ИТ-университет

Вероятно, вы все чаще в последнее время слышите о машинном обучении. Но какие именно задачи позволяет решать машинное обучение?

Существует целый ряд методов и способов, у каждого есть свои возможные применения. Прежде чем бросаться планировать инвестиции в новые инструменты и инфраструктуру, стоит ознакомиться с возможностями, которые они предоставляют. Перечислим описания и особенности вариантов новшества, чтобы помочь не пасть жертвой нынешнего ажиотажа вокруг машинного обучения и искусственного интеллекта.

Способы машинного обучения

Обучение с учителем (Supervised learning)

Этот способ оптимален, если вы знаете, чему хотите научить машину. Вы можете познакомить компьютер с огромной обучающей выборкой данных и варьировать параметры до тех пор, пока не получите на выходе ожидаемые результаты. Затем можно уточнить, чему научилась машина, заставив ее спрогнозировать результат для контрольных данных, с которыми компьютер еще не сталкивался.

Чаще всего обучение с учителем применяется для задач классификации и прогнозирования. Обучение с учителем можно использовать при определении финансового риска частных лиц и организаций на основе имеющихся сведений о прошлой финансовой активности, можно неплохо прогнозировать покупательское поведение с учетом прежних закономерностей.

Обучение без учителя (Unsupervised learning)

При обучении без учителя машина исследует набор данных и выявляет скрытые закономерности корреляции между различными переменными. Этот способ можно использовать для группирования данных в кластеры на основании одних только их статистических свойств.

Хорошее применение обучения без учителя — алгоритм кластеризации, используемый для вероятностного соединения записей. Определяются связи между элементами данных и на основании этих отношений выявляются связи между людьми и организациями в физическом или виртуальном мире.

Вариант особенно полезен компаниям, которым нужно, например, объединить данные из разнородных источников или по различным структурным подразделениям, чтобы построить общую картину клиентуры.

Обучение без учителя также можно использовать для анализа тональности высказываний, чтобы определять эмоциональное состояние людей на основе их постов в социальных сетях, сообщений электронной почты и других записей. Сегодня, в частности, в компаниях, специализирующихся на финансовых услугах, с помощью обучения без учителя все чаще оценивают уровень удовлетворенности клиентов.

Обучение с частичным привлечением учителя (Semi-Supervised learning)

Это гибрид обучения с учителем и без. Разметив небольшую часть данных, учитель дает машине понять, каким образом кластеризовать остальное.

Способ можно применять для распознавания мошенничеств с попытками выдать себя за другого. Мошенничества можно классифицировать как аномалию на фоне обычной активности. Методы машинного обучения с частичным привлечением учителя позволяют создавать модели, распознающие такие аномалии. Соответствующие системы нередко применяются для выявления попыток мошенничеств при онлайн-сделках.

Обучение с частичным привлечением учителя также можно применять в случаях, когда есть готовые наборы частично размеченных данных, что характерно для крупных предприятий. В Amazon, например, улучшили способности цифрового ассистента Alexa понимать естественный язык, обучая алгоритмы искусственного интеллекта на сочетаниях размеченных и неразмеченных данных. Благодаря этому удалось повысить точность ответов Alexa.

Обучение с подкреплением (Reinforcement learning)

При обучении с подкреплением машине позволяют взаимодействовать с окружением (например, сбрасывать бракованную продукцию с конвейера в корзину) и «вознаграждают», когда она правильно выполняет задание. Автоматизировав подсчет вознаграждений, можно дать возможность машине обучаться самостоятельно.

Одно из применений обучения с подкреплением — сортировка товаров в розничных магазинах. Некоторые продавцы экспериментируют с роботизированными системами сортировки предметов одежды, обуви и аксессуаров. Роботы, используя обучение с подкреплением и глубинное обучение, определяют, насколько сильно нужно сдавить предмет при хватании и какой хват будет наилучшим.

Разновидность этого способа, глубинное обучение с подкреплением, хорошо подходит для автономного принятия решений в случаях, когда возможностей обучения с учителем и без недостаточно.

Глубинное обучение (Deep learning)

Глубинное обучение может проходить как без учителя, так и с подкреплением. При глубинном обучении частично имитируются принципы обучения людей — используются нейронные сети для все более подробного уточнения характеристик набора данных.

Глубинные нейронные сети применяются, в частности, для ускорения скрининга больших объемов данных при поиске лекарственных средств. Такие нейросети способны обрабатывать множество изображений за короткое время и извлечь больше признаков, которые модель в конечном счете запоминает.

Этот способ тоже широко применяется для борьбы с мошенничествами, так как улучшает точность распознавания благодаря автоматизации.

Глубинное обучение может использоваться в автомобильной отрасли при выполнении ремонта и профилактического обслуживания.

Методы машинного обучения

Нейронные сети

Нейронные сети имитируют структуру головного мозга: каждый искусственный нейрон соединяется с несколькими другими нейронами. Нейросети имеют многослойную структуру: нейроны на одном слое передают данные нескольким нейронам на следующем и т. д. В конечном счете данные достигают выходного слоя, где сеть выдает предположение о том, как решить задачу, классифицировать объект и т. п.

Нейросети применяются в целом ряде отраслей. В здравоохранении их используют при анализе медицинских снимков с целью ускорения диагностических процедур и поиска лекарств. В телекоммуникационной отрасли и медиаиндустрии нейросети можно применять для машинного перевода, распознавания мошенничеств и предоставления услуг виртуальных ассистентов. В финансовой отрасли их используют для распознавания мошенничеств, управления портфелями и анализа риска. В розничной торговле — для избавления от очередей в кассу и для персонализации обслуживания покупателей.

Дерево решений

Алгоритм дерева решений классифицирует объекты, отвечая на «вопросы» об их атрибутах, расположенные в узловых точках. В зависимости от ответа выбирается одна из ветвей, и так до тех пор, пока не будет достигнут «лист» — окончательный ответ.

Среди применений дерева решений — платформы управления знаниями для клиентского обслуживания, прогнозного назначения цен и планирования выпуска продукции.

В страховой компании дерево решений поможет выяснить, какие виды страховых продуктов и премий лучше задействовать с учетом возможного риска. Используя данные о местонахождении и сведения о страховых случаях с учетом погодных условий, система может определять категории риска на основании поданных требований и затраченных сумм. Затем, используя модели, система будет оценивать новые заявления о страховой защите, классифицируя их по категории риска и возможному финансовому ущербу.

«Случайный лес»

Чтобы одиночное дерево решений давало точные результаты, его нужно обучать, алгоритм же случайного леса (random forest) использует «комитет» случайным образом созданных решающих деревьев с разными наборами атрибутов и дает возможность им проголосовать, чтобы выбрать самый популярный класс.

Случайный лес — универсальный, быстро обучаемый механизм для обнаружения связей внутри набора данных. В пример можно привести нежелательные массовые рассылки, создающие проблемы не только пользователям, но и провайдерам Интернета, которым из-за спама приходится иметь дело с повышенной нагрузкой на серверы. Для борьбы с проблемой были разработаны автоматизированные методы фильтрации спама, которые с помощью ансамбля решающих деревьев быстро и эффективно определяют нежелательные письма.

Среди других применений — диагностика заболеваний путем анализа медицинской карты пациента, распознавание банковских мошенничеств, прогнозирование числа звонков в колл-центрах и прогнозирование вероятности прибыли и убытка при покупке определенных акций.

Кластеризация

Кластеризация — это группирование элементов данных, имеющих сходные характеристики, с помощью статистических алгоритмов. Это метод обучения без учителя, который можно использовать для решения задач классификации.

Примеры: сегментирование покупательской аудитории в зависимости от характеристик для уточнения адресации маркетинговых кампаний; рекомендации новостей конкретным читателям; помощь в работе правоохранительным органам.

Кластеризация также действенна, когда в сложных наборах данных нужно обнаружить группы, которые трудно заметить без специальных средств. Примеры — от группирования похожих документов в базе данных до обнаружения по криминальным новостям территорий с повышенным уровнем преступности.

Поиск ассоциативных правил

Поиск ассоциативных правил — это метод обучения без учителя, позволяющий находить отношения между переменными. Используется в движках выдачи рекомендаций — именно этот метод применяется во многих интернет-магазинах для составления фразы «Вместе с этим товаром обычно покупают...».

Конкретный пример — повышение продаж в магазине деликатесов. Изучив покупательское поведение путем поиска ассоциативных правил, можно предлагать специальную упаковку и наборы для праздников и других особых случаев. Ассоциативные правила позволяют выяснить, когда и при каких обстоятельствах покупатели приобретают те или иные сочетания товаров. Используя сведения о прошлых покупках и времени их совершения, можно составить программу скидок и сформировать индивидуальные предложения с расчетом на повышение продаж.

— Bob Violino. Machine learning: When to use each method and technique. InfoWorld. SEP 6, 2018

Услуга «ИТ как сервис» (IT as a service, ITaaS) – операционная модель, при которой корпоративный ИТ-департамент работает как отдельный бизнес, производя ИТ-продукты и оказывая услуги бизнес-подразделениям. По сути ИТ-департамент является для бизнес-заказчиков лишь одним из множества конкурирующих между собой поставщиков услуг. ITaaS подразумевает ориентацию на потребности заказчиков и их запросы. Важно понимать, что, несмотря на то что аббревиатуры типа XaaS принято применять к различным облачным сервисам, в данном случае речь идет не про облака, а про специфическую модель работы ИТ-подразделения.

Эта модель полностью меняет правила игры: ИТ-департамент перестает быть центром затрат, также появляется дополнительная выгода, поскольку ИТ приближаются к бизнесу. Такой сервис способствует повышению гибкости, облегчает построение модели затрат на основе потребления и упрощает организацию управления по запросам. И может показаться, что переключение на ITaaS открывает невиданные возможности. Но возникает резонный вопрос: все выглядит как-то слишком гладко, в чем подвох?

ITaaS способствует повышению гибкости, облегчает построение модели затрат на основе потребления и упрощает организацию управления по запросам

«Нет ничего труднее, опаснее и неопределеннее, чем руководить введением нового порядка вещей», – писал Макиавелли. А ИТ в качестве сервиса – именно новый порядок вещей, радикально иной способ управления ИТ.

От ИТ-директора переход на эту модель требует переосмысления организации ИТ, инвестиций в технологии, процесса управления талантами, экосистемой и выстраивания взаимоотношений с бизнесом. Такие изменения не даются легко, быстро и дешево. И риски исключить практически невозможно.

Альтернатива «большому взрыву»

Неудивительно, что ИТ-директора в первую очередь интересуются способами снижения рисков. Главный совет таков: не стоит противопоставлять ITaaS уже имеющимся решениям и прибегать к стратегии «всё или ничего».

Структура традиционного ИТ-обслуживания в модели «ИТ как сервис» не работает. Но это не значит, что нужно отказаться от такой структуры полностью. В качестве альтернативы можно рассматривать переход к ITaaS только в областях, представляющих особую ценность, – там, где ИТ необходимо срочно приводить в соответствие с потребностями бизнеса. Эти области связаны с цифровой темой – сферой, где бизнес-подразделения используют технологии для изменения взаимодействия с клиентами и укрепления конкурентоспособности.

Внедряя ITaaS первым делом в высокоприоритетных областях и отказываясь от подхода «большого взрыва», меняющего все, вы получаете три ключевых преимущества в части минимизации рисков:

• ограничиваете область изменений;

• потенциально избегаете расширения инвестиций;

• изучаете новую организационную структуру на начальном этапе, прежде чем переносить ее в другие области.

Предостережения

Такой ограниченный подход имеет ряд недостатков. Хотелось бы предостеречь от ошибок, связанных с внедрением ITaaS в уже существующую структуру традиционных ИТ. Чтобы внедрять ITaaS только в областях, представляющих высокую ценность, требуется создать параллельную организацию с дублирующими функциями. Но это уменьшает риски, сопряженные с подходом «большого взрыва».

Еще одно предостережение обусловлено тем, что внедрению новой модели сопротивляются сотрудники ИТ-службы. Они стараются отстоять традиционные стандарты и сохранить прежний менталитет. Модель ITaaS нуждается в серьезной поддержке, которую нужно организовать совместно с бизнес-подразделениями. Наверняка между двумя существующими ИТ-моделями возникнут трения. А ИТ-директор должен управлять этими процессами.

Консервативный вариант

Есть и третий вариант – не переходить на ITaaS вовсе. Тогда придется повышать гибкость ИТ-услуг, что, в свою очередь, создаст условия для процветания теневых ИТ. Бизнес-подразделения, где ИТ имеют важное значение, часто недовольны качеством обслуживания, когда внимание уделяется возможностям ИТ-службы, а не приведению технологий в соответствие потребностям бизнеса.

Ставка на ограниченный подход. Что дальше?

После внедрения в высокоприоритетных областях дальнейший выбор организации и вероятность перехода на новую модель будут зависеть от достигнутых результатов, эффективности предлагаемой структуры и восприятия ее бизнесом.

– Peter Bendor-Samuel. How to shape your IT-as-a-Service strategy. CIO. Apr 26, 2016

Требования к системам долговременного хранения данных сильно отличаются от требований к системам хранения, обслуживающим приложения ERP, транзакционные базы данных или почтовые сервисы. Для корпоративных приложений нужна система хранения, обеспечивающая максимально быстрый доступ к данным и их постоянную доступность, а при долговременном хранении на первый план выходят сохранность данных в течение десятков лет и низкая удельная стоимость их хранения. В настоящее время для долговременного хранения используются три основных типа запоминающих устройств: магнитные ленты, оптические диски и жесткие диски. В этом обзоре мы рассмотрим преимущества и недостатки каждой из этих технологий.

Бесконечная масштабируемость лент

Магнитные ленты используются в ИТ-индустрии с 1952 года, относительно недавно они рассматривались как основное средство для записи данных. Однако с развитием компьютерных систем на базе жестких дисков, которые работают значительно быстрее ленточных библиотек, основным применением лент стало долговременное хранение данных.

Еще в прошлом десятилетии существовало несколько несовместимых между собой типов ленточных накопителей (в том числе Quantum SuperDLT, Sony AIT, Exabyte Mammoth), в настоящее время стандартом де-факто хранения на ленте стал открытый стандарт Linear Tape Open (LTO), актуальность которого совместно поддерживают HP, IBM и Quantum.

Последняя версия этого стандарта – LTO-6 – обеспечивает хранение на одном картридже 2,5 Тбайт данных, а при использовании аппаратного сжатия емкость картриджа можно увеличить до 6,25 Тбайт. В сентябре нынешнего года опубликована спецификация LTO-7, позволяющая хранить на одном картридже 5 Тбайт данных (при использовании сжатия – до 15 Тбайт). Консорциум LTO планирует выпустить с интервалом около трех лет еще как минимум четыре поколения устройств, при этом емкость картриджа с каждым новым поколением будет увеличиваться примерно вдвое. Прогнозируется, что один картридж LTO-10 будет вмещать 48 Тбайт данных (без сжатия). Важно отметить, что LTO не предусматривает полноценной преемственности поколений считывающих устройств. Нет никаких гарантий, что привод нового поколения сможет читать и записывать данные на картриджах предыдущих версий. Например, на приводе LTO-6 можно читать и записывать картриджи LTO-5, но записывать данные на картриджи LTO-4 нельзя – их можно только прочесть.

Производители систем хранения сейчас предлагают ленточные библиотеки разного класса – например, у компании HP библиотека StorEver MSL2024 в начальной конфигурации вмещает 24 картриджа и 2 привода LTO, а библиотека корпоративного класса StorEver ESL G3 расширяется от 100 до 12 тыс. картриджей и 192 приводов LTO, занимая в максимальной конфигурации 16 шкафов.

Хотя физическая емкость ленточной библиотеки определяется максимальным числом слотов (отсеков для картриджей), тем не менее по мере записи картриджей их можно извлекать из библиотеки для отправки в специальное хранилище и устанавливать вместо них новые, что означает практически неограниченное масштабирование полезной емкости ленточной библиотеки (разумеется, ленточные приводы имеют ограниченный срок службы, однако их тоже можно заменять по мере износа). А вот емкость дисковых систем жестко ограничена максимальным числом накопителей, и единственный способ увеличить этот показатель – провести замену жестких дисков на новые модели большей емкости, для чего потребуется выполнить сложную процедуру миграции данных. Высочайшая масштабируемость хранилища – одно из главных преимуществ магнитных лент.

У ленты также значительно ниже, чем у жестких дисков, удельная стоимость размещения данных на носителе. Так, стоимость 1 Гбайт полезной емкости на картридже LTO-6 составляет порядка 0,08 долл. Но и хранение записанных на ленте данных обходится существенно дешевле, чем на дисках. Это связано с тем, что кассеты с магнитной лентой, в отличие от винчестеров, установленных в работающем дисковом массиве, после записи на них данных не потребляют энергию и их можно переместить в специальное хранилище для экономии места в дата-центре.

Срок хранения данных на ленте составляет 20-30 лет

Для долговременного хранения данных часто требуется гарантировать невозможность уничтожения или изменения информации (например, при хранении юридических документов) и шифрование для предотвращения доступа посторонних к конфиденциальным данным. Для удовлетворения этих требований выпускаются специальные картриджи LTO для однократной записи (WORM), а сами приводы LTO поддерживают аппаратное шифрование при записи данных на ленту.

Для ускорения поиска и считывания записанных на ленте данных в LTO применяется технология Linear Tape File System (LTFS), позволяющая организовать с помощью файловой системы содержимое ленты таким образом, что ее работа будет аналогична работе файловой системы на жестких дисках или флеш-накопителях. Например, можно будет выводить каталог записанных на картридже файлов или перетаскивать на него файлы мышью.

Как утверждают производители ленточных систем, срок хранения данных на ленте составляет 20-30 лет. Однако нужно учитывать, что по истечении этого срока приводы, на которых производилась запись, будут давно сняты с производства, а на современных приводах уже нельзя будет прочитать картриджи, записанные несколько десятилетий назад (напомним, что LTO обеспечивает совместимость по чтению только с двумя предыдущими поколениями, поэтому на современных приводах LTO-6 нельзя прочесть картриджи LTO-4, записанные десять лет назад).

Разумеется, вместе с архивом можно хранить законсервированный устаревший привод, однако даже если по прошествии двух десятков лет такой привод сохранит работоспособность, то при его использовании возникнут дополнительные проблемы – например, его нельзя будет подключить к компьютеру по современным интерфейсам либо будет трудно найти специалистов, умеющих обслуживать это устаревшее устройство. По этой причине рекомендуется при долговременном хранении примерно каждые десять лет проводить миграцию данных на новые картриджи. Поскольку емкость картриджей постоянно увеличивается, то при миграции архива будет уменьшаться число картриджей, а значит, упростятся их хранение и поиск нужных данных.

Скорость доступа к данным, хранящимся на ленте, сильно зависит от того, где физически находится картридж. Если он размещен в слоте ленточной библиотеки, то чтение данных займет не более нескольких минут – робот библиотеки извлечет картридж из слота, установит его в ленточный привод, который прочитает содержание ленты. Однако эта процедура займет намного больше времени, если нужный картридж хранится отдельно от библиотеки. Если хранилище локальное (в соседнем помещении или соседнем здании), то на поиск картриджа и его перемещение в библиотеку может уйти несколько часов, а если картридж находится в удаленном хранилище в другом городе, то тогда ждать считывания данных с ленты придется несколько дней.

Уязвимая органика оптических дисков

Первые компакт-диски появились в 1982 году, и этот тип носителей по-прежнему широко используется домашними пользователями ПК, несмотря на популярность флеш-накопителей и внешних жестких дисков. Чаще всего домашние пользователи хранят на компакт-дисках свои фото или библиотеку фильмов. Тем не менее обычные оптические диски CD и DVD плохо подходят для долговременного хранения данных из-за химических процессов, которые со временем приводят к постепенному разрушению изготовленного из органических материалов записывающего слоя диска, и записанная на диске информация теряется уже через 7-15 лет. Поэтому производители оптических дисков разработали специальные накопители для архивного хранения.

Компании Sony и Panasonic совместно разработали формат дисков Archival Disc, обеспечивающий сохранение информации в течение не менее 50 лет. Первое поколение Archival Disc, представленное нынешним летом, обеспечивает хранение на одном диске 300 Гбайт данных, а у второго и третьего поколений емкость диска увеличится до 500 Гбайт и 1 Тбайт соответственно. Как заявляют разработчики Archival Disc, все три поколения будут полностью совместимы между собой.

Новый формат оптических дисков обеспечивает сохранение информации в течение не менее 50 лет

Компания Millenniata, основанная в 2007 году ученым-химиком Мэтью Линфордом, разработала оптические диски для архивного хранения M-Disc, в которых имеется специальный защитный слой из неорганического материала. По утверждению Millenniata, M-Disc способен сохранять записанную на диске информацию до 1 тыс. лет. Компания Verbatim в нынешнем году начала производить диски M-Disc и предлагает для решений корпоративного класса накопители емкостью 100 и 200 Гбайт. Для записи информации на диски M-Disc используется специальный привод M-Writer, но прочитать их можно на обычных приводах DVD и Blu-Ray.

Поскольку оптические диски являются съемными носителями, хранение на них архивов обеспечивает те же преимущества, что и лента: низкую стоимость хранения, нулевое энергопотребление и возможность перемещать носители из дата-центра в специальное хранилище. Кроме того, в отличие от ленты, оптические диски невосприимчивы к электромагнитному излучению, поэтому способны сохранить данные в случае магнитных бурь, а также лучше переносят высокую температуру. Кроме того, для оптических дисков реже, чем для ленты, требуется миграция данных на новые носители при долговременном хранении, поскольку их можно читать на обычных приводах DVD и Blu-Ray. Однако ленточные картриджи значительно опережают оптические диски по емкости, и для хранения большого архива на ленте нужно меньше носителей, что упрощает управление архивом и поиск в нем нужной информации. Также лента обеспечивает более надежный механизм защиты от ошибок при записи и более высокую скорость чтения и записи данных.

Быстрый доступ к массивам жестких дисков

Хранение архивов на жестких дисках обходится довольно дорого, тем не менее ряд производителей систем хранения предлагают дисковые системы, разработанные для обслуживания электронных архивов. Например, компания EMC уже почти десять лет выпускает систему Centera, а входящая в состав WD компания HGST предлагает систему Active Archive System, масштабируемую до 4,7 Пбайт. Производители жестких дисков выпускают специальные модели для архивных систем, отличающиеся пониженным энергопотреблением и высокой емкостью, – например, 8-терабайтные диски Seagate Archive HDD.

В конце прошлого десятилетия стоимость хранения архивов и других «холодных» данных на жестких дисках пытались снизить с помощью технологии MAID (massive of idle discs), позволяющей уменьшить энергопотребление дисковых систем за счет снижения скорости вращения тех накопителей, к которым за последнее время не было обращений. Но технология не получила широкого распространения. Некоторые вендоры пытались создать архивные системы на базе съемных жестких дисков, которые можно перемещать из системы в специальное хранилище так же, как ленточные картриджи и оптические диски, однако и эти проекты потерпели неудачу.

Существуют и другие «противопоказания» к хранению архивов на жестких дисках. Так, срок жизни жестких дисков составляет 5 лет, поэтому переносить данные на новые носители нужно чаще, чем при использовании ленты или оптических дисков. Существуют различные программные решения, предотвращающие изменение или стирание хранящихся на жестких дисках данных, однако ленты или оптические диски с однократной записью более надежно защищают от изменения архива. Наконец, архиву, хранящемуся на массиве жестких дисков, значительно сложнее обеспечить защиту от катастроф. Если ленту или оптические диски можно хранить в удаленном хранилище, то катастрофоустойчивость хранения для дисковых массивов можно обеспечить только с помощью синхронизации данных на другом массиве, установленном на удаленной площадке, что многократно повышает стоимость хранения.

Основным преимуществом хранения архивов на жестких дисках является скорость доступа к информации. Многим компаниям, чтобы выполнить требования законодательства, необходимо обеспечить не просто долговременное сохранение своих электронных архивов, но и быстрое предоставление информации из этих архивов по запросу регулирующих органов, и поэтому для них оптимальным вариантом будет хранение архивов на дисковых массивах, которые позволяют быстро найти нужный документ в архиве и извлечь его.

А как же флеш-память?

Последние несколько лет технологии твердотельной памяти сильно изменили индустрию систем хранения, и твердотельный накопитель сегодня является стандартным компонентом многих дисковых массивов. Однако твердотельная память пока не используется для архивного хранения из-за своей высокой цены – удельная стоимость хранения на флеш-памяти существенно выше, чем на «архивных» жестких дисках, не говоря уже о ленте и оптических дисках. Кроме того, нужно учитывать, что срок хранения данных на твердотельной памяти меньше 10 лет. Но ее главное преимущество, которое компенсирует высокую цену, – исключительно быстрый доступ к данным. Поэтому при построении архива флеш-диски тоже могут найти себе применение – например, как кэш для ускорения доступа к нужной информации в каталоге архива.

Основное различие существующих систем, позволяющих определять местоположение объектов, заключается в их масштабах и точности. Например, точность работы глобальных навигационных систем и мобильных операторов, несмотря на всю их мощь, недостаточна в масштабах помещения — невозможно определить точное местоположение внутри него. Этих недостатков лишены системы локального позиционирования (Real Time Location System, RTLS), ключевые преимущества которых заключаются именно в точности позиционирования на ограниченной территории, например на территории завода или конкретного офиса. Они начинают все шире применяться для анализа потока людей и их поведения — как на производстве, так и, например, в крупных торговых центрах.

Принцип работы систем RTLS очень прост: по периметру помещения расставляется специализированное оборудование — точки доступа, измеряющие расстояние от себя до мобильных устройств. Зная расстояния от мобильного устройства до хотя бы трех точек доступа, система достаточно точно определяет местоположение объекта. В качестве основы таких решений могут использоваться технологии RFID, Wi-Fi, сверхширокополосные технологии Ultra Wide Band, а также стандарт радиосвязи IEEE 802.15.4а (Chirp Spread Spectrum, CSS).

Выбор какой-либо из технологий во многом зависит от специфики задачи и контролируемых объектов. Например, если территория большая, то правильнее применять технологии CSS. При очень высоком числе контролируемых объектов крайне критична стоимость мобильных устройств. В этом случае имеет смысл использовать дешевые RFID-метки. Имея сеть Wi-Fi с достаточно плотной расстановкой оборудования, высокой эффективности можно ожидать и от этой технологии. Перспективной называют и технологию iBeacon, однако она новая и ее будущее еще туманно.

Из российских поставщиков решений RTLS можно выделить RTL Service, Watcom Group, НПО «Аналитика» и «Корус Консалтинг». К бизнес-задачам, решаемым с помощью таких систем, следует отнести контроль доступа, навигацию внутри помещений, контроль дисциплины персонала и управление перемещением оборудования. Однако наибольшее распространение на сегодня имеют решения для ретейлеров, связанные с оценкой поведения покупателей. Они базируются на исследовании статистики MAC-адресов мобильных устройств, регистрируемых оборудованием. Именно с этой целью во многих торговых центрах обеспечивается свободный доступ посетителей к Wi-Fi.

Разобраться в процессах

Как отмечает Михаил Могилевский, генеральный директор НПО «Аналитика», сейчас системы покупательской аналитики на основе Wi-Fi получают распространение среди наиболее «продвинутой» части ретейла, склонной к инновациям. Тем не менее все быстро меняется, и если два года назад никто не слышал про такого рода технологии и не понимал, как ими пользоваться, то сейчас есть несколько известных компаний, проводящих тендеры по выбору поставщика решения для анализа поведения покупателей.

«Пожалуй, единственное общее у нынешних заказчиков — это желание глубоко разобраться в процессах, происходящих в собственном бизнесе, и научиться не только реагировать на события, но и предвосхищать их», — говорит Могилевский. Изначально средства аналитики Wi-Fi создавались под нужды ретейлеров, следующим сегментом потребителей стали торговые центры. К настоящему времени появились и совершенно другие клиенты: контролирующие организации, автодилеры, рестораны и предприятия фастфуда.

При этом подобные инструменты применимы для совершенно разных задач: от понимания, насколько полезен был дорогостоящий массовый тренинг персонала, и измерения эффективности внешней рекламы до точечных коммуникаций с лояльными посетителями. Разумеется, главной задачей магазинов всегда было увеличение продаж. Однако начиная с октября-ноября прошлого года сильно выделяется задача по оптимизации и гармонизации арендных ставок различных магазинов. Аналитика Wi-Fi как раз дает великолепные аргументы в споре между арендатором и арендодателем.

Кроме того, крайне важна возможность в режиме реального времени получать уведомления о пересечении пороговых значений — например, о резком увеличении доли покупателей, уходящих без покупки. В этом случае есть шанс оперативно отреагировать.

Наложив получаемую информацию на другие данные (например, о продажах), можно сделать много интересных выводов. Привязка же МАC-адреса устройства к личности владельца дает поистине безграничные возможности персонализации. Эта история весьма перспективна, но нужно уметь использовать такие данные в рамках существующего законодательства.

Объективные цифры вместо ощущений

«Для любого ресторана показателем успеха является число посетителей, возвращающихся в заведение многократно. При большой посещаемости понять, сколько на самом деле людей возвращается и как часто это происходит, весьма сложно», — говорит Константин Жебенев, владелец ресторана Craft Bier Cafe, год назад внедривший систему анализа посетителей на базе финского решения Walkbase. Ничего интереснее анализа статистики Wi-Fi найти не удалось.

Например, технологии iBeacon, позволяющие присылать сообщения на телефоны, находящиеся в радиусе действия роутера, работают только на продукции Apple, причем начиная с версии 4S и на самых дорогих моделях устройств Android. Охват аудитории в России — никакой, сейчас заниматься этой технологией смысла нет, хотя перспективы ее бесспорны. Wi-Fi же есть в каждом телефоне. Кроме того, ресторан не столь уж велик, и официанты лучше любого телефона смогут коммуницировать с клиентами.

Все остальные инструменты упираются в создание системы лояльности. Аналитика Wi-Fi зачастую дает более точные цифры, чем система лояльности, — люди регулярно забывают дома свои карты, это стандартная ситуация. Кроме того, любая система лояльности стоит денег, и немалых — клиентам придется давать скидку не менее 10%, и ровно на эту сумму снизится выручка заведения.

«Похожее решение мне посоветовали знакомые предприниматели, однако оно было явно сырым. Взглянув на рынок, я увидел, что аналогичный продукт предлагает «Корус Консалтинг», и после недолгих переговоров мы запустили пилотный проект», — вспоминает Жебенев. Это было вполне логичным действием: открыв ресторан и выведя его на определенный уровень, руководство стало интересоваться, с кем ведется работа и как часто люди возвращаются. Несмотря на то что аналитика Wi-Fi изначально создавалась для ретейла, ресторанному бизнесу она тоже неплохо подходит.

«Я понимаю эту технологию и не жду от нее ничего сверхъестественного», — подчеркивает Жебенев. Следовало максимально точно посчитать, сколько людей приходит, сколько времени они проводят в ресторане, число повторных визитов. Ради интереса измеряется и количество людей, прошедших мимо.

На основе собранной статистики можно увидеть много интересных тенденций. Например, если пребывание каких-то людей в ресторане составило меньше 10 минут — это тревожный сигнал: скорее всего, они посмотрели меню и ушли. Совсем исключить такую ситуацию не получится, но подсчитать число таких посетителей крайне важно. Можно что-то менять в меню и в организации работы и наблюдать за тенденциями. Другой важнейший показатель — повторные визиты: насколько часто люди заходят более одного раза, становясь лояльными клиентами. Здесь также интересуют не столько абсолютные величины, сколько тренды. Вероятно, это самое простое и очевидное, что можно сделать на базе технологии Wi-Fi.

Конечно, вся проводимая аналитика должна воплощаться в бизнес-действия. Например, открыв статистику за месяц и увидев, что 14% посетителей имеют два посещения, а 73% — лишь один визит, можно сделать выводы, что людям что-то не нравится. Владелец бизнеса должен спросить за такой результат с директора заведения. Надо создавать фокус-группу и начинать с ней работать, заставлять возвращаться, создавая историю с лояльностью, что-то обещать за повторные визиты. Это не очень дорого, но действенно. При успешном исходе акции это повлияет на частоту визитов людей и выручку заведения.

«Мы получили средство измерения, и оно дает объективные цифры взамен наших субъективных ощущений. Это знание позволяет нам изменяться, становиться лучше, на основе измерений планируя какие-то воздействия», — подчеркивает Жебенев. Скажем, если падает посещаемость со стороны постоянных клиентов, то им рассылаются SMS-сообщения о новинках и предложениях. Когда же падает общая посещаемость, планируются рекламные действия, чтобы привлечь новую публику.

Практика показывает, что 80% людей даже не думают о том, что Wi-Fi на мобильном устройстве можно выключить, поэтому охват аудитории получается вполне репрезентативный. Такой показатель подтвержден и собственными цифрами Craft Bier Cafe: на начальном этапе проекта собранная статистика сравнивалась с количеством ежедневных чеков.

Таким образом, у владельцев ресторана появился инструмент для измерения популярности заведения, лояльности гостей, эффективности работы сотрудников и действенности мероприятий, а также улучшенного понимания поведения клиента в целом. Полученные данные позволили корректировать методы работы с гостями заведения.

Согласно одному из определений, управление опытом пользователя — это набор процессов для отслеживания, контроля, организации каждого акта взаимодействия между потребителем и поставщиком в течение всего периода, когда клиент пользуется продуктом или услугой. Основная задача CEM — оптимизировать все элементы взаимодействия с клиентами с целью увеличить лояльность пользователей и снизить их отток. Сторонники СЕМ уверены в ее реальной ориентированности на клиента, в отличие от CRM, где часто проект ограничивается формированием единой базы клиентских данных и автоматизацией формализованных процессов взаимодействия. Однако в целом мнения экспертов полярны: от восприятия CEM как «побочного продукта» CRM до утверждения, что СЕМ — это CRM в том виде, в котором она должна была быть изначально. Многие сходятся в том, что СЕМ шире по охвату, чем CRM в нынешнем понимании: ее работа с клиентом начинается раньше и заканчивается позже.

Проблемы внедрения CEM начинаются с того, что компании затрудняются со сбором адекватной информации об эмоциональном состоянии клиента. Согласно исследованию, проведенному Avaya, 83% компаний могут организовать автоматический сбор в реальном времени лишь некоторых элементов персонализированной информации о пользовательском опыте. Во многом из-за этого процент неудачников просто ужасает — за последние три года CEM-инициативы не оправдали себя у 81% компаний. Основной причиной такого положения дел становится рассогласованность проектов с предпочтениями пользователей, что указывает на проблемы внутри самой организации.

Пожалуй, самое активное применение технологии по управлению клиентским опытом находят в отраслях с наиболее жесткой конкуренцией — телекоме, ретейле и банковской сфере. Многие из компаний реализуют клиентоориентированный подход, с большим или меньшим успехом реализуя программы лояльности и формируя персональные предложения. Особенно большую активность проявляют розничные банки и компании из сферы электронной торговли. Тем не менее наиболее развитыми CEM-решениями может похвастаться телеком. Причина проста — именно здесь доступна максимально полная информация о действиях клиента и событиях в его жизни. Этот сегмент рынка переживает взрывной рост: по прогнозам ABI Research, рынок CEM-решений для мобильных операторов с 2012 по 2018 год вырастет более чем в 60 раз — с 230 млн долл. до 14 млрд долл.

Более жесткая конкуренция среди разработчиков CEM на рынке телекома объясняется еще и тем, что здесь, помимо традиционных ИТ-вендоров, таких как HP, Amdocs и IBM, свои решения предлагают еще и производители телекоммуникационного оборудования — Ericsson, Nokia Networks, Alcatel-Lucent, Huawei.

Соответствовать ожиданиям

В «ВымпелКоме» существуют две параллельные, но связанные между собой структуры, целью работы которых является управление клиентским опытом и абонентской базой, — блок по клиентскому опыту и дирекция по управлению абонентской базой. «Именно системное и гармоничное взаимодействие двух близких по смыслу, но различных по технологиям подходов способно дать в конечном итоге желаемый результат: стабильно развивающуюся базу клиентов, которые не просто довольны своим оператором, но и любят его», — уверен Артем Вартанян, вице-президент по клиентскому опыту ОАО «ВымпелКом». Стратегическая задача компании весьма амбициозна: уже к 2016 году стать любимым оператором. Формулировка говорит сама за себя: в ее основе — сильные человеческие эмоции.

«Билайн» начал активно применять подход, привязанный к эмоциям клиента, в 2013 году. В его основе — система постоянных улучшений, основанных на обратной связи с клиентами. Их мнение собирается по распространенной схеме «индекса лояльности» (Net Promoter System, NPS). Построенная система напрямую собирает отклики клиентов в точках взаимодействия с компанией и одновременно позволяет определить их эмоции.

«Мы получаем до 5 млн мнений клиентов в год. Эта обратная связь лежит в основе коучинга сотрудников, которые обслуживают клиента на первой линии», — говорит Вартанян. Также мнение клиентов берется в расчет при планировании развития и оптимизации сети и разработки наиболее понятных и интересных клиентам продуктов и услуг.

В основе реализованной CEM-системы лежит решение Medallia, интегрированное с другими корпоративными приложениями. Это облачное решение, которое в режиме реального времени показывает обратную связь с клиентами в разных точках взаимодействия по всей России. На сегодняшний день такой системой пользуются более 9 тыс. сотрудников. Анализ поступающих данных становится основой для улучшения работы сети розничных продаж, контакт-центра, подразделений маркетинга и технического блока. Показатель NPS стал одной из основных метрик принятия решений наравне с финансовыми. Было доказано, что NPS имеет прямую корреляцию с операционными и финансовыми показателями эффективности: каждый уровень удовлетворенности по шкале от 0 до 10 имеет свой уровень оттока и прибыльности абонентов.

«Разумеется, мы не ограничиваем работу с абонентской базой непосредственным опросом клиентов. Это связано с тем, что мы не хотим быть назойливыми и действуем согласно нашей внутренней политике контактов», — подчеркивает Вартанян. Кроме того, абоненты и сами высказывают свои эмоции в соцсетях или при обращении в контакт-центр. Наконец, у мобильного оператора, в силу специфики деятельности, есть большой достоверный объем данных. Аналитики «ВымпелКома» постоянно улучшают математические модели, позволяющие анализировать и прогнозировать состояние клиента, его поведение, эмоциональное отношение к компании и предлагать то решение, которое будет наиболее соответствовать его потребностям. Это было бы невозможно без технологий Больших Данных и умения их анализировать, декомпозировать и с их помощью выстраивать как достаточно общие для абонентской базы тренды, так и исключительно индивидуальные, персонифицированные предложения.

«В итоге наша задача — предложить именно то, что соответствует ожиданиям клиента. Если мы правильно такую задачу решаем, наш клиент испытывает удовлетворение, что, в свою очередь, формирует стойкую эмоциональную привязку к нам», — отмечает Вартанян.

В некотором смысле у «ВымпелКома» есть преимущество: он работает в составе международной группы компаний, что позволяет обмениваться знаниями, технологиями, подходами. Например, в 2015 году планируется масштабное применение технологий событийного маркетинга — исходя из полученных данных, оператор будет реагировать на текущие потребности клиента в режиме, близком к реальному времени.

Эмоции как конкурентное преимущество

«То, что происходит с отношением к CEM в России, на мой взгляд, следует из неверного понимания его сути у нас», — считает Елена Ивашечкина, директор по развитию отношений с клиентами группы компаний «Связной». Большинство российских компаний ориентируются на базовые вещи — например, на фиксацию очевидных проблем в продукте. В мире же акцент делается именно на уникальных, превосходящих ожидания удобстве и комфорте от использования продуктов и сервисов компании для конкретного клиента. Такой комфорт и отличает бренд компании от других, на основе этого фактора клиент в итоге делает выбор.

«Мне кажется, что воспринимать CEM как альтернативу CRM некорректно — это две дополняющие, а не взаимозаменяющие друг друга технологии», — говорит Ивашечкина. Возможности CRM заметно изменились: раньше они позволяли реализовывать сегментированный подход к клиентам, а сейчас подход сменяется на персонализированный. Параллельно с этим появляется CEM как способ оценить и улучшить удобство предлагаемых сервисов для клиента. Эти понятия зачастую сливаются: бессмысленно делать целевое предложение клиенту, если ему неудобно пользоваться вашим продуктом в целом, и наоборот — трудно создать удобный и интересный клиенту продукт без персонализации.

В российских компаниях зачастую наблюдается примитивный подход: многие внедряют индекс лояльности NPS, «завязывая» на него мотивацию продавцов, и считают это достаточным. Они судят о своих успехах в Customer Experience по готовности клиентов рекомендовать компанию знакомым. Однако, если использовать только такой подход, продавцы начинают адаптировать свое поведение, ища собственные выгоды. Клиенты тоже понимают, почему их спрашивают о готовности рекомендовать компанию, и система теряет объективность, переставая работать.

Традиционно человеческий фактор является слабым звеном сервиса российских компаний. И пока здесь больше управленческих вопросов, чем технологических: многое зависит от грамотного руководителя, способного выстроить процессы обслуживания и заставить персонал их соблюдать.

С появлением общедоступного Интернета и соцсетей клиент изменился: он владеет подробной информацией и может выбирать. Цена перестает быть основным конкурентным преимуществом, и поэтому термин Customer Experience постепенно материализуется. Компании могут эмоционально привязывать клиентов к своему бренду, именно эмоции будут заставлять их приходить снова, генерируя прибыль компании.

«Эмоции клиента — очень популярная и актуальная тема, сейчас главная проблема в том, как их измерить», — признает Ивашечкина.

В полной мере технологии CEM способны проявить себя в рамках многоканального маркетинга, набирающего сейчас популярность. Он заключается в создании для клиента интегрированного пространства взаимодействия, с помощью которого он может заказать, оплатить и получить товар удобными для себя способами — возможно, переходя из одного канала в другой.