Наталья Дубова

В 2015 году горно-металлургическая компания «Норильский никель» стартовала рассчитанную на 10 лет комплексную программу с амбициозным названием «Технологический прорыв». Главной целью программы стала глубинная трансформация производственных процессов, их перевод, как сформулировано в программе, «в новое целевое состояние», которое характеризуется эффективным многовариантным планированием и оперативным контролем выполнения планов с использованием современных технологий.

За пять лет первого этапа программы компания прошла впечатляющий путь от «лоскутной» автоматизации к системе комплексной интегрированной цифровой поддержки процессов горного передела и управления ими. В 2020 году начат второй этап «Технологического прорыва».

Владимир Трапезин, директор по автоматизации и информационной трансформации производства компании «Норникель» и номинант премии CDO Award 2021, рассказал, что в его ответственность входит контроль за тем, чтобы концепция «Технологического прорыва» воплощалась в жизнь именно так, как она замышлялась. Мы побеседовали с Владимиром о достижениях первого этапа программы, планах на второй и о том, какие данные лежат в основе всего этого и какие инструменты работы с данными делают «Технологический прорыв» возможным.

Успехи базовой автоматизации

— Какие основные предпосылки программы «Технологический прорыв»?

В 2013 году новая управленческая команда приняла стратегию развития компании, направленную, с одной стороны, на сокращение затрат и оптимизацию неэффективных производств, а с другой – на концентрацию усилий на самых рентабельных, так называемых «первоклассных» активах.

Анализ показал, что неполные и не вовремя поступающие данные не позволяют оперативно планировать производство и эффективно им управлять. Руководством была поставлена задача реализовать программу повышения операционной эффективности производства с соответствующей информационной поддержкой.

Изучив опыт российских и западных компаний, мы поняли, что прежде всего должны устранить тот огромный разрыв, который существовал между «Норникелем» и мировыми лидерами. Но оказалось, что догнать тех, кто с 90-х вкладывает все возможные ресурсы в технологическое развитие, можно, только выработав свой путь повышения эффективности производства. Что мы и сделали, разработав программу «Технологический прорыв».

— Состояние работы с данными на момент начала «Технологического прорыва» – в чем были основные проблемы?

Аудит всех решений в области промышленной автоматизации «Норникеля» выявил более 200 никак не связанных между собой информационных систем. При этом бизнесу катастрофически не хватало полной, достоверной, актуальной на любой момент времени информации. У нас собирались терабайты данных о производстве продуктов, о свойствах материалов и другая важнейшая информация, но она недостаточно использовалась и не приносила необходимого эффекта бизнесу. Кроме того, на производстве было желание формировать не один, а 10-12 вариантов производственных планов с тем, чтобы сравнивать их и выбирать оптимальный, но уровень информационного развития не позволял это сделать.

— Какие задачи решались на первом этапе программы?

К 2020 году мы завершили базовую автоматизацию. Особое внимание уделялось таким группам задач, как связь и позиционирование, аналитика и отчетность, управление производством, планирование.

Горнодобывающая отрасль — это непрерывное производство с последовательностью технологических процессов бурения, взрывания, экскавации, транспортировки, складирования и обогащения полезных ископаемых. Нам необходимо было научиться планировать это в почасовом режиме, контролировать исполнение плана в реальном времени и оперативно управлять производством. Существующая процессная модель не позволяла это делать, необходимые процессы либо отсутствовали, либо не работали на достижение нужного результата.

Мы определили ключевые показатели эффективности по каждому процессу, сформулировали, какой результат процесса является успешным, оценили достижимость такого результата, зафиксировали основные вехи на ближайшие пять лет и под них сформировали проекты, сгруппировав их в единую программу.

В результате реализации первого этапа программы компания получила более 30 информационных системы и большое количество либо вновь созданных, либо трансформированных процессов.

Один из основных наших принципов – следовать от трансформации бизнес-процессов к их информационной поддержке. Выстраивание целевой процессной модели является первичным, и без этого этапа мы не приступаем к выбору технологий. Невозможно «пристроить» к старым процессам «цифру» и ожидать ощутимых и, главное, долгосрочных эффектов.

— Что изменилось в подходах к работе с данными при переходе от хаоса из более чем 200 систем к текущему состоянию?

Мы использовали архитектурный подход, причем строили изначально не ИТ-архитектуру, а именно бизнес-архитектуру. Благодаря этому мы увидели, какие данные и потоки данных у нас есть, и смогли понять, где и какие хранилища данных надо создавать, чтобы получить «единые источники правды».

Поскольку в компании не было ни одного корпоративного справочника, прежде всего совместно с Департаментом ИТ было принято решение выстраивать вертикально ориентированную систему управления НСИ – делать справочники с градацией на корпоративные и локальные, определять процесс управления ими и подбирать под это правильную платформу.

Следующим шагом стало создание PIMS – хранилища технологических данных. Эта система – «спинной мозг» архитектуры технологических данных в компании, она предназначена для централизованного сбора и хранения всей необходимой информации о производстве. Сейчас хранилище включает в себя более 100 тыс. параметров всех предприятий «Норникеля». При внедрении новых систем в рамках программы основным источником производственных данных является система PIMS. Тем самым мы добиваемся единообразия механизмов передачи информации в системы-потребители и гарантируем, что все они будут получать одни и те же значения запрашиваемых параметров.

Дальше стало понятно, что не хватает диспетчерского слоя информационных систем, на котором в соответствии с корпоративными правилами будут собираться обработанные реляционные данные.

Отдельная задача – управление активами и формирование соответствующего слоя данных. На основе мирового стандарта и его российской версии была разработана корпоративная политика управления промышленными активами. Собраны и оцифрованы все паспорта оборудования, а также технические карты наиболее критичного оборудования, что позволяет вести эффективное управление промышленными активами в единой системе.

Внедрение горно-геологических информационных систем (ГГИС) позволило создать единую горно-геологическую базу данных. Вдумайтесь, огромная горно-металлургическая компания вручную корректировала добычу рудных тел. А теперь 100% всех разведанных запасов оцифровано и уложено в 3D-модели. Большинство компаний на этом останавливаются, мы же реализовали полный цикл проектирования и планирования горных работ. Огромный слой оцифрованных недр позволил нам провести ревизию запасов, проанализировать, что и насколько эффективно добывали, и пересмотреть политику планирования добычи. Выяснилось, что раньше из запланированной работы горного производства по направлениям выполнялось только около 20%, сейчас же мы приблизились к 90% выполнения плана.

«Ментальная революция» и цифровая трансформация

— Какие еще можно привести примеры «прорыва» в управлении компанией благодаря реализации программы?

Например, благодаря цифровизации промышленных активов мы перешли от управления ремонтами к управлению активами. А управление активами – это управление надежностью, рисками, прибылью. Если раньше в ответ на предложение сократить затраты на ремонты на миллиард рублей мы могли только сокрушаться, то теперь приведем следующие выкладки: в этом случае под риском окажется прибыль в размере стольких-то млрд руб и вероятность реализации этого риска будет, допустим, 40%. Принимайте решение. Риск-ориентированное планирование в управлении активами – это высший пилотаж, настоящий прорыв.

Другой пример. Как понять, оптимален ли производственный план по добыче в подземных рудниках? Мы создали имитационные модели рудников – со всеми дорогами, поворотами, рудными телами, конвейерами, подъемными устройствами, поездами, самосвалами, погрузочно-доставочными машинами, буровыми и пр. Теперь этот симулятор в течение 10 минут проигрывает сформированный в ГГИС годовой план рудника – бурит, взрывает, возит, измельчает, поднимает и т. д. На выходе мы получаем информацию, выполним ли план, и с какой маржинальной оценкой. И это делается для 10-12 вариантов плана, после чего мы можем выбрать оптимальный, который позволит реализовать все необходимое с наибольшей эффективностью.

Сегодня «цифра» позволяет нам не только оптимизировать планирование, но и гарантировать выполнение плана. Приведу пример подземной диспетчеризации. Раньше диспетчеру требовалось несколько часов, для того чтобы передать новые инструкции горнякам под землей. А по окончании смены он готовил диспетчерский рапорт – огромную «простыню» с невероятными колонками цифр, собранными за смену, на основе этого планировалось задание на следующий день. В этих условиях ни о каком оперативном реагировании на отклонения от плана речи не шло.

Сейчас у нас под землей проложены сотни километров оптоволокна, размещено множество датчиков, и мы несколько раз в течение часа получаем данные от каждого элемента, задействованного в выполнении плана. И планирование, и контроль исполнения плана реализуются в почасовом режиме. Мы получили возможность оперативно влиять на ситуацию и гарантировать выполнение сменного задания. Более того, примерно за час до конца смены у нас есть информация о том, каков прогноз по результату, что позволяет планировать следующую смену. Это очевидное преимущество, реализовать которое без мощной системы передачи неограниченного объема данных из-под земли и обратно было бы невозможно.

— Кто это «мы» – кто владеет данными и отвечает за них? Кто задействован в процессах работы с данными?

Работают с этим все – и бизнес, и производство, и ИТ. Каждая система, реализованная в рамках программы, стала каждодневным инструментом для тысяч руководителей и специалистов в едином информационном пространстве.

Я предпочитаю избегать в нашем случае термина «внедрять» системы. Мы строим новые процессы, обеспечивая для них информационную поддержку. Сегодня на всех наших семи рудниках произошла «ментальная» революция, а после нее – грандиозная трансформация. Сломаны старые, родом еще с советских времен, производственно-технические отделы, вместо них появились центры оперативного планирования, в которых реализуются новые процессы с новыми инструментами и новыми ролями. Кто-то с помощью этих инструментов работает, планирует, контролирует исполнение, а кто-то отвечает за гарантированную работоспособность инструментария, за то, чтобы данные были на 100% доступные, достоверные и полные.

Поэтому «мы» – это «Норильский никель».

— А на ком лежит ответственность за то, чтобы данные были на 100% доступные, достоверные и полные? Это сотрудники ИТ, производственники?

Снова – и те, и другие. Допустим, ИТ-специалисту ставятся три контрольных показателя: коэффициент технической готовности системы (причем обратите внимание, я про ITIL вообще не говорю, он здесь не подходит, это для офиса), вероятность безотказной работы и коэффициент оперативной готовности. И он рано или поздно добивается целевых значений, а данные все равно не достоверны. Начинаем искать причину, задаем новые показатели: данные достоверны, своевременны, полны. И тут выясняется, что их достижение зависит не только от ИТ-специалиста. Поскольку под землей нет GPS, для позиционирования машин в рудниках размещаются автономные точки отметки. Такую метку необходимо не только повесить в нужное место, но и записать информацию о ней в нужный справочник корректно и своевременно. Только тогда система сможет корректно отслеживать рейсы. Если горняк неправильно внес эти данные в базу, система правильно работать не будет: не может быть достоверной информация, которая базируется на недостоверных базовых данных. А хозяином этих данных является не «айтишник», а горняк.

Мы в процессах прописываем обеспечение достоверности данных, прослеживая все факторы, которые на это влияют. Выяснилось, что в ряде случаев стандартные технологии у нас оказываются неприменимы. Например, для определения веса ковша мы используем нейронные сети – с помощью оптики смотрим загруженность ковша, определяем размер фракции и по данным о материале, значению насыпной плотности и другим параметрам вычисляем вес. Нам пришлось на это пойти, потому что с помощью обычных весов под землей на получение достоверных данных затрачивается слишком много времени.

— Приведите еще примеры таких нестандартных решений в работе с данными.

Многие считают метод предиктивных ремонтов наиболее передовым подходом к повышению эффективности работы с оборудованием. А я скажу – нет, это не так. Для прогнозирования поломок нужно обеспечить большой поток информации и его анализ, но при этом мы будем гнаться за уже произошедшими отклонениями, за уже наметившимися трендами. На самом же деле суть здесь в другом. Механизм не должен ломаться, работая в тех условиях, для которых он спроектирован и построен. Главным источником деструктивных изменений оказывается человек. Если человека удалить из процесса, потребность в предиктивных ремонтах значительно снизится. В контроле за действиями человека заложен куда больший потенциал повышения эффективности, чем в предиктивных ремонтах.

Мы и сделали это, создав так называемый паспорт оператора. Оператор получает задание с учетом всех нормативов, а система фиксирует фактическое значение параметров: на какой скорости он доехал из точки А в точку В, за сколько секунд зачерпнул рудную массу, за какое время вернулся, сколько секунд потратил на выгрузку, на какой передаче ехал, сколько было оборотов двигателя, сколько потратил горючего и т. д. Дальше анализируем результаты разных операторов на одной и той же машине и одной и той же операции и делаем выводы, почему они различаются. Потребуется ли, например, данному оператору дополнительное обучение или лучше перевести его на другую работу.

Но в конечном итоге мы движемся в сторону автономных либо дистанционно управляемых машин. В прошлом году прошло тестирование первого автономного подземного самосвала на одном из наших рудников, и сейчас идет к завершению проект по вводу в эксплуатацию беспилотных самосвалов под землей.

Цель – безопасное и эффективное автономное производство

— Какие дальнейшие шаги запланированы в программе? Чего сейчас не хватает с точки зрения оцифровки процессов и работы с данными?

Мы реализовали базовые инструменты, а теперь работаем над тем, чтобы задействовать в управлении производством более точные данные, для которых потребуются инструменты с более тонкой настройкой. Например, мы собрали в базу данных работу всех маркшейдеров, которые вручную проводят сканирование подземных выработок. Такие замеры делаются раз в 10 дней и имеют определенную погрешность метода, к тому же на них не может не влиять человеческий фактор. Если маркшейдерия будет оцифрована и станет полностью безлюдной, то, представьте себе: машина едет по своим делам, забирается в выработку и сканирует ее, эти данные в реальном времени, а не через 10 дней, поступают в базу данных, мы сразу видим отклонения и можем на них реагировать.

Да, огромное количество данных из готовых скважин уже уложены в базы ГГИС, получены 3D-модели рудных тел. Мы их один раз с заданной точностью оцифровали, сейчас идет их выработка, но в оперативной работе с точки зрения «цифры» маркшейдерия отстает. Мы пытаемся делать прорыв в этом направлении, потому что нигде в мире этого пока нет.

— В чем значение программы для отрасли? В чем ее уникальность? Чем вы особенно гордитесь?

Прежде всего, был выбран верный подход. Мы не рассматривали только цифровую трансформацию, под которой многие до сих пор понимают внедрение новейших технологий. Мы с самого начала понимали, что для достижения столь значимых целей необходимы сначала трансформация операционной модели, ментальная трансформация и затем уже цифровая.

Что касается технологий, то на первом этапе программы использовано много типовых решений мирового класса. Но есть и уникальные решения. Например, имитационные модели рудников полностью разработаны у нас. Мы приглашали известные западные и российские компании, но у них не получилось. Нашли двух молодых российских специалистов, которые не знали, что это невозможно, и они сделали. Наша система имитационного моделирования защищена патентом РФ, это действительно уникальная разработка, которой можно гордиться.

— Неужели имитационное моделирование рудников нигде не практикуется?

Практикуется, но не так, как у нас. Мы хотели полностью автоматизировать контроль за выполнением плана горных работ. Для того чтобы это стало возможным, нам пришлось совместно с институтом «Гипроникель» потратить полтора года на разработку методологических документов, вникнуть в каждый из принципиальных элементов подземного горного дела. Описав всю логику процесса, мы ее оцифровали, выбрали платформу с нужным быстродействием и поддержкой специализированной базы данных и т. д.

В результате сегодня мы не берем в работу план, пока он не проверен на имитационной модели. А модель может, например, сказать, что на самом деле для реализации плана необходимо не 12 машин, а восемь. Соответственно, сокращаются расходы на закупку оборудования. По итогам первого этапа программы мы получили существенный экономический эффект, отказавшись от закупки 40 единиц дорогостоящей горной техники.

— Какие перспективы у «Технологического прорыва»?

Сегодня мы находимся на середине намеченного пути, а нашей конечной целью является безлюдный или, точнее, автономный рудник. По плану, к 2025 году добыча руды на шахте «Глубокая» рудника «Скалистый», на глубине 2-2,5 км, будет осуществляться в максимально автономном режиме.

Почему именно там? Во-первых, это очень глубоко, во-вторых, там очень высокая температура. Для работы людей на такой глубине необходимо обеспечивать воздух и кондиционировать его для снижения температуры. В безлюдном руднике люди перестанут спускаться в шахту, по крайней мере на то время, когда происходит сама добыча, подача воздуха будет минимизирована, техника станет электрической, автономной и дистанционно управляемой, будет реализована вентиляция по требованию. Есть множество новых задач и технологий, над которыми мы сейчас работаем, и, если мы это сделаем, добыча на астероиде перестанет быть фантазией.

Безлюдный рудник предъявляет совершенно иные требования к надежности. Так, для того чтобы обеспечить надежную передачу данных туда и обратно для управления таким агрегатом, как многотонный самосвал, нужны специализированные технологии, офисный wi-fi не годится. Мы сейчас испытываем на своих полигонах решения связи от ведущих мировых поставщиков.

И это только один пример. Процессы, связанные с автономностью, требуют новых знаний и компетенций как от бизнеса, так и от специалистов на местах. Значит, необходимо будет позаботиться о соответствующем обучении. Кроме того, понадобится выстроить правильные процессы взаимодействия с государственными органами, которые требуют определенных документов для организации такой работы.

И, конечно, здесь открывается обширное поле для применения самых передовых технологий обработки данных – анализа больших данных, машинного обучения, искусственного интеллекта. Мы уже начинаем применять многие из этих инструментов, выбирая оптимальные в зависимости от задачи. Появление базового слоя «цифры» дает возможность пытливым умам двигаться дальше. Например, если на обогатительной фабрике оцифрованы самые разнообразные данные, почему бы не поэкспериментировать с ними: построить систему-советчик для оптимизации технологического процесса, чтобы сделать его более безопасным, или более производительным, или более эффективным. На каждой из трех обогатительных фабрик компании такие работы ведутся, причем инициированы они людьми самых разных направлений – из ИТ, из департамента промышленных активов. Это тоже один из элементов движения к прорыву.

Университетский консорциум исследователей больших данных – ассоциация, объединяющая российские университеты, которые ведут фундаментальные и прикладные проекты в области аналитики больших данных. Одно из направлений деятельности консорциума – серия школ и образовательных интенсивов по обучению работе с данными, получившая название DataDiving.

О развитии университетских инициатив в области прикладного анализа больших данных и назначении проекта DataDiving рассказал Михаил Мягков, председатель правления ассоциации «Университетский консорциум исследователей больших данных» и номинант премии CDO Award 2021.

— Как появилась идея школ DataDiving?

Первую экспериментальную лабораторию по прикладному анализу больших данных мы основали на базе Томского государственного университета пять лет назад. Уже тогда было понятно, что количество данных, накапливаемых в мире, растет по экспоненте. А сейчас можно сказать, что вокруг нас – океан данных, который мы бороздим без карт, без подходящих кораблей и, главное, без четкого понимания целей и задач своего путешествия.

Серьезная проблема, и у нас, и на Западе – это колоссальный разрыв между гуманитарными и математическими научными областями в плане работы с данными. Очень мало проектов, в которых алгоритмы разрабатываются в кооперации социологов, политологов, психологов, математиков и предназначаются для решения конкретных задач общества и бизнеса. Это наследие общепринятого подхода к развитию науки, основанного на формировании обособленных дисциплинарных «кланов».

Но когда перед обществом встают серьезные вызовы, как это обстоит сейчас с данными, то возникает острая необходимость не просто в междисциплинарном сотрудничестве, а в таком подходе к организации проектов, когда для решения конкретной задачи собираются вместе все необходимые компетенции из самых разных областей.

Идея реализации такого подхода, который я называю «постдисциплинарным», лежала в основе организации Университетского консорциума исследователей больших данных. Решение подобных задач силами одних университетов было бы невозможно, поэтому ключевой составляющей нашего консорциума являются индустриальные партнеры. Консорциум был основан при активной поддержке компании «Крибрум», впоследствии к нам присоединились Megaputer Intelligence, Forecsys и другие. Мы создавали инфраструктуру для решения конкретных проблем, а не для абстрактных междисциплинарных исследований. Например, как данные помогут приемной комиссии привлечь более качественных абитуриентов? Как снизить отток квалифицированных кадров и удержать их в регионе? Как на базе анализа цифрового следа в социальных сетях увеличить уровень благотворительной активности? Или как на ранних стадиях распознать экстремизм и радикальные течения?

Основной целью консорциума является наполнение университетов командами (подчеркну это слово), способными решать конкретные задачи с помощью окружающего нас океана данных. Потому и родилась идея такого названия для образовательных инициатив – DataDiving. Мы «погружаем» людей в океан данных, чтобы они смогли найти и поднять на поверхность скрытые в нем «жемчужины».

— Наверняка у многих университетов – членов консорциума уже есть свои программы в области работы с данными. Этого недостаточно?

Да, у многих вузов есть такие программы. Но наша задача не в обучении конкретного человека по конкретному курсу. Посредством DataDiving мы создаем инфраструктуру единомышленников для совместной работы над актуальными проблемами.

Приведу пример. В начале пандемии у Министерства образования и науки РФ появился срочный запрос на выявление проблем при переводе образовательной среды на дистанционный формат. Для обработки всех тех данных, которые позволили бы дать релевантный ответ на эти вопросы, потребовалась бы крупная организация, целиком задействованная на таком проекте. Мы же в рамках консорциума распределили эти данные между 10 университетскими командами, которые одновременно включились в работу. Это позволило предоставлять ведомству актуальную картину происходящего практически в режиме реального времени. В университетской среде нет другой организации, способной осуществлять подобные проекты с такой скоростью и гибкостью.

— Как устроена школа DataDiving?

Мы создали своего рода конструктор для формирования школ прикладного анализа данных, из которого, как из кубиков LEGO, можно складывать программы, различающиеся по количеству учебных часов, тематическому фокусу, аудитории и т. д.

Так, одна из школ, прошедшая в декабре, состояла из трех основных частей. Первая – недельный пре-модуль в онлайне, на котором слушатели проходили теоретическую подготовку по основам анализа данных. Задача этой части программы – дать представление о том, как соотносятся между собой реальная жизнь, данные и модели, и показать, какие инструменты используются в анализе больших данных. Здесь важно сотрудничество с нашими партнерами из индустрии, которые безвозмездно предоставляют свои программные решения (например, платформу «Крибрум» для сбора данных из социальных медиа или систему Polyanalyst для текстовой аналитики) и помогают учить студентов.

Но самое интересное происходило в рамках второй части – очной сессии, на которой была дана путевка в жизнь конкретным проектам. В течение нескольких дней шла кропотливая работа с участниками школы, выбирались темы проектов, формировались команды. Здесь требовались не только технические и методические навыки – нужно быть еще немного психологом, а в чем-то и «свахой», потому что конечный успех школы зависит от вовлеченности людей, от их заинтересованности в результате проекта, способности работать в команде.

Что касается тем проектов, то их можем предлагать не только мы, но и сами участники. Иногда возникают совершенно неожиданные для нас темы. Например, недавно разрабатывалась задача использования анализа данных для предотвращения супружеского насилия. Выяснилось, что в обществе есть большая потребность в таких инструментах.

Финальная часть – сопровождение проектов. Мы помогаем найти правильных людей и собрать эффективные команды, чтобы инициированные в рамках школы проекты имели хорошие шансы на успешное развитие.

— Кто учится и кто учит в школах DataDiving?

Так как наше общество уже погружено в океан данных, то любой человек, которому в его работе может понадобиться анализ данных – наш потенциальный студент. Для примера, это могут быть социологи, технические специалисты, политологи, лингвисты, специалисты из некоммерческих благотворительных организаций или государственного управления.

Преподавателями выступают представители университетов – участников консорциума, а также эксперты со стороны индустриальных партнеров. Также в зависимости от задач программы мы можем приглашать наиболее значимых спикеров из бизнеса или научного сообщества. Главное – обеспечить проектную синергию, выстроить мост между академическими знаниями и реальной жизнью.

Обучение анализу больших данных в наших школах прошли уже более 600 человек из 15 регионов России. По итогам прошедших занятий уже реализовано более 10 проектов .

— Каким образом эти проекты учитывают потребности общества и бизнеса в анализе данных?

Инфраструктура, которую мы создаем на базе университетов, является инструментом для взаимодействия и с обществом, и с бизнесом. Наше активное участие в программе подготовки CDO (директоров по данным) – хорошая тому иллюстрация. Когда возникла задача обучить большое количество чиновников и представителей коммерческих структур проектной деятельности по работе с данными, выяснилось, что консорциум это может реализовать быстро и эффективно.

А без совместных проектов с бизнесом консорциум вообще был бы нежизнеспособен. Эффективность того, что мы делаем, должна измеряться тем, насколько мы активно и продуктивно сотрудничаем со средой за пределами университетов.

В качестве примера – мы участвуем в совместном проекте с компанией, которая экспортирует в Россию экзотические фрукты. Компетенции университетских центров прикладного анализа данных задействованы в решении задачи прогнозирования и контроля состояния товара на момент его поступления на полки магазинов на основе больших объемов данных об условиях сбора и транспортировки фруктов.

— У консорциума широкая география. Насколько ваши школы и проекты привязаны к региональной специфике, какой потенциал тиражирования этих инициатив?

Сегодня в консорциум входит около 30 университетов из разных городов и регионов: Томска, Архангельска, Якутска, Тольятти, Москвы (МГУ им. Ломоносова, НИУ ВШЭ), Чечни, Крыма и пр. Наша философия подразумевает активное участие вуза – члена консорциума в реализуемых инициативах и проектах. Томский госуниверситет выступает в роли координатора работ.

Широта охвата проекта зависит от его задач. Есть и региональные, но большинство имеют федеральный масштаб. Например, сейчас мы совместно с Центром перспективных управленческих решений (ЦПУР) развиваем инициированный в Томске проект по составлению динамического рейтинга качества жизни в регионах на основе различных официальных данных и цифрового следа человека.

— Какие перспективы у DataDiving?

У нас не может быть других перспектив, кроме как создавать все новые и новые инструменты для работы с океаном данных, которые позволят отвечать на различные вызовы и повысить качество жизни общества. Наша инициатива развивается очень успешно, создаются новые программы, многому учимся сами по ходу дела, поскольку здесь нет опыта, на который можно было бы опереться. Наш консорциум – уникальная организация не только для России, но и в мире. Мы научились быстро создавать новые образовательные программы под конкретные нужды, учимся все лучше координировать проектную деятельность, чтобы она давала успешные результаты. Мы рассчитываем стать флагманским кораблем флотилии в океане данных, при этом готовы продуктивно сотрудничать со всеми, кому это важно. У нас открытые данные, которыми мы безвозмездно делимся со всеми, кто в этом реально заинтересован.

— Что для вас самое сложное, а что – самое интересное в образовательных инициативах консорциума?

Я почти четверть века работаю в университетской среде в России и на Западе, и глубоко убежден, что развитие человеческого капитала – основная миссия университета. В этом я вижу и свою главную цель. Самое сложное в наших инициативах – найти и замотивировать людей, которые не просто отсидят учебные часы, а сделают запущенные в рамках школы проекты частью своей профессиональной жизни. Инициативных, активных, увлеченных людей пока не хватает. В наших школах мы работаем индивидуально с каждым, чтобы создавать продуктивные проектные команды. Это и самое трудное, и самое интересное.

Маржинальность — важный показатель эффективности основной деятельности компании, демонстрирующий разницу между выручкой от реализации продукта и понесенными затратами на его производство. В компании Tele2 контроль и анализ маржинальности являются одними из ключевых процессов для повышения эффективности бизнеса. Оператор выстроил единую комплексную систему управления маржинальностью.

О создании такой экосистемы, ее преимуществах и роли данных в этом проекте рассказывает Григорий Игумнов, руководитель направления по управлению маржинальностью бизнес-операций и контролю операционных проектов компании Tele2, ставший номинантом на премию CDO Award 2021.

- Каковы предпосылки внедрения единого процесса и платформы управления маржинальностью?

Телекоммуникационная индустрия сменила вектор своего развития с экстенсивного на интенсивный. Если на заре становления индустрии операторы связи стремились прежде всего к тому, чтобы привлечь как можно больше абонентов и увеличить свою выручку за счет количества потребителей услуг связи, то сейчас рост абонентской базы сильно замедлился, поскольку рынок телекоммуникационных услуг уже поделен между основными операторами. Это заставляет компании смещать стратегический фокус с увеличения количества абонентов на повышение доходности предлагаемых тарифов и услуг.

Понимая это, акционеры Tele2 поставили задачу детально проанализировать микросегменты, чтобы повысить рентабельность. Микросегменты бизнеса оператора связи — это абонент, тарифный план, услуга, B2B-клиент, точка продаж, сайт (сетевой инфраструктурный объект), роуминг-партнер и др. Вклад каждого из таких микросегментов в маржу оценивается отдельно. Мы должны были обеспечить возможность определять эффективность на уровне каждого микросегмента, находить утечки маржи и на основе этих данных принимать управленческие решения по повышению эффективности.

Анализом маржинальности мы занимались и раньше, однако технологии не позволяли делать это регулярно и с такой глубокой гранулярностью. Зачастую приходилось ограничиваться анализом показателей по крупным сегментам бизнеса или филиалу в целом. Предельный уровень детализации в нашей индустрии — это абонентская транзакция. Зная, какую выручку компания получает за каждую абонентскую транзакцию, а также имея возможность правильно относить на нее полный перечень затрат, можно вычислить маржинальность, агрегируя ее до любого микросегмента. Именно это и необходимо было реализовать на новой платформе.

Перед началом проекта мы провели несколько пилотов с различными интеграторами, тестируя программные решения, способные сформировать маржинальность на уровне микросегментов. Это были как промышленные инструменты, так и «самописные» продукты, разработанные для задач операторов связи. В результате подтвердились наши выводы о том, что такую аналитику действительно необходимо внедрять и развивать, а выбор был сделан в пользу решения SAP Customer Profitability Analytics (CPA).

- Такой комплексный подход к оценке маржинальности и использование анализа в качестве ключевого инструмента повышения эффективности характерны для всей отрасли или это «ноу-хау» Теlе2?

В телеком-отрасли принято анализировать показатели маржинальности в разрезе микросегментов. Но далеко не все это делают на регулярной основе. Более того, далеко не у всех есть единая, согласованная со всеми бизнес-подразделениями методика расчета показателей маржинальности: какие затраты включать, какие драйверы использовать для их распределения. Не у всех есть регулярные процессы, регламентирующие, в какие сроки формируется отчетность, как и когда проводится проверка качества данных и т. д. Очень часто такой анализ ограничивается ad-hoc-отчетом внутри бизнес-подразделений.

Мы в Tele2 первыми на рынке СНГ внедрили промышленную платформу по управлению эффективностью бизнеса SAP CPA и выстроили на ее основе единые процессы по управлению показателями маржинальности бизнеса.

- Что собой представляет процесс управления маржинальностью? Как вы его формировали?

Первым этапом проекта было создание единой методологии расчета показателей маржинальности по микросегментам, помогали нам в этом консультанты из компании Deloitte. Если раньше у разных аналитиков в зависимости от разных задач подход к расчетам мог значимо меняться, то теперь мы постарались его унифицировать, согласовать со всеми бизнес-подразделениями и сформировать единую методику.

Вторая задача процесса — это отчетность, то есть ее регулярное формирование с поддержкой различных регламентных процедур, в том числе контроля качества данных. Из них самая важная — проверка данных на сходимость с финансовой отчетностью (раньше, когда специалисты из подразделений занимались аналитикой разрозненно, такая сверка не всегда была возможна). Кроме того, результатом нашего проекта стала возможность интегрировать расчеты маржи по микросегментам в различные источники данных и использовать для их анализа разнообразный инструментарий (начиная от sql-запросов к витринам данных в корпоративных хранилищах и заканчивая аналитикой и публикацией отчетов с помощью инструментов self-service BI).

Третья задача — это регламентация процесса. Мы должны были договориться с бизнес-функциями о том, какие показатели маржинальности находятся в зоне их ответственности, как и с какой периодичностью мы проводим их анализ, находим утечки, как их устраняем, когда проводим постанализ и пр.

Результаты проекта стали одним из стимулов формирования функции управления данными в компании и основополагающим фактором создания функции Margin Assurance.

- Кто вовлечен в работу с данными в процессе контроля маржинальности? Какие изменения в работе этих сотрудников произошли в результате внедрения единой платформы?

Во-первых, это пользователи в региональных филиалах и макрорегионах. В прошлом году мы запустили процессы по контролю маржинальности объектов сети и торговых точек. Теперь сотрудники «на местах» понимают до деталей, из чего складывается экономика их филиала и на чем стоит в первую очередь фокусироваться. Во-вторых, это люди в корпоративном центре, отвечающие за развитие сегментов бизнеса (продукты, клиенты, каналы продаж и многое другое).

Теперь все коммерческие подразделения компании вовлечены в анализ показателей маржинальности, которые находятся в зоне их ответственности. Аналитики имеют доступ к системе, сами выгружают нужные данные и анализируют их. При этом есть функция Margin Assurance, сотрудники которой отвечают за регламентацию и поддержку этого процесса. Мы сопровождаем, обучаем пользователей, обсуждаем с ними, что получается, а что нет, но сам анализ и работа с его результатами лежат на бизнес-подразделениях.

- Какие источники данных вы используете? Какие в проекте были сложности с точки зрения работы с данными?

Одним из самых сложных этапов в проекте стали интеграция множества разрозненных источников данных и приведение их к единому формату модели управления маржинальностью TM Forum в SAP CPA.

Источниками в первую очередь послужили данные различных биллингов (абонентские, межоператорские), формирующие доходную составляющую. Но чтобы правильно и корректно посчитать маржу, требовалось включить в расчет данные по затратам. Поэтому были также интегрированы системы по взаиморасчету с контрагентами (дилерами, контент-провайдерами и др.), системы управленческой и финансовой отчетности и, в частности, реализована прямая интеграция данных из ERP.

Задача усложнялась тем, что эти многочисленные источники данных различались по архитектуре и модели, у них были разные сроки формирования отчетности и гранулярность.

- Что определило выбор продукта SAP для платформы управления маржинальностью?

Выбору предшествовали долгое изучение рынка, проведение нескольких пилотных проектов, кропотливая работа наших архитекторов. SAP CPA оказался единственным «коробочным» решением, в котором была заложена вся необходимая аналитика для сравнения различных паттернов поведения микросегментов. Система позволяет в базе с десятками миллионов абонентов в два клика «провалиться» до конкретного клиента, услуги, тарифа, понять, какая у них экономика, как они ведут себя по сравнению с остальными, выявить тенденции (рост или падение), определить, какие потенциальные проблемы с ними связаны. И такой анализ можно проводить, используя 100 различных атрибутов, заложенных в модели.

- Что подразумевает контроль качества данных в управлении маржинальностью?

Интегрируя множество источников данных с разными моделями хранения и регламентами управления данными, мы не могли не столкнуться с большим количеством проблем, связанных с качеством данных. Но для нас это не стало «ахиллесовой пятой». Мы, как люди, имеющие отношение к финансовой функции, умеем проверять цифры, поэтому разработали целую систему контроля качества и процедуры сверки на каждом этапе формирования данных. А на финише цифры сверяются с регламентной финансовой отчетностью. Во время закрытия очередного отчетного периода запускаются специальные автоматические процедуры проверки. Сотрудники службы поддержки получают отчеты по качеству, и если что-то идет не так, об этом оповещает специальное «красное» уведомление — сигнал для принятия мер.

- Каковы масштабы проекта? Сколько времени он занял, сколько пользователей охвачено, какие объемы данных анализируются?

Проект длился около двух лет, у платформы сейчас сотни пользователей. На данный момент реализованы регулярный трендовый анализ и контроль утечек маржинальности по всем ключевым микросегментам, количество транзакций измеряется миллиардами в каждый отчетный месяц. Для справки: только абонентов у Tele2 на конец 2019 года было порядка 44,6 млн.

- Платформа создана. Можете привести примеры, когда контроль маржинальности повлек за собой конкретные решения, способствующие росту эффективности бизнеса?

Финансовая функция теперь регулярно проводит поиск провалов маржинальности по микросегментам, результаты которого разбираются совместно с бизнес-функциями. Итогом стало реформирование ряда проектов. Например, удержание абонентов, инвестирование в капиталоемкие проекты, оценка нагрузки на сеть, корректировка условий для партнеров — все это теперь анализируется с учетом данных маржинальности.

Один из примеров: с конца 2013 года всем абонентам сотовых компаний России доступна услуга MNP (mobile number portability) — переход от одного оператора к другому с сохранением номера. Оператор-донор заранее знает, какой абонент подал заявку и хочет от него уйти, поэтому, как правило, предпринимает ряд мер по его удержанию. Теперь, зная маржу с детализацией до конкретного абонента, мы понимаем, что можем предложить абоненту, чтобы это, с одной стороны, было ему выгодно, а с другой — не оказало негативного эффекта на финансовый результат компании.

- Каков вклад проекта в трансформацию компании в сторону data-driven?

В результате создания единой экосистемы управления маржинальностью бизнес-операций стала совершенно прозрачной и понятной экономика каждого микросегмента.

Топ-менеджмент Tele2 получает не только отчетность по маржинальности, но и аналитические выводы, сделанные на основе таких данных, и это становится основой для data-driven-решений. Трансформация бизнес-аналитики позволила формировать отчет с едиными управленческими показателями, который обсуждается на еженедельном собрании нашей управляющей команды. На основе этих данных оцениваются операционные результаты и закладывается основа для будущих стратегических решений.

Руководители высшего звена получают ежемесячные рассылки с данными по маржинальности. В этих рассылках представлены как регулярные выводы, так и выводы, основанные на новых бизнес-инсайтах. Каждая такая рассылка позволяет не только оценивать текущее положение дел по результатам закрытого месяца, но и формировать план действий для дальнейшего повышения рентабельности бизнеса.

- Вы упомянули, что проект был одним из факторов создания функции управления данными в компании. А какое место сейчас занимает управление маржинальностью в стратегии Tele2 в области данных?

Да, действительно, невозможно консолидировать источники с миллиардами транзакций и обойти стороной вопрос управления данными.

Сейчас функция Margin Assurance выступает своеобразным полигоном для тестирования практик стратегии управления данными. Так было с формированием процедур по контролю качества данных. Так это происходит с проектом под названием «Школа аналитики», в котором мы участвуем совместно с функцией управления данными. Сотрудники нашего подразделения смогли трансформироваться из рядовых финансовых аналитиков (с базовыми знаниями таблиц excel, систем бюджетирования, ERP и т. д.) в специалистов, способных самостоятельно анализировать большие массивы данных, в том числе с помощью написания процедур и скриптов для выгрузки данных из корпоративных хранилищ, работать с self-service-инструментами и формировать BI-отчетность для сотрудников компании.

- Каковы планы по развитию платформы?

Сейчас мы развиваем внедренный функционал — в частности, запустили ряд процессов по углублению срезов маржинальности. Создаются отчеты с данными по маржинальности для отдельных направлений и сегментов бизнеса. В результате улучшается анализ тех направлений деятельности компании, где раньше применялись подходы с крайне приблизительными оценками.

Кроме того, мы находимся в постоянном контакте с командой разработки продукта CPA в офисе SAP в Германии, сообщаем им о выявленных проблемах, предлагаем новые функции, необходимые телеком-бизнесу. И мы друг друга очень хорошо слышим.

- Что для вас было самым интересным в проекте?

Во-первых, знакомство с новыми людьми, большими профессионалами как в ИТ-сфере (мы работали с несколькими подрядчиками), так и в бизнес-подразделениях Tele2.

Во-вторых, в компании, и особенно в финансовой функции, мы с большим вниманием и трепетом подходим к анализу данных, обнаружению узких мест, которые требуют совершенствования. До реализации проекта существующая отчетность давала возможность выявлять основные бизнес-инсайты, при этом не всегда хватало данных для более глубокой аналитики. Поэтому мы очень ждали первых результатов — отчетности по дилерам, точкам продаж, сайтам, тарифам и т. д., чтобы внимательно ее изучить, открыть для себя новые инсайты и с их помощью вместе с бизнесом улучшать процессы. Я очень рад, что наш проект помогает компании повышать свои результаты и становиться более эффективной.

- Какие итоги проекта вы считаете ключевыми?

Я считаю, что главным достижением проекта является тот факт, что бизнес-подразделения компании теперь говорят на одном языке данных, одинаково считают и оценивают рентабельность микросегментов в своих зонах ответственности. Мы научились лучше слышать и понимать друг друга, что в конечном итоге делает нашу компанию более конкурентоспособной и более привлекательной для наших клиентов.

Несмотря на усилия государства по стимулированию программ высшего образования в сфере ИТ, дефицит специалистов по данным не ослабевает. Исследователи данных, дата-инженеры и дата-аналитики требуются сегодня всем или почти всем. Компании, для которых перевод бизнеса в статус data-driven — не модный слоган, а жизненная необходимость, вынуждены взращивать таких специалистов собственными силами. Решая острый кадровый вопрос, они тем самым способствуют и росту зрелости российского профессионального сообщества в сфере работы с данными и аналитикой.

«МегаФон» — как раз из числа таких компаний. За последний год в ведущем телеком-операторе значительно расширена программа стажировок для студентов и выпускников вузов, созданы новые учебные программы для собственных сотрудников.

Леонид Черный, CDO «МегаФона» и номинант на премию CDO Award 2021, объясняет, почему такое обучение — обязательный элемент профессионального подхода к работе с данными и почему популяризации этого профессионализма пора выходить за рамки дата-сообщества.

— Программы стажировок для студентов, обучающие программы для сотрудников — какой общей идеей они объединены?

Эти программы содержат много общих идей. Это и повышение квалификации, и распространение знания, и общность подходов к решению задач. Если говорить о системном высшем образовании, то, конечно, оно предполагает получение огромного пласта теоретических знаний, однако каждая компания на рынке обладает своим, во многом уникальным подходом к рабочему процессу, к используемым инструментам и к организации данных в хранилищах. Не говоря уже о том, что в каждой компании решают свои, специфичные задачи, которые в принципе больше нигде не встречаются. И все эти задачи, инструментарии, данные существуют в рамках опять-таки уникальных бизнес-процессов.

— Обучение сотрудников в «МегаФоне» — это системная программа или отдельные курсы, отвечающие определенные болям компании с точки зрения нехватки компетенций?

Мы системно подходим к обучению сотрудников. Одна из наших задач как работодателя — сформировать для приходящих к нам специалистов определенную сферу компетенций, в развитие которой они должны вкладывать свои усилия. Ни один университет, работающий по утвержденным в прошлом методичкам, не сможет нам этого обеспечить. Мир меняется очень быстро, и бизнес прилагает фантастические усилия, для того чтобы успевать за изменениями, а еще лучше — возглавлять их. Один из механизмов образовательной работы — создание собственных обучающих центров внутри компании. У нас в «МегаФоне» есть МегаАкадемия, которая обеспечивает наилучшую доступность знаний для сотрудников на всей территории страны.

Число программ обучения только растет: сейчас в образовательном каталоге доступно более тысячи курсов, которые читают лучшие на рынке специалисты и наши собственные сотрудники. Любой человек, работающий в «МегаФоне», может зайти в этот каталог и выбрать необходимый ему курс. Любой руководитель, который испытывает необходимость в новых знаниях в своем подразделении, может выбрать курс для своей команды.

Кроме того, в образовательных программах мы сотрудничаем с Высшей школой менеджмента СпбГУ. Сейчас проходит обучение второго набора лаборатории «5G_Dream_lab», мы также планируем принимать активное участие в программе Master in Business Analytics and Big Data магистратуры ВШМ.

— Обучение в области данных и аналитики ориентировано только на профессионалов по данным? Или есть программы для сотрудников бизнес-подразделений, которым нужны определенные навыки в работе с данными?

У меня есть любимая история, которую я регулярно обсуждаю с коллегами и использую в выступлениях на конференциях. Когда я только пришел в компанию, я обошел всех руководителей, которые в принципе могли являться источниками или потребителями данных. Причем фокусировался на вторых. И приходил к ним с очень простым вопросом: что именно у вас «болит» и чем я могу помочь? Дальше оставалось только слушать и записывать, слушать и записывать. А потом разбирать записи, ранжировать и думать, что со всем этим «счастьем» делать. Одной из верхних строчек объединенного «списка наболевшего» была история про слишком долгое ожидание нетиповых отчетов и вообще всего нетипового. У нас в компании есть BI-системы, есть ненулевое количество обучающих программ, но с точки зрения бизнес-процесса некоторые элементы выглядели так: первое — заказать, второе — ждать. Это порочная система, и для того чтобы ее сломать, мы начали популяризацию идеи self-аналитики.

В «МегаФоне» создано одно из самых больших хранилищ структурированных данных, приближаемся к петабайту. Мы вкладываем в его развитие огромные усилия, знаем, как в этих хранилищах формируется каждый кусочек информации, что стоит за этими данными, какой у нас SLA на изменение, как мы проверяем качество. Пора было сделать следующий шаг — предложить коллегам обучение тому, как формировать для себя отчетность, используя доступный в компании инструментарий. По итогам 2020 года, механизмы self-service используют более 2 тыс. сотрудников, почти все — регулярно. И мы не собираемся останавливаться на достигнутом. Как я уже отметил, одна из ключевых ценностей обучения — это распространение знания.

— Существует ли в компании системный подход к формированию культуры работы с данными?

Формирование культуры работы с данными всегда системное, по-другому не получится. Если просто организовать «болото данных» и сказать сотрудникам: «Кладите свои данные сюда, отсюда же и берите, что вам надо», — вы получите серию негативных эффектов, в том числе с точки зрения влияния на операционную эффективность.

Для начала необходимо понять, какой результат мы хотим получить в итоге и зачем мы хотим получить именно такой. В свою очередь, процесс получения результата декомпозируется на шаги, которые необходимо выполнить. Затем определяем необходимые затраты на каждый из этих шагов и оцениваем их применимость в рамках существующих в компании бизнес-процессов, смотрим, что может стать так называемым quick win. Если что-то необходимо поменять в компании, в нашей дорожной карте — меняем. Если где-то надо показать эффект — показываем. Очень похоже на продуктовый подход, только не для создания продукта, а для создания культуры. Чтобы все заинтересованные стороны увидели, что это хорошо и правильно, и начали применять.

И конечно, необходимо рассказывать о том, что уже сделано, что происходит, чего удалось достигнуть на всех уровнях взаимодействия. Внутренний PR — очень важная составляющая как для формирования знания, так и для выстраивания культуры. Но часто ее недооценивают.

— Кто выступает преподавателями курсов, наставниками стажеров? Хватает ли вам таких кадров?

Это наши коллеги — экспертное сообщество, которое мы создаем внутри «МегаФона», которое любим, развиваем, холим и лелеем. Таких людей всегда не хватает, сколько бы их ни было. К работе с данными сейчас проявляют огромный интерес и образовательные учреждения, и организаторы разных мероприятий. И мы, насколько можем, стараемся этот интерес удовлетворить.

— Мотивированы ли сотрудники проходить обучение?

Мы живем в эпоху, когда цифровая гибкость, цифровые навыки являются значимым преимуществом. Остается все меньше профессий и сфер деятельности, доступных тем, кто не развивается не только в своей профессиональной области, но и в смежных, прежде всего цифровых областях. Сейчас уже моветон спрашивать у кандидатов, знают ли они Word или Excel. Но компании все чаще ищут претендентов со знаниями SQL и умением работать с BI-системами. И это нормально, потому что мы видим глобальный тренд на автоматизацию и алгоритмизацию процессов. И тот, кто хочет претендовать на более высокую позицию, более высокую зарплату, должен показывать лучшую производительность, а это невозможно без знаний и умений.

Люди это понимают очень хорошо. В современном мире темп жизни и бизнеса все время ускоряется. И для того чтобы оставаться на месте, надо бежать в два раза быстрее. Компании хотят от сотрудников больше. Получается двунаправленное движение к общим целям — по эффективности, скорости, достижению результата.

— Стажировки для студентов предлагают многие компании. В чем уникальность ваших? Почему, например, будущий data scientist должен выбрать стажировку в «МегаФоне», а не в «Яндексе»?

Это очень простой вопрос. Будущий data scientist никому ничего не должен. Наша компания прикладывает максимум усилий, чтобы заинтересовать кандидатов — масштабом задач, объемом работы, возможностью влиять на жизнь огромного количества людей, приносить пользу, развиваться, будучи на переднем крае технологий. При этом у нас довольно жесткий отбор. И те, кто его проходит, попадают в центр нашего внимания.

Наша уникальность в том, что задания, над которыми работают студенты и аспиранты, — это не набор задач, специально отобранных по принципу «наименьшего вреда», а реальные, боевые задачи, результат решения которых можно очень быстро увидеть в продуктиве.

За последний год-полтора на наши стажерские программы приходили студенты почти всех крупных технических высших учебных заведений. МФТИ, мехмат и факультет ВМиК МГУ, МГТУ им. Баумана, Высшая школа экономики, ИТМО, СПбГУ, УрФУ можно смело считать ключевыми кузницами кадров для работы в области больших данных. Также в последнее время к нам стали приходить выпускники «Сколково».

Сегодня студенты старших курсов видят в стажировках возможность получить практические знания и опыт и сами изыскивают способы попасть в компании, которые такую практику предлагают. Поэтому доступность информации о том, как устроена работа в компании, какие технологии используются, какие решаются задачи, становится ключевым фактором выбора места, где проходить стажировку и в дальнейшем работать.

— Как изменяются программы обучения, стажировок? Что является стимулом для их развития: появление новых задач в компании, новые технологии, потребность в новых компетенциях сотрудников?

Индустрия движется вперед очень быстро. Постоянно появляется новый инструментарий, развиваются новые подходы, меняется технологический стек. Образовательные инициативы должны быть впереди этого движения или по крайней мере идти вровень. Нельзя учить людей прошлому, на это тратятся усилия и время, а эффект не очень велик. Те учебные программы, которые разрабатываются моими коллегами, модифицируются в процессе обучения, и это нормально. Никто не хочет в 2020 году быть рудиментом прошлого с точки зрения знаний.

— И всё-таки — на что направлены эти инициативы в первую очередь: на решение кадровых задач компании или на развитие рынка специалистов по данным?

Если вам кто-нибудь скажет, что, занявшись системной организацией стажерских программ, компания не ставит перед собой задачу решать кадровую проблему, — не верьте этому человеку. За последние три года (да, наверное, правильно считать началом бума 2017–2018 годы) невероятно вырос спрос на специалистов по работе с данными. Прежде всего это связано с тем, что большое количество компаний из абсолютно разных индустрий стали реализовывать программы цифровизации и цифровой трансформации, что, в свою очередь, привело к дефициту специалистов.

Возникла специфическая ситуация: постоянно растущий спрос и стабильное количество специалистов на рынке. Причем я говорю не только и не столько про специалистов по машинному обучению. Прежде всего я имею в виду дата-инженеров, архитекторов, ETL-разработчиков, специалистов по BI. Произошла индустриализация профессии: то, что раньше расценивалось как признаки «гика», стало новой нормой. Раньше невозможно было представить, что конкурировать за кадры в отдельном сегменте информационных технологий будут не только ИТ-компании, но и компании из банковского сектора, телекома, нефтедобычи и ретейла. А сейчас всем этим отраслям, и не только им, приходится жить в состоянии острой конкуренции.

— Как трансформировались ваши учебные программы в 2020 году в условиях пандемии? Что из кризисного опыта вы возьмете на вооружение в «нормальной» жизни?

Поменялось немногое. Мы изначально делали ставку на онлайн. «МегаФон» — компания федерального уровня не только с точки зрения предоставления сервиса, но и с точки зрения географического распределения наших экспертов. Моя команда физически находится в разных регионах страны: Владивосток, Новосибирск, Екатеринбург, Краснодар, Ростов-на-Дону, Санкт-Петербург, Нижний Новгород. И это далеко не полный перечень городов присутствия. И конечно, в реальном мире мы использовали наше локальное присутствие для связи с региональными образовательными центрами. Но на уровне внутреннего обучения онлайн — наше все! И в тот момент, когда мир неожиданно для самого себя стал цифровым, а все образование и обучение — дистанционным, мы уже были готовы.

Из интересных открытий 2020-го могу отметить следующее: умение выступать вживую и умение выступать онлайн — это два принципиально отличающихся набора навыков. Я люблю и, как мне кажется, умею выступать перед живой аудиторией. В процессе рассказа ты видишь глаза людей, отмечаешь их реакцию на свои слова, можешь передвигаться по сцене, подстраивая механику передвижения и артикуляцию под материал, получаешь обратную связь из зала… Это сильно отличается от выступления перед экраном компьютера. И обратная история: в тот момент, когда формат вебинара превращается в привычную среду проведения обучения или чтения лекции, становится значительно сложнее выйти к людям на расстояние вытянутой руки и чувствовать себя при этом свободно.

Раньше мы вкладывали очень много усилий, чтобы научить наших экспертов выступать перед живой аудиторией, а в 2020 году поменяли вектор и стали учить их выступать перед камерой, перед экраном компьютера. Это было очень интересно, хотя все равно хочется видеть живых людей в зале.

— Про будущее. Планируются ли другие, принципиально новые инициативы в области популяризации профессиональной работы с данными?

По моему глубокому убеждению, популяризация работы с данными в профессиональном сообществе и в рамках образовательных программ — очень важное, но далеко не единственное направление деятельности. Критически важно выходить за пределы устоявшегося сообщества и рассказывать миру о том, что такое данные и что такое качество данных, как устроена работа с данными в компаниях-лидерах и какие возможности для общества и бизнеса в этом заложены, в чем польза data-driven-подхода по сравнению с традиционным. Надо планомерно заниматься евангелизмом профессиональной работы с данными.

Движение в сторону цифровой трансформации, которое сейчас происходит в бизнесе, по большому счету направлено на достижение нескольких побед. Во-первых, обеспечить автоматизацию и алгоритмизацию рутинных процедур; во-вторых, предоставить максимальное (но в пределах разумного) количество инструментов для принятия решений, базирующихся на данных; и в-третьих — создать новые возможности для бизнеса.

Работа с данными является необходимой предпосылкой для каждого из этих направлений. На мой взгляд, неоспоримым является утверждение о том, что качество принимаемых решений напрямую зависит от качества данных, которые предоставлены бизнесу. От интерпретации данных — тоже. Однако именно обеспечение качества — один из столпов всего процесса работы с данными. Если есть данные, процессы обеспечения их качества, инструменты для построения наборов аналитик на данных, то открываются возможности для создания новых продуктов, новых бизнес-моделей и новых, эффективных процессов работы.

Но для того, чтобы это стало нормой, необходимо рассказывать о том, что это достижимо, что в эту сторону надо смотреть, думать, двигаться. Нужно рассказывать об этом на митапах, бизнес-завтраках, клиентских встречах — везде, где только можно и куда зовут. Популяризация подходов работы с данными, инженерии, построенной на данных и взаимодействий на основе данных, — это то, чем необходимо заниматься.

«Газпром нефть» — один из лидеров цифровой трансформации в нашей стране. Мы постоянно слышим о достижениях компании во внедрении передовых цифровых решений в разные направления бизнеса. Понятно, что без серьезной работы с данными такие прорывы были бы невозможны. Но разрозненных проектов по созданию хранилищ и аналитике данных уже недостаточно. С мая 2019 года в «Газпром нефти» функционирует общекорпоративная структура по управлению данными, которая закладывает фундамент для всех инициатив цифровой трансформации компании.

Наталья Третьякова, руководитель функции «Управление данными» в компании «Газпром нефть» и номинант премии CDO Award 2021, рассказывает о масштабном проекте выстраивания корпоративной функции управления данными: как это начиналось, к чему пришли сегодня и какие задачи стоят на ближайшее будущее.

Данные в основе цифровой трансформации

— Каковы предпосылки для создания функции «Управление данными» в «Газпром нефти»? С чего вы начинали?

Одной из главных предпосылок стало создание стратегии цифровой трансформации компании. В 2018 году в «Газпром нефти» начались глубокие преобразования, направленные на повышение уровня зрелости как базовых ИТ-процессов, так и процессов получения ценности на основе данных. В бизнес-подразделениях полностью осознали, что без нового подхода к работе с данными цифровая трансформация неосуществима, и возник комплексный запрос на выстраивание процессов управления данными.

Перед нами стояли задачи формирования методологии, выстраивания процессов и встраивания их в регулярную деятельность подразделений для обеспечения максимальной ценности от использования данных. Также требовалась реализация инструментальной поддержки при помощи внедрения платформы управления данными, формирование нового семейства центров компетенций и широкомасштабное обучение.

Совместно с компанией McKinsey нами был реализован проект по формированию концептуальной модели управления данными. В результате были определены ключевые принципы, цели и задачи функции управления данными, основные КПЭ, определяющие ее эффективность, процессная и организационная модели, необходимые компетенции и инструментарий.

С точки зрения приоритетов в первую очередь необходимо было обеспечить прозрачный и быстрый доступ к качественным данным для бизнес-пользователей. В компании огромный объем информации, которая хранится и обрабатывается в более чем тысяче бизнес-систем. Пока система работы с данными настраивается, информация еще существенно разрозненна, что затрудняет оперативный анализ и принятие решений на ее основе. Работы по интеграции данных и активное строительство корпоративного хранилища дают первые результаты. Раньше в отсутствие централизованной точки доступа каждый пользователь вынужден был запрашивать права на чтение данных владельцев отдельных бизнес-систем, что сильно ограничивало возможности работы с данными. В настоящее время реализуется доменная модель организации доступа к данным, которая существенно продвинет компанию в области демократизации данных и ускорения процессов их обработки. Кроме того, мы уделяем особое внимание таким направлениям деятельности, как повышение уровня доверия к данным за счет увеличения их качества, а также формирование ответственности за данные.

— Какое место занимает функция «Управление данными» в оргструктуре компании?

Мы активно сотрудничаем с ИТ-кластером компании и ее подразделением цифровой трансформации. Разрабатывая с McKinsey концепцию управления данными, мы рассматривали различные варианты расположения нашей функции в организационной структуре и сочли наиболее удачной модель, в соответствии с которой функция войдет в состав подразделения, ответственного за вопросы экономики и финансов, поскольку в нем уже накоплен серьезный опыт работы с данными, а сотрудники имеют хорошее представление о потребностях в данных других подразделений.

— В «Газпром нефти» работа по управлению данными на уровне подразделений уже ведется. Например, лауреатом премии CDO Award 2020 в номинации «За обеспечение качества данных» стал Иван Черницын, руководитель Центра аналитических решений Дирекции региональных продаж. Каким образом вы, строя глобальную корпоративную функцию «Управление данными», учитываете наличие таких процессов, разный уровень зрелости подразделений с точки зрения работы с данными?

Компания реализует федеративную модель управления данными: определенные задачи решаются на уровне корпоративного центра, и есть направления, которые развиваются в дочерних подразделениях, а затем их лучшие практики тиражируются на всю компанию.

В «Газпром нефти» создана специальная система коллегиальных органов, которая унифицирует и оптимизирует процессы управления данными в разных подразделениях. Управляющий совет по данным определяет стратегию в области управления данными, приоритизирует задачи в рамках реализации дорожной карты, принимает наиболее важные решения по развитию функции. Экспертный совет призван решать прежде всего вопросы методологии, выявлять лучшие практики для их дальнейшего тиражирования. Технический совет отвечает за выбор ИТ-инструментов, обеспечивая целостность архитектуры управления данными, и регулирует, какие технологические решения реализуются на уровне корпоративного центра, а какие можно эффективно воплотить в жизнь на уровне бизнес-подразделений.

На корпоративном уровне сосредоточены процессы data governance, в частности управление бизнес-глоссарием и каталогом данных. Мы создаем нашу википедию по данным компании, так называемый единый источник правды о данных. В рамках развития платформ на корпоративный уровень поднимаются также отдельные решения, реализованные бизнес-блоками, что позволяет быстрее и эффективнее их использовать для оптимизации процессов на уровне всей компании.

Вначале — методология

— Как формировалась методология управления данными?

Мы начали с методологии, потому что понимали, что пока не будет сформирована модель процессов и детально проработаны артефакты управления данными, тиражирование в рамках компании невозможно. Первым шагом стала разработка процессной модели, в основе которой лежат свод знаний по управлению данными DAMA DMBoK и лучшие практики передовых компаний России и мира. Затем мы конкретизировали ее с помощью так называемых кратких руководств, определяющих порядок процессов и роли в них. Следующим шагом стало формирование детальных стандартов и регламентов, являющихся базисом методологии.

Создание методологии идет параллельно с разработкой корпоративной системы управления данными. Задача состоит в том, чтобы сначала описать целевой процесс, а затем найти инструмент, который обеспечит его гибкую реализацию. Многие действуют в обратном порядке: выбирают коробочное решение и под него настраивают процессы. Наш путь более сложный, но более правильный, мы под методологию настраиваем инструменты.

— Какие процессы управления данными у вас есть?

Процессная модель включает в себя семь блоков процессов. Первый процесс — организация управления данными, в основе которой лежит доменная модель. Домены данных — это предметные области работы с данными, определяющие границы ответственности за данные. Процесс организации управления данными описывает ключевые роли, такие как ответственный за домен, администратор домена, бизнес-эксперт. Кроме того, в рамках данного процесса детально описывается, как формируется спрос на данные в домене.

Следующий блок процессов — управление структурными элементами данных, включающий такие ключевые направления, как управление архитектурой данных, управление НСИ, управление репозиторием метаданных.

Блок управления жизненным циклом данных описывает все, что касается движения данных во времени, включая определение требований к регламентным срокам поставки и интеграции данных.

В отдельный блок выделен процесс управления неструктурированной информацией, в его рамках успешно реализован проект корпоративного поиска и анализа контента. Корпоративный поиск очень востребован, с его помощью более 17 тыс. сотрудников получают доступ к более чем 6,5 млн документов.

Следующий и один из наиболее важных составных элементов модели — процесс управления качеством данных, обеспечивающий доверие к данным бизнес-пользователей.

Процесс управления хранилищем и BI и продвинутая аналитика логично завершают процессную модель и формируют основную ценность принятия решений на основе данных.

— В каком статусе находятся процессы: описаны, реализованы?

Практически все процессы функционируют. Их внедрение в операционную деятельность происходит поэтапно. Мы определили пилотные домены данных, где внедрили процессы в первую очередь. Для этого была сформирована целостная программа управления данными, включающая семь проектов, охватывающих девять пилотных доменов. Три домена связаны с коммерческой деятельностью по сбыту нефтепродуктов; четыре домена покрывают процессы текущего и капитального ремонта скважин и интегрированного планирования добычи нефти, добычу на шельфовых активах; домены производственной безопасности и управления персоналом относятся к общекорпоративным функциям.

В настоящий момент мы получили результаты по пилотным проектам и начали масштабировать их на домены так называемой второй волны.

— Какие выводы были сделаны по результатам пилотной программы?

На пилотных доменах мы сформировали ключевые артефакты управления данными, научились выявлять и определять спрос бизнеса на данные и даже научились иногда данные бизнесу «продавать» (показывать ценность на реальных кейсах и задачах). По итогам проделанной работы мы поняли, что, во-первых, успех управления данными в огромной степени зависит от уровня зрелости бизнес-подразделения, а во-вторых, этот уровень изменяется со временем. Не только мы нарабатываем опыт как функция управления данными, но и в подразделениях, которые участвуют в пилоте, существенно растет уровень понимания значения данных и процессов работы с ними.

Поэтому основную задачу мы видим в том, чтобы повысить уровень зрелости бизнеса в отношении данных. Если у бизнеса есть осознанный запрос на данные, все остальное — дело техники.

— Организационная модель функции «Управление данными» — в чем ее задача?

Организационная модель определяет взаимодействие между бизнес-подразделениями, функцией управления данными и ИТ-кластером: три больших блока, в каждом из которых требовались определенные преобразования с точки зрения выполняемых функций. В бизнес-подразделениях появились новые роли: ответственные за данные, администраторы доменов и т. д. Со стороны управления данными сформирован целый набор функций, реализованных либо в качестве сервисов, либо в рамках проектной деятельности. Организована совместная работа с коллегами из цифровых и ИТ-подразделений, которые помогают нам в развитии инструментов управления данными.

Организационная модель также описывает, как формируется команда внутри функции управления данными — на уровне корпоративного центра и на уровне основных бизнес-подразделений, каким образом реализуется кросс-функциональное взаимодействие специалистов, как обеспечиваются накопление и развитие компетенций.

— Какое обучение и для кого потребовалось при формировании функции «Управление данными»?

По обучению у нас идет очень активная работа. Совместно с Высшей школой экономики мы разработали модуль по управлению данными в рамках образовательной программы по цифровой трансформации для топ-менеджеров. Нам удалось собрать сильную команду спикеров — экспертов рынка, в том числе я сама с удовольствием приняла участие в этой программе в качестве спикера. В следующем году этот курс может стать доступным для менеджеров других компаний.

Кроме того, сформированы различные программы внутреннего обучения. Сотрудники функции управления данными (более 170 человек) уже прошли как минимум один тренинг по инструментам, в настоящий момент идет обучение в части методологии и сертификация ключевых сотрудников функции по DAMA DMBoK.

В этом году мы планируем запустить программу для бизнес-пользователей — Школу аналитики в рамках факультета цифровой трансформации корпоративного университета «Газпром нефти». Это входит в план работ кафедры управления данными и бизнес-аналитики, созданной в 2020 году. Кроме того, для сотрудников бизнес-подразделений, которые занимаются работой с данными, создаются видеокурсы по различным компонентам управления данными, которые станут обязательными элементами программ корпоративного университета.

«В 2018 году в "Газпром нефти" начались глубокие преобразования, направленные на повышение уровня зрелости как базовых ИТ-процессов, так и процессов получения ценности на основе данных. В бизнес-подразделениях полностью осознали, что без нового подхода к работе с данными цифровая трансформация неосуществима, и возник комплексный запрос на выстраивание процессов управления данными»

Платформа управления данными

— Ваша корпоративная платформа управления данными называется Reporting HelpDesk (RHD). Всего лишь HelpDesk? Не принижает ли такое название значимость решения?

Да, мы тоже поняли, что переименование назрело. Проект начинался два года назад с сервиса отчетности, но сейчас это уже полноценная платформа управления данными, интегрирующая множество инструментов. Очевидно, что название не отражает масштаба решения.

— Какие задачи решает платформа, из каких блоков она состоит?

Фронтенд платформы — это бизнес-глоссарий, построенный на базе системы Alteryx. Основная цель глоссария — реализовать процесс know your data, обеспечить прозрачность всех данных, которые есть в компании. Решение представляет собой комплексный каталог, который наполняется данными по доменам, поддерживает внутренние потоки работ по сбору и описанию данных, делает доступной информацию по их уровню качества. Предполагается также интеграция с внутренним порталом для сотрудников, что позволит распространять методологическую информацию по управлению данными по всей компании, а также сделает доступным процесс заказа дата-сервисов.

Бизнес-глоссарий интегрирован с каталогом технических метаданных на базе решения Informatica Enterprise Data Catalog, благодаря чему в бизнес-глоссарии отображаются потоки данных (data lineage) и процесс трансформации данных.

Отдельный блок платформы представлен инструментом оценки качества данных, реализованным с помощью Informatica Data Quality. Оценка качества интегрирована с общекорпоративным журналом результатов проверок качества данных, который, в свою очередь, передает информацию о зафиксированных нарушениях правил качества в корпоративную платформу управления инцидентами. В рамках этого компонента платформы выполняются процессы управления инцидентами и управления проблемами качества данных.

Функции бизнес- и продвинутой аналитики реализуются с использованием инструментов SelfService BI на базе Qlik с возможностью доступа к данным через каталог, обеспечивают формирование дашбордов, генерацию отчетности по запросу и т. д.

Платформа интегрируется с корпоративной системой управления НСИ на базе «1С», а также с корпоративным поиском, который, в свою очередь, позволяет обрабатывать неструктурированные метаданные.

Таким образом, в рамках реализации проекта RHD мы развиваем платформу, представляющую собой комплексную систему управления данными.

— Есть ли уже примеры того, как использование бизнес-глоссария — «узнавание своих данных» — стимулировало бизнес на новый аналитический проект?

Конечно. Например, описание данных в домене коммерческой деятельности позволило существенно повысить эффективность реализации нефтепродуктов за счет получения оперативной и достоверной информации в части детализации по контрагентам, каналам продаж и т. д.

В домене производственной безопасности с использованием сервисов цифровой платформы (PaaS) «Газпром нефти» по интеграции и анализу данных реализуются инструменты для анализа барьеров безопасности. Барьер безопасности — это информация о том, где может быть нарушено правило безопасности, к чему это приведет, как этого можно избежать. Описание барьера с помощью данных и визуализации в дашбордах позволяет максимально приблизиться к автоматизированной системе предотвращения происшествий.

Все внимание — качеству

— Важный процесс управления данными — обеспечение их качества. У вас есть реестр бизнес-правил, которые переводятся в реестр технических правил качества данных. Как это делается и что дает?

С помощью бизнес-правила описывается требование бизнеса к элементу данных. Например, сотруднику Блока производственной безопасности необходимо предоставить информацию по номерам транспортных средств, которые выезжают на нефтепромысел, с детализацией по времени, чтобы можно было отследить нарушителей. На языке бизнеса требования сформулированы следующим образом: для поля «номер автотранспортного средства» должна быть доступна информация в разрезе времени, когда транспортное средство работало на месторождении. Затем эта информация переводится в язык технических правил при помощи Informatica DQ, то есть создается код технической проверки на наличие в данном поле данной информации. Благодаря процессу мониторинга качества данных мы можем отследить, когда была проведена проверка этих данных, сколько инцидентов выявлено на определенном датасете, в какой период времени произошли инциденты и т. д.

— Использование процессов управления инцидентами и проблемами в качестве данных — ваше ноу-хау или это распространенный подход?

Это классическая реализация процесса качества данных. Сначала необходимо найти инциденты, то есть нарушения качества, затем — понять, кто их может устранить, то есть определить производителей данных, ответственных за их состояние. И после этого обеспечить решение инцидента, иначе уровень качества останется неизменным. Не могу сказать, что внедрение такого подхода идет легко. В каждом отдельном домене разработка планов по повышению качества данных имеет свои особенности. Основная задача — определить, что можно сделать для того, чтобы повысить качество приоритетных для бизнеса элементов данных.

— В компании огромное количество источников данных. Какие из них создают наибольшие сложности?

Я бы прежде всего назвала ландшафт SAP: он у нас достаточно сложный, с жесткими условиями по интеграции, что создает дополнительные требования и условия для внедрения инструментов управления данными. Например, необходимы специальные коннекторы, чтобы считывать метаданные. Это непростая задача, но мы нашли подход к ее решению и сейчас уже хорошо понимаем, как работать с метаданными для этих систем.

Второй по масштабу ландшафт в компании представлен платформой «1С», для которой нет типовых решений от вендора по сбору метаданных, поэтому также требуется разрабатывать индивидуальный подход.

Достаточно большое количество источников данных в компании представлено MES-системами, для них мы только начинаем прорабатывать вопросы управления данными. Действительно, источников данных в компании множество, между ними много различий, и каждая группа систем требует своего подхода.

— А каков вклад бизнес-пользователей в обеспечение качества данных?

Появилась новая роль — ответственный за данные. Матрица ответственности за данные — отдельный артефакт качества данных, в котором отмечено, что за определенные данные в этом дочернем обществе отвечает конкретный сотрудник. И это очень важная история, потому что процесс управления инцидентами качества привязан именно к ответственному за данные: он совместно с аналитиком по качеству данных разбирается с инцидентами, может оперативно получать информацию, а если есть причины для недовольства его работой с данными, то делает выводы и оперативно принимает меры по повышению качества данных.

— С другой стороны, у бизнес-пользователей есть возможность самостоятельно строить аналитические приложения — SelfService BI. Насколько широко применяется этот механизм?

В подразделении, которое отвечает за логистику, переработку и сбыт продукции, инструменты SelfService BI подключены к хранилищу, и пользователи получили возможность из портала работать с разнообразными датасетами. Сейчас мы занимаемся донасыщением источников данных для SelfService BI в рамках интеграции с корпоративной платформой анализа данных, а также SAP BW, интегрируя огромный объем самых критичных для бизнеса данных.

— Можно ли сказать, что в результате ваших усилий по внедрению управления данными существенно расширился круг людей в компании, которые работают с данными, получают от них эффект и несут за них ответственность?

Безусловно, это так. Прежде всего в пилотных доменах.

Первые итоги и большие планы

— Каковы результаты вашего проекта на данный момент? Дает ли функция «Управление данными» экономический эффект?

Экономический эффект, безусловно, есть. Уровень экономической эффективности, достижение которого обеспечивает программа по управлению данными, сравним с показателями эффективности других инвестиционных проектов компании.

Главный результат — функция «Управление данными» участвует в формировании фундаментальных процессов в рамках цифровой трансформации «Газпром нефти». Первый год реализации стратегии цифровой трансформации обеспечил компании 7,2 млрд рублей экономического эффекта, в этом есть и наш вклад.

Но впереди у нас большой путь. По каждому из ключевых направлений программы по управлению данными (методология, инструменты, внедрение в регулярную операционную деятельность бизнес-подразделений, коммуникации и обучение) реализуется дорожная карта. Масштаб работ огромный, поскольку компания большая и диверсифицированная. Мы рассчитываем на то, что активное внедрение технологических инструментов позволит в ближайшее время осуществить прорыв в масштабировании функции «Управление данными».

— Каковы сроки реализации дорожной карты?

Около 40% доменов данных будут охвачены функцией «Управление данными» до конца 2021 года, а 100-процентное покрытие ожидается к 2023 году.

— Насколько важен для отрасли ваш опыт в управлении данными?

Пока уровень развития управления данными существенно выше в банках и в розничной торговле. Промышленность только начинает двигаться в этом направлении. Мы обмениваемся опытом с большим количеством производственных компаний, также переосмысливаем наработки финансовой отрасли и ретейла, чтобы применить их в своей практике. Так что в определенном смысле мы — одни из первопроходцев.

Создание аналитических продуктов на базе накопленного пула больших данных  —  одно из ключевых направлений стратегии цифровой трансформации Х5 Retail Group. Большинство инициатив на основе больших данных ставят целью оптимизацию собственных бизнес-процессов  компании:  улучшение промо, планирование ассортимента, повышение эффективности ценообразования. Алгоритмы становятся элементом  data-driven-культуры  Х5, когда все решения принимаются на основе данных и продвинутой аналитики.

Но развивается и разработка цифровых сервисов на основе больших данных для внешнего рынка. В этом году был сделан серьезный шаг в этом направлении  —  выпущена платформа Dialog X5, которая объединяет аналитические продукты, предназначенные для поставщиков X5 Retail Group.

О возможностях Dialog X5, ее роли во взаимодействии ретейлера со своими партнерами, первых результатах и перспективах монетизации рассказывает Дмитрий Прусов, директор департамента продаж продуктов больших данных X5 Retail Group и номинант премии CDO Award 2021 .

— Как появилась идея создания платформы?

В конце прошлого года мы запустили аналитический портал, который позволяет поставщикам в режиме 24х7 оценивать различные показатели, влияющие на продажи их продукции. Востребованность этого решения подтолкнула нас к мысли объединить на одной цифровой площадке все сервисы X5 для поставщиков и партнеров, предоставив им удобный цифровой канал взаимодействия с торговыми сетями Х5.

Платформа Dialog X5, выпущенная осенью этого года, на данный момент состоит из четырех модулей, но в перспективе на нее мигрируют все решения, разработанные в X5 для поставщиков и партнеров. Пройдя один раз авторизацию, пользователь будет иметь доступ ко всем данным и аналитике, необходимым для решения его бизнес-задач.  Фактически  мы создаем удобное, многофункциональное рабочее место аналитика, аккаунт-менеджера и других ключевых специалистов компании-поставщика. Пользователи получают аналитические продукты с возможностью генерации отчетов с нужной степенью детализации для принятия управленческих решений и улучшения взаимодействия между торговой сетью и производителем.

— Что принципиально новое привносит Dialog X5 во взаимодействие ретейлера с поставщиками?

Это взаимодействие по максимуму переводится «в цифру». Платформа предоставляет единую точку доступа ко всему многообразию сервисов для  существующих  и  будущих поставщиков  X5. Если раньше нашим партнерам приходилось держать в голове, что разные бизнес-процессы привязаны к разным окнам, то сейчас мы предлагаем подобие МФЦ с единым окном для всех процессов взаимодействия с  Х5 —  от логистики до анализа потребительской корзины, сбора аналитики по сегментам для запуска своей новинки и  т. д. 

А для самой X5 платформа обеспечивает прозрачную модель взаимодействия с поставщиками, реализует единую систему контроля этого взаимодействия и упрощает внедрение новых инициатив. Мы разработали общие руководства и способы  авторизации таким образом,  чтобы любая бизнес-функция внутри компании могла при желании без проблем интегрировать свои задачи в Dialog X5.

— С какими данными работает платформа?

Это транзакционные данные, данные программ лояльности для построения гипотез изменения потребительских предпочтений и последующих выводов с точки зрения знаний о покупках клиента (customer insights), данные для логистического модуля относительно качества поставки и уровня сервиса. Платформа постепенно охватывает все больше и больше бизнес-сущностей.

Пока мы стараемся «выжать» максимум из внутренних данных компании и не замахиваемся на обогащение внешних. Но команда  Dialog X5  открыта к конструктивному диалогу с потенциальными партнерами. Мы готовы рассматривать варианты взаимовыгодного сотрудничества с учетом требований и ограничений  законодательства  как с поставщиками товаров, так и с агентствами по рекламе и консалтингу, национальными и региональными ретейлерами, а также с зарубежными партнерами для формирования максимально эффективной и полной аналитики рынка.

Dialog X5 объединяет бизнес-сервисы, в основе которых разные по объему, степени детализации и сроку хранения данные. Для одних сервисов не требуются исторические аналитические данные, для других  —  нужны данные более длительного хранения для анализа изменений внутри категории от года к году, от месяца к месяцу. Например, в модуле Insights для понимания изменения продаж необходимы данные за достаточно долгий период (сейчас предоставляются сведения с 2017 года), и это требует от нас более существенных затрат на их правомерное хранение и обработку.

— Dialog X5  —  новое направление бизнеса  компании? Вы  продаете поставщикам новый тип сервиса, верно? Каким образом платформа монетизируется?

Да, в настоящее время Dialog X5 объединяет платные аналитические модули, хотя мы уже начали процесс переноса на платформу и бесплатных цифровых инструментов для поставщиков.

Insights и Logistics  —  это аналитические сервисы, предоставляющие возможность строить аналитические отчеты по выбранным метрикам и категориям. Поставщик приобретает лицензию на софт, чтобы иметь доступ к этим данным и отчетам и искать те инсайты в покупательском поведении, миграции покупок клиента внутри  категории,  к конкурентам и пр., которые позволят ему улучшать бизнес-процессы, добиваясь повышения уровня сервиса.

Targeting  —  это рекламный сервис, который позволяет на основе обезличенных данных собирать сегменты для таргетированной цифровой рекламы. Сервис также решает важную задачу объединения  онлайн-  и офлайн-миров, предоставляя по завершении рекламной  онлайн-кампании  статистически значимые отчеты по метрикам, характеризующим продажи в офлайн-магазине: как реклама повлияла на реальные продажи, был ли рост категории либо продаж конкретного бренда. Этим сервисом пользуются в основном рекламные агентства крупных производителей, он позволяет оценить эффективность рекламных кампаний, запущенных на данных Х5, и стимулировать рост активности поставщика во взаимодействии с торговой сетью.

Сейчас мы работаем над построением единого цикла, интегрирующего аналитику Insights с запуском действий в модуле Targeting. Поставщик сможет проследить, что происходит с категорией с точки зрения продаж, и выделить интересующий его сегмент, а затем посмотреть, какие изменения в поведении категории произошли после рекламной кампании. Более того, дальше можно будет подключить модуль Logistics, чтобы понять причину проблем с  продажами:  дело в выкладке и стоимости товара и недостатках рекламы или его просто не довезли в конкретный магазин.

—  Как долго  платформа уже доступна поставщикам, сколько у нее клиентов?

Объединенную платформу мы запустили в сентябре, но с отдельными модулями поставщики работали и раньше. На данный момент клиентами платформы являются более 20 международных брендов, модуль Targeting используют более 50 рекламных агентств, подключения активно продолжаются.

— Какой это процент от общего количества поставщиков X5?

У X5 Group около 5 тыс. поставщиков, но не всем эти сервисы необходимы. Все зависит от масштаба бизнеса. В первую очередь в таких инструментах заинтересованы крупные международные компании, которые уже имеют  практику  работы с данными и понимают, какую ценность они могут извлечь из аналитики.

Мы рассчитываем, что к концу следующего года  топ-100  поставщиков X5 станут пользователями платформы.

— Какие преимущества получает поставщик от использования платформы и в чем выгода для Х5?

Среди наших клиентов  —  такие компании, как PepsiCo, «Боржоми», Ferrero,  «Балтика»,  и ряд других крупных  поставщиков. Некоторые  из них уже  публично рассказали,  каким образом решают свои бизнес-задачи с использованием инструментов платформы Dialog X5. Например, PepsiCo с помощью  Dialog X5  сумела оценить эффективность активации в акции «Битва завтраков»  —  измерить ее инкрементальный вклад в развитие категории, определить метрики, которые способствовали росту продуктовых групп, участвующих в инициативе, выявить лучшие маркетинг-механики для дальнейшего применения в бизнесе. Сервисы  Dialog X5  помогли компании «Боржоми» провести анализ динамики покупок групп потребителей и на его основе скорректировать позиционирование брендов, ассортиментные матрицы и  промостратегию.  Компания Nestle использует  Dialog X5  для анализа промоактивностей в категории, оперативного принятия решения для исправления ситуации с доступностью товара на полке.

Использование  Dialog X5  становится конкурентным преимуществом для поставщиков, поэтому не все они готовы открывать свои успешные кейсы, особенно сейчас, когда приходится жить и работать в условиях неопределенности. Dialog X5 позволяет быстрее реагировать на постоянные изменения. Вы не только анализируете бенчмарки и можете сопоставлять аналогичные периоды, но  и  практически в режиме реального времени понимаете, что происходит, какие факторы влияют на продажи, запуски новинок и  т. д. 

Для Х5 основные выгоды  —  это повышение прозрачности работы с партнерами, реализация важного направления цифровой трансформации  (data-driven-подход  в принятии решений), очередной прорыв в стремлении к технологическому лидерству, к системному позиционированию себя в качестве цифровой компании. Что касается преимуществ в операционной деятельности, то платформа обеспечивает эффективную модель взаимодействия ретейлера с поставщиками, поддерживая открытый диалог между ними.

— А насколько серьезной будет доля доходов от таких цифровых сервисов?

С  точки зрения монетизации  мы не останавливаемся  на текущих  сервисах. Прорабатываем  новые, полезные рынку предложения на основе аналитики данных. Мы  —  за аналитические продукты, а не простую передачу сухих данных, которая кажется бессмысленной и неинтересной рынку. Наша цель  —  стать центром экспертизы по решению определенных бизнес-задач.  И  конечно, это направление бизнеса должно быть экономически оправданным.

Как новый цифровой бизнес мы показываем хорошие  результаты:  в этом году увеличили выручку по сравнению с предыдущим и планируем рост на следующий год. Наша команда зарекомендовала себя как успешный стартап внутри компании с эффективной бизнес-моделью.

— В заявке на премию вы отметили, что «прозрачность инструментов на основе данных позволяет поддерживать честную конкуренцию, формировать новую добросовестную практику на рынке». Поясните, каким образом это достигается с помощью платформы Dialog X5?

Идеальная картина мира, к которой мы стремимся, состоит в том, чтобы  и  торговая  сеть,  и производитель-поставщик работали с единым пулом данных и принимали решения исходя из понятных  обеим сторонам факторов, чтобы добивались  увеличения своей доходности, не руководствуясь домыслами, а  за цифровым «столом  переговоров» с единой точкой входа и прозрачными процессами на основе данных. Именно это обеспечивает платформа. Dialog X5  —  не просто название платформы,  а  определяющая характеристика взаимодействия X5 со своими партнерами.

— Является ли Dialog X5 конкурентным преимуществом для самого ретейлера?

Безусловно. Платформа со столь широким набором различных инструментов  —  уникальный проект для российского рынка.  Наши основные  конкуренты тоже делают шаги в этом направлении, но подход, когда поставщик может  решить множество  своих задач по принципу единого окна, пока не имеет аналогов.

— Можно ли говорить о влиянии подобного решения на развитие отрасли розничной торговли в России?

Думаю, да. Почему платформу используют в первую очередь международные производители? У крупных мировых брендов стратегия завязана на данные,  у них  уже  создан data-driven-бизнес.  Они понимают значение аналитики для развития своей производственной цепочки, усиления своих позиций в продажах и  т. д. 

Но и среди российских компаний все больше тех, кто активно  использует данные  и  видит,  какую пользу  можно  извлечь из наших аналитических сервисов. И это, на мой взгляд, становится триггером для формирования индустриальной практики. Поставщик не ограничен только Х5, он работает и с другими сетями. И если он понимает, что с помощью цифровых решений, прозрачной аналитики может достичь большего эффекта для своего бизнеса,  то  будет стремиться расширять эту практику на других своих партнеров.

— Какие сложности были при создании платформы?

Основная сложность стоит перед нами сейчас  —  это масштабирование. Любой стартап подходит к тому этапу, когда нужно переосмыслять свое будущее развитие. На старте мы вдохновлялись опытом мировых разработчиков аналогичных решений, но перекладывали его на бизнес-задачи производителей в России. Постепенно в процессе развития платформы  —  появления нового функционала, новых типов отчетности, новых интерфейсов  — расширялось  наше представление о том, какой должна быть Dialog X5.

И сейчас мы достигли той стадии, когда продукт требует переосмысления. Мы получили продвинутый BI-инструмент, в котором, возможно, определенные функции нуждаются в унификации и упрощении, нам нужен поиск новых способов взаимодействия поставщика с аналитикой. Мы находимся в очень тесном контакте с нашими клиентами и постоянно собираем  информацию о том,  чего им не хватает, чтобы реализовать это в платформе.

Кроме того, существует необходимость технологического масштабирования. Перед нами стоят амбициозные задачи по оптимизации архитектуры данных с учетом роста количества пользователей и обеспечения безопасности данных, с одной стороны, и объемов  данных,  с другой. Строим планы на 2021 год по модернизации архитектуры, улучшению обработки данных и повышению скорости генерации отчетов, чтобы пользователи платформы получали максимально полезный результат за минимальное время.

— А какие планы по созданию новых сервисов для внешнего рынка?

Ряд продуктов уже находятся в стадии прототипирования и  пилотов  ad  hoc,  для того чтобы подтвердить гипотезу. Это кардинально новые решения с точки зрения  как  бизнеса, так и технологий. Надеемся, что сможем выпустить их на рынок в будущем году.

Компания «Атомстройэкспорт» (АСЭ), инжиниринговый дивизион госкорпорации «Росатом», проектирует и строит атомные станции по всему миру и является одним из лидеров этого бизнеса в международном масштабе. Компании принадлежит более 30% глобального рынка сооружения АЭС, зарубежные заказы составляют 80% всего портфеля АСЭ.

В отечественной атомной энергетике «Росатом» является монополистом, но на глобальном рынке работает в условиях жесткой конкуренции и должен быть на гребне современных тенденций развития отрасли. В АСЭ подчеркивают, что цифровизация для «Росатома» и для его инжинирингового дивизиона — не модное веяние, а жизненная необходимость, реальное оружие конкурентной борьбы.

Ольга Толстунова, вице-президент АСЭ по цифровизации и номинант премии CDO Award, рассказывает об одной из ключевых инициатив в рамках стратегии цифровизации компании — системе управления информацией Multi-D IMS и первых результатах ее применения на проекте строительства АЭС «Пакш-2» в Венгрии.

— Расскажите о предпосылках появления системы Multi-D IMS.

После относительного спада в 90-е годы в новом тысячелетии произошел резкий рост портфеля заказов «Росатома». Сейчас одновременно сооружаются 34 энергоблока, и каждый такой объект включает в себя более 10 млн элементов.

При этом заказчиков АЭС как на внутреннем, так и в особенности на внешнем рынке перестало удовлетворять выполнение проектов с заранее оговоренными условиями. От нас стали требовать комплексного, динамичного подхода, подразумевающего цифровизацию работ на всех стадиях жизненного цикла. Вместе с физическим объектом теперь необходимо передавать заказчику информационную модель станции для использования на этапах эксплуатации и модернизации.

В этих условиях стала очевидна необходимость кардинальных изменений в организации проектов сооружения АЭС с применением передовых технологий. В компании разработана и постоянно развивается собственная методология управления проектами Multi-D, а на ее основе реализована цифровая платформа, обеспечивающая тотальную информационную поддержку проекта. Платформа позволяет не только создать 3D-модель, но и связать все этапы от проектирования до эксплуатации в одну информационную базу, которая активно влияет на весь проект.

Ядром цифровой платформы Multi-D является система управления информацией на проекте сооружения АЭС — IMS, которая относится к классу систем управления жизненным циклом объекта (PLM). В ее реализации мы переходим от документоцентричного подхода к управлению данными об объекте. Система IMS вовлекает всех участников проекта — заказчика, подрядчиков и поставщиков — в единое информационное поле, аккумулирует всю информацию об объекте и управляет ею, обеспечивает создание оптимальной конфигурации объекта, реализует процессы управления изменениями и требованиями, предоставляет единое пространство хранения и обмена данными, а также технической документацией на их основе.

В конце 2014 года было заключено соглашение между Россией и Венгрией о строительстве двух новых энергоблоков на АЭС «Пакш». Требовалось адаптировать проект «Пакш-2» с учетом норм безопасности Евросоюза, а также обеспечить его полную прозрачность с точки зрения соответствия требованиям заказчика и регулятивным нормам страны и ЕС. Для решения этих задач и была создана инновационная система управления информацией.

— Какие задачи решает IMS на проекте «Пакш-2»?

На венгерском проекте, как и на большинстве наших проектов, АСЭ выступает в качестве ЕРС-подрядчика, то есть берет на себя полную ответственность за процесс сооружения атомной станции, а по окончании проекта как минимум пару лет эту станцию сопровождает и только потом передает ее заказчику. Вся информация о проекте за эти годы собирается в нашей системе.

Основные этапы сооружения АЭС — это проектирование, закупка и поставка оборудования, строительство, пусконаладочные работы и сдача энергоблока. Проект «Пакш-2» находится на стадии проектирования: «зеленый свет» возведению этой атомной станции ЕС дал в марте 2019 года. Поэтому сейчас основные задачи, которые решает IMS на проекте, — это обеспечение прозрачности процессов проектирования и взаимодействие с заказчиком по сдаче ему проектной документации. Заказчик имеет веб-доступ к системе и постоянно с ней работает. Например, может проверить, в какой части проекта реализовано то или иное требование к станции.

На стадии закупок в IMS будут накапливаться все данные и сохраняться история изменений по закупкам для всех элементов станции, на стадии строительно-монтажных работ — собираться информация о выполненных физических объемах. Таким образом, в системе накапливаются полные данные о каждом элементе на всех этапах жизненного цикла, так что заказчик потом сможет проследить всю историю ее создания.

— С какими данными работает система?

С двумя основными классами данных. Первый — это параметрическая информация об оборудовании, элементах, материалах. Второй класс — объекты, которые рождаются из модели: чертежи, исполнительная документация и т. д.

Система идентифицирует каждый элемент данных, его атрибуты, управляет взаимоотношениями с другими элементами и отслеживает изменения каждого из них. Для контроля жизненного цикла каждого элемента формируется индивидуальная политика, и все изменения проходят ревизию и контроль. Причем система моделирует не только станцию и оборудование, но и людей, группы, роли в бизнесе, а также способ их организации.

— Почему платформа называется Multi-D?

Информационная модель станции не ограничивается трехмерной моделью. Помимо нее, заказчик может получить информацию об объекте по множеству других разрезов, таких как ресурсы (объемы работ), деньги (стоимость материалов) и пр. На проекте «Пакш-2» заказчик может просматривать модель в разрезе работ, в разрезе материалов, а также по каждой из дисциплин в отдельности (например, по вентиляции, по трубопроводам) и на их пересечении. Одно из преимуществ системы в том, что информация по всем аспектам объединяется. Проектировщики разработали разные системы: электротехническую, вентиляционную, трубопроводную, — а IMS сводит их вместе, позволяя увидеть коллизии. Например, труба проходит там, где должна находиться вентиляция, или дверной проем запланирован в месте, где идет важнейший трубопровод. Причем выявляются не только геометрические, но и параметрические коллизии — например, если соединяются трубопроводы в три и в шесть атмосфер.

Ключевая особенность системы IMS — это возможность увязывать требования заказчика и их исполнение с информационной и документационной моделями. Например, задано требование: выполнить перегородку толщиной не менее 10 м. В параметрической трехмерной модели перегородки указывается, что данное требование выполнено, и эта информация затем увязывается с документом, который формируется из модели и отправляется в закупку. На его основе создаются лоты, и на протяжении всего этапа закупочной процедуры отслеживается, выполнены ли требования, содержащиеся в информационной модели. Работая с такой моделью, мы всегда можем получить полную бумажную версию проектной документации, просто нажав на кнопку.

— Такой подход близок к созданию цифрового двойника атомной станции?

Нам часто говорят, что мы делаем цифрового двойника, но это не совсем корректно. Цифровой двойник — это модель работающей станции, позволяющая в реальном времени собирать данные с датчиков на оборудовании и имеющая инструменты моделирования критических ситуаций. Наша информационная модель может служить фундаментом цифрового двойника, но его создание — уже задача заказчика.

— На каких технологиях реализована IMS?

Есть два варианта: в первом в качестве ядра используется PLM-система Enovia от компании Dassault Systemes, а во втором — импортонезависимая платформа. В обоих случаях ядро дополняется огромным пластом собственной разработки.

На проекте «Пакш-2» реализуется первый вариант. Система включает несколько модулей, в том числе подсистемы электронного документооборота, календарно-сетевого планирования, управления требованиями, управления проектом, управления конфигурацией проекта, работы с 3D-моделью, а также базу данных и веб-портал.

— Можно ли сказать, что IMS работает с большими данными?

АЭС — это 10 млн элементов, и у каждого из них несколько тысяч параметров. Однако когда говорят о больших данных, подразумевают использование таких технологий, как автоматическая кластеризация, предиктивная аналитика, нейросети. В этом смысле наши данные нельзя отнести к большим, но такие технологии могут применяться уже на этапе эксплуатации. Нашим заказчиком в России является концерн «Росэнергоатом», электроэнергетический дивизион «Росатома». С ним сейчас налаживаются интеграционные потоки, которые позволят заказчику накапливать данные уже во время сооружения АЭС и применять их в своей работе.

— Какие возможности IMS важны для повышения эффективности сооружения АЭС?

Основная особенность IMS состоит в том, что система дает возможность вовлекать заказчика в процессы проектирования станции: он может выполнять согласование всех параметров и моделей непосредственно в системе. Изменения отражаются в виде ремарок, и мы видим, на основании чего они произведены. Автоматическое накопление изменений — одна из важных инноваций системы, которая помогает оптимизировать процессы сооружения станции.

Доступ к системе получают все участники проекта — не только мы и заказчик, но также субподрядчики и поставщики, как российские, так и зарубежные. Например, один из субподрядчиков проекта «Пакш-2», который занимается строительно-монтажными работами, предложил использовать технологию рефабов в металлических конструкциях, благодаря чему их можно будет привозить с завода в готовом виде, а не сваривать на месте, как предполагалось. Такая новация позволит сократить сроки строительства на 30%.

— Какие преимущества уже дало использование системы IMS на проекте «Пакш-2» и какие ожидаются?

Благодаря системе, мы передали техпроект заказчику точно в срок, для «Росатома» это важно. При таком огромном портфеле проектов проблемы со сроками неизбежны, но на внешнем рынке каждый день просрочки — это наши финансовые потери и репутационные издержки. В конкурсе на реализацию проекта «Пакш-2» сроки сооружения были нашим конкурентным преимуществом, и мы их выполняем. А если бы пришлось возить документацию традиционно («камазами»), то только передача проекта могла бы занять несколько месяцев.

В конце строительства мы, благодаря использованию системы, передаем заказчику цифровую станцию, и он сможет по ее любому элементу проследить всю историю. Это дорогостоящий нематериальный актив, наличие которого в разы повышает эффективность работы заказчика.

Система IMS обеспечивает накопление знаний по сооружению станции, и их наличие позволяет в следующий раз не проектировать все заново, а применить типовые решения. Это огромная экономия на ресурсах. С другой стороны, атомная отрасль очень консервативная, и заказчик не хочет никаких инноваций в атомной станции — ему нужны проверенные решения. В этих обстоятельствах система IMS, которая накапливает историю по проектам, становится гарантом того, что предложенные решения обеспечат заказчику необходимые безопасность и надежность объекта.

Резюмируя, могу сказать, что без информационной модели, создание которой обеспечивает IMS, мы были бы просто неконкурентоспособны на мировом рынке. Этот рынок очень жесткий и к тому же сильно политизированный, и репутационные издержки могут быть очень велики.

— Какая роль отводится IMS в стратегии цифровизации вашей компании?

Стратегия цифровизации АСЭ включает в себя несколько направлений. Это реализация классических ИТ-сервисов и обеспечение непрерывности бизнеса для критичных бизнес-процессов, управление данными как цифровым активом предприятия, цифровизация внутренних процессов управления проектами сооружения, архитектура предприятия, накопление знаний по проекту и внешняя цифровизация — формирование и передача информационной модели заказчику. Ключевая роль IMS — именно на этом последнем направлении. Система отвечает за консолидацию данных по проекту из всех источников (внутри дивизиона, из других дивизионов «Росатома», от заказчика, подрядчиков и поставщиков) и за формирование модели.

Подчеркну, что IMS является частью общей архитектуры управления данными предприятия, но охватывает только информацию, предназначенную для передачи заказчику. С помощью системы мы передаем заказчику информационную модель станции, но не завода по изготовлению станции. Наши ноу-хау по процессам сооружения АЭС являются достоянием Российской Федерации и не могут быть открыты вовне.

Любая страховая компания заинтересована в том, чтобы ее клиенты покупали продукты самого широкого спектра. Но стоит ли страховому агенту тратить время на уговоры, если владелец полиса ОСАГО убежден в том, что КАСКО ему не нужен? При том, что другому клиенту, возможно, есть смысл предложить не только КАСКО, но и страховку квартиры и дачи. Как страховщикам угадать наши с вами предпочтения?

В компании «РЕСО-Гарантия» предпочли не угадывать, а построить математическую модель, которая позволит выявить клиентов с высоким уровнем спроса на продукты добровольного страхования среди владельцев полиса ОСАГО. Это поможет сделать кросс-продажи в агентской сети более эффективными.

Сергей Алешкин, руководитель по Data Science страховой компании «РЕСО-Гарантия» и номинант премии CDO Award, делится деталями проекта.

— Есть ли в компании стратегия работы с данными?

Мы только начинаем цифровизацию, и в ее рамках идет подготовка регламентов работы с данными. Сейчас взаимодействие организовано неформально, но все знают, кто за что отвечает и какие задачи должен решать. У нас есть ИТ-подразделение, которое обеспечивает стабильность работы систем обработки данных, есть специалисты, отвечающие за наполнение этих систем и за качество данных, и есть аналитики, которые работают с данными, в том числе строят математические модели.

— Что входит в зону вашей ответственности?

Я отвечаю за построение моделей, их внедрение в бизнес-процессы, поддержание их эффективности, мониторинг, переобучение при необходимости. Мне приходится тесно общаться с коллегами, обеспечивающими хранение и качество данных. Мою деятельность курирует заместитель генерального директора, отвечающий в компании за ИТ и аналитику.

— Каким образом вы выявляете задачи для применения машинного обучения?

«РЕСО-Гарантия» — коммерческая организация, поэтому во главу угла при выборе проекта ставится получение максимального бизнес-эффекта. На решение той или иной задачи может быть получен запрос от бизнеса, или же мы сами в процессе анализа данных можем обнаружить интересную зависимость и предложить бизнесу реализовать модель на ее основе. Но всегда запуску проекта предшествует анализ его окупаемости. Мы люди творческие, нам интересно экспериментировать с данными, но, приоритизируя проекты, мы исходим из того, что получит компания от внедрения конкретной модели.

— Как возникла идея проекта в области кросс-продаж?

Наиболее массовый продукт на рынке страхования — полис обязательного автострахования ОСАГО. Например, среди клиентов РЕСО порядка 15 млн человек покупают такие полисы. Но страховой компании нужно продавать и продукты добровольного страхования — полисы КАСКО, страхования имущества и др. Поэтому была поставлена задача увеличить кросс-продажи клиентам ОСАГО. Однако далеко не все они расположены покупать другие полисы.

Мы стали работать над выявлением кластеров клиентов с потенциально наибольшим спросом на продукты добровольного страхования. Значительная часть продаж компании идет через агентскую сеть. В процессе общения страховой агент может пропустить того самого покупателя, которому стоит предложить полис добровольного страхования, или сделать предложение формально и в результате упустить потенциального клиента.

Мы задумались над тем, чтобы создать модель, которая выявляла бы не просто клиентов ОСАГО с высоким спросом на продукты добровольного страхования, а именно тех из них, кто, скорее всего, еще не получал предложения от конкретного агента. То есть модель может сделать «работу над ошибками». Среди агентов есть новички, которые еще не научились всем тонкостям общения. Но и опытные агенты с большими портфелями тоже нуждаются в помощи, потому что им физически сложно уделить должное внимание всем своим клиентам. В зависимости от характеристик агента модель определяет, каких клиентов с высоким спросом на продукты добровольного страхования он мог пропустить, и передает ему полученную информацию. Анализируются около десятка параметров по каждому агенту: социально-демографические признаки (возраст, пол и т. д.), опыт и предпочтения по продажам страховых продуктов (срок работы в компании, история продаж по типам продуктов и т. д.).

В результате увеличиваются продажи, растут доходы агентов и их лояльность компании, а также доходы компании и лояльность клиентов, потому что они получают качественный страховой продукт, действительно необходимый в данный момент. Проект приносит выгоду всем сторонам.

— Тот самый случай, когда искусственный интеллект помогает сотрудникам, но не заменяет их?

Совершенно верно. Страховая компания работает через агентскую сеть, и наши клиенты, будучи лояльны бренду РЕСО, в значительной степени лояльны страховому агенту — конкретному человеку, с которым они взаимодействуют на протяжении долгого времени и которому доверяют. Поэтому задача заменить агента здесь не стоит — ему надо оказать эффективную помощь в поиске тех клиентов, которые купят продукты добровольного страхования.

Агенты, среди которых много людей в возрасте, отлично знают страховые продукты и умеют с ними работать, но при этом с недоверием относятся к ИТ. Поэтому поначалу проект был воспринят ими скептически, но, по мере работы, они оценили результативность такого подхода и попросили расширить возможности модели. Мы начинали с выявления потенциальных клиентов страхования имущества, затем добавили КАСКО.

— Как строится взаимодействие агентов с системой? Не возникают ли проблемы у не очень восприимчивых к ИТ сотрудников?

Вначале мы реализовали подсказку в момент продажи полиса о том, что данный клиент склонен к покупке определенного дополнительного продукта. Но потом поняли, что большинство агентов хотели бы заранее получать списки таких клиентов, чтобы спланировать свой визит или разговор с клиентом по телефону. Теперь мы готовим эти списки и передаем их агентам через руководителей агентской сети.

Агенты получают рекомендации искусственного интеллекта в CRM-модуле. Опытный специалист работает на страховом рынке несколько десятков лет, знает лично многих своих клиентов, и для него непривычен формат работы, когда ему рекомендуют, к кому обратиться в первую очередь. Для того чтобы пользоваться такой системой, агент должен убедиться на практике в том, что рекомендации действительно эффективны.

В адаптации агентов к работе с новым проектом очень помог опыт Школы РЕСО. У нашей компании одна из сильнейших агентских школ России, и мы задействовали ее потенциал. Все агенты проходят обучение кросс-продажам с помощью современных технологий.

Один из важных компонентов любого внедрения машинного обучения — постоянный мониторинг метрик модели. Если возникает существенное отклонение в качестве, модель необходимо переобучать. Помимо прочего, этот мониторинг позволил нам выявлять агентов, испытывающих трудности в работе с новой схемой взаимодействия с клиентами, и для них было организовано дополнительное обучение.

— На каких данных реализован проект? Какая технологическая инфраструктура используется?

Это полностью наша разработка. Данные собираются в базе данных Oracle, модель разрабатывается с использованием Python. Из методов машинного обучения используется ансамбль моделей, построенных с помощью логистической регрессии и XGboost.

Модель обучалась на данных около 5 млн клиентов. Учитывались социально-демографические данные, характеристики потребительских предпочтений (что страхуют, когда, как часто) и др. Использовалась вся клиентская информация, до которой может «дотянуться» страховая компания. Конечно, у нас меньше сведений, чем, скажем, у банка или телекома, но их было достаточно для того, чтобы обеспечить хорошую точность модели для кросс-продаж.

Сейчас модель еженедельно анализирует порядка миллиона клиентов.

— Какие проблемы возникли в ходе реализации проекта, как удалось с ними справиться?

Нельзя сказать, что мы построили сложную модель. Пожалуй, самое трудное и интересное связано с внедрением. Надо было убедить нашу агентскую сеть в том, что это действительно полезный инструмент, и настроить обратную связь от конечных пользователей. РЕСО регулярно проводит большие встречи руководителей агентских подразделений, съезды агентов. На всех этих мероприятиях мы презентовали модель, лично общались с агентами и их руководителями, рассказывали им о преимуществах системы, отвечали на вопросы. В ходе этого общения мы узнали о ряде важных показателей работы агентов. Их анализ позволил вывести интересные зависимости, в том числе увеличить точность модели.

— Насколько уникален такой сервис для страховой отрасли?

Уникальность нашего подхода — не в модели, а в процессе взаимодействия агентов с моделью. Строить модели, которые ищут клиентов с высоким спросом на те или иные продукты для кросс-продаж, пытаются большинство страховых компаний, но обычно ставка делается на роботизацию процесса. Наш проект отличает высокая степень вовлеченности людей — агентов и их руководителей. Не менее важна и постоянная обратная связь, которая позволяет, с одной стороны, совершенствовать модель, а с другой — делать более эффективной работу сотрудников.

— Как долго система находится в продуктиве? Каких финансовых преимуществ и качественных улучшений удалось добиться за это время?

Система активно применяется с середины 2019 года в 200 филиалах в 70 регионах России, ею пользуются около 3,5 тыс. страховых агентов.

По нашим данным, за это время в 10 раз выросла эффективность кросс-продаж благодаря снижению трудозатрат агентов и повышению результативности их работы. Декабрь и январь показали существенный рост продаж продуктов добровольного страхования. По прогнозам на 2020 год, 18% дополнительных сборов по страховым продуктам, к которым применяется модель, будут получены именно благодаря ее использованию.

Мы построили комплексное решение на базе машинного обучения, которое, с одной стороны, хорошо интегрируется в существующую технологию продаж, а с другой — создает новую ценность для компании с точки зрения расширения возможностей кросс-продаж и повышения эффективности агентской сети.

— Каковы планы по развитию системы?

Мы получаем очень много заявок на расширение перечня страховых продуктов, охваченных моделью, и планируем развивать аналогичные проекты для кросс-продаж по другим направлениям работы компании.

Сейчас также разрабатывается проект на базе машинного обучения для Школы РЕСО. Очень важно оценить потенциал человека в роли страхового агента на этапе рекрутинга, чтобы можно было сосредоточить усилия на обучении наиболее талантливых сотрудников, удерживать их у себя и развивать. Мы делаем модель, которая будет искать таких кандидатов, а также выявлять их среди претендентов, которые к нам уже обратились.

Три года назад в банке «Уралсиб» был организован департамент искусственного интеллекта и анализа данных (ArtificiaI Intelligence and Data Analytics Office) – AIDA. Инициатор создания этой структуры и ее руководитель, старший вице-президент банка Юрий Сирота позиционирует себя как Сhief Аnalytics Оfficer. Но по существу его деятельность близка концепции CDO 4.0, недавно предложенной аналитиками Gartner. Руководитель AIDA видит основную задачу своего подразделения в том, чтобы проекты в области продвинутого анализа данных и искусственного интеллекта впрямую влияли на прибыльность банка, его конкурентоспособность.

Юрий Сирота, номинант премии CDO Award 2020, рассказывает о своем детище, о том, как с помощью AIDA в банке формируется культура data-driven, и каким образом проекты департамента обеспечивают реальную монетизацию данных.

- Как создавалась AIDA?

Я пришел в банк «Уралсиб» с идеей организовать структуру, целью которой стало бы развитие сервисов монетизации данных и внедрение подходов data-driven к ведению бизнеса. На тот момент это была действительно инновационная идея.

За три года пройден немалый путь. Чтобы прийти к успеху, недостаточно иметь инструменты и знания, необходимо еще суметь внедрить сервисы, то есть решить проблемы реализации в конкретной продуктивной среде, преодолеть сопротивление инновациям. Путь непростой, но мы успешно справляемся с трудностями.

- Но примерно в это же время многие компании организовывали структуры для работы с большими данными. В чем уникальность и инновационность AIDA?

Когда мы говорим о big data, то чаще всего подразумеваем хранение, упорядочивание, качество данных, глоссарий, предоставление данных. Основная задача AIDA – не big data, а big monetization, или big value data. Монетизация не обязательно достигается через аналитику больших данных. Успех подразделения определяется полученной банком прибылью, а не количеством накопленных петабайтов данных, не дороговизной оборудования или числом сотрудников.

- То есть в аббревиатуре AIDA ключевое слово – не data, а analytics?

Analytics и intelligence. Продвинутая аналитика – одно из направлений раздела знаний об искусственном интеллекте. Другие направления – применение методов ИИ для интеллектуальной оптимизации процессов, чат-боты, компьютерное зрение, обработка естественных языков, то есть функции, обычно присущие человеку. Безусловно, монетизация по большей части относится к аналитике данных, но мы работаем и с другими направлениями искусственного интеллекта.

- В чем инновационность AIDA с точки зрения оргструктуры?

Инновации почти всегда встречают сопротивление. Чтобы его преодолеть, нужен организационный ресурс, а чтобы этот ресурс работал, необходима значимая позиция внутри банковской оргструктуры. Поэтому AIDA находится в блоке стратегического развития и курируется заместителем председателя правления банка. Неправильно, когда такие структуры входят в состав какого-то департамента, потому что тогда трудно распространять инновации на всю организацию.

В AIDA три основные компетенции: инженеры данных, специалисты BI и аналитики данных. Первые подготавливают данные, вторые готовят аналитические приложения, третьи анализируют данные и строят математические модели. Надо сказать, что подготовка данных – это 90% всех трудозатрат, хотя основная ценность приходится на оставшиеся 10%.

В состав AIDA входит центр компетенций BI, который занимается созданием удобных аналитических приложений со встроенной аналитикой (augmented analytics). Благодаря работе этого центра пользователи, не имеющие навыков математических исследований, получают в свое распоряжение встроенные в дружественный интерфейс предcказательные и предписательные модели, а не только ретроспективную отчетность. Так мы продвигаем методы продвинутой аналитики «в массы».

Успех любого проекта AIDA – кросс-функциональная команда, во главе которой стоит бизнес-заказчик. Он понимает, откуда можно извлечь выгоду, подсвечивает узкие места в своем бизнесе. А сотрудники AIDA помогают улучшить процессы с помощью инструментов, соответствующих конкретной задаче. Если подразделение входит в структуру блока стратегического развития, это способствует формированию таких междисциплинарных команд. Тем самым организуется увязка проектов AIDA с бизнес-стратегией банка.

- Сложилась ли в банке культура data-driven? Можно ли сказать, что AIDA является ее основным драйвером?

Такая культура складывается. Успешные проекты AIDA способствуют ее продвижению. Бизнес-заказчики уже приходят к нам с просьбой принять участие в их процессах.

Главное, что я стараюсь донести до заказчиков, – смотрите на те сущности, которые вас интересуют, на любые ваши процессы, на отчетность. Если эти процессы поддаются математическому моделированию, значит, мы можем пытаться предсказывать их показатели, то есть получить возможность их оптимизировать, сократить затраты, улучшить маржинальность. Это математика предсказаний, показывающая, куда движется та или иная сущность. Дальше может вступить в дело математика предписаний, дающая рекомендации, что нужно сделать для того, чтобы эта сущность имела именно те значения, которые нам необходимы.

Это широчайшее поле для поиска идей монетизации.

- Как организован поиск этих идей? Кто выступает инициатором — AIDA или бизнес?

Это двунаправленный процесс. Заказчики приходят к нам со своими болями. Как правило, результата удается достичь быстрее и эффективнее, когда инициатива вызревает в бизнес-подразделении. Однако человек в должности CDO — не только «реализатор» чужих идей. Он должен еще и сам их генерировать и продвигать. Понимание стратегии организации и ситуации на рынке помогает выявить перспективные направления монетизации.

Один из источник таких идей – отчетность. В ней содержатся данные ретроспективной аналитики, и можно задаться вопросом, какими эти показатели могут стать в будущем и что надо сделать для того, чтобы получить интересующие нас значения.

Еще одно направление поиска идей для монетизации – это бесхозные процессы на стыке нескольких департаментов. Там, где нет единого хозяина, деятельность обычно не очень эффективна, и есть поле для оптимизации и получения выгоды.

- Какие проекты монетизации данных реализованы в AIDA?

Как правило, в банках подходы data-driven развиты в службах риск-менеджмента, в розничном бизнесе. Но везде, где можно провести сравнение «больше-меньше», «выгоднее-убыточнее», «быстрее-медленнее», применима математика, а, значит, процесс можно пытаться оптимизировать и получить выгоду. Поэтому сервисами AIDA уже активно пользуются служба финансового мониторинга, коллекторский бизнес, блок операционной поддержки, подразделение малого бизнеса.

Из реализованных за последний год можно выделить проект для коллекторского бизнеса — выявление заемщиков с просроченной задолженностью, у которых вероятность возврата задолженности больше. Оптимизировав средства взыскания просроченной задолженности, можно обеспечить внушительную монетизацию.

В клиентском бизнесе стартовал проект по сокращению оттока клиентов и увеличению маржинальности. Сокращение оттока – это недопущение потерь прибыли, увеличение маржинальности бизнеса – это рост продаж, кросс-продаж, поднятие суммы продаж. Такие сервисы уже начинают внедрять в малом бизнесе.

Проект по кеш-менеджменту обеспечивает оптимизацию процессов блока операционной поддержки – сокращение избыточного фондирования наличности в банкоматах и в кассах дополнительных офисов.

- На премию CDO Award 2019 вы представляли проект Anti Money Laundering по выявлению токсичных, то есть совершающих противозаконные транзакции, клиентов. Как развивался проект за истекший год?

Мы продолжаем работать над математическим аппаратом этого решения — улучшаем набор и качество инструментов. Недобросовестные организации постоянно совершенствуют свои методы реализации незаконных операций, и мы вынуждены их догонять. Если инструменты аналитики данных не «тюнинговать», они становятся бесполезными, а если не делать этого на протяжении долгого времени, могут начать работать во вред. Это бесконечный цикл подготовки данных, их обогащения, улучшения качества моделирования, внедрения в продуктив. Ни один такой проект после его осуществления не может быть сделан и заброшен, его необходимо улучшать, иначе он будет деградировать.

- С какими данными и с какими техническими решениями работает AIDA?

Хочу подчеркнуть, что мериться надо не петабайтами данных, а результатами монетизации, достигнутой с помощью данных. Для big value data не обязательно иметь озера данных, может быть достаточно таблицы Excel. Я не пропагандирую устаревшие подходы, но скажу, что при выборе задач, источников и инструментов мы исходим из ценности, которую данные доставляют. Монетизация – это совокупность организационных, психологических, математических, технологических компонентов, а также различных аспектов, обусловленных спецификой бизнеса. Инструменты – необходимое, но недостаточное условие успешной монетизации, так же как и толпа математиков, дорогое ПО и оборудование не являются гарантами успеха.

Поэтому мы делаем упор на оргсоставляющую инноваций, на поиск и развитие математической и аналитической экспертизы (все специалисты по data science в AIDA имеют фундаментальное математическое образование), а также на формирование в банке культуры data-driven.

Что касается технологий, то мы используем реляционную СУБД Oracle (с упорядоченными и чистыми данными проще работать в аналитике), математические программы с открытым кодом (пакеты R, Python) вполне отвечают предъявляемым нами требованиям.

Кроме того, используем стек BI-технологий с возможностью интегрировать математические инструменты. BI – это первый шаг к аналитике. Даже в рамках привычного BI-интерфейса для неискушенных пользователей мы внедряем продвинутую аналитику.

- Есть ли необходимость работать с внешними данными?

Да, мы используем данные информационных агентств, бюро кредитных историй, информацию из социальных сетей, сотрудничаем с телекомом.

- Давайте подведем итог. В чем вы видите стратегическую роль AIDA для банка? Каковы планы развития вашего подразделения?

Банковский бизнес не является высокомаржинальным, конкуренция тут жесткая, поэтому мы должны бороться за каждую сотую долю процента доходности. Необходимо не просто улучшать процессы, но делать это глубже и качественнее, чем конкуренты. Монетизация, которую обеспечивают проекты AIDA, может давать банку ощутимые преимущества на рынке.

Планы на будущее – увеличить число заказчиков, количество проектов и доходность уже реализованных, популяризировать data-driven организации. Если об инновациях не рассказывать, то невозможно успешно их внедрить.

Faberlic – российская косметическая компания, работающая по модели прямых продаж, одна из самых крупных в мире – в 2017 году в мировом рейтинге компаний, ведущих бизнес по этой модели, Faberlic занимала 38-е место. Представительства Faberlic открыты в 20 странах, с компанией сотрудничают более миллиона консультантов, ее продукцией пользуется около 8 млн потребителей.

Активно развивающийся бизнес Faberlic требует и соответствующей ИТ-инфраструктуры. При реализации новой версии основной учетной системы в компании взяли за основу облачную микросервисную архитектуру. Почему именно ее, как осуществляется проект и какие еще задачи в Faberlic доверяют облакам, рассказал Валерий Капленко, директор по ИТ компании. А на форуме ИНФРАСТРУКТУРА 2019, который издательство «Открытые системы» проводит 18 июня, о деталях использования облаков и гибридной инфраструктуры в Faberlic можно будет узнать от CTO компании Романа Варникова.

По словам Валерия Капленко, активно развивающийся бизнес Faberlic требует и соответствующей ИТ-инфраструктуры; при реализации новой версии основной учетной системы в компании взяли за основу облачную микросервисную архитектуру

- Расскажите о бизнесе компании, какие требования он предъявляет к ИТ-инфраструктуре?

Модель доверительных, или прямых продаж основывается на том, что человек больше доверяет персональным рекомендациям, чем рекламе. Консультант сетевой компании напрямую предлагает клиенту то, что тому нужно. К сожалению, бизнес-приложений, способных работать с этой моделью, практически не существует, и компаниям приходится разрабатывать собственные решения.

Наша учетная система создавалась, когда у компании было 200 маленьких складов. Для каждого такого склада велась небольшая база данных на Oracle Express, информация из этих баз собиралась и реплицировалась в центральную базу данных.

Это был не очень эффективный подход. Наши дистрибьюторы объединены в так называемое MLM-дерево (Multi Level Marketing), и продажа в конце «ветки» дерева, скажем, в Монголии, влияет на бонусы дистрибьютора, который является «наставником» этой ветки. Такую информацию необходимо собирать онлайн; в первоначальной же версии системы это делалось путем закачки файлов, а репликация работала не всегда, иногда приходилось использовать почту для обмена данными.

Поэтому было решено создать систему, которая объединила бы все данные о маркетинговых бонусах всех консультантов во всех странах, где работает Faberlic. Такая система разрабатывалась около десяти лет полностью on-premise на основе базы данных Oracle с надстройкой в виде веб-клиента.

Переход на эту систему упростил открытие новых точек выдачи, привлечение новых консультантов. Но и бизнес компании сильно изменился. C распространением Интернета и различных средств электронных коммуникаций стала очевидной потребность покупателей самостоятельно оформлять заказы. Если раньше консультант должен был очно встретиться с клиентом, проконсультировать его, принять и реализовать заказ, то теперь такое общение может происходить по Skype или по телефону, а при желании клиент и сам может заказать все, что ему нужно, и в некоторых странах доставку берет на себя компания.

Со сменой бизнес-модели вместо 200 маленьких складов мы получили 20 больших, а вместо десятка тысяч консультантов заказы стали оформлять 2,5 млн человек по всему миру. Прежняя архитектура оказалась неадекватной требованиям бизнеса. Попытки спасти ситуацию закупкой дополнительного оборудования результата не дали.

Проведя тщательный анализ состояния рынка и планов развития бизнеса на ближайшие годы, мы пришли к выводу о необходимости кардинальных изменений и переводе системы на сервисную архитектуру.

- В чем основные особенности новой архитектуры?

Это микросервисность и масштабирование. Все бэк-офисные процедуры – доставка, платежи, расчет вознаграждений, обслуживание тысячи пунктов выдачи, куда консультанты приходят за заказами, многочисленные технические сервисы – разрабатываются и размещаются в облаке как микросервисы. При этом ключевым требованием было обеспечить возможность наращивания ресурсов с учетом различных сценариев развития бизнеса.

Компания выбрала облако Oracle Cloud, поскольку предыдущая версия основной учетной системы реализована на базе решений Oracle, и у нас большой опыт работы с продуктами этого вендора и его партнерами.

- Почему именно микросервисы, что дает такой подход?

Во-первых, отказоустойчивость. Выход какого-то сервиса из строя не приводит к остановке бизнеса. Наиболее критичные для бизнеса сервисы можно дублировать, а те, что не требуют моментального восстановления, будут работать в режиме Disaster Recovery. Например, если не оформляется заказ или невозможно провести платеж, это критично для бизнеса, а если не считается вознаграждение или не отправляются чеки, то задержка даже на несколько дней больших проблем не создаст. Микросервисность позволяет реализовать дифференцированный, оптимальный подход к отказоустойчивости.

Во-вторых – то самое масштабирование. Гораздо проще масштабировать отдельный облачный сервис, чем всю систему в целом, с точки зрения как технологических, так и человеческих ресурсов. Продуктовую команду сервиса гораздо проще расширять, чем продуктовую команду целого приложения.

И в-третьих – гибкость. Реализуя большую систему, ИТ-директор должен определять приоритеты разработки, оценивая, какая функциональность более критична, обещает большую прибыль и т.д. Бизнес готов инвестировать в ИТ, когда это касается конкретного проекта. Скажем, подразделение продаж не будет вкладываться в полную переделку системы ЕRP под свою задачу, но пойдет на разработку определенного сервиса, помогающего решить эту задачу в необходимые сроки.

Пример для нашей системы – подключение службы доставки. Микросервисная архитектура позволяет создать для этого отдельный сервис, подключить его через механизм Discover API и быстро начать с ним работать. Такая гибкость очень важна для бизнеса.

- На какой стадии находится переход к микросервисной архитектуре?

Сейчас проходит пилотное развертывание. Мы «отправили» в облако контейнеры, начали трансляцию данных, в облачных средах разработки ведется работа над различными сервисами. Первые сервисы планируем запустить в июле, до конца года намечено перевести в облако наиболее критичные сервисы и в течение 2020 года – полностью развернуть всю архитектуру.

Облачная архитектура микросервисов – часть большого проекта обновления корпоративной системы «Партнер 2.0», в который входит также фронт-офисная часть на SAP Hybris, разработка мобильного приложения и другие взаимосвязанные компоненты.

- Микросервисы в Oracle Cloud – не единственный облачный компонент ИТ-инфраструктуры компании?

Мы любим облака и работаем с разными их вариантами. Мы первыми в России развернули в Microsoft Azure бизнес-приложение в стадии эксплуатации – BI-систему, которую продолжаем развивать на облачной платформе. Есть свое частное облако, для ряда проектов используем публичные облачные сервисы «Ростелекома».

- Стыковка многочисленных облаков не создает проблемы?

Это сложная, интересная и многогранная задача, которая возложена на наше инфраструктурное подразделение.

Есть единая для всех облаков система сетевой безопасности. Нетривиальной задачей является отказоустойчивость в облаках. Когда дело касается отказоустойчивости сервера или кластера, вы мониторите производительность этой машины и при этом видите ее сетевые подключения. В облаках же вы сетью фактически не управляете. На рынке мы пока не нашли готового решения, помогающего выстроить систему проактивного мониторинга связей между различными облаками, и потому самостоятельно исследуем этот вопрос.