Михаил Зырянов

«СберАналитика» разработала сервис «Геоаналитика», который помогает предпринимателям эффективно использовать данные о потенциале локации для принятия обоснованных бизнес-решений. С подробностями проекта знакомит Денис Козицкий, директор по развитию ИТ и инновациям компании «СберАналитика».

С помощью платформы «Геоаналитика» можно выбрать наиболее подходящую для открытия бизнеса локацию, выявить неудовлетворенный спрос, а также изучить потребности клиентов и потенциальной аудитории. Платформа позволяет мониторить важные финансовые показатели территории и конкурентного окружения, учитывать влияние жилых комплексов и транспортных узлов на клиентский поток, находить участки с максимальной проходимостью пешеходов.

- Что предшествовало появлению решения?

«Геоаналитика» – это один из первых продуктов нашей аналитической линейки. Его создали в ответ на многочисленные запросы клиентов, которые уже работали с нами и оценили ценность и уникальность данных СберАналитики.

Те, кто занимался розничным бизнесом, наверняка знают, как непросто бывает выбрать подходящее место для открытия новой точки продаж или обслуживания — магазина, пункта самовывоза, отделения банка или страховой компании, автомобильного техцентра и пр. Для этого необходимо много информации из разных источников. Сбер как крупнейший банк, накопил огромный массив больших данных о потребительских предпочтениях. Поэтому мы решили помочь предпринимателям в выборе розничных точек и филиалов и создали уникальный сервис «Геоаналитика».

- Почему так важно и так сложно выбрать подходящую локацию?

Правильный выбор локации — один из ключевых факторов успеха любого бизнеса, особенно в сфере розничной торговли, общественного питания или услуг. Если выбрать неподходящее место, даже самая успешная бизнес-концепция может столкнуться с недостатком клиентов и низкой рентабельностью. С другой стороны, правильный выбор позволит обеспечить стабильный поток покупателей и высокую прибыль.

Анализ множества различных критериев требует большого объема данных и серьезных инструментов для их глубокого изучения. Эту сложность берет на себя сервис «Геоаналитика», делая работу над стратегическим планированием доступной и удобной для компаний любого размера.

- Каковы ключевые возможности вашего сервиса?

Платформа «Геоаналитика» представляет собой комплексный инструмент для предпринимателей, позволяющий эффективно оценивать привлекательность различных локаций для бизнеса.

Ключевыми особенностями сервиса являются возможность проведения детальных исследований клиентской аудитории, основных финансовых показателей и плотности конкурентов в конкретной локации на базе фактического потребления. За основу берутся данные более 110 млн физических лиц и 10 млн терминалов, при этом вся информация представлена в агрегированном и обезличенном виде. Сервис можно применять по всей России, включая даже небольшие населенные пункты с населением от 5 тыс. человек.

Для выбора точек с максимальной проходимостью используются карты пешеходных потоков. Также применяются предиктивные геомодели и технологии машинного обучения для оценки товарооборота, среднего чека и количества покупок при открытии нового объекта. В сервисе задействована гравитационная модель Хаффа, которая предсказывает количество потенциальных покупателей и возможную выручку каждой торговой точки на основе привлекательности или вероятности ее посещения.

- На какие технологии и платформы опирается решение?

Платформа «Геоаналитика» работает на базе «связки» Django и Vue. В продукте мы используем решения на стыке технологий (геоданные и большие данные). Кроме того, мы исследуем на базе нашей платформы возможности новых технологий подготовки и отображения данных.

- Какие данные обрабатывает сервис?

В основе нашего сервиса лежат большие данные, включающие активность клиентов Сбера – 110 млн физических лиц, а также данные мобильного приложения Сбербанк Онлайн и 10 млн терминалов. Всю информацию мы получаем в агрегированном и обезличенном виде. Кроме того, используются открытые данные о количестве проживающих в домах, сведения об объектах инфраструктуры, а также пешеходные и дорожные графы.

- Какой математический аппарат используется в продукте?

Для прогноза показателей выручки используются модель градиентного бустинга. Это ансамблевая модель, состоящая из множества простых деревьев решений, где каждая новая модель улучшает предыдущую. Эффективные алгоритмы обработки данных и построения деревьев обеспечивают точные результаты.

Дополнительно в сервисе мы используем гравитационную модель Хаффа, которая предсказывает количество потенциальных покупателей и потенциальную выручку каждой торговой точки на основе «привлекательности» или вероятности посещения объекта.

- Какую функциональность или особенность решения вы считаете реализованной наиболее удачно?

Главным достоинством «Геоаналитики» мы считаем возможность быстро работать с очень большими объемами данных. Сервис построен на базе фактического потребления с применением ML-моделей, что позволяет предоставлять точные ответы на все индивидуальные вопросы клиентов, строить предиктивные и гравитационные модели и предоставлять отчет в формате pdf. в режиме онлайн. Точность модели прогнозирования товарооборота составляет 90%, а в 80% подобранных локаций заказчик достигает ожидаемого результата.

- Каков круг заказчиков этого решения?

Среди наших заказчиков — представители малого, среднего и крупного бизнеса из различных отраслей экономики. Такую широкую аудиторию нам помогает охватывать возможность персонализации наших продуктовых решений. Например, мы предоставляем клиентам сегментацию аудитории в разрезе как городов, так и отдельных гексагонов. Так, мы сотрудничаем с крупнейшим игроком отрасли «Ритейл», благодаря чему он смог получить детальную аналитику по тратам покупателей в разрезе гексагонов по всей России. У другого нашего клиента – одного из лидеров категории фаст-фуд, была задача дополнительно оценить специфику портрета своих торговых точек по всей России и отдельно посмотреть на семейный сегмент.

Мы обслуживаем как небольшие стартапы, которым нужны стандартные аналитические модули для оценки перспектив новой территории, так и крупные корпорации, требующие индивидуальных исследований и анализа больших объемов данных. Наш сервис востребован в госструктурах, продуктовом ретейле, а также среди аптек, банков, сетей ресторанов, фитнес-центров и во многих других сферах. Сервис доступен как крупным клиентам и малому бизнесу, так и физическим лицам.

Благодаря интеграции с ГБУ «Малый бизнес Москвы» сервис «Геоаналитика» стал доступен всем текущим и будущим предпринимателям уже сейчас. Данные открыты по городу Москва.

Когда пользователь изучает потенциальную квартиру для покупки или аренды, крайне важно понимать портрет своих будущих соседей. Благодаря сотрудничеству с Домклик, мы внедрили наш сервис на сайт клиента, чтобы помочь физическим лицам при принятии решения о покупке или аренде жилья.

- На какие результаты могут рассчитывать клиенты сервиса?

Используя сервис «Геоаналитика», компании могут более эффективно — взвешенно и обоснованно выбирать новые локации для развития своих сетей. Детализированные аналитические модули помогают находить самые привлекательные районы для размещения любых объектов — от офисов и магазинов до кафе и производственных площадок.

Сервис также позволяет оценивать существующие локации и выявлять зоны с низким потенциалом — это помогает принимать своевременные решения по оптимизации сети, включая возможное закрытие или перемещение неэффективных и неперспективных точек. Благодаря возможностям «Геоаналитики», компании могут избежать ненужных затрат и сконцентрироваться на местах с высокой проходимостью и покупательной способностью, что способствует росту прибыли и конкурентоспособности их бизнеса.

- В чем вы видите значимость продукта для рынка?

«Геоаналитика» является важным инструментом для поддержки стратегического развития бизнеса в России, предлагая компаниям различного масштаба возможности для эффективного территориального планирования. Наш сервис использует актуальные и проверенные данные, чтобы помочь выбрать оптимальные места для открытия новых точек и снизить риски. Точные данные о спросе и доходах позволяют лучше планировать расходы компании и делать инвестиции в наиболее перспективные проекты.

Кроме того, с помощью машинного обучения мы создаем решения для подбора оптимальных локаций и предоставляем прогнозы об успешности торговых точек в любой выбранной территории. Наши модели способны предсказывать товарооборот, средний чек и объем покупок на ближайшие 12 месяцев, что делает процесс принятия решений более обоснованным и взвешенным.

Мы добавили инновационный модуль «Гибкие слои», который обеспечивает визуализацию любых пространственных данных внутри платформы. Функционал позволяет подключать необходимую информацию и отображать все в удобном интерфейсе. С помощью этого инструмента мы можем оперативно обновлять данные, например, по коммерческим помещениям и в режиме онлайн добавлять их.

- По каким направлениям планируете развивать сервис?

Мы непрерывно развиваем наш продукт, стремясь повысить его эффективность и удобство использования. Одним из ключевых направлений является разработка новых моделей и алгоритмов, позволяющих пользователям получать еще более точные прогнозы и рекомендации. Особое внимание уделяем улучшению визуализации, чтобы вся необходимая информация представлялась в легко воспринимаемой форме.

Важную роль в будущем развитии занимает создание простого и интуитивно понятного интерфейса, который сделает работу с платформой доступной даже для тех, кто не обладает специализированными знаниями в области аналитики. Это повысит охват и популярность среди различных категорий пользователей.

Наши усилия направлены на улучшение качества обслуживания, повышение точности рекомендаций и упрощение процесса принятия стратегических решений для наших пользователей.

Продукт «Геоаналитика» основан на уникальных, запатентованных алгоритмах, которые обеспечивают высокую точность и большую вариативность показателей, используемых для исследований. Например, патент номер 2766548 (способ и устройство определения местоположения терминала) позволяет обеспечить почти 100% покрытие по размещению торговых точек и корректно оценивать их местоположение в гексагональной сетке.

Точность определения местоположения объекта достигается благодаря алгоритму, направленному на анализ финансовой активности торговых точек (патент номер 2770568). С помощью данного метода мы можем определять принадлежность POS терминалов торговым точкам на основании обработки транзакционных потоков.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

— Каковы дальнейшие перспективы вашего проекта?

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

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

Работа секции «Опыт» конференции «Качество данных 2023», проведенной в феврале издательством «Открытые системы», вызвала особый интерес у ее участников. Впрочем, это вполне объяснимо: здесь они смогли познакомиться с самыми интересными из недавно реализованных проектов, связанных с получением и использованием качественных данных.

Миграция и оптимизация аналитических ландшафтов

Весной 2022 года розничная сеть «ВсеИнструменты.ру» столкнулась с серьезной проблемой, ставшей следствием западных санкций: компании пришлось в срочном порядке осуществлять миграцию систем хранения данных и аналитики из облачных сервисов одного из международных провайдеров на локальные мощности, причем этот переход следовало провести без остановки или заметных сбоев операционных бизнес-процессов компании. На то, чтобы вывести аналитику из облака, провайдер отвел всего две недели.

По словам Вадима Уланова, директора по данным компании «ВсеИнструменты.ру», на тот момент в ландшафте аналитики царил «зоопарк» технологий: PHP, Oracle, PostgreSQL, Golden Gate, Python, ClickHouse, PowerBI и пр. Последний рефакторинг кода проводился более трех лет назад, за это время многие из тех, кто разрабатывал процедуры для хранилища данных, покинули компанию. В результате образовалось значительное количество унаследованных программных модулей, которые были плохо документированы и практически не поддерживались. Их работа была нестабильной (сбои случались часто), поэтому исправления в них приходилось вносить регулярно.

От использовавшегося прежде ПО с открытым кодом решили отказаться. Вместо него выбрали платформу с максимальным количеством нужных приложений в рамках одного стека. Полный переезд на новую платформу занял около полутора месяцев. Команде проекта удалось не только реализовать весь базовый функционал, существовавший прежде, но и высвободить около 10 млн руб. в год за счет отказа от облаков и оптимизации ландшафта бизнес-аналитики. Кроме того, были снижены требования к квалификации разработчиков, благодаря чему экономия фонда оплаты труда при найме новых сотрудников составила около 20%. Благодаря тому, что специалисты при переходе на новую платформу заново переписали бизнес-логику хранилища данных и отказались от необоснованной кастомизации, скорость ежедневного обновления данных в хранилище увеличилась на 15%.

Перечисляя важнейшие уроки проекта миграции, Уланов отметил важность обучения сотрудников и формирования культуры работы с данными: «Если пользователи по-прежнему тянутся к Excel, значит, с ними недостаточно поработали. Нужно объяснять преимущества новых аналитических инструментов и добиваться того, чтобы люди поверили в их полезность и эффективность. И конечно, надо прививать сотрудникам культуру работы с данными».

В компании «ЦЕМРОС» (ранее «Евроцемент Груп») сейчас заканчивается проект перехода с прежней системы управления мастер-данными (MDM) на новую — его планируется завершить к апрелю. Как рассказали Илья Залозных, начальник отдела НСИ департамента информационно-цифровых технологий и архитектуры компании «ЦЕМРОС», и Елена Подгайная, руководитель проектов компании SOFROS, прежде в холдинге использовали решение «Парус» в качестве единой ERP-системы и разработанную своими руками систему MDM. К моменту начала проекта назрела необходимость существенно расширить ее функционал, но стоимость доработки была слишком велика. Кроме того, много сложностей возникало из-за того, что данные справочника материально-технических ресурсов были нечетко классифицированы, неточны или неполны, причем настолько, что однозначно идентифицировать многие позиции справочника было невозможно. Наконец, записи в справочниках нередко дублировались, что затрудняло слаженное функционирование информационных систем и подразделений компании. Если учесть, что число позиций в справочниках НСИ достигало 500 тыс., стало очевидно, что без перехода на новую MDM-систему накопившиеся проблемы решить не удастся.

Было решено переходить на новую систему на базе продукта «1С:MDM». Для ее интеграции с системами «Парус» и «1С:CRM» внедрили интеграционную шину DATAREON ESB.

В настоящее время компания находится на этапе перехода от прежней MDM-системы к новой: часть дочерних предприятий уже работают на базе новой системы, тогда как другая часть — пока на основе прежней. Как пояснил Залозных, такой подход был принят, чтобы снизить уровень стресса у сотрудников.

Благодаря внедрению новой MDM-системы и нормализации базы НСИ, существенно уменьшились затраты времени на поиск и анализ позиций в справочнике, сократились сроки выполнения конкурсных процедур на торговых площадках, ускорилась обработка заявок по справочникам. А за счет выявления и устранения дублей появилась возможность в перспективе сэкономить более 40 млн рублей благодаря более четкой идентификации остатков на складах. Кроме того, удалось провести инвентаризацию позиций МТР с привязкой технической документации. В результате оптимизации и усовершенствования бизнес-процессов по ведению справочников существенно повысилась продуктивность работы службы НСИ.

Рекомендации на основе лучших практик

Как привлечь внимание бизнеса к повышению качества данных? Для этого надо понять, что качество данных дает бизнесу, считает Андрей Трянин, начальник управления методологии и контроля работы с данными компании X5 Retail Group. Основываясь на этой идее, он и его коллеги решили разделить понятия технического качества данных и их бизнес-качества.

Андрей Трянин: «Зачастую бизнес пытается решить свои проблемы на уровне процессов и людей, но не обращает внимания на слой данных»

«Одно дело — решение чисто технических проблем, таких, например, как обеспечение своевременного обновления информации в витринах данных. И другое — решение бизнес-проблем, которое возможно на основе анализа качественных данных, — поясняет Трянин. — Например, почему не продается товар, который есть и в остатках на складах, и в ассортименте? Бизнес не заявит о том, что данные о товарах нужно отслеживать и как-то анализировать. Зачастую бизнес вообще не ассоциирует подобные проблемы с данными, поэтому пытается решить их на уровне процессов, людей, но не обращает внимания на слой данных».

Предметно заниматься бизнес-качеством данных в X5 Retail Group начали с декабря. Проведенная работа уже дала вполне заметный экономический эффект.

«Мы подтвердили гипотезу, и эффект от внедрения изменений оценивается в 'скромные' 50 млн руб. — отмечает Трянин. — Для компании это немного, но для моей команды это сумма средств на два-три года».

Подход к управлению качеством данных, основанный на соглашениях SLA, описал Евгений Виноградов, директор департамента аналитических решений компании YooMoney. Он и его коллеги выяснили, на какие проблемы с качеством данных чаще всего жалуются пользователи. Как оказалось, замечания в первую очередь касались недоступности данных, их неактуальности или некорректности. У дата-инженеров обнаружились схожие претензии, но, кроме того, у них были и нарекания к качеству исходных данных.

«Решением проблем с качеством данных может стать фиксация в документе SLA требований к данным с указанием приемлемых диапазонов показателей», — считает Виноградов.

С его точки зрения, в SLA для аналитических систем наиболее важными показателями являются полнота данных и их точность. Также следует контролировать доступность данных для пользователей и соблюдение четких сроков завершения обработки информации за предыдущие периоды. Кроме того, полезно отслеживать длительность инцидентов с данными и их максимальное количество за месяц. Что касается вопроса о том, стоит ли отражать в SLA работоспособность источников данных, Виноградов и его коллеги пришли к выводу, что исключить из SLA можно только параметры работоспособности второстепенных данных. Ответственность за важные источники аналитикам все-таки приходится брать на себя. 

Евгений Виноградов: «Решением проблем с качеством данных может стать формирование документа SLA»

Время, к которому должно завершаться обновление данных за предыдущий день, допустимое количество инцидентов за месяц, сроки устранения инцидентов, а также допустимое количество плановых работ и время восстановления с резервной копии в случае повреждения основной базы данных — вот те параметры, которые сегодня являются ключевыми метриками контроля доступности аналитических систем в YooMoney.

«Дело осталось за малым — добиться того, чтобы зафиксированные в SLA договоренности соблюдались», — добавляет Виноградов.

Свой подход к обеспечению качества данных нашли в «М.Видео-Эльдорадо». Как рассказал Алексей Точилов, руководитель продукта Data Governance, в компании в силу исторических причин развиваются два хранилища данных — корпоративное и аналитическое. Они подчиняются разным департаментам, выстроены на базе разных технологических стеков, их сопровождают и поддерживают разные команды. До недавнего времени требования бизнес-заказчиков к данным в разных хранилищах формировались различным образом и проверки качества данных были реализованы по-разному. Неудивительно, что в некоторых случаях возникали расхождения в данных. Немало сложностей возникало и тогда, когда приходилось переносить отдельные активы данных из одного хранилища в другое: могли появляться дополнительные требования, обнаружить которые без выстроенной процедуры их отслеживания было проблематично.

Выход из ситуации был найден путем унификации процессов управления качеством данных. В частности, специалисты решили стандартизировать управление требованиями к данным, согласовать методологии проверок качества данных, обеспечить своевременное реагирование на инциденты с данными и их устранение.

За основу был взят каталог данных, а точнее — хранящиеся в нем метаданные и глоссарий, который содержит не только термины и определения данных, но и информацию об их семантике и происхождении (что особенно важно для поиска точек отказа при анализе инцидентов с данными). Управление качеством данных было решено реализовать на основе каталога данных: именно в нем теперь хранятся типы проверок качества, которые необходимо применить в отношении того или иного актива данных. Типы проверок, включающие описания их методологии в терминах бизнеса и описания алгоритмов, копируются в каталог из системы качества данных (она реализована на базе собственной разработки).

Теперь в каталоге данных фиксируются требования, касающиеся отдельных активов данных, вместе со ссылками на типы проверок, которые следует применить. Эти требования копируются в систему качества данных, и встроенный в нее планировщик заданий систематически запускает проверки согласно составленному расписанию. Их результаты сохраняются в системе качества данных, при этом каталог данных предоставляет возможность просмотра таких результатов. Таким образом, каталог данных выступает в роли единого окна для контроля данных, которое доступно всем, кто использует или поддерживает активы данных.

Нередко проблемы с качеством данных возникают из-за того, что не удается снизить их сложность. По словам Федора Медведева, директора департамента компании Naumen, отвечающего за цифровые сервисы и решения в образовании, помочь справиться с этой проблемой могут системы корпоративного поиска. В частности, поисковая система Naumen Enterprise Search, обладающая встроенными механизмами машинного обучения и средствами обработки запросов на естественном языке (Natural Language Processing, NLP), интегрирует разнородные источники. Система поиска использует единое окно доступа к данным, причем не только к внутренним, но и к внешним.

Внедренная в компании «Газпром Нефть» поисковая система Naumen сегодня охватывает около 50 тыс. пользователей, 50 источников данных и 30 млн документов, обрабатывая около 2,5 тыс. запросов ежедневно. В компании «Мосэнергосбыт» на основе такого же продукта выстроен автоматический мониторинг законодательства в области электроэнергетики: система опрашивает источники (внешние сайты) и ищет информацию о подготовке новых изменений в документах регуляторов. Кроме того, система помогает анализировать найденные данные, отслеживать упомянутые в документах сроки и пр. Что важно, она обеспечивает обсуждение найденных документов внутри организации (задействованы более 50 подразделений) и сведение различных позиций к единому мнению.

Нина Адамова, руководитель направления «Умный город» компании «МегаФон», считает, что вопрос доверия к предоставляемым руководителям данным сегодня является очень важным. Чтобы снизить информационную нагрузку, «Мегафон» создает для топ-менеджеров различных организаций персональные рабочие места — информационные панели, на которых визуализируются не более чем по шесть крупных диаграмм, отражающих актуальные данные по наиболее насущным вопросам, тогда как прочие сведения отображаются в свернутом виде — при желании их можно развернуть и изучить более подробно. Данные для таких систем могут извлекаться из десятков, а иногда и из сотен различных источников — как внутренних, имеющихся в головном офисе или дочерних организациях, так и внешних. К сожалению, раскрывать детали обеспечения качества данных для систем руководителей «Мегафон» пока не готов.

Розничные компании, находящиеся в условиях серьезной рыночной конкуренции, вынуждены непрерывно искать способы повышения своей конкурентоспособности и устойчивости на рынке. Но как понять, поможет ли реализация очередного предложения изменить бизнес к лучшему и стоит ли вкладываться в эту инициативу.

Чтобы ответить на эти вопросы, крупные интернет-проекты нередко применяют A/B-тестирование. Его суть заключается в том, что предложенные инициативой изменения вводятся только для части пользователей, тогда как для другой части все остается по-прежнему. По истечении некоторого времени данные по этим двум группам сравнивают, оценивают, а затем делают вывод о том, позволили эти изменения улучшить нужные показатели или нет. Масштабирование инициативы на всех пользователей происходит лишь в том случае, когда показатели действительно улучшились.

Работает ли метод A/B-тестирования в розничной компании с большим числом офлайн-точек? Опыт X5 Group свидетельствует о том, что работает, причем успешно: практически любая выдвинутая в компании бизнес-инициатива на самом старте «упаковывается» в дизайн-эксперимент с гипотезами и методикой оценки, а затем по итогам проведенной работы проходит проверку A/B-тестированием. Если результаты пилота признают полезными, его масштабируют на весь бизнес. О том, как A/B-тестирование работает в условиях X5 Group, какую пользу оно приносит и какая работа с данными за этим стоит, рассказывает Михаил Неверов, директор по анализу данных компании и номинант на премию Data Award 2022 .

- A/B-тестирование широко применяется в электронной коммерции. Как можно объяснить то, что оно достаточно редко используется в традиционном ретейле? И почему ваши коллеги посчитали, что оно им необходимо?

Традиционно в ретейле используют подход like-for-like (LFL) с разного рода усложнениями. Это базовый показатель, но он не всегда полностью отображает картину мира — особенно для узких бизнес-пилотов. Ситуация в ретейле динамично меняется, причем влияют на нее множество факторов. A/B-тестирование позволяет лучше, чем LFL, отслеживать границы случайных и неслучайных изменений. Оно редко применяется в «классическом» ретейле, вероятно, потому, что для проведения A/B-тестирования нужен достаточно большой объем данных — это необходимо для статистической значимости результатов. Поэтому если, например, розничная сеть охватывает всего 10 магазинов, то ей придется использовать именно LFL, поскольку для проведения A/B-тестирования имеющегося у нее объема данных будет недостаточно.

- В чем видят пользу A/B-тестирования бизнес-пользователи X5 Group ?

Процесс A/B-тестирования предоставляет компании общий подход к оценке разных бизнес-инициатив, что повышает ее точность. Он позволяет схожим образом оценивать и инвестиционные инициативы, и внедрение изменений (например, замену кассового оборудования на новое), и продуктовые инициативы. Компания получает возможность одинаковым образом получать ответ на поставленные вопросы: приносит ли та или иная инициатива деньги, какова ее выгода, следует ли ее продолжать? При проведении A/B-тестирования не нужно каждый раз изобретать новый велосипед — это универсальная форма проверки бизнес-гипотез.

A/B-тестирование — удобный и полезный инструмент принятия решений в отношении инвестиций. Каждый год компания проводит около 400 A/B-тестов. С их помощью мы получаем возможность уже на ранних этапах выявлять невыгодные инициативы и прерывать их финансирование, что позволяет более разумно распорядиться средствами.

- Кто явился непосредственным заказчиком платформы A/B-тестирования в X5 Group? Какие заинтересованные лица выступили в качестве спонсоров проекта по ее созданию?

Вся наша компания заинтересована в том, чтобы решения на основе статистических данных применялись на всех уровнях, потому что это делает процессы прозрачными как для сотрудников, так и для менеджмента.

Амбассадорами применения A/B-тестирования в компании стали специалисты из бизнес-единицы «Х5 Технологии» — центра компетенций по ИТ и большим данным для всех бизнесов и торговых сетей группы. Мы начинали с экспериментов на ИТ-продуктах, затем распространили идею на все торговые сети и теперь развиваем подход вместе с ними. До создания платформы мы проводили анализ данных фактически вручную. Когда пользователи убедились в том, что подход работает, а количество тестов перевалило за сотни, мы, чтобы не наращивать штат аналитиков, решили автоматизировать A/B-тестирование. Так, собственно, платформа и появилась.

- Как происходит сбор данных для A/B-тестирования, из каких источников они поступают и как их используют при проведении тестов?

Исходные данные для A/B-тестов — это чеки наших покупателей с указанием времени и места, где они были оплачены. Чеки обрабатывают, агрегируют, с помощью различных приемов сокращают статистические выбросы, после чего оценивают эффект. Большая часть первичных данных хранится в Hive. Разумеется, в платформе есть своя витрина данных, и в ней происходит некоторое упрощение исходных данных.

- Какие виды обработки и анализа используют в ходе A/B-тестирования в вашей компании? Как формулируют гипотезы и выбирают методы для проведения очередного исследования?

Исходной точкой для проведения A/B-тестирования является некая инициатива, в отношении которой бизнес хочет принять решение об инвестициях. Мы формулируем дизайн эксперимента: выбираем метрики, определяем, в частности, что будем проверять (розничный товарооборот или средний чек), фиксируем ошибки первого и второго рода. Затем происходит подбор контрольной пилотной группы, а по окончании A/B-теста — оценка результатов.

Из методов применяем медицинское тестирование, а также более современные подходы и основанные на них собственные разработки, отражающие специфику офлайн-бизнеса. Помимо этого, используем дерево принятия решений, нейронные сети, дискриминантный анализ, бустинг, байесовские классификаторы. Эти методы не являются чем-то принципиально новым для рынка, но мы как раз сторонники того, чтобы использовать проверенные подходы.

- Как проводят эксперименты, а затем оценивают и интерпретируют результаты исследований на основе A/B-тестирования?

Процесс организован следующим образом. Бизнес-сотрудники — пользователи нашей платформы формулируют гипотезу и вместе с adhoc-аналитиками «закрепляют» ее, то есть проводят предварительную оценку эффекта. Затем берется нужный объем данных, и в кластере A/B-тестирования его разделяют на две группы: в первой изменения происходят, а во второй — нет. Потом, по прошествии времени, проводится сравнение экспериментальной и контрольной групп. Если изменения есть, мы их оцениваем, интерпретируем (в частности, объясняем, можно ли считать их статистически значимыми) и выносим вердикт относительно гипотезы. После этого наши выводы валидируются специалистами из финансового блока. Дело в том, что при работе с финансовыми показателями в ретейле есть специфика: здесь применяются сложные методики расчета и аудита. И чтобы быть уверенными в правильности наших выводов в отношении инвестиций, мы проводим оценку результатов совместно с коллегами из финансового департамента. Это особенно важно, когда попадаются пограничные значения. Всего в A/B-тестировании принимают участие четыре стороны: бизнес, аналитики, специалисты по рискам и финансам.

- Можно ли говорить о том, что в компании выстроен процесс A/B-тестирования?

Да, процесс есть, он работает. Если вы придете на работу в X5 Group и предложите какую-нибудь бизнес-инициативу, то непременно станете участником этого процесса.

- И много ли в нем творческой или субъективной составляющей?

Если в процессе участвуют люди, доля субъективности тоже может быть. Инициативы очень разные, поэтому нередко приходится придумывать дизайн эксперимента и формализовывать его вплоть до стандартного процесса. Субъективная составляющая здесь, скорее, в экспертных оценках: мы часто привлекаем экспертов, чтобы они помогли ответить на вопрос, следует ли считать изменение того или иного показателя в ходе эксперимента индикатором того, что этот эксперимент прошел удачно.

- Удалось ли избавиться от влияния человеческого фактора на A/B-тестирование?

Мы избавились от него ровно в той мере, в какой это было эффективно. В зависимости от дизайна эксперимента мы можем использовать разные модели (у нас их большое количество). Обычно их выбор — это либо коллегиальное решение, либо выбор на основе предыдущего опыта. Кроме того, мы, естественно, привлекаем экспертов, чтобы они помогли интерпретировать полученные результаты.

- Какое место занимает платформа A/B-тестирования в общем ландшафте аналитики и управления данными в X5 Group?

У платформы обособленное место. Она выведена в отдельный контур, потому что отвечает на чувствительные для бизнеса вопросы. Было бы странно, если бы команда, которая выдвинула инициативу и готова взяться за ее реализацию, имела возможность полностью самостоятельно и независимо от других коллег принимать решение о ее успешности. У нас более 100 инициатив и продуктов, которые прорабатываются и реализуются в постоянном режиме, не говоря уже о больших стримах или экспертных направлениях. Чтобы компания могла одинаковым образом получать ответы на вопросы о целесообразности инвестиций в инициативы, их команды были отделены от процессов принятия решений по таким предложениям. A/B-тестирование — это, если угодно, самый независимый инструмент для оценки инициатив.

- В каких направлениях планируете развивать платформу A/B-тестирования в обозримом будущем?

У нас три основных направления развития. Первое — расширение количества вариаций экспериментов. Иногда встречаются очень сложные кейсы, для которых в библиотеках моделей нет соответствующего решения. В таких случаях нам приходится что-то дописывать или как-то улучшать базу экспериментов. Второе направление — повышение их точности. Иногда даже дополнительные полпроцента точности могут полностью изменить оценку инициативы. И третье — сокращение времени на получение результатов оценки, что, очевидно, ускорит принятие решений в отношении инициатив.

Созданная в компании «Почта России» единая платформа больших данных стала основой для интеграции множества информационных систем компании и технологическим фундаментом ее сотрудничества с партнерами по логистическому рынку. Экономический эффект от создания платформы огромен, и оценить его в полной мере еще только предстоит. О внедренной платформе и полученных благодаря ее появлению результатах рассказывает Анна Ахобадзе, руководитель департамента обработки, хранения и аналитики больших данных «Почты России» и номинант на премию CDO Award 2021 .

- Ваша компания — обладатель, вероятно, одного из самых крупных массивов данных в нашей стране. Как давно у вас появилась стратегия в области управления данными? Каковы ее основные положения и приоритеты?

Заниматься управлением данными в компании начали достаточно давно, но в течение последнего года мы стали очень активно развивать это направление. Основные положения ИТ-стратегии «Почты России» в области данных вполне понятны: нужно накапливать максимально возможное количество данных, описывать их, верифицировать, проверять их качество и добиваться того, чтобы оно было достаточно высоким на всех уровнях систем и процессов, которые порождают и обрабатывают эти данные. С точки зрения демократизации данных нужно позаботиться о том, чтобы предоставить всем заинтересованным пользователям удобные инструменты для работы с этими данными и для принятия на их основе правильных решений. Наконец, компания рассчитывает на внутреннюю монетизацию накопленных данных. О продаже данных вовне речь не идет.

- Как в компании организовано управление данными?

Ответственность за управление данными в компании лежит на мне. Другими словами, я выполняю роль директора по данным.

Технологическую основу управления данными обеспечивает единая платформа больших данных. Она состоит из нескольких модулей. Один из них обеспечивает сбор данных из различных источников, их предварительную обработку и хранение в кластере Hadoop. Другой модуль предоставляет пользователям набор инструментов для доступа к данным. Третий модуль помогает отслеживать и контролировать качество данных внутри платформы и в других ИТ-системах компании. Для расчетов и дистрибуции витрин данных у нас применяется MPP-платформа. Для потоковой обработки данных используются популярные инструменты Kafka, Spark, Сassandra.

Кроме того, есть модуль описания данных (каталог данных): он содержит информацию о том, какими именно данными компания располагает и какие методы расчетов следует применять для определения тех или иных показателей. Этот модуль создан, для того чтобы помочь сотрудникам правильно пользоваться имеющимися данными.

Еще один модуль помогает обеспечить монетизацию данных. По сути, это инфраструктура для Data Science, разработки и продуктивной эксплуатации аналитических приложений, в том числе с использованием машинного обучения и моделей ИИ — для их написания используется популярная платформа Jupyter. Планируем также дополнить этот модуль возможностями для сбора внешних данных.

Информация может передаваться в платформу как один раз в сутки, так и в режиме, близком к реальному времени. Это одна из ключевых систем в архитектуре нашего ИТ-ландшафта. Она обеспечивает не только сбор и накопление данных, но и их обработку и передачу в различные системы для последующей работы.

- Как давно идет работа над созданием и развитием платформы?

Платформа создается в рамках масштабного долгосрочного проекта, который продолжается около трех лет. В минувшем году ее развитие шло особенно активно: темпы совершенствования платформы выросли в два раза. Это объясняется и тем, что к началу прошлого года уже была в целом завершена работа над базовыми элементами платформы, и тем, что именно в этот период работа над платформой была признана одним из приоритетных направлений развития ИТ в компании.

За минувший год был значительно расширен состав пользовательских сервисов, сформирована база знаний по использованию инструментов. Количество пользователей платформы выросло более чем в два раза. Кроме того, были сформированы KPI качества данных по ключевым сущностям компании, выстроены процессы мониторинга этих KPI.

- Какие основные бизнес-задачи решаются с помощью платформы? В каких бизнес-процессах она применяется?

Платформа применяется в огромном количестве бизнес-процессов. На ее основе рассчитываются ключевые показатели и принимаются различные управленческие решения. Она служит основой для исследований различных гипотез относительно бизнес-потенциала новых продуктов и их ценообразования. Наконец, поступающие из платформы данные используются в ключевых системах компании, в том числе тех, что поддерживают работу производственных подразделений.

- Как удалось совместить в единой платформе самые разные функции и возможности для решения таких разнообразных по масштабам и специфике аналитических задач?

Собственно, наша платформа для того и создавалась, чтобы с ее помощью решать самые разные задачи. Ключевое преимущество использования платформы заключается в том, что единая для всей компании модель данных помогает привести их в порядок, позволяя удовлетворять требования самых разных бизнес-заказчиков. Более того, платформа обеспечивает не только единое хранение данных, но и единую их интерпретацию, помогая упорядочить их и сделать понятными для всей компании.

В настоящее время в системе хранится около 5,5 Пбайт данных, для их обработки и анализа используется более 200 серверов.

- Кто является непосредственными основными пользователями платформы? В каких подразделениях компании они работают?

Платформу используют сотрудники производственных подразделений и почтовых отделений (у «Почты России» 42 тыс. отделений), которые отслеживают посылки и письма. Кроме того, с ней работают аналитики — и те, кто изучает информацию по отдельным продуктам компании, и те, кто отвечает за подготовку данных для принятия решений руководителями различного уровня. Сейчас мы активно привлекаем к работе с платформой наших топ-менеджеров.

Разным пользователям мы предоставляем разные инструменты для доступа к данным: аналитики предпочитают работать с витринами данных, руководители хотят получать наглядные и содержательные дашборды, сотрудникам производственных центров и почтовых отделений мы предоставляем отчеты, соответствующие их специфике деятельности.

Прежде, до создания единой платформы, пользователям нередко приходилось сталкиваться с ошибками ручного ввода и противоречивыми данными, взятыми из разных источников. К тому же не было уверенности в их полноте. Единая платформа хранит и предоставляет исчерпывающие и достаточно качественные данные.

- Какие результаты достигнуты благодаря созданию и использованию единой аналитической платформы? Что в компании удалось улучшить с ее помощью?

Приведу в пример интеграцию систем «Почты России» и Cainiao, логистического оператора AliExpress. Как известно, AliExpress — один из ключевых партнеров «Почты России». Благодаря интеграции наших баз данных об отправлениях, мы повысили непротиворечивость и целостность информации, в результате чего количество проблемных посылок (не дошедших до адресата или пришедших с большим отставанием от стандартных сроков доставки) уменьшилось более чем в два раза. И поскольку потоки отправлений, следующих между Cainiao и «Почтой России», огромны (счет идет на сотни миллионов посылок в год), мы получили огромный экономический эффект.

Появление платформы обеспечило и масштабный косвенный экономический эффект. Наши аналитики смогли оперировать более точными и полными данными, в результате руководители получили возможность быстрее принимать управленческие решения, а коммерческие подразделения научились создавать и быстрее выводить на рынок улучшенные и более востребованные продукты.

Платформа обеспечила интеграцию множества информационных систем компании, сопровождающих почтовые отправления в разных регионах и производственных подразделениях. Это помогло оптимизировать наши внутренние логистические процессы и ускорить доставку отправлений. В масштабах компании эти улучшения дают огромную выгоду.

Вот еще один пример оптимизации: в ходе проекта создания сети почтаматов на основе данных из единой платформы мы успешно решили задачу оптимальной расстановки этого оборудования по почтовым отделениям. Так или иначе, выгоду от создания платформы получили практически все подразделения компании. Этот эффект нам еще предстоит оценить.

Важнейшим достижением стало то, что, благодаря улучшению работы с данными, компания стала гораздо более зрелым и компетентным в технологическом плане логистическим партнером. В настоящее время мы сотрудничаем с 10 крупнейшими eCom-игроками России.

- Как внедрение единой платформы повлияло на корпоративную культуру работы с данными?

Наши сотрудники осознали, что необходимо использовать всю совокупность данных. И такая возможность появилась у них благодаря единой платформе. Они стали больше доверять данным, которыми пользуются, и активнее применять их в своей работе.

Существенно изменилось и отношение коллег к качеству данных: они осознали, насколько важно контролировать качество данных там, где они порождаются, и стали с гораздо большей ответственностью заботиться о том, чтобы данные изначально были правильными.

- По каким направлениям планируется развивать платформу в ближайшем будущем?

В ближайшее время мы предполагаем сосредоточить усилия на основных направлениях Data Governance: дальнейшем повышении качества данных, развитии описания данных, а также монетизации данных и извлечении различных выгод от их использования, в том числе с помощью Data Science, машинного обучения и других популярных технологий.

В России в настоящий момент есть острая потребность в квалифицированных менеджерах, способных возглавить работу с данными. Это подтверждает опыт компании BSSG, специализирующейся на управлении данными и организующей обучение руководителей CDO/CDTO.

Почему компании стремятся управлять данными, как они решают проблему подготовки CDO и кого назначают на эти должности, рассказывает Юрий Клочко, управляющий партнер компании BSSG и номинант на премию CDO Award 2021 .

- По вашим оценкам, насколько велик интерес российских компаний к управлению данными?

Российские компании долгое время игнорировали необходимость выводить управление данными в отдельную корпоративную функцию (Data Governance), ограничиваясь исключительно некоторыми практическими областями: управление мастер-данными, управление контентом и построение аналитических систем. Исключение составлял финансовый сектор, где управление данными было институциализировано как норма соответствия соглашению Базельского комитета по банковскому надзору — «Базель III», которое вышло в 2010 году.

Радикальные изменения произошли, когда российские компании начали реализовывать масштабные и амбициозные программы цифровой трансформации: интерес к управлению данными начал расти лавинообразно. И хотя руководители компаний из различных отраслей экономики по-разному смотрят на управление данными, они ясно осознают: невозможно извлечь ценность из того, чем не управляешь. Сегодня практически все компании из топ-100 организовали отдельные офисы по управлению данными и наняли CDO.

- Что сегодня стимулирует российские компании управлять данными?

В моей практике встречались компании с различной мотивацией.

Вариант первый: топ-менеджеры, стремящиеся «быть в тренде», полагают, что организация, опирающаяся на данные в принятии управленческих решений, более привлекательна для инвесторов. Нередко такие руководители инициируют проведение формальной оценки уровня зрелости управления, чтобы зафиксировать в отчете вывод о том, что их компания опирается на данные и умеет извлекать из них ценность. Впрочем, такой подход встречается в России нечасто.

Другой вариант: у бизнеса, осуществляющего цифровую трансформацию, еще нет ясного представления о том, как извлечь выгоду из имеющихся данных, поэтому руководители изучают опыт других компаний схожего профиля. Менеджеры, отвечающие за цифровую трансформацию, понимают, что под управление данными нужно выделить одну из вертикалей управления. А для того чтобы охарактеризовать качество данных, их вовлечение в транзакции и т. п., определяют основные целевые показатели. В общем, они пытаются начать работать с данными как с активом компании.

Наконец, третий вариант — это «чемпионы», как я их называю. Это организации, которые считают свои способы применения данных одним из конкурентных преимуществ, научились извлекать выгоду из данных и понимают все нюансы этих процессов. Они сфокусированы на том, чтобы сделать доступ к данным еще проще, быстрее, шире, использовать данные для обучения моделей ИИ и увеличивать количество процессов, управляемых с помощью таких моделей.

Идея состоит в том, что у многих компаний схожего профиля и процессы схожи. Если сотрудники могут перейти из одной организации в другую, то данные и способы их применения уникальны, разработанные модели крайне плохо переносятся из одной организации в другую. Ощутимое конкурентное преимущество — это именно данные и модели на их основе. Яркий пример «чемпиона» — компания X5 Retail Group. В их департаменте больших данных трудится более 500 специалистов, и это при том, что бизнес X5 — это ретейл, а не ИТ.

- Как меняются потребности российских предприятий в квалифицированных руководителях по управлению данными и как решаются вопросы их подготовки?

В 2018 году на HeadHunter мы наблюдали всего пять-шесть вакансий CDO за весь год. В 2020 году вакансия CDO открывалась раз в две недели. Одновременно с этим стали искать специалистов и на другие традиционные роли в системе управления данными, например стюард данных и инженер по данным. По нашим оценкам, даже в крупных компаниях еще не полностью сформированы команды, отвечающие за данные, а спрос на CDO будет расти еще три-пять лет.

Как я уже сказал, организованная функция управления данными появилась всего несколько лет назад, и взять опытные кадры в России просто неоткуда. Поэтому на должность CDO сегодня ставят в основном сотрудников, имеющих опыт в управлении мастер-данными, нормативно-справочной информацией и аналитикой. Иногда ими становятся разработчики, отвечающие за обработку данных, а иногда — бизнес-руководители, которые пытаются понять, как монетизировать данные. Некоторые компании нанимают экспатов, имеющих опыт управления данными в зарубежных компаниях или их российских филиалах.

Типичные кандидаты на должность CDO — менеджеры-технари. Например, те, кто занимался управлением проектами или руководил отделами ИТ-департаментов. Если помните, в COBIT есть элементы корпоративного управления данными, и если ИТ-менеджеры владеют этими знаниями и навыками, то могут достаточно быстро переквалифицироваться в менеджеров по управлению данными.

- Какие факторы вы считаете главными барьерами на пути подготовки CDO в России?

Главное на сегодня препятствие на пути широкой подготовки CDO, которое я вижу примерно в половине российских организаций, — это то, что руководителями по цифровой трансформации и по данным назначаются сотрудники, недостаточно хорошо владеющие английским языком. Английский язык просто необходим, чтобы расширять знания и следовать зарубежным практикам.

В результате такие сотрудники ищут каналы обучения на русском языке и переводы основных западных сводов знаний и управленческих фреймворков. Предприятия готовы оплачивать обучение на курсах по управлению данными. Такая картина характерна в первую очередь для банков: они отправляют на курсы своих директоров по данным или эквивалентных по рангу руководителей, желающих погрузиться в эту тематику.

Вопрос квалификации CDO сейчас крайне актуален, и в 2021 году мы ожидаем высокого спроса на систему профессиональной сертификации кадров. За рубежом, как известно, есть уже не только учебные курсы по управлению данными, но и сертификация, в первую очередь Certified Data Management Professional (CDMP), предусматривающая три уровня знаний. Такой сертификат является серьезным свидительством компетентности сотрудника, а специалисты, получившие сертификат CDMP верхнего уровня, очень востребованы и легко трудоустраиваются. В 2021 году мы планируем начать подготовку к сертификации CDMP на русском языке. Мы уже ведем переговоры об открытии филиала ассоциации профессионалов в области управления данными DAMA в России, тогда мы сможем и экзамены проводить на русском языке.

- Какими знаниями и компетенциями должен обладать претендент на должность CDO?

Я согласен с предложенной Harvard Business Review системой классификации CDO, основанной на установках и знаниях кандидатов. Они выделяют среди CDO шесть направлений: директор по данным и аналитике, антрепренер данных, разработчик систем данных (Data Developer), менеджер по защите данных, «заведующий данными» (Data Governor) и менеджер по этике данных (Data Ethicist).

Например, директор по данным и аналитике является наиболее распространенной ролью в финансовых компаниях и фокусируется на математическом моделировании и data science. Антрепренер данных развивает основанные на данных продукты, применяя имеющиеся в компании технологии. Для него важно бизнес-образование, продуктовое мышление и ориентированность на продажи. Роль заведующего данными – методолога – распространено в компаниях, находящихся на высоком (4+) уровне зрелости в области управления данными. Менеджер по этике данных актуален для компаний потребительского сектора, где уделяется особое внимание защите персональных данных. Ему может быть полезно, в числе прочего, юридическое образование, опыт PR или GR, а также умение работать с людьми.

В российских компаниях чаще всего можно встретить CDO, которые вышли либо из службы корпоративной аналитики, либо из ИТ-департамента. Сейчас намечается интересная тенденция: появляется серьезный спрос на «антрепренеров» – CDO предпринимательского типа, поскольку практически все промышленные компании взяли ставку на создание коммерческих продуктов, основанных на данных.

- На каких аспектах управления данными концентрируют внимание ваши курсы?

Управление данными в академическом формате (DAMA-DMBOK) — крайне непростая и довольно скучная тема. Поэтому мы стараемся сделать курсы интересными и для представителей бизнеса, и для технических специалистов в области ИТ и науки о данных. Каждый обретает новый взгляд на аспекты управления данными. По форме у нас есть однодневные и многодневные программы, достаточно глубокие для подготовки к сертификации CDMP.

- Что нового и уникального вы предложили вашим слушателям?

Нами была предложена модель жизненного цикла компании в цифровой экономике. В этой модели имеется четыре последовательных стадии – от People Driven Company, где основой компании являются ее сотрудники, до Model Driven Company, в которой основа компании — ее модели.

Мы уверены, что компании, достигающие более высокого уровня зрелости, получают определенное конкурентное преимущество по сравнению с теми, кто находится на предшествующих уровнях. Считаем, что компании неизбежно будут проходить каждую из стадий жизненного цикла, в том числе Data Driven Company — это обязательный и важнейший этап перехода к цифровой компании. И мы показываем нашим слушателям, как на каждой стадии жизненного цикла меняются требования к данным и технологиям их обработки.

- Насколько инновационным вы считаете ваш процесс обучения руководителей по управлению данными?

Мы делаем акцент не на передаче знаний, к которым слушатель может легко получить доступ самостоятельно, а на аспектах мышления «данные первичны» (Data-First): показываем, как смотреть на одни и те же явления с позиции данных, а не процессов.

Приведу пример одной российской компании. Речь идет об электронной площадке, где частные лица могут приобретать и продавать различные подержанные вещи. Создатели изначально построили платформу на основе автоматизации процесса купли-продажи, упустив из виду данные о товарах. В результате продавцы в своих объявлениях каждый по-разному описывали свойства своих товаров, причем на естественном языке. Получалось, что два объявления о продаже одного и того же товара могли оказаться настолько разными, что объединить их в одном поисковом запросе было практически невозможно. Чтобы решить эту проблему, компании пришлось заняться разметкой данных в объявлениях и для этого организовать группу из 200 человек. Если бы изначально был применен подход Data-First, то система была бы разработана так, чтобы клиенты многократно использовали созданные когда-то описания товаров. Тогда объявления можно было бы легко объединять в поисковых запросах, а данные о движении одинаковых товаров было бы гораздо проще извлекать для последующей монетизации.

- Возможна ли эффективная подготовка руководителей по управлению данными с использованием дистанционного обучения?

С нашей точки зрения, любой образовательный процесс можно перевести в онлайн-формат. Вопрос в том, что разработать и осуществлять качественный онлайн-формат совсем не дешевле очного, как многим кажется. В условиях локдауна 2020 года на базе технологий Московской школы управления «Сколково» мы смогли сделать онлайн-формат не менее захватывающим.

- Сотрудничаете ли вы со смежными учебными программами «Сколково» ?

Да, мы участвуем в различных программах Московской школы управления «Сколково». Наиболее значимым для нас является тот факт, что мы разрабатываем и ведем модуль по данным в программе «Управление цифровой трансформацией». Я сам выпускник «Сколково» и использую те подходы и методики, которые лежат в основе всех программ Московской школы управления.

- Как вы оцениваете вклад вашей компании и ваших курсов в решение общей задачи формирования культуры и практики управления данными в России?

Мы стараемся быть проводниками культуры в области данных. Совместно с партнерами мы адаптируем к российским реалиям лучшие международные практики, в том числе переводим на русский язык сложный понятийный аппарат и наиболее важные материалы. В 2019 году мы закончили монументальный проект по переводу на русский язык свода знаний по управлению данными DAMA-DMBOK. В настоящее время у нас локализуются сразу несколько фреймворков по управлению данными.

Анализ цифровых следов человека получает все большее распространение и начинает использоваться в самых различных направлениях деятельности — от маркетинга до информационной безопасности. В МТС разработали систему анализа бизнес-процессов на основе цифрового следа (Process Mining), и первым местом ее внедрения стал Единый центр управления сетью. Используя технологии автоматизации, дата-инжиниринга и машинного обучения в комплексе, Process Mining позволяет анализировать цифровой след сотрудников и обеспечивает мониторинг загруженности работников технического блока, решающих задачи управления инфраструктурой, а также прогнозирование нагрузки и выявление функций для роботизации. В дальнейших планах компании — использование системы в других подразделениях, развитие ее аналитических возможностей и ее вывод на внешний рынок. Телекоммуникационные компании являются одними из лидеров по количеству данных и уровню цифровизации, поэтому многие успешно обкатанные внутри МТС подходы и решения в дальнейшем адаптируют и предлагают внешним заказчикам.

Иван Исаев, директор направления анализа данных и искусственного интеллекта для проектов технического блока ПАО «Мобильные ТелеСистемы» и номинант на премию CDO Award , поделился деталями проекта по разработке системы Process Mining, осуществляющей учет и прогнозирование эффективности работы сотрудников на основе анализа цифрового следа, с использованием методов машинного обучения.

— Как у вас возник интерес к Process Mining?

В последнее время анализ «цифрового следа» сотрудников становится все более популярным подходом. Информацию об их действиях при выполнении работы можно изучать с различными целями. С переходом многих на режим удаленной работы оставляемых «следов» стало больше: цифровизировались процессы взаимодействия, которые раньше отследить было невозможно. Появляется возможность проанализировать все, что касается сотрудников компании, включая коммуникации, навыки, эффективность работы. По результатам можно принимать решения, направленные на повышение эффективности процессов, и это в целом повышает возможности цифровой трансформации компаний.

Разумеется, речь идет не только о сокращении кадров или выводе части задач на аутсорсинг с целью снижения издержек. Для любой компании не менее важно бороться с перегрузками сотрудников и предотвращать их выгорание, а также выявлять ценных специалистов, склонных к увольнению.

В Boston Consulting Group даже создали методологию BioTag, рассказывающую о том, как «правильно» внедрять анализ цифрового следа сотрудников внутри компании. Их идея разметки данных с помощью бизнес-тегов мне понравилась, и мы потихоньку к ней идем. Это поможет в оцифровке действий сотрудников, в структурировании и оптимизации их деятельности.

— Что в вашем понимании представляет собой цифровой след сотрудника?

Это информация о том, чем человек занимался в процессе работы, — любые его действия, оставившие цифровой отпечаток, и, что крайне важно, с обязательной привязкой ко времени. Конечно, это не цифровой двойник человека, ведь мы рассматриваем его однобоко — лишь с профессиональной точки зрения, но это отпечаток его присутствия в каждый момент времени. Это могут быть записи звонков диспетчеров по рабочим вопросам, текстовые сообщения, а также сведения о событиях, вносимые в информационные системы. В рамках данного проекта очень важно собрать полноценную картину того, чем человек занимается в течение рабочего времени.

— С чего решили начать?

У МТС есть огромное сетевое хозяйство, в обслуживании которого занято около 10 тыс. человек. Естественно, что периодически приходится заниматься оптимизацией технического блока, такие меры инициирует HR-служба в рамках программ автоматизации. Цель — оптимизация зарплатного фонда.

Вероятно, ситуация знакома многим: у директора в подчинении несколько сотен человек, и к нему приходит требование о сокращении 10% сотрудников. Руководитель в ответ заявляет, что у него и без того дефицит кадров, все сотрудники перегружены и для нормальной работы требуется увеличить штат еще на 20%. В этом случае для прояснения реальной картины требуются весомые аргументы, и предоставить их может лишь комплексный анализ работ, проводимых специалистами. Они заносят в информационные системы данные по инцидентам и работам разного вида по обслуживанию сети; обсуждают проблемы по почте; ведут задачи в Jira. Чтобы получить комплексную картину их труда, эти данные нужно объединить. При этом каждый источник довольно объемный, а его бизнес-логика сложна и специфична для каждого подразделения.

Ранее руководителям приходилось пользоваться электронными таблицами, используя такие термины, как годовой объем работ и среднее время решения инцидента, и вычислять потребность в сотрудниках. Этот подход уходит в прошлое, такие оценки субъективны и для внешних экспертов выглядят неубедительно. На смену ему приходят более серьезные, научные методы.

— Как пришла идея, от кого она исходила?

Моя компетенция заключается в том, что я внедряю машинное обучение в технические процессы, ищу конкретные места, где автоматизация может помочь заработать или сэкономить. Ко мне обратились директора департаментов технического блока, занимающиеся обслуживанием радиосети, транспортной сети, коммутационной сети. Им требовалось получить реальную оценку эффективности труда работников. Разумеется, это важно не только для «защиты от HR», но и для повышения собственной эффективности. У каждого подразделения своя механика работы, и она сильно зависит от предметной области. На первом этапе требовалось обеспечить полную прозрачность действий сотрудников.

Перманентный вопрос о необходимости обоснованной и ясной картины по загруженности персонала и оценке его работы волнует всех. Между тем уже достаточно давно консультанты провели аудит, по результатам которого появились зародыши методик расчета эффективности. Мы эту методику развили в программное решение.

— Что было сделано?

Нам удалось создать систему анализа эффективности работы сотрудников. На основе всех источников создается единая витрина данных, и по данным из нее рассчитываются коэффициенты эффективности. Эти коэффициенты учитывают такие факторы, как утилизация рабочего времени, успешность и своевременность выполнения задач, сложность задач и их критичность для работы сети. Система по прогнозированию и учету эффективности в данный момент находится в опытной эксплуатации.

Далее в процесс вступают механизмы машинного обучения — несколько аналитических модулей. Например, с их помощью мы будем прогнозировать перегрузки и выгорание сотрудников, планировать обучение, создавать кадровый резерв и формировать профиль увольняющихся сотрудников для принятия заблаговременных мер по их удержанию.

На базе этого возможно реализовать вполне конкретные решения. Скажем, в конце года по ряду причин загрузка некоторых сотрудников сильно возрастает по сравнению с началом года. Возможно, в этом случае оправданно привлечение аутсорсинга. Помимо этого, выявляются функции, которые можно автоматизировать. Например, глядя на график использования рабочего времени сотрудников подразделения, можно обратить внимание на то, что существенную долю времени (например, 40%) они тратят на диспетчеризацию поступающих заявок и выявление причин инцидента. С помощью модели машинного обучения и анализа естественного языка из переписок, систем управления задачами и комментариев к инцидентам можно создать ассистента (систему-советчик на основе машинного обучения), способного помогать в определении причин инцидента и даже самостоятельно отправлять сообщения другим специалистам. Так можно сократить число людей, работающих на диспетчерских линиях, и экономить операционные расходы.

Еще один пример возможного развития системы анализа цифрового следа: для ряда инцидентов, связанных с сетью, можно реализовать функционал прогнозирования — система автоматически сможет заводить заявку в системы и инициировать работы по предотвращению инцидента.

— Какие пути решения задачи были выбраны?

Для этих целей сформировано отдельное озеро данных, которое в дальнейшем консолидируется с единым озером данных компании. Оно было реализовано в собственной пилотной зоне. Мы создали прототипы моделей и витрин, после чего это средство будет масштабироваться с использованием промышленных решений.

— Какие данные использовались? Как принималось решение о выборе источников?

Какие данные потребуются, стало понятно далеко не сразу. Более того, до сих пор появляются потребности в новых источниках.

Конечно, основными источниками данных стали информационные системы, в которых работают сотрудники. Наиболее распространенные решения для управления операционными процессами и обработки инцидентов (такие как BMC Remedy Service Desk и Oracle Siebel) — монструозные системы, существующие в телеком-компаниях более 10 лет. Они огромны, в них сделано множество доработок, и довольно сложно оценить, что именно оттуда брать и как это сделать. В зависимости от специфики подразделений, требуется соответствующим образом обогащать собранные данные, ведь перед нами стоит задача восстановить 100% рабочего времени сотрудника — лишь так можно оценить его эффективность. Если это будет 50–60%, то это мало что даст.

В течение нескольких месяцев я проводил аудит работы подразделений и узнавал, как именно работают сотрудники. Благодаря этому сейчас наш мониторинг охватывает около 99% их действий. При дальнейшем масштабировании системы внутри компании и для внешних заказчиков, конечно же, потребуется добавлять новые источники.

Мы специальным образом готовили данные, чтобы вывести коэффициент сложности работы сотрудника — это влияет на его показатель эффективности. Учитывали довольно много параметров, проделали огромную работу по структурированию данных из существующих регламентов — то есть оцифровывали неструктурированные данные. На их базе создавали методики расчета эффективности сотрудника. Мы выводим показатель того, насколько сложными являются те или иные виды работ, выполняемых сотрудником, определяем внутренний грейд сотрудника — насколько он авторитетен в подразделении. Эти подходы, наравне с методикой BCG, позволяют получать больше знаний из имеющихся данных.

— Какие технические решения применяются? И почему именно они?

Изначально прототип делали на решениях open source: СУБД PostgreSQL, скрипты на SQL, модели на Python — я являюсь сторонником открытых платформ. В качестве инструмента визуализации используем Power BI.

Однако по мере подключения к системе различных подразделений рано или поздно встанет вопрос масштабирования. Это предусматривает создание более масштабного озера и инструментов управления, включая глоссарий данных. В качестве системы управления данными планируем использовать Informatica — у нас уже есть опыт применения этого решения. На первом этапе мы опробовали интеграционную платформу, далее потребуются бизнес-глоссарий и каталог метаданных.

Система подразумевает подключение более десятка подразделений, и для этого нужен глоссарий для описания данных, методик расчета показателей, различных сущностей (инцидентов, плановых работ, проектных задач, записей звонков, почтовых сообщений), с которыми работают подразделения. Все это требует оцифровки, а на дальнейших стадиях станет необходимым звеном.

Кроме того, при появлении источников неструктурированных данных понадобится переход на платформу Hadoop — реляционной СУБД обойтись уже не удастся.

— Как решается вопрос качества данных?

Разумеется, качество данных в источниках далеко от 100%. Но даже если данные находятся в местах, которые принято называть «болотом», их качество приходится улучшать постфактум — можно их очищать и обогащать. Часто данных не хватает, и тогда мы создаем в источниках новые поля, позволяющие проследить, например, траекторию изменения инцидента в системе. В работах над серьезными инцидентами принимают участие много исполнителей, и лишь с помощью новых полей в базах данных, в которые выгружается информация с оборудования, удается проследить их цифровой след.

Кроме того, применяя искусственный интеллект, мы боремся с аномалиями в данных и нормализуем их. Переписываем много унаследованных систем, чтобы они выгружали данные в нужном нам виде.

Довольно долго проработав с предприятиями реального сектора, я могу констатировать, что в телекоме ситуация с данными гораздо лучше, чем в других индустриях, за счет хорошей инфраструктуры и возможности сбора практически любых данных. Этому уделяется много внимания. И этот опыт мы также можем транслировать как провайдер цифровых услуг для других отраслей непрерывной промышленности. Например, еще один недавний проект нашей команды — цифровизация цеха производства удобрений в компании «Уралхим».

— В чем заключалась самая большая проблема?

В большой компании процессы достаточно бюрократичны и инертны. Но с этим, вероятно, сталкиваются все.

Серьезным вызовом стали неоднородность данных и необходимость создания глоссария, который позволил бы их упорядочить, обеспечив правильное масштабирование проекта. Подразделения очень разнородные, они работают с разными сущностями: кто-то работает за компьютером, а кто-то ездит по базовым станциям и заводит там дизельные генераторы. Их работу надо привести к общему знаменателю и масштабировать. С одной стороны, для этого необходим высокий уровень абстракции, чтобы подводить под логику работы системы функционирование многих подразделений (может быть, даже нетехнических), а с другой — требуется учесть специфику работы каждого подразделения, которая часто уникальна.

— Какие результаты проекта вы сами считаете ключевыми?

Результаты внедрения новой методологии и реализации модулей машинного обучения, апробированных в ряде подразделений компании, показали прирост эффективности работы сотрудников от 5% до 15%. Обслуживанием сетевой инфраструктуры у крупных операторов занимаются десятки тысяч человек, поэтому эффект от масштабирования подобной практики как у телеком-компаний, так и у других промышленных компаний (например, из отраслей сырьевой промышленности) получается значительный — это сотни миллионов рублей.

Достижение четкого экономического эффекта, выражающегося в конкретных «живых» деньгах, было нашей тактической целью. Повысить качество работы сети — это хорошо, но оно не дает прямой и немедленной финансовой отдачи. А вот автоматизация рутинных функций с помощью математической модели — совсем другое дело: компания перестает нести расходы на их выполнение. Персонал может быть или сокращен, или перенаправлен на решение задач, действительно требующих участия людей.

Со стратегической точки зрения это очень важный инструмент для дальнейшего измерения эффекта от цифровизации и для осознания наиболее перспективных направлений для нее. Понимая, на что тратят время сотрудники и какие действия выполняют, мы совершенно точно можем посчитать эффект от автоматизации любой функции. Это действительно очень важно, потому что до сих пор такой эффект было очень проблематично посчитать, чтобы оценить целесообразность проекта.

— Как именно происходит выявление функций для роботизации?

Мой подход включает несколько составляющих. Во-первых, необходим комплексный аудит того, что происходит. Приходится «идти в поле», тесно общаться с людьми, узнавать, что их волнует. Внутри технического блока у меня есть большие рабочие группы таких «следователей», приносящих пул конкретных инициатив. Другое дело, что результаты этих инициатив сложно рассчитать в деньгах.

Например, сотрудник просит разработать решение, способное оценить реальное время простоя базовой станции, и убеждает, что это «очень нужно для работы». Но где здесь экономический эффект? Да, прислушиваться к пожеланию специалистов необходимо, но еще важнее проследить цепочку изменений, приводящую к измеримому эффекту — сокращению простоя станции, увеличению трафика, повышению производительности сотрудников.

— Какие процессы в первую очередь будут замещаться искусственным интеллектом?

Моя область — машинное обучение, как классическое, так и глубокое (связанное с анализом текстов). В каждом из направлений у меня есть набор областей, где можно найти эффект. В классическом машинном обучении это выявление инсайтов, где можно, прогнозируя события, добиться автоматизации конкретной функции. Сюда относятся, скажем, предиктивные ремонты, направленные на предотвращение инцидентов. В случае с анализом текстов следует найти задачи, где задействована лишь одна когнитивная функция — например, принятие решений на основе текстового сообщения.

— Что дальше? Какими вы видите дальнейшие направления развития проекта?

Важным шагом станет добавление неструктурированных данных и развитие проекта от классического машинного обучения в сторону глубокого обучения. Одна из идей — создать аналог алгоритма обработки естественного языка GPT-3, выпущенного OpenAI, который может, проанализировав произведения, писать стихи, музыку и даже программный код.

В нашем случае цель такой модели может заключаться в анализе экспертной информации диспетчеров. Тогда в нашем распоряжении окажется инструмент, который сможет проанализировать труд диспетчеров и стать единым ассистентом для них. Очевидно, что он будет применим и для других компаний, в том числе для непрерывных производств.

Создание сети Мастерчейн и разработка на ее основе первых продуктов стали заметным событием на российском финансовом рынке. Мы поговорили с Анатолием Конкиным, руководителем направления «Развитие технологии распределенного реестра» Ассоциации ФинТех и номинантом на премию CDO Award, об истории и перспективах этого проекта, а также о его значении для рынка.

— С чего начиналось формирование вашей блокчейн-платформы?

К моменту начала работы над Мастерчейном некоторые банки уже провели исследования технологии блокчейн и проанализировали способы ее применения. Возникла идея объединить имеющиеся наработки, в том числе в депозитарном учете и в банковских гарантиях, в целях создания единой платформы для финансового рынка. Участники сформулировали основные требования к платформе и кейсы для блокчейна, и в 2017 году в Ассоциации ФинТех стартовала разработка Мастерчейна и прикладных приложений. В 2018 году сеть была запущена.

— Какие требования и задачи ставились перед разработчиками платформы?

Участники определяли требования к платформе исходя из задач практического применения в финансовых сервисах. Главные — это поддержка исполнения смарт-контрактов, конфиденциальность данных, масштабируемость по количеству участников и операций.

Для промышленного использования в России блокчейн-платформа должна соответствовать требованиям информационной безопасности и стандартам отечественной криптографии. Мастерчейн удовлетворяет всем условиям: в 2019 году он стал первой сертифицированной в ФСБ блокчейн-платформой. В нем используется ГОСТ-криптография и обеспечен защищенный обмен финансовыми сообщениями.

— Почему выбрали архитектуру именно на основе блокчейна?

Участники Ассоциации ФинТех определяли прикладные задачи, в которых именно блокчейн был наиболее эффективен для сокращения издержек за счет устранения посредников и применения смарт-контрактов. В прошлом году была запущена децентрализованная депозитарная система (ДДС) на платформе Мастерчейн. Использование смарт-контрактов в депозитарной системе позволяет полностью автоматизировать регистрацию и учет ценных бумаг в депозитарии. Сейчас ДДС применяется для учета электронных закладных, что позволяет уменьшить издержки депозитариев более чем на 30%, а время регистрации закладной — с 9 дней до 1 дня. В настоящее время идет разработка системы цифровых банковских гарантий на Мастерчейне.

Стоит отметить, что сами принципы блокчейна: децентрализованность, прозрачность взаимодействия участников и фактическая неизменяемость данных — представляют высокую бизнес-ценность. Использование этой технологии позволяет не только повысить эффективность бизнес-процессов и оптимизировать издержки, но и снизить риски для участников, обеспечить более высокий уровень доверия между ними.

— На каких принципах строится работа с данными в вашей блокчейн-системе?

Можно выделить три ключевых принципа работы с данными: идентификация участников и контроль доступа в сеть; конфиденциальность данных; использование российских стандартов криптографии. Доступ к системе выполняется с применением сертификатов, выданных удостоверяющим центром. Электронные документы подписываются с использованием электронной цифровой подписи, при этом Мастерчейн обеспечивает их сохранность и неизменность. Таким образом, система позволяет снизить риски мошеннических операций благодаря отсутствию одностороннего изменения данных.

Бесперебойность работы с данными обеспечивают узлы участников сети Мастерчейн — даже в случае выхода из строя отдельных узлов сети система продолжит работу без каких-либо ограничений.

— Как распределены роли и ответственность сторон, участвующих в работе с платформой?

Участники системы самостоятельно управляют своей инфраструктурой и доступностью бизнес-систем. Кроме того, они управляют внутренней ролевой моделью, то есть определяют права доступа к совершению операций в сети. АФТ выполняет функции оператора сети, проводит процедуры идентификации и подключения участников, сертификации узлов, подготовки и распространения обновлений прикладных приложений. В роли оператора АФТ поддерживает работоспособность сети, при этом конфиденциальная информация для нее недоступна.

— Как шло формирование экосистемы вокруг вашей платформы? Как удалось обеспечить доверие к ней со стороны партнеров?

Участники АФТ совместно с Банком России сами определяли требования к платформе. Она прошла сертификацию ФСБ, что подтверждает ее надежность и безопасность. Высокое доверие к Мастерчейну обеспечивают также и принципы его работы: децентрализованность, прозрачность всех операций и невозможность в одностороннем порядке менять данные. Сейчас на этой платформе разрабатываются прикладные приложения как внутри Ассоциации, так и за ее пределами — участники создают собственные решения.

— В чем видите свою роль и роль своего подразделения в создании и дальнейшем развитии платформы и ее экосистемы?

В настоящее время продолжается развитие платформы и ее функциональности, создаются новые бизнес-приложения. Требования к приложениям опять же определяют сами участники — это позволяет создавать такие решения, которые будут востребованы игроками финансового рынка.

Также мы активно ведем исследовательскую работу в рамках R&D-подразделения АФТ. В настоящее время планируем провести исследования технологии распределенных реестров по трем ключевым направлениям: интероперабельность (взаимодействие блокчейн-платформ), масштабирование и обеспечение безопасности данных. Важно отметить, что при этом будут определены в том числе и подходы к стандартизации смарт-контрактов.

Пол Вилкинсон, известный отраслевой эксперт, больше 20 лет активно занимающийся проблематикой ITSM, убежден в том, что необходимы революционные изменения во внутренней культуре ИТ-служб – они должны изменить свою позицию в отношении бизнеса. Это научит их понимать бизнес и поможет выстроить по-настоящему партнерские отношения с ним. После выступления на очередном форуме ITMF, организованном издательством «Открытые системы», Вилкинсон подробно рассказал, почему ИТ-департаментам необходима «культурная революция» и как ее начать.

Почему согласование ИТ и бизнеса по-прежнему остается в числе наиболее злободневных вопросов для ИТ-руководителей и их подчиненных?

Причина кроется в образе мышления тех, кто работает в ИТ. В частности, ИТ-руководители слишком сконцентрированы на решении внутренних вопросов ИТ-департамента. Они считают, что необычайно заняты происходящим в их узком ИТ-мире и им некогда идти к представителям бизнеса, чтобы в достаточной мере понять их. Поэтому ИТ-менеджеры практически не знают, как работает бизнес. Следуя примеру своих руководителей, ИТ-специалисты редко беседуют с бизнес-пользователями и, как следствие, не понимают их. Подчас ИТ-сотрудники не понимают даже, как используются ИТ-сервисы.

Не так давно мы убедили ИТ-руководителя налогового ведомства одной из европейских стран на один день отправить своих ИТ-специалистов к пользователям, чтобы узнать, как они используют ИТ. И сотрудницы налогового ведомства показали, как они вводят данные и как получают информацию – все привычные итерации. Затем собранную информацию проанализировали, после чего ИТ-руководитель поинтересовался у пользователей, будет ли им удобнее, если в работу программ внесут определенные изменения. Пользователи ответили, что им станет значительно удобнее. После того как изменения были реализованы, каждый из пяти тысяч налоговых специалистов смог обслуживать не по 50 человек в день, а по 120. И все это благодаря тому, что ИТ-отдел начал диалог с бизнесом, тогда как раньше ИТ-служба концентрировалась на своих внутренних проблемах и не задавалась вопросом, почему ИТ работают именно так, а не иначе. В логистической компании UPS есть такая практика: каждый новый сотрудник, принятый на работу в ИТ-департамент, один день работает на грузовике, доставляющем посылки. Это дает возможность увидеть, какая информационная система «загружает» грузовик, какая система определяет его маршрут движения, какая система выписывает платежные поручения и пр. Таким образом ИТ-сотрудники самолично изучают базовые бизнес-процессы своей компании и особенности их поддержки со стороны ИТ.

Пол Вилкинсон активно занимается ITSM больше 20 лет, вначале как консультант, затем как менеджер по развитию сервисов и разработчик ITIL. Соавтор книги «ITIL Planning to Implement IT Service Management», участник консультативного комитета ITIL Version 3. Соавтор текстов и художник справочника itSMF по худшим практикам «IT Service Management from Hell».

Наверное, все ИТ-департаменты мечтают о партнерских отношениях с бизнесом. Почему эти мечты зачастую так и остаются мечтами?

На это есть две причины. Первую мы только что обсудили: если в ИТ-подразделении не понимают, как бизнес использует ИТ, то оно никогда не станет партнером, а будет лишь ИТ-провайдером. Другая причина – это метрики. Если взглянуть на типичные метрики, которые используются в управлении ИТ-услугами, станет очевидно, что их применение направлено на достижение результатов внутренней деятельности: доступность сервисов 99%, снижение числа инцидентов на 25%, сокращение времени реакции на запросы и пр. Но сами по себе все они ничего не значат для бизнес-руководителей. За снижением числа инцидентов на 25% может стоять, например, увеличение на 300 тыс. количества транзакций, которые обеспечат дополнительную прибыль 300 млн долл. В свою очередь, снижение числа простоев позволит сэкономить много денег, которые раньше терялись. Те метрики, которые сейчас предоставляют ИТ-службы, мало кому понятны из бизнес-руководителей. Эти метрики должны быть значимы для бизнеса – например, демонстрировать ценность того или иного сервиса для бизнеса, общую стоимость владения, отражать уровень бизнес-рисков и пр. Есть еще одна проблема: ИТ-департаменты пытаются использовать сборники рекомендаций, основанных на передовом опыте, чтобы обеспечить согласование бизнеса и ИТ. В результате ИТ-службы нацеливаются на внедрение ITIL или COBIT, но не на снижение общей стоимости владения. ИТ-службам, которые хотят стать настоящими партнерами для бизнеса, необходимо пристально всматриваться в появляющиеся на рынке технологии и учиться объяснять бизнесу, какие возможности для его роста несут в себе эти новые технологии. Так, руководство одной голландской страховой компании захотело увеличить продажи полисов страхования жизни. ИТ-руководитель компании предложил начать продажи онлайн-полисов и убедил руководство в том, что это принесет компании выгоду. Компания вывела на рынок новую услугу, провела рекламную акцию. Продажи онлайн-полисов пошли, и бизнес получил дополнительный доход 3,5 млн евро.

Бизнес-пользователи становятся все более продвинутыми. Превращается ли это в проблему, мешающую согласованию бизнеса и ИТ? Или же это один из факторов, способствующих согласованию?

Уверен, что этот фактор способствует согласованию бизнеса и ИТ. Есть множество моделей такого согласования, сфокусированных на технологиях, процессах, сервисах, бизнесе. В некоторых организациях бизнес-руководители в ИТ не разбираются, зато знают и понимают свой бизнес. В ИТ-компаниях бизнес чутко прислушивается к тому, что говорят ИТ-специалисты. Есть и такие организации, где между бизнесом и ИТ имеется существенный разрыв: бизнес ждет, что ИТ помогут минимизировать потери, в то время как служба ИТ концентрируется на своих проблемах и не слышит бизнес. Поэтому здесь актуально согласование бизнеса и ИТ. Первый вопрос при этом – понимают ли стороны друг друга? ИТ-службе нужно как можно скорее повысить уровень своей зрелости, чтобы стать хорошим партнером для бизнеса: объяснять ему возможности новых технологий, консультировать дальновидных бизнес-руководителей в области ИТ, выяснять, где бизнес использует в «теневом» режиме новые ИТ.

«Директор информационной службы должен иметь у себя команду менеджеров, умеющих развивать отношения с бизнесом»

«Теневые» ИТ есть во многих компаниях. Означает ли это, что бизнес хочет создавать и развивать альтернативные ИТ, которые в чем-то лучше «официальных» ИТ, развертываемых ИТ-департаментами?

«Теневые» ИТ – это вовсе не то, чего хочет бизнес. Он не ставит своей целью создание «теневых» ИТ. Бизнес хочет как можно скорее освоить новые технологии и получить от них выгоду. Поскольку ИТ-департаменты слишком медленно реагируют на запросы бизнеса, да и не вполне понимают его потребности, бизнес ищет пути для быстрого развертывания и освоения новых ИТ. Некоторые компании, такие, например, как Google, NetFlex, развертывают и дорабатывают свои системы практически непрерывно, потому что их бизнес хочет меняться очень быстро, получая новую выгоду. Чтобы обеспечить возможность быстрых изменений, ИТ-службы используют DevOps, Agile, Scrum и другие подходы, позволяющие оперативно внедрять технологии, которые зачастую оказываются в «тени». Если ИТ-департамент продемонстрирует, что он может быстро развертывать новые технологии, бизнес доверит это дело ему. Если же ИТ-служба не сможет доказать свою способность без промедления внедрять нужные бизнесу технологии, то «теневых» ИТ будет в компании все больше и больше, а сама ИТ-служба перестанет соответствовать запросам бизнеса. Чтобы этого не произошло, ИТ-департамент должен измениться.

Одна из возможных проблем, касающихся согласования бизнеса и ИТ, кроется в том, что ИТ-руководители – в большинстве своем технократы, получившие техническое или математическое образование. Могут ли эти CIO стать людьми бизнеса?

Одна голландская компания специально искала на должность CIO кого-нибудь из руководителей, знающих бизнес. Почему? Потому что руководители верхнего уровня должны понимать бизнес и его процессы. Сегодня очень важна роль руководителя, отвечающего за отношения ИТ-департамента с бизнесом. И директор информационной службы должен заниматься именно этим. Он должен иметь у себя команду менеджеров, умеющих развивать отношения с бизнесом (Business Relationship Management, BRM). Их задача в том, чтобы идти к пользователям, разбираться, каковы движущие силы бизнеса, вникать в бизнес-процессы, выяснять, почему пользователям нужны новые технологии. Это критически важная роль. Зачастую бизнес и ИТ не понимают друг друга, примерно как супруги, находящиеся на грани развода. Чтобы снизить напряженность между ними и наладить взаимопонимание, необходим посредник – советник по семейным вопросам. Точно так же посредник нужен и между бизнесом и ИТ, этим как раз и занимаются специалисты по BRM. Многие ИТ-руководители пользуются таким инструментом, как COBIT. Его ключевая идея – основываясь на стратегических целях бизнеса, выстроить стратегические цели ИТ-департамента. COBIT говорит, как согласовать цели бизнеса и ИТ. Другой инструмент – BRM, его ключевая идея – основываясь на выводах из COBIT, наладить диалог между бизнесом и ИТ. Третий инструмент – ITIL. Используя его, необходимо концентрироваться на доходах бизнеса. Эти три инструмента охватывают стратегический, тактический и операционный уровни управления ИТ. Подводя итог нашей беседе, я еще раз хочу сказать, что ИТ-департаментам необходимо меняться: не замыкаться на своих внутренних проблемах и изменить менталитет сотрудников ИТ-служб, привить им новую культуру – культуру диалога с бизнесом, погружения в его нужды и потребности, изменить позицию ИТ в отношении бизнеса, стимулировать ИТ-специалистов к тому, чтобы они поняли, что, зачем и как делают бизнес-пользователи, ежедневно встречались с ними и беседовали. Изменив свою позицию в отношении бизнеса, ИТ-специалисты изменят и свое поведение. Другими словами, необходим революционный сдвиг во внутренней культуре ИТ-департамента.

Корпоративные пользователи нередко жалуются на то, что ИТ-службы глухи к их просьбам и требованиям, в то время как ИТ-руководители регулярно рапортуют о том, как «счастливы» их пользователи. Почему так происходит?

Основная причина — разница в восприятии ИТ. Для рядового ИТ-специалиста главный и зачастую единственный критерий его оценки — это работоспособность ИТ-систем. Кстати, именно на этом критерии сосредоточены и такие популярные стандарты, как COBIT и ITIL. Считаю, что это не совсем правильно: ИТ-служба не должна упускать из виду «человеческую» составляющую своего клиентского сервиса.

Одна из ключевых задач ИТ-руководителя — развернуть ИТ-специалистов лицом к бизнес-заказчикам. Основная деятельность «Сибура» связана с производством продуктов нефтехимии, и первостепенная задача ИТ-специалистов — помогать компании успешно делать этот бизнес, помогать бизнес-заказчикам и пользователям в их ключевой деятельности. Для этого просто поддерживать ИТ-системы в рабочем состоянии явно недостаточно, необходим клиентский сервис «с человеческим лицом».

Можно ли преодолеть разрыв между ИТ и бизнесом, выстроив по-настоящему конструктивный постоянный диалог?

Не только можно, но и нужно. Идея выстраивания диалога с бизнесом далеко не нова, и, прежде чем приступить к решению этой задачи, мы изучили мировой опыт, проанализировали собственный и выбрали для себя наиболее адекватную, как мы считаем, модель зрелости ИТ-службы. Среди ее ступеней зрелости есть такие: ИТ как поставщик услуг для бизнеса; ИТ как бизнес-партнер; ИТ как движущая сила бизнеса. В силу специфики нефтехимической индустрии полноценной движущей силой этого бизнеса ИТ стать не смогут, да и не должны. Тем не менее нам вполне по силам стать надежным бизнес-партнером, который сможет не только вовремя предоставить нужные сервисы, но и предложить бизнесу конструктивные рекомендации по эффективному решению задач современного производственного предприятия с помощью ИТ. Один из ключевых принципов нашей компании — это эффективность. Уверен, что в рамках такого подхода ИТ-служба сможет принести пользу бизнесу, став равноправным партнером в диалоге с ним.

Разумеется, одного только диалога для выстраивания конструктивного взаимодействия с бизнесом будет недостаточно — необходимо также добиться прозрачности функционирования ИТ-подразделения, в том числе операционной и финансовой, упорядочить каталог услуг и пр.

Какие задачи можно решать эффективнее, если выстроена постоянная обратная связь с пользователями? Какие задачи удается таким образом решать в «Сибуре»?

Благодаря такой обратной связи повышается эффективность решения практически любых актуальных задач. В частности, нам удается регулярно выявлять насущные потребности бизнеса. Конечно, мы используем и инструменты обратной связи, которые применяются для поддержки ИТ-процессов согласно ITIL, но эти инструменты никак не смогут стать заменой личного контакта.

Вот пример. Проводимые опросы из года в год дают хорошую численную оценку деятельности службы ИТ-поддержки. Однако я, будучи ИТ-директором, регулярно получаю сигналы от рядовых пользователей как в ходе регулярных бесед с ними, так и по электронной почте. В общей массе цифр многие такие сигналы теряются из виду. Но за каждым сигналом стоит реальный сотрудник, и если он простаивает, то страдает его бизнес-процесс, а значит, падает эффективность компании. Поэтому одной из важнейших задач ИТ-службы я считаю поддержку рабочих мест пользователей.

Еще один пример — повышение скорости предоставления рабочих мест. Вопрос этот достаточно сложный, он требует вовлечения не только службы ИТ, но и других подразделений. Сигналы о том, что рабочее место не предоставляется вовремя, приходят в ИТ-службу, поскольку современное рабочее место — это, по сути, компьютер. Мы с моими коллегами из ИТ-службы проанализировали этот процесс, поняли, что в нем есть что улучшить, и выступили инициаторами его оптимизации, собрали всех участников процесса, разделили зоны ответственности, определили KPI и обеспечили полную прозрачность этого процесса. Теперь, если произошел сбой (то есть если пользователь не получил вовремя рабочее место), сразу видно, где он произошел и что нужно делать.

Имеется у нас и практика взаимодействия с пользователями, касающаяся работы бизнес-приложений. У компании есть портал для работы с контрагентами, его пользователями является большое число сотрудников «Сибура». Активное взаимодействие с пользователями позволило существенно улучшить быстродействие этого портала, тем самым сэкономлено много рабочего времени сотрудников.

Нередко ИТ-руководители не налаживают масштабный диалог с пользователями, ссылаясь на нехватку времени и других ресурсов. Как удается найти время, деньги и людские ресурсы для диалога с пользователями вам и вашим коллегам?

Где найти людские ресурсы — самый серьезный вопрос при выстраивании диалога с бизнесом. Этот вопрос сложный еще и потому, что ИТ-специалисты в большинстве своем интраверты. Мотивировать их на систематическое общение удается благодаря личному примеру руководителя и обратной связи, которую мы получаем в ходе диалога с бизнес-заказчиками: сотрудники видят полезность и эффективность того, что делает ИТ-служба. Поэтому время и ресурсы мы находим — и я, и мои коллеги.

Лично для меня человеческий фактор очень важен. Два раза в год проходят мои встречи с членами правления, в ходе которых я рассказываю о том, что происходит в ИТ-службе, и, что крайне важно, получаю отклики о ее работе. Кроме того, в рамках совместных проектов и инициатив проходят рабочие встречи с ключевыми бизнес-руководителями, которые не входят в правление, а также с генеральными директорами предприятий, входящих в «Сибур», и их заместителями. Встречи с руководителями 12 самых крупных предприятий компании проходят не реже двух раз в год.

«Для более эффективного взаимодействия с бизнесом у нас был создан и успешно работает институт ИТ-бизнес-партнеров. Основная роль этих сотрудников — быть связующими звеньями между бизнесом и ИТ», Илья Зырянов, директор по ИТ холдинга «Сибур»

Для обратной связи мы используем анкетирование с помощью корпоративного портала, тем не менее личным контактам с пользователями я придаю чрезвычайно важное значение и стараюсь воодушевить моих сотрудников личным примером. Присоединившись в 2012 году к компании, я вместе с моими заместителями первым делом побывал на всех производственных площадках — не только чтобы узнать, как идут дела, но и чтобы лично познакомиться с коллегами. Таким образом удалось вытащить ИТ-сотрудников из их «нор». Кстати, многие потом благодарили меня за возможность пообщаться с пользователями. Сейчас все наши ИТ-менеджеры вплоть до нижнего уровня обязаны хотя бы два раза в год посещать производственные предприятия компании.

Для ведения масштабного диалога с бизнесом мы, как правило, выстраиваем горизонтальные связи между руководителями: диалог ИТ-менеджеров идет с бизнес-пользователями примерно того же уровня иерархии. Результаты всех встреч с пользователями мы собираем в едином реестре, обновляем и анализируем полученную информацию. Перед очередными встречами с пользователями есть возможность изучить историю предыдущих встреч и более тщательно подготовиться к очередной беседе.

Для более эффективного взаимодействия с бизнесом в конце 2013 года у нас был создан и успешно работает институт ИТ-бизнес-партнеров. Основная роль этих сотрудников — быть связующими звеньями между бизнесом и ИТ. В первую очередь они сосредоточены на сборе и анализе информации о потребностях пользователей в части ИТ, но также они готовы принимать и обрабатывать любые сигналы, касающиеся деятельности ИТ. Уже было множество ситуаций, когда ИТ-бизнес-партнеры брали на себя роль интеграторов в решении комплексных проблем.

Следует ли вести диалог по подразделениям или группам бизнес-пользователей? Нужна ли ИТ-службе сегментация бизнес-клиентов?

В нашей компании сегментация существует. В соответствии с выбранной стратегией управления холдингом в «Сибуре» выстроены функциональные вертикали. Организационные структуры головной компании и ее предприятий стандартизированы и в целом симметрично повторяются от одной к другой: есть производственный, финансово-экономический блоки, блок промышленной и кадровой безопасности, HR-блок. Аналогичным образом выстроен и блок ИТ. Структура управления в холдинге матричная: функциональные руководители предприятий подчиняются как своему генеральному директору, так и руководителю своей вертикали. В рамках такой идеологии управления более правильно, на мой взгляд, развивать общение с пользователями по функциональным вертикалям. Кроме того, это упрощает взаимодействие — так легче и доносить информацию до пользователей, и получать ее от них, и приносить им пользу.

Внутри холдинга имеется четыре основных бизнес-направления. У каждого из направлений есть свои особенности и производства, и продаж, поэтому очень важно, чтобы ИТ-специалисты, которые взаимодействуют с подразделениями, понимали эту специфику. Этому способствует регулярное общение с пользователями и встречи с коллегами на производственных площадках. Вместе с тем поддерживающие функциональные вертикали (финансовое управление, HR и пр.) стандартизованы и выстроены одинаково как в плане организации, так и в том, что касается их ИТ-поддержки.

На каком языке должен вестись диалог ИТ-подразделения с его бизнес-заказчиками и пользователями? Как складывался язык общения в «Сибуре» и какой язык в итоге выбран?

Внутри нашей компании один из ключевых языков для диалога между подразделениями — язык эффективности. ИТ-подразделение само должно демонстрировать бизнесу собственную эффективность и предлагать ему эффективные подходы к решению его задач. В рамках нынешней бизнес-модели холдинга и места ИТ в ней эффективность ИТ-решений заключается в первую очередь в снижении издержек компании — как прямо, так и косвенно, через поддержку, оптимизацию и стандартизацию бизнес-процессов. Конечно, «Сибур» регулярно внедряет инновации, но в силу специфики бизнеса это технологии в основном из области нефтехимии, а не ИТ.

Применяются ли опросы пользователей и личные встречи с ними для коррекции портфеля проектов или отдельных проектов? Проводятся ли опросы бизнес-пользователей на отдельных стадиях выполнения проектов с участием ИТ-службы, а также по их окончании?

Да, именно так и происходит. Большая часть долгосрочного портфеля проектов формируется на основе пожеланий пользователей, которые фиксируются в едином реестре. Мы определяем, какие проекты войдут в портфель и какой у них будет приоритет. Например, если подавляющее большинство пользователей в ходе опросов и личных встреч положительно оценили реализацию проекта видеоконференций и высказали пожелания по улучшению видеосервиса, то ИТ-проект по расширению возможностей этого сервиса и повышению его качества войдет в наш портфель с более высоким приоритетом.

Иногда в процессе диалога мы получаем заявки, которые пока не готовы удовлетворить. Это дает нам вектор развития. И чем больше таких заявок приходит, тем лучше мы понимаем, по каким направлениям следует прикладывать усилия.

Обратная связь для промежуточного контроля хода проектов и по их окончании также используется, тем более что это предписано Единым стандартом управления проектами «Сибура» (в его основе — PMI PMBoK): после завершения проекта руководитель проекта должен собрать оценки отдельных пользователей и включить их в общую оценку проекта — от нее зависит премирование менеджера проекта.

Не так давно ваша компания осуществила модернизацию и централизацию ИТ. Как диалог с пользователями повлиял на технологические и организационные решения, касающиеся этого проекта? Какие решения были приняты под влиянием результатов этого диалога?

Наша компания приняла решение о том, что, в условиях перехода к функциональным вертикалям и централизации управления в них, будет правильно, если и информационные системы, и их поддержка станут централизованными, поэтому диалог с пользователями строился на разъяснении выгод и преимуществ централизованных решений. Не всегда это было просто, поскольку пользователи, привыкшие к прежним системам, неохотно переходили на новые.

Проект централизации ИТ полностью еще не завершен. Мы собрали воедино ИТ-службу, выстроив ее как одну из функциональных вертикалей: она нацелена на единые цели, работает по единым стандартам, и труд ее сотрудников оценивается по унифицированным принципам с декомпозицией целей и KPI службы на каждого ее сотрудника. Также мы централизовали ИТ-инфраструктуру, сейчас идет централизация бизнес-приложений: внедрено централизованное решение на платформе «БОСС-Кадровик», внедряются SAP ERP, модуль HR, корпоративная система документооборота на базе EMC Documentum (она заменит прежние локальные СЭД). Кстати, тиражирование новых бизнес-приложений на управленческие площадки дает огромный экономический эффект, поскольку вместе с внедрением систем идет развертывание стандартных бизнес-процессов.

В ходе централизации ИТ-службы мы решили очень важную задачу централизованного управления ИТ-бюджетом. В штаб-квартире размещается специальная команда ИТ-службы (в основном это сотрудники, получившие финансовое образование и имеющие опыт работы в ИТ-сфере), которая, зная существующие потребности, анализирует ИТ-бюджет, управляет им и, главное, контролирует его расходы. Ни один ИТ-специалист холдинга не сможет потратить деньги на что-то из ИТ, если эти расходы не предусмотрены ИТ-бюджетом. Также и все ИТ-расходы бизнес-подразделений заранее согласуются и включаются в ИТ-бюджет. Так что никакие «теневые» закупки ИТ не останутся незамеченными.

Что касается решения о централизации ИТ-инфраструктуры, то оно было принято еще до начала масштабного диалога с пользователями. Последующий ход событий убедил нас в правильности этого решения: упрощение и единообразие доступа к совместно используемым ИТ-ресурсам как раз входили в число пожеланий пользователей.

Если постоянный широкий диалог между ИТ и бизнесом выстроен, можно ли рассчитывать на то, что в компании перестанут развиваться «теневые» ИТ (создание и приобретение ИТ в обход ИТ-службы), а те, которые уже есть, выйдут из «тени»?

Да, и чем более открытой становится ИТ-служба для бизнеса, тем более открытым становится для нее бизнес. В результате «теневые» ИТ-специалисты выходят из «тени». Часть из них остаются в бизнес-подразделениях и берут на себя роль методологов: с одной стороны, они глубоко погружены в бизнес-процессы, поддержкой которых занимались, с другой — хорошо владеют языком ИТ. Эти сотрудники становятся очень важными помощниками ИТ-службы в налаживании диалога с бизнесом. Другая часть «теневых» ИТ-специалистов вливается в ИТ-службу, принося в нее знания об архитектуре бизнес-процессов департаментов, в которых они работали.

Замечу, что «теневых» ИТ-отделов в «Сибуре» не было, но были и пока кое-где остаются отдельные сотрудники. Мы их всех знаем и работаем с ними. Те их руководители, которые видят, что ИТ-служба открыта для диалога и реализует их потребности, все больше и больше доверяют ей — им удобнее общаться не с «карманным» ИТ-специалистом, а с ИТ-службой, обладающей глубокими знаниями и компетенциями по широкому кругу областей. Со своей стороны, мы идем на диалог и создаем комфортные для бизнеса условия, при необходимости разграничиваем задачи — определяем, какие из них берет на себя ИТ-служба, а какие — «теневые» ИТ-специалисты.

Победить «теневые» ИТ помогает централизация информационных систем. Когда ИТ-системы разрозненны, «теневым» ИТ-специалистам живется проще. Но после унификации и централизации ИТ ситуация серьезно меняется — уже сам этот процесс выводит часть ИТ-специалистов из «тени». Так было, например, в ходе внедрения единой для всех системы электронного документооборота: «теневые» ИТ-специалисты сначала влились в проект по замене платформы СЭД, затем часть из них вошла в состав ИТ-службы.

Еще одной причиной появления и развития «теневых» ИТ аналитики считают тот факт, что бизнес сегодня ожидает значительно более быстрой реакции на свои заявки, чем раньше, а ИТ-службы далеко не всегда обеспечивают такую оперативность. Способствует ли постоянный диалог с пользователями более быстрому выполнению заявок бизнеса?

Бесспорно, способствует. Благодаря такому диалогу мы нередко узнаем о том, о чем вряд ли бы когда-нибудь узнали, если бы этого диалога не было. Понимая приоритеты бизнеса, мы можем перераспределить наши ресурсы, быстрее выполнять актуальные заявки.

Какова ваша роль как ИТ-руководителя в выстраивании и развитии широкого диалога с пользователями?

Одно из ключевых направлений здесь — выстраивание команды ИТ. За последние три года она существенно обновилась, причем именно потому, что изменилась парадигма ее работы. Обновление ИТ-команды происходило не только из-за ухода прежних и прихода новых сотрудников, но и за счет ротации кадров. Мы активно используем наработки HR-блока — в частности, сегодня активно применяется в ИТ-службе институт кадрового резерва. Идет обмен ИТ-кадрами как между отдельными предприятиями, так и между предприятиями и центральным офисом, причем как с перемещением на аналогичные должности, так и с повышением. Текучесть кадров при этом оказывается полезной, поскольку освобождает позиции для ротаций.