том, что на улицы вышло 30 машин, и совсем другое — когда он в системе видит фактическое число 25. Раньше проблему формулировали так: почему плохо убирается район? А сейчас — по-другому: почему выходит только 30 из 50 машин? Проблема становится осязаемой, и мы разбираемся уже с причинами ее возникновения.

На примере обращений граждан результат виден лучше всего: сейчас стандартное время закрытия заявки — два дня, в то время как раньше это могло занять и 15, и 30 дней. До недавнего времени обработка происходила следующим образом: обращение поступало на почту, потом отправлялось в районную администрацию, оттуда писали: «Это не к нам, это в департамент транспорта», пересылали в департамент, а там — когда увидят, тогда и ответят. Сегодня, если обращение где-то зависло, разрешить ситуацию — задача модератора. Говоря языком бизнеса, происходит сокращение транзакционных издержек процесса. И оценка работы с обращениями теперь не сводится к умозрительному заключению: «Район не дорабатывает по обратной связи с жителями». Есть конкретное число поступивших и отработанных сообщений.

- Каким вы видите дальнейшее развитие проекта?

Цель — построение информационной модели города. Как будет выглядеть решение, пока не знаю. Нам хочется создать модель, которая покажет, к примеру, насколько с ростом количества обращений увеличится среднее время ответа, насколько упадет доход муниципального учреждения, поставляющего питание в школы, c уменьшением количества детей, посещающих школу, и т. д. Принятие решений на основе модели должно привести к тому, что мы не будем смотреть даже в дашборды — модель сама проанализирует прогнозируемый уровень осадков, предскажет увеличение числа заявок от жителей города, а уведомление департаменту транспорта о необходимости увеличить количество техники отправится автоматически. Мы хотим перейти от ручного управления к автоматизации.

Но чтобы этот план осуществить, нужно как минимум подключить больше систем. Тут сложностей немало. С системой «Безопасный город» мы уже выстроили интеграцию, осталось подтвердить на уровне постановлений, что мы используем эту информацию. В данный момент интегрируем огромную бухгалтерскую программу, но, поскольку она находится в защищенном секторе, забрать все данные во внешнюю систему мы пока не можем. В системе управления городским имуществом есть персональные данные, что делает процесс сложнее, однако интеграция с ней необходима, так как это источник доходов городского бюджета. И будет очень полезно протестировать на модели различные управленческие гипотезы и сравнить, к примеру, финансовый эффект от аренды и продажи имущества в разные периоды времени.

Кроме того, предстоит более тесная интеграция с федеральными системами, в связи с этим Нижний Новгород недавно вошел в рабочие группы по «Умному городу».

Один из открытых вопросов — получение данных из федеральных информационных систем: налоговой службы, ГИБДД, МВД, ЗАГС. Муниципалитеты не могут получать оттуда информацию, так как для региональных и федеральных органов власти они являются третьей стороной при передаче персональных данных. А информация из этих систем является существенным дополнением для экосистемы контура городского управления. Например, для получения льготной парковки человек присылает сканы документов, и для их проверки мы отправляем запрос в ГИБДД России, однако вынуждены ждать ответа до месяца. Мы работаем над решением этой проблемы, но без изменения нормативной базы «цифрового чуда» не произойдет.

- Можно ли назвать вашу целевую модель цифровым двойником?

Думаю, можно. Или же она очень близка к тому, что мы понимаем под термином «цифровой двойник». Многие регионы заявляют, что у них есть цифровой двойник, но данные с ГИС-подложкой — это еще не цифровой двойник. Двойник — это когда все или большая часть городских процессов представлены в виде модели. Когда видимыми становятся показатели состояния городского хозяйства в оцифрованном виде.

- Дашборды платформы предназначены только для управленцев или для жителей города тоже?

Если цифровая модель города — наша стратегическая цель, то прикладная задача — создание дашборда для жителя города. Уже есть внешние ресурсы, с которыми жители взаимодействуют: например, транспортная карта, баланс которой пополняется через мобильное приложение. Но существуют и другие запросы. Скажем, родителям школьников было бы удобно видеть в городском приложении, что их ребенок пришел в школу в такое-то время и получил такие-то оценки. Наша задача — выдать жителю информацию о нем в экосистеме городских информационных систем. Сейчас мы готовимся реализовать функционал, позволяющий жителю увидеть в дашборде все его обращения, отправленные по любым каналам взаимодействия, и стадии рассмотрения, на которых они находятся.

Пока предназначенный для жителей функционал «Лобачевского» в публичной части портала тривиален: обращения, голосования, афиша, инициативы. Но мы идем к «единому окну» для получения информации и услуг от города и в первую очередь будем разрабатывать мобильные приложения.

Почему у медицинских данных длинный «хвост», с какими неожиданностями столкнулись разработчики медицинского искусственного интеллекта, какую роль сыграл в жизни молодой питерской компании эксперимент «Радиологии Москвы» и о каком дата-сете пока можно только мечтать, рассказал номинант на премию Data Award 2022 Евгений Никитин, начальник департамента ML-разработки компании «Цельс». На основе машинного обучения в «Цельсе» разрабатывают системы анализа медицинских изображений, помогающие рентгенологам, которых сейчас катастрофически не хватает в российских регионах, работать быстрее и пропускать меньше патологий на снимках.

- Как вы пришли в data science?

С детства хотел заниматься математикой, но не теоретической, а прикладной. Поэтому сначала получил образование по специальности «математические методы в экономике» в Санкт-Петербургском университете экономики и финансов. Затем в магистратуре в Англии занимался математическим моделированием человеческой памяти и внимания, потом в аспирантуре в США — машинным обучением для анализа политического поведения людей в социальных медиа. Параллельно занялся бизнесом — разрабатывал модели кредитного скоринга для финансовых организаций.

- Как же родилась идея работы с медицинскими данными? С чего начался проект «Цельс»?

Звезды так сложились. Мы с партнером познакомились с ребятами из калужской ИТ-компании, которым была очень интересна тема MedTech, но у них не было компетенций в сфере машинного обучения. На стыке их возможностей и наших компетенций осенью 2018 года попробовали сделать минимально жизнеспособный продукт (minimum viable product, MVP). Сначала задача была поставлена очень абстрактно: сделать то, что поможет обнаруживать рак молочной железы. Помимо пары публичных дата-сетов по маммографии для обучения модели, у нас была только выборка снимков, по которым уже был известен диагноз, поставленный пациенту. Результаты, полученные на тот момент, показались удивительными врачам, которым мы их показали. Это всех обнадежило. Мы поняли, что можем сделать нечто полезное, и решили развивать продукт дальше.

- Какими были следующие главные вехи проекта?

Мы открыли офис в Санкт-Петербурге и вскоре запустили разработку второго продукта «Флюорография / Рентген легких», а также пилотные проекты, что важно для получения обратной связи.

Очень большой поддержкой для нас оказалась работа, которую проводил в Москве Сергей Павлович Морозов, директор Центра диагностики и телемедицины («Радиология Москвы»). Действительно серьезной вехой стал эксперимент mosmed.ai, в котором прошедшие тестирование компании — разработчики ИИ-решений могут подключаться к клиникам через ЕРИС ЕМИАС, обрабатывать поток исследований реальных пациентов и получать обратную связь. К настоящему моменту три наши системы прошли так называемое калибровочное тестирование в этом проекте и работают полноценно: «Маммография», «Флюорография / Рентген легких» и «Covid-19». Другая наша система, выявляющая рак по КT легких, готова к внедрению, и еще одна, определяющая по КТ кровоизлияние в головном мозге, находится на стадии апробации.

- В этом проекте клиники голосуют, выбирая на определенный период продукт, с которым предпочитают работать. Сколько клиник выбрало ваш продукт?

Всего 102 клиники, больше всего выбрали «Маммографию» — примерно 50–60. Огромная выгода московского проекта — финансирование и одновременно развитие конкурентной среды: многие компании просто не выжили бы без такой поддержки. Второй крайне важный момент: организаторы понимали, что все системы далеко не идеальны, и принимали это. Когда мы приходили в регионы, то чаще всего слышали: «Ребята, это еще сыровато, надо допилить». А тут ставились три цели: во-первых, определить задачи, которые целесообразно и логично решать с помощью машинного обучения; во-вторых, отобрать лучшие решения; и, в-третьих, помочь разработчикам улучшить свои системы. Все эти цели достигнуты, и это очень здорово!

Результаты эксперимента теперь позволяют нам внедрять ML-системы и вне Москвы. В мае 2021 года мы получили регистрационное удостоверение на медицинское изделие, и в ближайшее время наши системы официально начнут работать на уровне нескольких российских регионов. Кроме того, большой проект идет в Узбекистане.

- Что было самым интересным в процессе создания медицинского ИИ?

Разметить изображение, чтобы определить, есть у пациента патология или нет. Поначалу мы не отдавали себе отчета в том, какое количество расхождений будет, если дать один и тот же снимок двум врачам. А ведь это влияет не только на обучение модели, но и на ее оценку. Как доказать, что модель качественная, если существуют пять разных мнений по тому, как размечен снимок?

Начинали, по сути, тыкаясь вслепую, но в итоге построили четкий пайплайн по разметке. Это очень сложный процесс, начиная с того, что врачей надо выбрать по каким-то формальным характеристикам. Оказалось, что квалификация и опыт — не всегда очень хорошие предикторы качественной разметки. Важны и дополнительные характеристики — например, усидчивость и внимательность. В числе факторов, часто и сильно влияющих на качество разметки, — обычная усталость и отсутствие большого монитора с высоким разрешением.

Поэтому сейчас мы много внимания уделяем отбору врачей, которые хотят с нами работать, их обучению и регулярной проверке их работы. В процесс разметки встроен автоматический контроль качества с использованием специального набора снимков и эвристик.

Второе, чему мы научились, — итерационное написание инструкций. Каждый раз, запуская новый проект, сначала пишем первую версию инструкции и просим врачей разметить снимки в соответствии с ней. Затем смотрим, какие есть расхождения и почему они возникают. Например, один специалист отмечает на маммографическом снимке злокачественные кальцинаты, а другой может их не отметить или разметить иначе, не заметив, выбрав другой класс или неаккуратно обозначив контур. Далеко не всегда расхождения означают разные мнения, иногда врачи по-разному интерпретировали инструкцию! То есть большую часть противоречий между оценками врачей можно устранить с помощью качественной инструкции по разметке.

- Какую цель вы ставили перед собой на уровне данных?

Максимально эффективно получить дата-сеты, которые нужны для создания качественных продуктов.

Сначала нам был нужен качественно размеченный набор данных достаточного объема. Теперь, для дальнейшего повышения качества, к дата-сетам предъявляем все больше требований — например, по наличию разных видов и форм рака молочной железы. Сейчас наша задача — пополнять и обновлять дата-сеты, экономя при этом деньги.

Как выяснилось, жизненно необходимо так называемое активное обучение. Специфика медицинских данных в том, что у них очень длинный «хвост». То есть большая часть пациентов здоровы, и лишь в снимках оставшихся 5% встречаются редкие патологии, которые мы очень хотим выявить. Если размечать все подряд, то большую часть времени мы будем делать бесполезную работу: нейросеть уже выучила здоровых пациентов и пациентов с легко детектируемыми патологиями, а мы просто сжигаем деньги, размечая бесполезные для модели снимки.

Поэтому мы сделали «умные» инструменты, которые позволяют отбирать данные на разметку. Когда поступает информация, что врачи освободились, для них в полуавтоматическом режиме по разработанным нами алгоритмам отбирается пул исследований, разметка которых принесет наибольшую пользу.

То есть мы внедрили подходы, позволяющие улучшать готовые продукты, ведь повышать их качество становится все труднее и труднее.

- Какие источники данных использовали?

В некоторых проектах использовали публичные дата-сеты: мы берем по максимуму все, что можно использовать в коммерческих целях. Как правило, это зарубежные наборы данных, но сейчас при поддержке Минздрава РФ идет подготовка публичных дата-сетов для отечественных разработчиков, и мы в ней тоже участвуем.

Второй источник — прямые контакты с медучреждениями и научными центрами. Это выгрузка анонимизированных данных: либо платная из зарубежных институтов, либо (что бывает чаще) в обмен на бесплатное использование нашего продукта в пилотном проекте. И третий крупный источник — поток данных, поступающих в рамках московского эксперимента через радиологический сервис ЕРИС ЕМИАС.

- К вам попадают уже анонимизированные данные?

Да, в 95% случаев. В московском проекте на стороне организаторов стоит модуль для анонимизации. Изредка к нам попадают неанонимизированные данные, тогда перед началом работы мы производим автоматическую анонимизацию.

- Алгоритмы анализа медицинских изображений сейчас пишут многие. Чем отличается ваш подход?

Конкурирующие решения различаются количественными характеристиками: точностью и скоростью работы, числом систем, c которыми могут интегрироваться. К сожалению, в нашей области пока практически нет обмена знаниями. Мы же стараемся пропагандировать такой обмен.

Наша «машина» по разметке медицинских данных — одна из лучших. Отдельная команда работает непосредственно с врачами, контролирует качество разметки и снабжает команду машинного обучения этими данными.

Еще один важный момент: мы уделяем большое внимание скорости проверки идей. Моя роль в компании — обеспечивать правильную настройку процессов и правильный выбор инструментов, чтобы максимально быстро обучать нейросети, тестировать идеи и продолжать улучшать продукты.

У нас всего 15 дата-сайентистов на пять готовых продуктов плюс три в разработке. Поддерживать такую линейку можно только при максимально эффективном использовании ресурсов — то есть автоматизируя все, что можно, и применяя лучшие практики, как процессные, так и инструментальные.

- Есть мнение, что главный потенциал медицинского ИИ — в анализе интегрированных данных о пациенте, а не отдельных исследований. Есть ли намерение развиваться в этом направлении?

Я всегда верил, что будущее — в мультимодальном подходе, когда в систему интеллектуальной обработки данных попадают данные разного типа из разных источников. Например, рентгеновский снимок плюс история снимков для оценки динамики, информация медкарты плюс информация по результатам приема, которая может быть собрана голосом. Моя давняя мечта — достойный дата-сет с мультимодальными данными. При таком подходе можно достичь по-настоящему крутых результатов. Технологии к этому готовы: есть архитектуры нейросетей, позволяющие работать с мультимодальными данными. Но существуют опасения относительно нарушения приватности: чем больше у нас данных о пациенте, тем выше риск их деанонимизации. Тут явно предстоит большая юридическая работа, и, скорее всего, потребуется согласие пациента на такую обработку данных.

Однако в рамках научного сотрудничества с некоторыми клиниками мы пробуем использовать более широкие массивы данных. Например, не только снимок, но и его описание, где врач может упоминать важные аспекты, сильно повышающие риск онкологии, такие как случаи рака в семье пациента. То есть мы уже работаем на стыке изображения и текстовых данных. Но остается нерешенным ключевой вопрос: как обеспечить безопасный доступ к таким данным?

Кроме того, существует инфраструктурная проблема: не очень много клиник, где можно эффективно выгрузить и связать массивы данных; часто результаты осмотра еще пишут от руки. А у коммерческих клиник обычно с инфраструктурой все отлично, но объем данных недостаточен.

- Какие основные ИТ-инструменты применяете?

Разметка данных проводится на российской платформе Supervisely, для хранения данных и разворачивания моделей используем Yandex.Cloud и Kubernetes. Сама разработка ведется на языке Python во фреймворке Pytorch. Чтобы обеспечить воспроизводимость результатов экспериментов (а это очень важно в науке), для обучения и тестирования моделей пользуемся фреймворками с открытым кодом Clear ML и DVC.

- Какими результатами использования систем «Цельса» можете поделиться?

Применение ИИ в медицине пока носит экспериментальный характер. Если сейчас убрать из медицины все ИИ-системы, краха не случится. Чтобы говорить об ощутимой пользе, надо уметь ее измерить, прежде всего оценить экономически. Посчитать, насколько меньше стали тратить денег в здравоохранении, — непростая задача. Сейчас мы сами тратим большие деньги, чтобы понять, меняется ли что-то с точки зрения финансовой эффективности, если у врача появляется наша система.

Однако в московском эксперименте есть примечательные кейсы — например, по обработке КТ-исследований на ковид. Для рентгенолога несложно увидеть знаменитое «матовое стекло», зато много времени требует оценка объема поражения легких, которая может повлиять на решение о госпитализации пациента. Практика показала, что ИИ-система может справиться с этой рутинной задачей, а врачу достаточно проверить, правильно ли все подсчитано. Время на интерпретацию одного исследования по ковиду сокращается на треть!

Кроме того, точечные свидетельства эффективности мы получаем из обратной связи от врачей — они не только сообщают, как наши системы помогают сэкономить время, но и честно признаются в том, что часть патологий могли бы пропустить, если бы система на них не указала. В пилотных проектах по маммографии в Брянске, Тамбове, Калуге, Калининграде и других городах, после пропускания через систему ретроспективных данных, были случаи, когда система обнаруживала рак, пациента направляли на дополнительное обследование и действительно находили злокачественные изменения.

- Какие направления дальнейшего развития проекта вы видите?

Первое глобальное направление — комплексные сервисы. Сейчас методами машинного обучения обычно ищут один определенный тип патологий, например ковид. Следующий важный этап — научиться находить на снимках одного исследования все возможные типы патологий.

Второе — измерить эффект от использования нашей системы по всем правилам научного исследования.

И третье важное направление — автоматизация рутинных задач, например контроля качества. В большом радиологическом исследовании многое может пойти не так — с оборудованием, с расположением пациента. И мы разрабатываем инструменты, которые помогают контролировать качество исследования прямо в процессе его проведения.

Мне кажется, выживут только те компании, которые, организовав работу небольших команд, смогут обеспечить максимальную скорость проверки идей. А ее можно увеличить благодаря автоматизации.

В ноябре 2021 года восемь транспортных судов застряли во льдах на Северном морском пути, из ледового плена их выводил атомный ледокол «Вайгач». Такое случалось и раньше, но в последнее время происходит почти ежегодно. За последние двадцать лет количество опасных стихийных явлений выросло вдвое, и ущерб от них продолжает увеличиваться.

Евгений Вязилов — заведующий лабораторией Центра океанографических данных во Всероссийском научно-исследовательском институте гидрометеорологической информации — Мировом центре данных (ВНИИГМИ-МЦД). Это один из трех мировых центров данных по океанографии. Институт является головной организацией Федеральной службы по гидрометеорологии и мониторингу окружающей среды и определяет ее политику в области ИТ. Здесь собираются все данные, получаемые в государственной наблюдательной сети Росгидромета.

Когда в 1968–1971 годах Вязилов начинал свою работу в Росгидромете в качестве наблюдателя, ему приходилось зимовать на полярных станциях Остров Диксон, Бухта Солнечная и Мыс Челюскина, вести океанографические наблюдения на научно-исследовательском судне «Вяндра», измерять толщину льда перед навигацией во время экспедиции на вездеходах в Енисейском заливе.

Впоследствии он посвятил многие годы созданию базы данных по возможным воздействиям опасных явлений на промышленные предприятия и население. Теперь на ее основе создается прототип системы, которая в критических ситуациях поможет быстро находить ответ на самый острый вопрос: что делать? Что делать руководителю конкретного предприятия, когда прогноз сулит ураганный ветер, неурочные заморозки, наводнение или оттепель, а также в случае ожидаемых изменений климата.

- Когда и как у вас зародился интерес к созданию системы поддержки принятия решений?

Наш центр еще в 70-х годах проводил климатические обобщения по открытому океану на основе данных, занесенных на перфокарты и магнитные ленты. При этом я удивлялся: считаем множество статистических характеристик для десятка наблюденных и десятка вычисленных параметров, а как их использовать при принятии решений — никто не знает. Фактически использовались только средние и экстремумы для небольшого числа параметров. Меня заинтересовала эта проблема, и в конце 90-х я защитил докторскую диссертацию на тему «Повышение эффективности использования гидрометеорологической информации при принятии решений», где впервые обосновал идею создания системы поддержки принятия решений при гидрометеорологическом обслуживании предприятий и населения.

- В чем суть этой идеи?

Зная гидрометеорологические условия, можно не только заранее предсказать перечень воздействий на предприятия и население, но и составить рекомендации для принятия решения. Необходимо собрать список воздействий и формализовать рекомендации для каждого стихийного явления, и сделать это нужно с учетом уровня опасности и типа используемых данных (наблюдения, прогноз, климат).

Опыт показывает, что ущерб от стихийных явлений часто связан с неинформированностью и недостаточным учетом всей имеющейся информации, что приводит или к бездействию, или к слишком позднему осознанию возможных воздействий — когда уже ничего невозможно предотвратить. В разнообразных инструкциях на предприятиях нет детальных алгоритмов действий во время стихийных бедствий. Между тем, чтобы вовремя провести превентивные мероприятия, руководитель должен четко понимать, что именно может быть источником опасности и насколько вероятно наступление той или иной ситуации. Однако из-за большого объема информации, разбросанной по лоциям, атласам, справочникам и предоставляемой в виде множества экранных форм, руководители зачастую не в состоянии достаточно быстро отреагировать на изменения условий среды. Поэтому они, с одной стороны, часто не учитывают критически важную информацию при принятии решений, а с другой — оправдывают неудачные решения плохими условиями окружающей среды.

- Что же делать?

Для эффективной поддержки принятия решений необходимо значительно уменьшить объем доставляемых руководителям сведений о состоянии окружающей среды. До руководителя должны доводиться лишь те из них, которые он будет использовать для анализа и принятия решений — в виде небольшой таблицы, карты и графика.

На каждом предприятии должен быть паспорт безопасности, где указано, какие стихийные явления могут быть в районе предприятия, как они могут повлиять на его работу, а также что надо делать до, во время и после события. Например, если предприятие находится далеко от реки, моря и на определенной высоте, то наводнение можно не учитывать. А вот если температура воздуха опустится ниже нуля, то продукцию, на которую это может отрицательно повлиять, нужно укрыть или перенести в крытые ангары. Да, многие рекомендации тривиальны. Но при приближении опасности человек находится в состоянии сильного эмоционального напряжения, и, чтобы принять решение быстро, ему требуется мгновенная оценка динамики ситуации с анализом причин и прогнозом последствий ее развития.

- Откуда берутся данные для такого анализа?

В России работают около 6,5 тыс. метеорологических станций и постов. Через час после наблюдения полученная от них информация уже занесена в базу данных. Кроме того, со спутников мы получаем данные об облачности, температуре воды и других показателях по всему земному шару. В открытом океане используются примерно 90 судов добровольных наблюдений плюс около 70 научно-исследовательских судов Росгидромета и Академии наук. Однако очень плохо обстоит дело с автоматическими буями: в российских морях их единицы — дорого.

Результаты статистической обработки всех этих данных собираются в нашем институте. У нас много лет создавалась база не только наблюденных значений, но и обобщенных — среднемесячных, среднегодовых и т. п. Иногда расчеты ведутся на основе эмпирических формул: например, пожароопасность оценивается по отклонению от климатических значений температуры воздуха и влажности в течение продолжительного периода.

Чтобы быстро получать информацию в режиме онлайн и интегрировать разнородные и распределенные данные, в 2014 году в нашем институте запустили Единую государственную систему информации об обстановке в Мировом океане (ЕСИМО). Несмотря на название, это универсальная система, которая интегрирует не только метеорологические и гидрологические данные, но и сведения о промышленных объектах, социально-экономическую информацию.

На основе интегрированных данных можно автоматически определять уровень опасности стихийных явлений в поступающих потоках оперативных данных, сравнивая их с локальными пороговыми значениями уровней опасности (желтый, оранжевый, красный), которые должны устанавливаться для каждого предприятия.

- Кто является потребителем этой информации?

Данными ЕСИМО пользуются промышленные предприятия и органы государственной власти, которые отвечают за предупреждение населения о стихийных бедствиях, — в первую очередь федеральные ведомства: Минтранс, Минобороны, МЧС и др. Гидрометеорологическая информация учитывается при обеспечении безопасности авиапассажиров, при выборе маршрута движения судов в пункт назначения, для поддержания стабильности работы ветроустановок и для сохранности скоропортящихся продуктов. Авиакомпании применяют наблюденные данные о скорости и направлении ветра для экономии топлива и обеспечения точного прибытия авиалайнеров по расписанию.

Мы рассчитываем на то, что в результате перехода от самообслуживания к персонализированному обслуживанию на основе локальных пороговых значений у нас появится больше заказчиков, оплачивающих подписку на цифровые сервисы.

- В чем заключается персонализация обслуживания?

При одном и том же значении показателя на него следует реагировать по-разному в зависимости от того, где находится объект: в средних широтах или в Арктике, где производство и население уже адаптировались к постоянному воздействию опасных явлений малой интенсивности.

Сейчас все руководители получают общую информацию или же их помощники сами ищут ее на портале ЕСИМО и на сайтах организаций Росгидромета. Мы же предлагаем новую модель: чтобы руководитель получал только то, что ему нужно для конкретного бизнес-процесса. Например, руководителю жилищно-коммунального хозяйства следует увеличить нагрузку на тепловую систему, когда температура опускается ниже -25°С.

Мы движемся к режиму, когда не пользователь является инициатором доступа к системе, а сама система автоматически выявляет опасные ситуации и запускает триггеры доставки сведений о них, что существенно ускоряет доведение до руководителей информации об уровне опасности. Раньше если синоптик видел опасность, угрожающую промышленному объекту, то в прогнозе погоды дописывал текст — к примеру: «возможен смыв груза, находящегося на пирсе». Сейчас система может автоматически формировать прогноз воздействий и передавать руководителю перечень рекомендаций для исполнения, чтобы предотвратить или уменьшить ущерб, а в некоторых случаях и повысить эффективность предприятия. Так, при планировании северного завоза точный прогноз не только повышает безопасность, но и сокращает время морской перевозки грузов с запада на восток.

Фактически предполагается реализовать конвейер автоматической сквозной обработки потока данных от наблюдения до принятия решений. Это экономически целесообразно, технически реализуемо и соответствует запросам целевой аудитории.

- Что было сделано для реализации новой модели обслуживания? Какие продукты созданы?

Проанализировав огромный объем материалов, где встречались описания произошедших опасных явлений и их воздействий на промышленные объекты, мы создали базу данных о воздействиях для 100 опасных явлений. Для каждого из них сформировали рекомендации руководителям различного уровня управления: перед событием — на основе климатических и прогностических данных; во время него — на основе наблюденных данных; и после него — с использованием фактических данных. Разработали средства автоматической идентификации опасных явлений на основе локальных пороговых значений показателей, которые определяются при настройке системы на конкретное предприятие. База данных дает возможность выдать сведения о воздействиях в нужном объеме и рекомендации, адекватные индивидуальным особенностям объекта. То есть по каждой ситуации для предприятия динамически готовится решение, учитывающее уровень управления, виды деятельности и локальные пороговые значения уровня опасности для каждого вида деятельности.

Способ доставки тоже имеет значение. Чтобы руководитель как можно быстрее узнавал об опасности, информацию нужно доставлять на его смартфон.

Мобильное приложение «МетеоАгент», работающее на Android-устройствах, с помощью SMS автоматически оповещает руководителей о возникших опасных явлениях, выдает сведения о возможных воздействиях окружающей среды на хозяйственные объекты и рекомендации для принятия решений. Еще одно приложение — «МетеоМонитор» — помогает правильно оценивать ситуацию, показывая на информационной панели в виде гидрометеорологических приборов значения показателей с цветовой индикацией уровня опасности в виде «светофора». Для каждого показателя строится график изменения значений за последнюю неделю и прогноз на ближайшие дни. С подсказками системы руководитель сможет работать гораздо плодотворнее — ведь ему не придется рыться в общих инструкциях (чаще рассчитанных на население, а не на предприятие) или вспоминать их.

- Какие основные ИТ-инструменты применяете?

Мы используем СУБД PostgreSQL, ориентируемся на кросс-платформенный язык Java. До сих пор работали с линейкой серверов приложений JBoss, но сейчас планируем перейти на другую линейку свободного ПО, исследуем популярную систему Elastic Search применительно к нашим условиям.

- Как решаете вопрос качества данных?

Когда мы переписали базу данных с перфокарт на магнитные ленты, было очень много нареканий. Мы потратили пять лет, чтобы привести наши данные в порядок. За это время методы контроля улучшились, мы обменялись алгоритмами контроля качества с партнерами по панъевропейскому проекту, позаимствовали у них методы контроля гидрохимических параметров и показателей загрязнения. На входе и выходе данные проверяются как минимум на общие предельные значения, а также по связи между физическими параметрами.

- В чем заключалась самая большая проблема в вашей работе?

Главная проблема сегодня — обеспечение надежности работы инфраструктуры портала ЕСИМО и связанных с ней приложений. В системе 31 поставщик данных, и большинство из них работают на уровне надежности 99,9%. В то же время отдельные поставщики данных могут работать на 80% и даже 70%, поэтому общий уровень надежности сразу падает.

- Какие наиболее значимые изменения произошли в работе с данными за последнее время?

Долгое время мы не обращали внимания на технологии искусственного интеллекта, сейчас изучаем возможности применения нейросетей и глубинного обучения. Все управления Росгидромета на своих ресурсах предоставляют пользователям доступ к информации по своему региону ответственности. Но когда каждое управление само решает отдельные задачи в области автоматизации, то результат невозможно масштабировать. Наш подход — создавать цифровую платформу на основе ЕСИМО. Рассматриваем возможность использования микросервисной архитектуры, чтобы повысить мобильность цифровых продуктов, создаваемых разными подразделениями, и исключить дублирование.

- Какие результаты своей деятельности вы считаете ключевыми?

Собранный материал по прогнозу воздействия и выдаче рекомендаций, оформленный в базу знаний, — это колоссальный труд на стыке предметной области и области ИТ.

- Каким вы видите дальнейшее развитие этого проекта?

В прошлом году мы обновили серверное оборудование, сейчас готовимся перенести ЕСИМО в государственное облако. Мы каждый год подаем заявки на развитие ЕСИМО, но Минфин их режет. Поэтому, в отсутствие масштабного финансирования, пока имеем опытные экземпляры системы поддержки принятия решений и экспериментальные результаты ее эксплуатации. Следующая задача — подключить модели расчета экономического ущерба. Надеюсь, что предложенная идея автоматизации поддержки решений найдет своих потребителей и будет широко использоваться.

Профессия руководителя в сфере информационных технологий заметно меняется. Помимо ИТ-директоров, в крупных компаниях появились директора по данным, директора по инновациям и директора по цифровой трансформации. Однако вопросы обучения, обеспечивающего переход специалиста с технологическим бэкграундом в высшую лигу управленцев, остаются неизменно актуальными.

Как меняет карьеру бизнес-образование? Чему и на каком этапе важно учиться? Об этом, а также о направлениях цифровой трансформации крупнейшего транспортного холдинга страны рассказывает Сергей Висленев, первый заместитель генерального директора компании «РЖД-Технологии», которая служит проектным офисом масштабной стратегии цифровой трансформации РЖД.

- Несколько лет назад вы проходили обучение по программе MBA CIO в Высшей школе бизнес-информатики ВШЭ. С какой целью решили получить бизнес-образование?

Особенность карьеры ИТ-руководителей состоит в том, что по большей части они начинают инженерами. У инженерного старта есть свои преимущества: ориентация на технологии и их адаптацию, на постоянное обучение. Но инженерный бэкграунд все же не позволяет развить в полной мере менеджерские навыки, не дает понимания целей управления предприятием, не формирует паттерны бизнес-мышления и умение общаться на бизнес-языке. Поэтому бизнес-руководители считают, что разговаривают с ИТ на разных языках. Прохождение программы MBA — один из базовых способов научиться говорить с собственниками бизнеса и топ-менеджерами на одном языке.

- То есть в первую очередь MBA решает проблему коммуникативную?

Большинство проблем в любой сфере человеческой деятельности — коммуникативные. Да, для руководителей в сфере ИТ это способ научиться говорить на одном языке с бизнесом. Это принципиально важно, поэтому бизнес-образование довольно популярно среди ИТ-менеджмента.

- Почему вы выбрали именно программу MBA ВШБИ ВШЭ?

Из двух основных направлений MBA: общее и специализированное в области цифры — я выбрал специализированное, потому что решил отталкиваться от своей профессии и использовать свои сильные стороны. Такой подход дает максимальный синергетический эффект.

При выборе конкретной программы я анализировал два аспекта: первый — отзывы коллег, которые уже проходили эту программу, и второй — преподавательский состав. В MBA интересны не столько наименование дисциплин, сколько фигуры преподавателей. Для меня было очень важно, что эти люди имеют существенный вес в сообществе ИТ-руководителей и вносят значимый вклад в его развитие. Например, Андрей Коптелов играет существенную роль в развитии сообщества BPM, Роман Журавлев — сообщества ITIL, и этот список можно продолжить. Это лидеры направлений, чье видение мне хотелось понять.

- Какие изменения произошли в вашей карьере благодаря этому обучению?

Трудно ответить на этот вопрос, хотя изменения произошли, и очень существенные. Расскажу о своем карьерном пути чуть подробнее.

Я пришел в 2001 году в петербургский железнодорожный институт «Ленгипротранспуть» инженером технической поддержки, занимался эксплуатацией информационных систем, а впоследствии — цифровизацией проектной деятельности в железнодорожной отрасли на достаточно серьезном уровне. Как раз после окончания курса MBA я возглавил компанию, занимавшуюся разработкой программных продуктов для управления эксплуатацией железнодорожных телекоммуникационных систем, и три года в ней трудился. В 2020 году стал победителем всероссийского управленческого конкурса «Лидеры России» и перешел в цифровой блок РЖД — в компанию «РЖД-Технологии», проектный офис цифровой трансформации РЖД. Я работаю в железнодорожной отрасли с 17 лет. «Цифра» в РЖД — это та сфера, которая меня привлекает и мотивирует.

Роль MBA на этом пути довольно существенна: полученный базис сильно помог мне на позиции руководителя предприятия и помогает сейчас решать задачи уровня холдинга РЖД. Понятно, что MBA не является «билетом в счастье», но это правильный и для многих необходимый шаг, который дает эффект.

- А помимо этого базиса, что еще помогло достичь поставленной цели?

Много компонентов: опыт, стремление, мотивация. Среди важных факторов отмечу формальное, организованное образование, оно меня мотивирует. Постоянное развитие в выбранной области для меня привычно, стараюсь каждый год проходить сертификации по актуальным для меня направлениям. Вообще говоря, я очень ценю формальную сертификацию и считаю, что она лучше всего подтверждает реальное стремление получить знания и быть профессионалом в определенном направлении.

- Какова сегодня сфера ваших профессиональных интересов? Что вас интересует больше всего и почему?

Я занимаюсь проектами цифровой трансформации в РЖД. Холдинг ведет масштабную программу цифровизации, затрагивающую все области производственной и непроизводственной деятельности (от перевозочного процесса и взаимодействия с клиентами до внутренних коммуникаций), внедряет самые актуальные технологии.

Для меня важно иметь видение. Когда занимаешься цифровой трансформацией, ты обязан видеть, что будет дальше, и надо приучить себя постоянно генерировать это видение, опираясь не на фантазии, а на данные, на тренды, а также на видение инфлюэнсеров в профессиональном сообществе, евангелистов определенных направлений. Это то, что приносит ценность цифровой трансформации.

«РЖД Технологии» — цифровой субхолдинг, целый конгломерат предприятий, предоставляющих цифровые сервисы. Помимо проектов цифровой трансформации, я занимаюсь корпоративным управлением и стратегическим развитием, поскольку стоит задача развивать наши дочерние компании, а для этого нужно применять соответствующие инструменты. Это серьезный вызов.

Среди важнейших проектов, которые я курирую, — Интернет вещей и применение возможностей, которые он предоставляет в телеметрии, а значит — в области эксплуатации крупных территориально распределенных инфраструктур. В этой области мы реализуем целую серию проектов, которые особенно важны для РЖД с учетом гигантских пространств Российской Федерации и протяженности железных дорог. Фактически Интернет вещей открывает для РЖД новую телеметрию, «переизобретает» ее, дает возможность построить цифрового двойника инфраструктуры на абсолютно новом уровне: вы не просто опосредованно получаете информацию о проектном и текущем состоянии какого-то участка пути или объекта сети, а имеете данные обо всей сети в режиме онлайн. Раньше это было невозможно сделать в пределах разумной экономической эффективности, потому что классическая телеметрия построена на проводах и требует наличия электропитания. Современные же сети Интернета вещей построены на технологиях, которые позволяют охватывать до ста квадратных километров на одну базовую станцию. Один датчик может работать автономно от 5 до 10 лет. Использование этих простых элементов дает впечатляющий результат — живую инфраструктуру, реально демонстрирующую свое состояние онлайн, причем на всех участках. Особенно важна эта технология на Восточном полигоне.

Второе важнейшее направление, которым мы сейчас активно занимаемся, — новая цифровая среда сотрудников. В начале пандемии компания очень быстро перестроилась: в РЖД за 10 дней перевели на удаленную работу более 100 тыс. сотрудников. Это фантастический результат работы команды.

Но посмотрите, как теперь меняются тренды в экономике в целом. Огромное количество людей уже никогда не выйдут в офис, и очень скоро компании будут нанимать людей, которые никогда не работали в офисе и не собираются это делать. Мир очень сильно трансформируется. Технологии сначала развиваются, а потом создают новую потребность. Я уже не очень хорошо помню, когда последний раз был в магазине, так как покупаю продукты с доставкой. Доставка существовала и несколько лет назад, но массово люди ею не пользовались, так что дело даже не в самой технологии, а в ее принятии. Технологии поменяли образ жизни, и теперь новые модели действий покупателей стали привычными и комфортными. Точно так же технологии поменяли образ действий работников, и сейчас понятно, что любому сотруднику необходимо цифровое рабочее место — целый комплекс технологий, в том числе и видеосвязи. Это означает, что мы должны предоставить максимальному количеству сотрудников удобные средства цифровой коммуникации, групповой кросс-функциональной работы в крупных системах, что сильно трансформирует сам бизнес.

При этом множество возможностей образуется вокруг каждой технологии, которую мы развиваем. Например, в РЖД реализовали массовое внедрение удобного корпоративного средства веб-коммуникаций на базе отечественного решения IVA R, и оно обрастает другими сервисами. Если я могу работать за компьютером удаленно, то почему не могу дистанционно производить другие операции, например инвентаризацию? И мы решаем задачу видеоинвентаризации. А контролировать стройку? И мы решаем задачу видеоконтроля строительства, а еще внедряем технологии телемедицины для предрейсовых осмотров и т. д.

Кроме того, с помощью сервисов веб-коммуникаций можно трансформировать образование, ведь железнодорожная инфраструктура — это пространство постоянного обучения. Сложная инженерная инфраструктура, особенно связанная с безопасностью движения, требует постоянного обучения, инструктажа и проверки знаний, чтобы не допустить нештатных ситуаций, которые повлияли бы на пассажиров или груз.

Все эти возможности, как созвездия, растут вокруг простой идеи: сотрудники должны коммуницировать по-новому. И это именно то, что сейчас трансформирует РЖД и чем мы занимаемся.

- Какие направления и формы обучения вы порекомендуете труженикам цифровой индустрии и в какие моменты карьеры?

Я рекомендую еще до прихода в ИТ-отрасль развивать свои знания, подтверждая их сертификациями. Считаю, что всем специалистам по эксплуатации важно знать концепцию ITIL, а экзамен ITIL Foundation или его аналог требуется сотрудникам уже на уровне Help Desk. Специалисту по эксплуатации важна «продвинутая» сертификация ITIL, в первую очередь по созданию сервисов.

Любому руководителю проектов и тому, кто стремится им стать, я рекомендую знать PMBoK. И это не ограничивается чтением книжки. Формальные знания желательно подтверждать сертификацией, хотя и не обязательно PMI.

Специалисты по разработке ПО (особенно начинающие), по информационной безопасности, тестировщики, cдавайте сертификационные экзамены по своему направлению. Это вам сильно поможет.

Руководителю, ведущему пул крупных ИТ-проектов и планирующему развиваться в области управления проектами, желательно получить диплом MBA по управлению информационными системами. Прохождение программы MBA — это способ влиться в команду топ-менеджмента, возможность ясно понимать происходящее и говорить на одном языке с управленцами. Это отличный инструмент, и руководителям проектных подразделений особенно целесообразно его использовать.

А кроме MBA, рекомендую всем «цифровизаторам» получать формальное образование в той отрасли, где они долго работают (транспорт, нефтегаз, телекоммуникации, госуправление). Эффект будет потрясающим, поверьте.

Запустить цифровую трансформацию не так легко, как кажется поначалу. Как определить, готова ли к этому ваша организация? На какой ступени «лестницы цифровой зрелости» стоит она, а на какой — ее конкуренты? О популярных методиках оценки цифровой зрелости компании расскажет Марианна Данилина, эксперт с многолетним стажем трансформационных практик в финансовой сфере. Ее выступление состоится 2 июня на форуме [it]MF 2021 издательства «Открытые системы». В преддверии форума Марианна согласилась ответить на несколько вопросов о целях использования таких методик и о том, что мешает российским компаниям повышать уровень цифровой зрелости.

- Как становятся специалистами в области цифровой трансформации? Расскажите немного о вашем профессиональном пути.

Путь оказался непредсказуемым. Мне всегда хотелось заниматься чем-то инновационным и сложным, меня мотивируют новые направления. Я закончила журфак МГУ, мечтала стать экономическим обозревателем, поэтому вторую специальность получила в области экономики и в качестве корреспондента писала о финансах. Затем работала бизнес-аналитиком в очень интересном проекте по слиянию двух крупных международных банков. Так начался мой долгий путь в финансовой сфере, где в проектах по автоматизации процессов часто приходилось объяснять ИТ-специалистам, чего хочет бизнес, и обучать команды. Опыт работы в консалтинге позволил мне участвовать в самых разнообразных проектах, включающих как управленческую, так и ИТ-составляющую, а также дал возможность проводить исследование рынка цифровизации крупнейших российских компаний.

Все это помогло достичь понимания того, что нужно сделать организации, чтобы измениться. Цифровая трансформация — в большей степени касается не ИТ, а практик управления. Тенденции трансформации компаний начали появляться более 10 лет назад и включали в себя изменение бизнес- и операционных моделей. Начиная с 2016 года практики трансформации организаций стали фокусироваться на цифровизации и пришла мода на диджитал. Между тем очень многие технологии, которые сейчас подразумеваются под цифровой трансформацией, и средства «малой автоматизации» существовали задолго до этого. Например, скрипты использовались и до популярной ныне роботизации процессов. Но, благодаря развитию технологий и подходу low-code, теперь для их использования не обязательно быть программистом: сегодня бизнес-пользователи могут настраивать ИТ-инструменты самостоятельно. Соединяя цифровые технологии и людей, компании могут разрабатывать инновационные услуги и продукты, доступа к которым раньше не существовало.

- Что вас больше всего интересует на сегодняшний день в профессиональном плане?

Интересен опыт больших радикальных изменений в организации. Хочется применить свой опыт и знания, чтобы определить, как сбалансировать настоящее, обеспечивающее существование текущей бизнес-модели, и труднопредсказуемое желаемое будущее. Если совсем просто, change — это зона изменений, улучшения, нового. Run — регулярное, повторяющееся, имеющее цикличность. Мне нравятся «сhange-проекты», которые приносят изменения, развитие. Собственно, ими я и занимаюсь.

Интересны также программы акселерации, создание «песочниц инноваций» и реализация проектов по внедрению инновационных технологий, которые раньше не применялись в текущих процессах. Например, распознавание эмоций в продажах в банковской сфере. Решения, основанные на больших данных и нейросетях, позволяют не только показывать таргетированную рекламу, но и анализировать удовлетворенность клиента качеством обслуживания в отделении банка, управлять мотивацией сотрудников.

- Насколько такие проекты окупаются? В какой степени это интересная «игрушка» и в какой — реальный бизнес-инструмент, помогающий зарабатывать?

Если компания стремится принимать обоснованные решения на основе цифр, то, безусловно, она должна оценивать рентабельность инвестиций и окупаемость внедрения цифровых технологий. Однако следует иметь в виду, что эффект от технологии можно ощутить не сразу. Он проявится через 2–3 года, а то и через 10 лет.

Начиная инвестировать в перспективную технологию, компания уходит в минус: ведь мы вкладываем деньги, но никакого эффекта пока не получаем (пишем алгоритм, проводим тестирование, исправляем ошибки и пр.). Только после перевода технологии в промышленную эксплуатацию и начала стабильной работы решение начинает окупаться (и тоже через какое-то время).

Я бы советовала оценивать применимость инновационного решения для компании не просто сквозь призму коммерческой выгоды, но и с учетом косвенных преимуществ. Бывает так, что для компании важна не только экономическая эффективность, но и другие моменты. Например, есть имиджевые проекты, когда внедрение технологии не несет значительного экономического смысла. Однако для компании важно сделать proof-of-concept, чтобы понять, как дальше работать с этой технологией или сформировать повестку для будущих стратегических изменений.

Конечно, окупаемость не достигается на одном процессе. Требуется масштабное применение технологий либо фокусировка на прямой экономии затрат. К примеру, технология распознавания эмоций нацелена на увеличение продаж благодаря повышению лояльности клиентов, поэтому она применима в комплексе с множеством других изменений: продуктов, сервисов, бренда и т. п. Сама по себе технология может не приносить большого экономического эффекта, но как часть программы мероприятий по повышению привлекательности для клиента она является важным инструментом. С его помощью можно найти «точки соприкосновения» с клиентом и значительно повысить удовлетворенность и лояльность потребителей, а значит — повысить конверсию взаимодействия с ними, снизить отток клиентской базы или нарастить количество новых клиентов. И в конечном итоге — увеличить доход компании. Таким образом, сегодня инновации — это реальный инструмент, помогающий зарабатывать.

- С одной стороны, компании вкладывают ресурсы в изучение нюансов клиентского опыта, а с другой — роботизируют процессы поддержки клиентов, минимизируя возможности живого общения. Нет ли в этом противоречия, на ваш взгляд?

Нет. Есть компании, «рожденные цифровыми», чья бизнес-модель строится вокруг уникального продукта, лучшего клиентского опыта или цифровой платформы, которая дает технологическое превосходство. Они занимают свою долю рынка именно благодаря этим ключевым конкурентным преимуществам. Новые бизнес-модели являются клиентоориентированными, что полностью определяет их фокус на удовлетворение потребностей клиента и предоставление «мгновенных» сервисов.

Предприятия реального сектора, в отличие от сектора услуг, не фокусируются на создании новых продуктов или инновационных предложений. Для них важна именно перестройка традиционного производства и кратное сокращение издержек, которое достигается за счет новых технологических решений, таких как роботизация, внедрение IVR, виртуальных ассистентов в процессах обслуживания и поддержки клиентского сервиса. Если в крупной компании процессы выполняются с недостаточной скоростью и гибкостью, то возникает ситуация, когда в цифровые технологии инвестируются огромные деньги, однако клиент остается недоволен.

Поэтому большинство крупных компаний идут по пути «цифровой трансформации», задача которой — выделить процессы, которые приносят ценность клиенту, и обеспечить их эффективное выполнение с наименьшими затратами. Таким компаниям важно как изучить потребности своих клиентов, так и стать лидерами по снижению стоимости производства и иметь цену ниже, чем у конкурентов. А это достигается именно за счет внедрения цифровых технологий.

- В чем заключается ценность методик оценки цифровой зрелости? Зачем они нужны?

Такая оценка необходима прежде всего традиционному бизнесу, компаниям реального сектора. Прежде чем затевать цифровые перемены, они должны понять, зачем им это нужно. Чтобы подготовить фундамент будущих изменений, для начала нужно ответить на ряд базовых вопросов. Какие цели ставит перед собой компания с точки зрения цифрового будущего? Где компания находится сейчас и насколько готова к изменениям? Что именно нужно менять, чтобы получить эффект от цифровизации?

Для большинства организаций, которые не ответили на эти вопросы на старте, любая активность по цифровой трансформации будет бесполезна. Ведь усилия могут быть направлены на ложные цели.

Сначала компании нужно понять, где она находится по отношению к безусловным лидерам цифровизации и на кого она ориентируется. Простое копирование способов лидера не приведет к тому же результату. Нужно выбрать свой путь, определить четкую цель.

Есть простое правило: чтобы понять, куда двигаться, нужно осознать, где вы находитесь. Остается только определиться с методом, который вы будете для этого использовать.

Оценка цифровой зрелости — первый этап цифровой трансформации любой компании. Это основа для выявления зон роста и ключ к определению целей трансформации, подходящих именно вашей компании. Объективная оценка текущей ситуации помогает понять, где ты находишься, сравнить опыт своей организации и других компаний с точки зрения метрик эффективности, сопоставить текущую ситуацию с целевой, чтобы понять в каком направлении и как нужно меняться.

Более того, в России на государственном уровне запущены процессы цифровизации компаний. Министерство цифрового развития осенью 2020 года опубликовало «Методические рекомендации по цифровой трансформации государственных корпораций и компаний с государственным участием», в которых тоже рекомендуется оценивать уровень цифровой зрелости и на его основе определять цели цифрового развития компаний.

- На чем основаны эти методики? Откуда они выросли и насколько применимы?

Большинство методик оценки зрелости были разработаны консалтинговыми компаниями. Если говорить о цифровизации, то одной из первых методик оценки цифровой зрелости был «Индекс зрелости Индустрии 4.0.», разработанный компанией Acatech в 2011 году специально для программы трансформации немецкой экономики, так называемой Индустрии 4.0.

Сегодня методологий и фреймворков для оценки цифровой зрелости компании существует огромное количество.

Методики эти довольно субъективны. Все они (плюс-минус) сосредоточены вокруг оценки направлений работы компании, которые составляют ее бизнес-модель.

Можно воспользоваться любой методикой, если она есть в открытом доступе, — например методикой компании Cisco («Цифровое пианино»). А можно применить подход к оценке зрелости компании Arthur D.Little («Индекс цифровой трансформации») либо использовать фреймворки компаний «большой четверки». Также можно адаптировать или разработать собственный подход к определению готовности к цифровым изменениям, взяв за основу собственную шкалу оценки, исходя из направлений, важных для конкретной компании.

Методика, о которой я буду рассказывать на форуме, адаптирована к реалиям крупных традиционных организаций. Я называю ее «матрица готовности к цифровой трансформации» или «радар цифровой зрелости». В ней используются очень простые направления для оценки текущего состояния организации: цифровые каналы и продукты, клиентский опыт, ИТ, данные, зрелость процессов и корпоративной культуры, а также кросс-функциональное взаимодействие внутри организации и подход к работе с инновациями. Важно понимать, что любую методику придется адаптировать с учетом особенностей оцениваемой компании. Важна не столько методология, сколько преследуемая цель этой работы и конечный результат.

- Каков уровень цифровой зрелости российских компаний в разных отраслях?

Оценить готовность компаний в России можно только очень условно. Все попытки установить индекс цифровизации различных индустрий носят сугубо субъективный характер. Чтобы ответить на вопрос, могу сослаться на исследования компаний «большой четверки». Например, исследования КПМГ «Цифровые технологии в российских компаниях» и «Исследование по цифровизации и инновационной открытости российских предприятий», куда вошли результаты опросов крупнейших российских компаний. В 2019–2020 годах самыми зрелыми с точки зрения уже проведенных трансформаций и внедренных цифровых инструментов считались телекоммуникационные компании и компании металлургического сектора. Наиболее опробованные технологии — инструменты анализа больших данных, роботы, чат-боты и оптическое распознавание. Можно сказать, что к цифровизации лучше готовы компании финансового сектора (у них накоплено огромное количество клиентских данных) и нефтегазовые компании (у них больше возможностей в силу доступности инвестиций).

Что касается ретейла, то он не был на первом месте, но после пандемии ситуация кардинально поменялась, и сегодня ретейлеры, внедрившие сервисы доставки и бесконтактное взаимодействие с клиентами, вышли в лидеры.

- Каковы основные препятствия на пути повышения цифровой зрелости российских компаний?

Важно, чтобы цели по изменению организации были поддержаны на уровне ее топ-менеджмента. Если внутри большой компании нет лидера изменений, то она не сможет быстро трансформироваться.

Главные подводные камни — отсутствие готовности к изменениям и незрелость бизнес-процессов. Низкий уровень зрелости текущих процессов и отсутствие необходимой инфраструктуры могут значительно усложнить путь к цифровым изменениям.

Традиционные компании еще не успели описать все внутренние процессы. У них могут дублироваться функции, они могут не знать, кто отвечает за тот или иной процесс. Кроме того, в некоторых отраслях заметно мешают недостатки законодательной базы. Много технологических инициатив обсуждается, но по большей части такие вещи, как, например, применение беспилотников, все еще находятся на стадии тестирования.

Кроме того, нужно отметить отсутствие необходимых бюджетов и достаточного количества опытных специалистов цифровых специальностей.

- Что полезного для своей практической деятельности смогут вынести слушатели из вашего выступления на форуме [it]MF 2021?

По моему опыту, у подавляющего числа компаний трансформации проходят не так удачно, как хотелось бы. На форуме я планирую рассказать, как предсказать, что может пойти не так уже на старте изменений, и как этого избежать. Я расскажу, какие методики оценки можно выбрать, какие инструменты и данные использовать, на что важно обратить внимание. Исходя из своей практики, я перечислю, c какими ключевыми сложностями можно столкнуться при проведении оценки зрелости, и объясню, каким образом использовать результаты такой оценки в дальнейшем.