Сбербанк

Международная конкуренция, обусловленная необходимостью повысить производительность труда, стремление корпораций заместить операционные расходы на зарплату капитальными затратами на оборудование, увеличение доли неработающего населения — всё перечисленное благоприятствует развитию робототехники. Рынок растет очень активно — в среднем примерно на 17% в год, при этом сервисные роботы обгоняют по темпам продаж роботов промышленных. Неуклонно расширяется военное, промышленное и коммерческое использование роботов, а взрывной рост в потребительском секторе даже заставил аналитиков Boston Consulting Group скорректировать прежние прогнозы: к 2025 году, как теперь ожидается, общий объем рынка робототехники достигнет 87 млрд долл. Из машиностроения и автомобилестроения, где роботы на производстве уже доминируют, скоро они придут в другие отрасли. Одна из самых существенных расходных статей роботизации — затраты на обучение роботов — заметно сокращается благодаря использованию облачных технологий и автоматическому распространению навыков, получаемых каждым роботом, сразу на все обучаемые машины. Полным ходом идет и создание самообучаемых роботов.

Внутренние резервы

В России уровень роботизации промышленности — один из самых низких в мире, но имеются неплохие возможности для развития в тех отраслях, которые в мире пока роботизированы слабо: в атомной и авиационной промышленности, в судостроении, в сельском хозяйстве и добыче полезных ископаемых. Потенциал роботизации страны обеспечивают не только громадная территория с небольшим населением, сильные программисты и активные госкорпорации, но и достаточно развитая сервисная экономика. Финансы приносят 4,5% ВВП, еще 16% дает торговля, и есть шанс, что эти отрасли станут локомотивами робототехники, полагает Альберт Ефимов, руководитель Лаборатории робототехники Сбербанка, открывшейся в 2017 году.

Гонка корпоративных вооружений

Для Сбербанка робототехника, наряду с блокчейном и искусственным интеллектом, — одно из исследовательских направлений, нацеленных в первую очередь на создание конкурентных преимуществ. «Если банк не думает о своих роботах, то рано или поздно чужие роботы начнут думать о банке!» — уверен Ефимов.

Индустрии сегодня меняются и взаимно пересекаются, крупнейшие компании неожиданно выходят на нетрадиционные для них рынки. Так, Аmazon вышла на рынок финансовых услуг, а Сбербанк совместно с «Яндексом» начал заниматься онлайн-ретейлом. Такая смена ролей гигантов вносит свои поправки в корпоративную «гонку вооружений»: чтобы не отстать от конкурентов, бизнесу приходится осваивать непривычные для него области. «Происходит своего рода «кросс-переодевание» громадных компаний, — говорит Ефимов. — И если нашим конкурентом становится такая компания, как Аmazon, нам придется «по-амазоньи» работать. Если у них есть робототехника, значит, и мы должны ею заниматься».

Источники силы, слабости и угроз

Выступая на конференции «Технологии машинного обучения», организованной издательством «Открытые системы», Ефимов привел результаты SWOT-анализа российского рынка робототехники. К сильным сторонам он отнес оснащенное смартфонами технократическое население, ежегодный выпуск российскими вузами 800 специалистов в области робототехники и мехатроники, умение инженеров решать сложные задачи, а также обилие отечественных робототехнических стартапов.

В числе слабых сторон — низкий уровень доверия друг другу участников рынка, безнадежно устаревшие программы вузов, миграционная политика, поощряющая приток дешевой рабочей силы, а также слабая культура предпринимательства, дизайна и промышленной эстетики. «Что бы инженеры-робототехники ни делали, все равно выходит «танк», так их научили», — констатирует Ефимов.

Угрозами, тормозящими развитие робототехники в России, Ефимов считает фокусировку талантливых инженеров на работе с военно-промышленным комплексом, технологическое замещение и исчезновение профессий, сопротивление органов исполнительной власти, дефицит квалифицированных кадров, а также медленную реализацию идей. «За то время, что у нас делают презентацию о продукте, в Китае делают сам продукт», — отмечает он.

Перспективная пятерка: коботы, логистические роботы, дроны, экзоскелеты и «голос»

Из всего многообразия направлений робототехники в Сбербанке выбрали для себя пять стратегических приоритетов: промышленную коллаборативную робототехнику, логистические и беспилотные транспортные системы, промышленные экзоскелеты и персональных ассистентов. Технологии, разрабатываемые в этих направлениях, отвечают двум главным критериям: имеют непосредственное прикладное применение в банке уже сегодня и обладают достаточным потенциалом конкурентоспособности для глобального масштабирования. Лаборатория не работает с внешними клиентами, если они не являются частью экосистемы Сбербанка, и не занимается решениями, аналоги которых можно приобрести на рынке.

Вопрос, зачем банку нужны роботы, неизбежно возникает, поскольку клиенты не видят огромного комплекса сложных операций, стоящих за наличным денежным оборотом, и разнообразных внутренних взаимодействий, которые необходимы при оказании корпоративных услуг.

Ежегодно Сбербанк обрабатывает громадное количество наличных денег — 80 тыс. тонн: если погрузить их в вагоны, то состав протянется от Москвы до Санкт-Петербурга. Для пересчета наличности используются сотни машин. Промышленные коллаборативные роботы, уже названные «коботами», повышают производительность труда сотрудников, что в итоге удешевляет обслуживание клиентов. Разработанный в лаборатории запатентованный роботизированный комплекс для пересчета денежной наличности в настоящее время проходит нагрузочное тестирование. Этот кобот безопаснее своего предшественника, на 30% дешевле и, как предполагается, на 40% производительнее.

Крайне важна для экосистемы банка и бесперебойная логистическая система. Ежемесячно каждый из 300 тыс. сотрудников Сбербанка получает для ведения своей деятельности в среднем 20 кг различных принадлежностей — от калькулятора до ластика. На комплектацию всей этой «оснастки» уходят немалые деньги — до 80% от самой ее стоимости, и операцию эту необходимо удешевить, а именно — роботизировать.

Беспилотные транспортные средства — воздушные и наземные — помогут справляться с такими проблемами, как плохие дороги и отсутствие мостов. Инкассаторской бригаде иногда приходится по несколько часов добираться из одного населенного пункта в другой, хотя расстояние между ними не превышает 10–15 км. За год инкассаторы банка «наматывают» по плохим дорогам до 4 млн км, перевозя около 2 тыс. тонн груза. Эту работу поручат дронам.

Промышленные экзоскелеты предназначены для использования на рабочих местах с повышенной утомляемостью. Там, где человек стоит целый день перед счетной машиной, перемещая за месяц вручную до 20 тонн монет, легкий экзоскелет для нижней части тела позволяет снять часть нагрузки с ног. Таких рабочих мест в банке сотни, а у клиентов банка в машиностроительном комплексе — и того больше.

И наконец, видимая клиентам часть работы робототехников — персональные сервисные системы. «Виртуальный собеседник, который не просто распознает слова, а понимает, чего именно вы хотите, дорогого стоит, — говорит Ефимов. — Дать ответ, основанный на смысле и намерении спрашивающего — сложная и интересная для нас задача». Клавиатура и мышь рано или поздно устареют, и на смену им придут голосовые технологии. Тот, кто владеет «голосом», будет владеть «первой линией» взаимодействия с клиентом, как в физическом мире владеет клиентом тот, кто контролирует «последнюю милю».

«Прорыв придет из «последней мили», — убежден Ефимов. — Неважно, какая она будет — цифровая, как голосовой ассистент, или физическая, как доставка товара до клиента».

Лабораторная работа

Как и у большинства руководителей, основная головная боль «главного робототехника» — кадры. В решении этой проблемы ему помогает не только кадровая служба банка, но и сила социальных сетей. «Не имей сто друзей, а имей 12 тыс. подписчиков в соцсетях», — шутит Ефимов.

Дизайнеров, конструкторов и инженеров-электронщиков, которые собирают прототипы роботов, набирали в коллектив Sberbank Robotics из стартапов, университетов и коммерческих организаций. Однако социальный капитал лаборатории значительно больше, чем 20 ее штатных сотрудников. Помимо инженерной бригады, руководителей проектов и стартапов, с которыми они активно взаимодействуют, в команду входят также партнерские компании, поставляющие сенсоры, электромоторы и другие компоненты будущих роботов. Необходимый для прототипирования конструктив изготавливается на заказ или печатается на 3D-принтере.

«Уверенность в успехе мне придают три вещи, — говорит Ефимов. — Первая: на рабочих местах наших инженеров есть все необходимое, от паяльника до видеокарты. Вторая: если мы чего-то не знаем, то знаем, у кого про это спросить. И третья: мы понимаем, как создавать точки возникновения новых идей».

За первые полгода деятельности в лаборатории создали прототипы роботов по двум направлениям из пяти, прототипы устройств по остальным направлениям будут готовы до конца 2018 года.

«В этом году мы совершили рывок, чтобы стать лучшим центром разработок России в области робототехники, а в следующем — будем претендовать на статус одной из лучших мировых лабораторий робототехники, — заявил Ефимов. — Сбербанк уже является привлекательным работодателем, но мы хотим превратить его в невероятно привлекательное место работы для талантливых инженеров».

В поиске конкурентных преимуществ: от ИТ к РТ

ИТ как специальность и как служба уже перестали быть конкурентным преимуществом, полагает Ефимов. По его мнению, преимущество можно получить, только выводя программы в физический мир, а для этого не существует иного способа, кроме роботизации. Мир переживает трансформацию, переходит от информационных технологий к роботехнологиям, и ИТ-директор должен понимать, каким образом создаваемые в компании технологические преимущества транслируются в физический мир.

Роботы умеют ощущать окружающий мир, «думать», то есть строить модели этого мира и принимать решения на их основе, а также воздействовать на реальный мир — такова функциональная модель, сформулированная в Сбербанке. Пока что роботы очень плохо понимают людей и друг друга и довольно слабо взаимодействуют с окружающими их объектами. Но для робототехников это не проблемы, а интересные задачи.

Гонконгский венчурный фонд Deep Knowledge Ventures уже создал прецедент, объявив о введении искусственного интеллекта в совет директоров. И, по мнению Ефимова, эта тенденция будет развиваться, потому что алгоритм принятия решений в крупных компаниях вполне можно автоматизировать, а топ-менеджеры стоят очень дорого. «Автоматизируем члена совета директоров — увидим громадную экономию», — уверен он.

Благодаря мобильным гаджетам, социальным сетям и развитию Интернета, технологии быстро пронизывают обыденную и деловую жизнь, нас окружают «умные» города и Промышленный интернет. В мире становится все больше компаний, которые сделали данные своим основным ресурсом. Квинтэссенцией осмысления этих тенденций и ответом на задачи, поставленные четвертой промышленной революцией, стала программа «Цифровая экономика», утвержденная правительством РФ 28 июля 2017 года.

Программа должна стать платформой для совместной работы государства, бизнеса и общества. Уже инициирован диалог государства и бизнеса по пяти направлениям: нормативное регулирование; кадры и образование; формирование исследовательских компетенций и технических заделов; информационная инфраструктура; информационная безопасность. По каждому определены центры компетенций и рабочие группы.

Предполагается, что к 2025 году доля цифровой экономики в ВВП достигнет 10%. И крупный бизнес не намерен стоять в стороне от ее формирования. Тем более что зачастую выбор стоит жестко: трансформироваться или умереть.

Цифровая экономика – это хозяйственная деятельность, ключевым фактором производства в которой являются данные в цифровой форме

В главной роли – бизнес

«Цифровизация меняет не только образ жизни людей, но и принципы работы традиционных отраслей: энергетики, транспорта, машиностроения», – отметил председатель правительства Дмитрий Медведев, выступая на форуме «Открытые инновации». Конструкторские бюро обмениваются электронной документацией, новые лайнеры «Сухой Суперджет 100» и МС-21 уже спроектированы в цифре, а авиакомпании планируют сервисное обслуживание и оптимизируют загрузку флота с помощью ИТ.

Между тем в докладе Всемирного банка о глобальном развитии 2016 года отмечается низкий уровень применения цифровых технологий бизнес-структурами в России по сравнению с госорганами и населением. Поэтому основная роль как в выстраивании, так и в реализации программы «Цифровая экономика» отведена бизнесу. Из 600 человек, работающих над планами реализации программы, только 70 – чиновники. «Планы разрабатываются бизнесом, правительство исполняет роль модератора и коллективного интегратора», – утверждает Андрей Белоусов, помощник президента России по экономическим вопросам. И это единственная госпрограмма, выполнение которой оценивает бизнес.

Как подчеркивает Медведев, цифровизация – вопрос конкурентоспособности самого бизнеса. В конечном счете сам бизнес в этом заинтересован.

Крупные компании не скрывают своей заинтересованности. «Если мы сегодня не будем инвестировать в прорывные цифровые технологии, то через полшага проиграем», – убежден Кирилл Комаров, первый заместитель генерального директора «Росатома», где в этом году планируют запустить электронную биржу идей.

«У нас нет ситуации «если не изменимся, то не выживем», но сервисная часть бизнеса точно будет другой», – говорит председатель правления компании «СИБУР» Дмитрий Конов. Из 27 тыс. человек, работающих в нефтехимическом холдинге, непосредственно производством занимаются 18 тыс., но на 9 тыс. остальных сотрудников прорывные ИТ окажут не меньшее влияние, чем, например, в финансовой индустрии.

«В таких тяжелых отраслях, как нефтехимия, глобальной трансформации бизнес-модели не наблюдается, но в каждой функции меняется многое», – свидетельствует Василий Номоконов, исполнительный директор «СИБУРа». И компании, которые занимаются «цифрой», выигрывают, так как производят больше продукции с использованием меньшего количества ресурсов. Меняется и сам корпоративный менеджмент. «Диджитализация впускает венчурный дух в принятие решений, допуская гораздо больше неопределенности, и мы начинаем мыслить не единичными проектами», – заметил Номоконов.

Говоря о том, что тормозит процесс цифровой трансформации, Конов обращает внимание на изменение пропорций между алгоритмом, «железом» и софтом, с одной стороны, и их адаптацией к конкретным условиям бизнеса – с другой. «Адаптация идей и технологий к нашим процессам требует совместной работы тех, кто понимает технологии, и тех, кто понимает процесс, – напомнил он. – Сегодня этот процент усилий для адаптации существенно выше, чем в индустриальных решениях предыдущих поколений, именно это многих останавливает».

Компании, уже родившиеся цифровыми, тоже принимают непосредственное участие в планировании новой экономики. «Мы относимся к этому не как к «серебряной пуле». Построение цифровой экосистемы – это игра вдолгую, это тяжелый труд над сотнями различных инициатив», – пояснил Борис Добродеев, генеральный директор Mail.ru Group. В Интернете, по его словам, экосистема цифровой экономики уже сложилась: несколько российских компаний в открытых конкурентных условиях обыгрывают зарубежных игроков и создают инновации. Основные проблемы этих компаний – потребность в новых рынках сбыта и доступ к капиталу. «Будучи составной частью этой экосистемы, мы хотим влиять на ее развитие», – заявил Добродеев.

Для этого нужны понятная, прозрачная система регулирования, хороший инвестиционный климат, развитая культура предпринимательства и постоянное пополнение кадрового резерва.

Спешить, не торопясь

Государство способно влиять на развитие цифровой экономики через госинвестиции и темп изменения регуляторной среды. Как сообщил Аркадий Дворкович, заместитель председателя правительства РФ, большую часть ресурсов государство намерено выделять на образование в сфере цифровой экономики и на фундаментальную науку. Остальное предполагается делать за счет частных инвестиций.

Существующая нормативная среда не учитывает ключевых свойств новой экономики: высокой ценности нематериальных активов, размывания границ и предельно низких затрат на тиражирование бизнес-модели. Чтобы создать условия для скачка в цифровую экономику, нужно спешить, считает Медведев. Государству предстоит очень быстро создать нормативное пространство для тех областей, которые пока непонятно как регулировать, – так называемые регуляторные песочницы.

По мнению президента Сбербанка Германа Грефа, правительство должно немного отставать, давая бизнесу возможность получить первые результаты в деле развития цифровой экономики, и лишь потом выстраивать регуляторную среду. Президент фонда «Сколково» Виктор Вексельберг с этим мнением не согласен. В числе регуляторных вопросов, которые должны были быть решены «еще вчера», – идентификация субъекта в цифровой экономике, юридическая сила электронных документов, электронные формы государственного контроля бизнеса, применение киберфизических систем, регулирование оборота данных и доступа к ним таким образом, чтобы они были защищены и в то же время доступны для решения различных бизнес-задач. «Как бы правительство ни торопилось, оно все равно опоздает, – сказал Вексельберг. – Уже сегодня ситуация требует появления этих законодательных актов».

Меняй модель

Понимание того, что цифровая экономика – это не просто перевод аналоговых форм в цифру, а изменение бизнес-модели вследствие такого перевода, уже сложилось. «Если цифровая трудовая книжка – это pdf-документ, я, конечно, буду счастлив носить его на флешке, но если она не приводит к формированию моей цифровой траектории, на основании записей которой формируются проактивные сервисы со стороны бизнеса и государства, то это просто ничто», – заявил Максим Акимов, первый заместитель руководителя аппарата правительства РФ. Так и цифровая транспортная накладная должна быть не просто документом, скрепленным усиленной электронной подписью. Она должна дать бизнесу возможность совместного использования (шеринга) промышленного оборудования, избавить его от собственных логистических подразделений, экспедиторов или автопарка. «Перевод процессов в цифру и на блокчейн – это здорово. Но главная цель – это быстрый рост производительности на основании изменения бизнес-моделей», – подчеркнул Акимов. Осталось определить, где же те «кротовые норы», которые приведут к реальной трансформации бизнес-модели.

Экономика партнерства

Программа отвечает на вопрос «что делать?», но не говорит как. Многое будет зависеть от того, что удастся реализовать, в первую очередь в промышленном и торговом секторах. «Цифровая экономика – это не про ИТ, а про данные, про их использование и капитализацию, – говорит Белоусов. – Бенефициарами этой программы станут компании, которые будут использовать цифру как свой основной ресурс». Прежде всего это крупные компании, способные создавать экосистемы, а также компании, работающие с ними на аутсорсинге, cтартапы и нишевые игроки.

Михаил Осеевский, президент «Ростелекома»: «Людям нужны информация, коммуникации и эмоции. Это огромный рынок, где не существует границ»

Наиболее очевидные кандидаты на точки роста цифровых экосистем – инфраструктурные компании. ««Ростелеком» не хочет быть исключительно инфраструктурной компанией, мы хотим быть цифровой компанией и предлагать гражданам, государству и бизнесу конечные решения, которые позволят им больше зарабатывать или меньше тратить, – заявил президент «Ростелекома» Михаил Осеевский. – И для этого мы ищем новые продукты и технологии».

Поскольку готовых решений зачастую не находится, «Ростелеком» намерен стать таким же акселератором, как Фонд развития интернет-инициатив. Цифровая экономика – это экономика партнерства, подчеркнул Осеевский. Только дав возможность десяткам и сотням тысяч компаний двигаться по пути инноваций, в результате можно увидеть «звездочки». Что именно «выстрелит», можно только предполагать. «Людям нужны информация, коммуникации и эмоции, – говорит Осеевский. – Это огромный рынок, где не существует границ, и мировым лидером может стать российская компания, которая предложит человечеству новые эмоции».

В ближайшие годы должно возникнуть много динамичных цифровых компаний, полагает Медведев. Для этого есть хороший потенциал, и этого можно добиться быстро при сравнительно небольших затратах. Речь идет о транспортных и логистических услугах, здравоохранении, образовании, финансах, «умной» городской среде, аграрном производстве и других областях. Удаленные районы, больницы и школы продолжат подключать к Интернету. Кроме того, в ближайшее время начнется создание сети мобильной связи пятого поколения, что должно ускорить развитие высокотехнологичных компаний. «Мы продолжим создавать условия для привлечения инвестиций, для работы венчурных фондов, готовых поддерживать российские стартапы», – заверил премьер.

Пока проблема с привлечением инвестиций в инновационный бизнес не решена. «Ахиллесова пята российских инноваций – сложности с выходом на рынок капитала, – заметил Сергей Горьков, председатель Внешэкономбанка. – Компании либо не получают достаточного финансирования, либо перемещаются за пределы страны». По его мнению, это связано как с тем, что экосистема недостроена, так и с тем, что Россия – недостаточно большой рынок, чтобы позволить себе развивать все инновационные технологии. Поэтому надо создавать фонды, поддерживающие выход на азиатские рынки, и тем самым «разгонять» инновации в России. По оценке Горькова, cоздание в стране центров компетенции мирового уровня вполне возможно. ВЭБ собирается открыть такой центр по блокчейну, хотя это не единственная технология, которая будет менять мир. Необходимо также сформировать в стране позитивное отношение к инновациям, чтобы квантовый компьютер, искусственный интеллект и конвергентные технологии вошли в моду. «Хайп – это тоже важно», – считает Горьков. В текущем году ICO обогнало венчурные фонды по объемам финансирования, так как существующая финансовая система не совсем готова воспринимать новую экономику.

В Сбербанке также рассматривают блокчейн и квантовый компьютинг как крайне перспективные технологии. «Блокчейн – технология, способная изменить сектор, в котором я работаю, просто драматически, – уверен Греф. – Она позволяет автоматизировать практически все процессы, особенно в соединении с искусственным интеллектом».

Пять профессий ИИ в Сбербанке

Среди технологий сегодняшнего дня главную скрипку играет искусственный интеллект, который Греф сравнил с электричеством в начале прошлого века. «Если раньше мы предполагали, что машинное обучение, искусственный интеллект, большие данные – это то, что мы можем использовать в процессе принятия решений, в том числе кредитных, то сегодня фактически нет ни одной области нашего бизнеса, в которой мы не применяли бы искусственный интеллект», – заявил он.

Первое ключевое направление использования ИИ в финансовом бизнесе – интеллектуальные советчики, «персональные финансовые менеджеры» и боты, отвечающие на типовые вопросы клиентов в контакт-центрах. «Через три-пять лет у нас просто не останется на этой функции людей, потому что каждый день искусственный интеллект учится и становится все более и более точным в своих ответах и прогнозах», – сообщил Греф.

По второму направлению – принятию решений на основе анализа больших данных – ИИ применяется как в корневом бизнесе Сбербанка, так и при принятии кредитных решений. По словам главы Сбербанка, без участия человека принимаются примерно 99% кредитных решений по физическим лицам. По корпоративным клиентам доля автоматически принимаемых кредитных решений – около 35%, но уже через три года ее планируется довести до 70%.

Третье направление использования ИИ – кибербезопасность. Анализировать транзакции, количество которых на пике достигает 7-8 тыс. в секунду, можно только с использованием искусственного интеллекта, и машины каждый день учатся бороться с хакерами.

Четвертое направление – анализ конкретных клиентских потребностей, маркетинг и индивидуальная работа с каждым клиентом. «Наш клиент перестает быть усредненным», – утверждает Греф.

И наконец, последняя область использования ИИ – автоматизация всей деятельности банка, начиная от бэк-офиса, бухгалтерии, аудита и заканчивая юридической службой. «Все простые операции будут автоматизированы», – заявил Греф. По его словам, эта ежедневная практика Сбербанка к 2020 году станет обычным делом практически во всех корпорациях.

Когда год назад глава Сбербанка Герман Греф назвал одним из признаков технологических компаний отсутствие в их структуре ИТ-департаментов и призвал избавляться от них, это вызвало широкий резонанс и массу обсуждений. Но на самом деле речь шла лишь о том, что банк официально признал ИТ своим бизнесом и начал активные действия по его оптимизации. С объявлением курса на Agile функции ИТ начали стремительно охватывать остальные подразделения, расплываясь по ним. Как следствие, лучшие ИТ-практики находят свое применение в нетрадиционных прежде областях. Более того, появляются новые направления карьерного развития для тех ИТ-руководителей, кто желает открыть новые горизонты. Андрей Заварзин, директор дивизиона «Массовая персонализация» Сбербанка, рассказывает об изменениях, обусловленных слиянием ИТ и бизнеса, о ценностях подходов Agile и опыте использования традиционных ИТ-инструментов в нетипичных процессах.

Андрей Заварзин Возраст: 39 лет Послужной список: 2016 – настоящее время Сбербанк, директор дивизиона «Массовая персонализация» 2012 – 2016 Сбербанк, СТО/CIO различных направлений 2010 – 2012 «Альфа-Банк», директор дирекции Business Intelligence 2008 – 2010 Авиахолдинг «Волга-Днепр», директор по ИТ 2004 – 2008 «ЛУКОЙЛ-Информ», советник генерального директора 1999 – 2004 Академия ФСБ, преподаватель факультета прикладной математики Образование: Академия ФСБ, ИКСИ («прикладная математика») РЭА им. Плеханова («стратегический менеджмент») Финансовая академия при Правительстве РФ. Бизнес-школа

Вы пришли в Сбербанк, когда крылатая фраза про «ИТ-компанию с банковской лицензией» еще произнесена не была. Как ИТ входили в бизнес, какие ключевые этапы можно выделить?

Это действительно очень интересная трансформация. И очень динамичная. За тот период, что я в Сбербанке, мы прошли уже четыре стадии! В 2012 году я пришел в «Сбербанк Технологии» (ИТ-дочку Сбербанка) на должность начальника управления в департамент клиентских отношений и наблюдал все проходившие изменения непосредственно в ходе своего карьерного роста.

Идея создания департамента клиентских отношений в «СберТехе» была в том, чтобы централизовать управление ИТ-развитием в интересах конкретного блока (бизнес-блока или обеспечивающего), потому что тогда в «СберТехе» никто не отвечал перед конкретным членом правления Сбербанка за результат всех своих проектов, не отслеживал взаимосвязи между ними. Я отвечал за все проекты операционного блока, и моим визави была его руководитель Ольга Канович. Такая модель управления очень понравилась правлению, и вскоре ее решили расширить. Теперь ИТ-директор блока (CIO) должен был отвечать не только за ИТ-проекты, но и за все ИТ-роли – архитектуру, аналитику, разработку, проектное управление, тестирование, внедрение, сопровождение. А раз так, то это должна была быть роль в центральном аппарате, а не в ИТ-дочке. Так ИТ начали постепенно проникать в основной бизнес.

В дальнейшем я был назначен CIO всех обеспечивающих блоков – к операционному блоку прибавились безопасность, управление кадрами, стратегия. Мы выстраивали процессы не только развития, но и сопровождения, заключали соглашения об уровне обслуживания (SLA). Эта модель тоже «взлетела», и мы пошли дальше – ввели должность Chief Technology Officer. Произошло создание блока «Технологии» на базе блока ИТ и операционного блока, а СТО стал отвечать не только за ИТ, но и за операционную деятельность, одновременно накапливая ресурсы и экспертизу по сквозным бизнес-процессам. Так я стал СТО розничного бизнеса. Чтобы решать задачи, я мог внедрять ИТ или ручные процессы, балансируя скорость, стоимость и качество. По задумке, СТО должен был стать чуть ли не вторым человеком в бизнесе, так как глубоко понимал процессную составляющую всех направлений.

И здесь пришел Agile – пришел весьма стремительно. В январе 2016-го мы первый раз съездили с референс-визитом в голландский финансовый конгломерат ING, а уже в сентябре 2016 года Герман Оскарович дал старт Agile в новом офисе на Кутузовском (мы этот офис называем Agile home). Идея, что бизнес на самом деле и есть ИТ (и наоборот), означала, что все действующие лица должны перемешаться. И в такой модели роли CIO или CТO уже не требовалось. Для меня это стало не угрозой для карьеры, а новой возможностью. Я получил новое назначение – возглавил дивизион «Массовая персонализация», который отвечает за розничные данные, моделирование, персональные предложения во всех каналах, вторичные продажи и телемаркетинг. На мой взгляд, это самая интересная область бизнеса.

К слову, я последние десять лет вынашивал планы перейти из ИТ в бизнес, делал несколько попыток. Но в итоге оказалось, что ИТ сделались ядром бизнеса. Сбербанк накрыло волной цифровой трансформации, и все те математические и технические знания, которые у меня накопились, стали абсолютно востребованными в основной деятельности банка.

«Сбербанк накрыло волной цифровой трансформации, и все те математические и технические знания, которые у меня накопились, стали абсолютно востребованными в основной деятельности банка»

Правомерно ли говорить о цифровой трансформации организации без изменения ее бизнес-модели?

Действительно, трансформация может быть, что называется, Disrupt. Это наиболее радикальный вариант – изменение бизнес-модели. Но можно говорить и о Change – трансформации внутренних процессов, когда они принципиально меняются.

Например, бизнес-модель Сбербанка, касающаяся выдачи кредитов, не поменялась. Еще в 2008 году был принят курс на то, что у нас должна быть самая лучшая риск-служба. Мы сделали очень качественный полуручной процесс. Профессиональные сотрудники проверяли документы и принимали решение о выдаче кредитов. У нас действительно была лучшая система управления рисками, мы хорошо определяли, кому следует давать кредиты, а кому – нет. Дальше началась эра больших данных, и ручной труд стал замещаться алгоритмами. При этом качество нашего портфеля продолжает расти. Бизнес-модель не менялась, просто один из процессов, который был полностью ручным, стал полностью цифровым. Один из моих совместных проектов с департаментом рисков – «Ноль полей в анкете». Мы не должны заставлять нашего клиента ждать и тратить лишнее время.

Что касается мобильных приложений, то они, я считаю, в традиционном виде будут постепенно умирать. Клиенты все больше предпочитают взаимодействовать с виртуальным ассистентом, а не самостоятельно вносить данные. Если раньше у нас был лозунг Mobile first, то теперь – Artificial Intelligence first, и все, что мы делаем, должно восприниматься через призму анализа данных. Тенденция очевидна: все большая доля поисковых запросов в Google происходит посредством голоса, и дальше она будет расти как снежный ком. Пока виртуальные помощники, конечно, «сырые», но развиваются очень быстро.

Agile в Сбербанке, который благодаря усилиям Германа Грефа стал широко известен даже далеким от ИТ людям, – это в первую очередь скорость и гибкость или это больше ориентация на потребности бизнеса?

Скорее, речь нужно вести о результате. Этот подход позволяет добиться того, что нужно. Заметьте, не «того, что хотели», а «того, что на самом деле нужно», так как изначальная цель вполне может в ходе проекта поменяться. Однако не менее важны культурные изменения в работе.

У меня весьма богатый опыт ИТ-директора, я неоднократно видел, с какой разницей одни и те же ребята работают вместе и по отдельности. Раньше «СберТех» чувствовал себя отдельным организмом, иногда даже противопоставлял себя «большому» Сбербанку. Но если людей из разных подразделений усадить вместе, они начинают работать совершенно по-другому. У них появляется удовольствие от работы – так называемый фан. Раньше я видел в подразделениях обычную, размеренную работу. Но, когда айтишники сталкиваются с реальными клиентами и конкретными задачами, с реальной ответственностью за то, что делают, и когда видят конечный результат работы, все меняется.

«Если людей из разных подразделений усадить вместе, они начинают работать совершенно по-другому. У них появляется удовольствие от работы – так называемый фан. Когда айтишники сталкиваются с реальными клиентами и задачами, с реальной ответственностью за то, что делают, и видят конечный результат работы, все меняется»

Удовольствие от работы имеет и оборотную сторону. Если в ИТ-департаменте были недостаточно эффективные люди и это мало кого заботило, то agile-команда, взявшая на себя определенные обязательства, каждые две недели должна отчитываться за спринты. Если рядом сидит ничего не делающий балласт, то многие вспоминают фразу Атоса перед дракой с гвардейцами кардинала: «А потом скажут, что нас было четверо», – и команда самоочищается.

Неужели всё так просто – сели вместе и начали «получать удовольствие»? Не все к этому бывают готовы. И как быть с раздуванием штата? Для организации такого масштаба это критично...

Да, может показаться, что создание самодостаточных agile-команд способствует раздуванию штата. Но, когда в «СберТехе» работают 10 тыс. человек, разобраться, кто из них лишний, возможности нет. А вот когда мы их пересаживаем в отдельные команды, то, во-первых, сразу видно, кто работает, а кто – нет, и шлак отсеивается. Во-вторых, видно, сколько погонял-руководителей приходится на одного конкретного исполнителя. Выясняется, что столько руководителей не нужно, и происходит сокращение численности.

Сокращение также происходит за счет людей, не принимающих новые подходы. Например, у меня на протяжении долгих лет был личный кабинет, а сейчас я сижу в открытом пространстве в шумоподавляющих наушниках. Перемены, прямо скажем, непростые. В ING нам сказали, что при переходе в Agile они практически одномоментно потеряли 30% персонала. По моей оценке, Сбербанк покинуло поменьше народа, но тоже ощутимо. Надо сказать, что позитивных примеров гораздо больше. Ключевые соратники перестроились, набрали команды и сейчас показывают удивительные результаты.

Если говорить о более низком уровне, то где-то получилось перестроиться сразу, где-то нет. Я уже полгода пытаюсь решить задачу, как подружить в рамках единой команды исследователей данных, CRM-менеджеров и людей, занимающихся маркетинговыми кампаниями. Они не очень-то доверяют друг другу. Готовлю их, чтобы избежать потрясений, показываю плюсы и минусы. Для этого я использую институт agile-коучей, часто работающих как психологи. Они следят за климатом и помогают правильно скомбинировать людей.

Иногда даже приходится целенаправленно брать сотрудников извне. В краткосрочной перспективе они менее эффективны, но зато ориентированы на нужные нам подходы, с ходу принимают правила игры и в будущем способны поддержать формирование команд.

Какие эффекты и последствия имело слияние ИТ с бизнесом?

Один из самых трудных вопросов, когда мы переходили на Agile, был такой: «Кто ответит за надежность?» Именно с надежностью ассоциируется Сбербанк. Развивая функциональность команды, мы поняли, что за надежность бизнес-сервиса должна отвечать именно команда, занимающаяся этим продуктом, а не только централизованная ИТ-служба. Часть служб, функций по поддержке той или иной конкретной системы передается в agile-команду, отвечающую за ее развитие.

Именно так поступили в ING. Во время визита туда я общался с чаптер-лидами – ИТ-менеджерами, отвечающими не за результат, а за укомплектованность команд персоналом, за их квалификацию, инструменты и т. д. На вопрос о надежности систем после перехода к Agile они ответили, что сначала надежность незначительно упала, а затем выросла. По их мнению, снижение было связано не с методологией Agile, а исключительно с масштабностью изменений – людям просто надо было привыкнуть к работе по-новому.

ITSM – это именно про надежность и стабильность работы. Сейчас часть функций, отвечающих за это, перенесена в agile-команды. Мы, проверяя себя, задавали вопрос, кто пойдет «на ковер» в голландский парламент (у ING, как и у Сбербанка, около 50% доли местного рынка), если случится простой системы, – ИТ-директор или кто-то другой. Как выяснилось, ответственность лежит на руководителе, контролирующем продукт, – это product owner, central product owner или лидер трайба (трайбы – названия подразделений в методологии Agile. – Прим. ред.). Это особенность культуры – больше нет конфликта между развитием и сопровождением систем, жестких границ и непримиримых позиций. Есть команда, которая сама решает свои проблемы и, естественно, проблемы клиентов.

Фото: Сбербанк

Правильно ли противопоставлять классический ITSM, фокусирующийся на качестве, и гибкие методики? Возможно ли их подружить?

Agile и ITSM вовсе не являются конкурентами. Совершенно не нужно их противопоставлять, надо брать из каждой модели лучшее и комбинировать, важно уйти от поклонения какой-либо одной методологии. Да, ITSM изначально фокусируется на эксплуатации систем (Run), а Agile – на изменениях (Change), но в современном мире Run становится частью Change.

Кстати, ITSM – замечательный подход, который я уже второй раз применяю там, где раньше им даже не пахло. Я перестраиваю работу бизнес-подразделения в соответствии с ITSM, потому что требуется управлять инцидентами и проблемами. Это два базовых процесса для любого руководителя, не только ИТ.

В 2012 году, когда меня принимали на работу в Сбербанк, я проходил собеседование с двумя членами правления – тогдашним руководителем блока ИТ Виктором Орловским и руководителем операционного блока Ольгой Канович. Орловский спросил меня, какие управленческие инструменты я использую, мы начали это обсуждать. Он рассказал про свои – например, модель типологии менеджеров Адизеса. Я – про свои, в том числе о том, как применял ITSM в «Альфа-Банке» для решения совершенно нетипичной задачи – повышения качества информации.

Я пришел в «Альфа-Банк» руководить дирекцией Business Intelligence – это была очередная попытка уйти из ИТ. Весь банк с недоверием относился к той информации и отчетности, которую выпускала наша дирекция. Финансовые директора блоков говорили, что не могут управлять бизнесом. Например, невозможно мотивировать клиентских менеджеров на продажи, если результат не соответствует реальности. Такие недоверие и недовольство отражали объективное положение дел, но в каждом случае были очень субъективными. Претензии к отчетности предъявляли телефонными звонками, гневными письмами и т. д. Я перевел все претензии к отчетности в службу поддержки и создал соответствующую группу разбора. Через пару месяцев мы точно знали, в каких строках отчетности содержатся ошибки, каковы причины этих ошибок, кто из людей находит реальные ошибки, а кто «спамит» и перекладывает на других ответственность за свои плохие продажи. Я с удивлением увидел, что самые большие ошибки дают не технологии, а сбои на стыках процессов. Через полгода ситуацию удалось полностью выправить. Я не слышал до этого, чтобы кто-то применил ITSM для выпуска управленческой отчетности.

То же самое я внедряю сейчас в своем нынешнем подразделении – только применительно к персональным предложениям Сбербанка. Мы обслуживаем 100 млн клиентов, и все наши ошибки в данных, моделях, процессах влияют на всю страну. Создана точка входа в службу поддержки, через которую я получаю все претензии к персональным предложениям и улучшаю нашу работу.

Про agile-трансформацию, начатую в 2016 году, слышали все. А с марта 2017 года наступила ее вторая, менее разрекламированная стадия – переход на DevOps. Что реально изменилось?

В основе Agile лежит замечательная идея: люди должны общаться. В привычном нам водопаде требуется четко поставить задачу и изложить ее в документах – пока этого нет, работу начать невозможно. На эти формальности уходит много времени, и при передаче информации на каждом этапе происходит ее искажение. В результате получается не просто другой продукт. Поскольку за прошедшее время меняется мир, получается двойное расхождение с целью.

Посадив команду в одной комнате, мы переходим от формальной ответственности за бумажку к реальной ответственности за результат – сотрудников оценивают и премируют в зависимости от того, что они продемонстрировали, в том числе в области функциональности и надежности. Это на самом деле революция. Идешь по этажу – казалось бы, ничего особенного: сидят вместе ИТ и бизнес. Но это уже половина успеха: люди перестают «отфутболивать» друг другу документы и перекладывать ответственность, а вместе отвечают за результат. Конечно, возникает много сложностей и вопросов. Один из них: как синхронизировать работу огромного числа команд, увязать между собой их результаты? И еще: конечная цель должна быть правильно декомпозирована на отдельные задачи. Просто посадить людей вместе – недостаточно, должны быть правильные инструменты и процессы. У нас есть специальная процедура КОРТ – квартальный обзор результатов трайбов, позволяющая каждому увидеть, что делают соседи, и оценить выполнение командами взятых обязательств (видоизмененные бизнес-департаменты, которые слились с ИТ, в Сбербанке сначала назвали трайбами, а затем переименовали в дивизионы. – Прим. ред.).

Андрей Заварзин, директор дивизиона «Массовая персонализация» Сбербанка: «У меня на протяжении долгих лет был личный кабинет, а сейчас я сижу в открытом пространстве в шумоподавляющих наушниках»

Но это «человеческая» сторона медали, а есть сторона технологическая. Если ты не имеешь возможности разработанное приложение сразу же протестировать, то релизы по-прежнему выходят раз в квартал – как и было прежде. В свое время ПИР (плановый интеграционный релиз) был для Сбербанка большим достижением: когда число систем разрослось (каждая из них создавалась по отдельности), постоянно наблюдались проблемы. Было важно собирать их и тестировать совместно, приходилось синхронизировать задачи, чтобы интеграции между продуктами могли быть проверены в масштабах Сбербанка и уже затем внедряться. Время вывода на рынок замедлялось: если в ближайший ПИР, выпускаемый раз в квартал, уложиться не удалось, внедрение откладывалось еще на три месяца. DevOps же позволяет оценивать достигнутый результат чуть ли не каждый день.

Мы сейчас строим новую платформу – системы фронт- и бэк-энд, а также хранилище данных – стандартные крупные ИТ-компоненты для любого банка. И, строя каждый из них, мы закладываем технологическую возможность использования DevOps. При этом половина систем – унаследованные, их мы по возможности «дотачиваем», чтобы DevOps стал возможным.

Итак, ITSM в бизнесе – уже пройденный этап, его эффективность доказана. А DevOps в бизнесе?

Да, у меня ситуация еще интереснее, чем в ИТ-службах. Наш дивизион занимается управлением розничными данными, их анализом и формированием кампаний. У нас есть много различных ролей: инженеры по данным; аналитики, просчитывающие результаты кампаний; классические исследователи данных, строящие глубокие модели; специалисты по кампаниям в реальном времени, строящие инфраструктуру для создания автоматических предложений в контексте жизненных ситуаций. Есть и более традиционные специалисты по статическим кампаниям, занимающиеся вопросами CRM и управления рисками.

Эти люди раньше сидели в отдельных «колодцах». А мне нужно «шить костюм», демонстрировать клиентам ценность, и ценность дает именно комбинация всех ролей. Как и в случае с ITSM, я использую Agile иногда вообще не там, где можно ожидать. В тех случаях, когда идет речь о работе с данными, все относительно традиционно: есть бизнес-специалисты и ИТ-специалисты, они объединяются в команды и строят компоненты клиентского профиля. Но параллельно с ними работает слой анализа кампаний – это полностью бизнесовые роли, и я их тоже комбинирую, формируя эффективные команды.

Конечно, подход DevOps – полностью айтишный: он заключается в том, что необходимо иметь возможность оперативно протестировать функциональность, отследить обратную связь. Я делаю «бизнес-DevOps»: например, у нас есть гипотеза относительно того, какие предложения будут хорошо восприняты клиентом. Мы берем выборку из тысяч людей (в Сбербанке это можно себе позволить) и делаем автоматизированную систему, чтобы специалист настроил параметры кампаний и на следующий день уже видел результаты. В этом случае можно поправить параметры и мгновенно запустить следующую итерацию. Таким образом, DevOps применяется в абсолютно бизнесовых процессах. Раньше такого никогда не делали – специалист может пропилотировать модель, она пройдет по всей стране и соберет отклик, и на следующий день будет видно, на правильном ли мы пути.

При наличии проверенного инструментария применять его в другой предметной области – особое искусство, дающее огромное профессиональное удовлетворение. Это тот случай, когда в Тулу можно и нужно ехать со своим самоваром. Нужно просто разумно использовать свой опыт и идеи.

В Сбербанке России работа с данными считается одним из важнейших направлений для роста бизнеса — здесь строят организацию, «направляемую данными» (data-driven), и уже накопили в этом деле немалый опыт. В преддверии VI Российского форума Big Data'17, который издательство «Открытые системы» традиционно проводит в конце марта, Елена Ивашечкина, заместитель директора департамента корпоративных клиентов Сбербанка, — один из ключевых докладчиков форума — рассказала читателям «Директора информационной службы» (CIO.ru) о том, какое место занимают Большие Данные в деятельности департамента. Ивашечкина отвечает за развитие отношений с корпоративными клиентами, управление Большими Данными и предсказательными моделями, а также за создание уникального клиентского опыта.

— Какие основные задачи вы решаете и как используются для этого Большие Данные?

Наш департамент отвечает за стратегию работы с данными для всего корпоративного блока.

Вместе с ИТ-подразделениями мы работаем на всех участках цепочки создания ценности из данных — от сбора сырых данных до их агрегации, построения моделей и предоставления потребителям продуктов, улучшенных благодаря работе с данными.

Наше подразделение выполняет несколько основных задач в рамках корпоративного блока.

Мы агрегируем данные, задаем правильную инфраструктуру и модель данных для всех отделов. Это наша задача номер один, так как данные обеспечивают 70-80% бизнес-результата. Коллеги могут использовать их для своих целей — например, для создания продуктов или актуализации перечня документов.

Вторая наша задача — увеличение доходов от вторичных продаж, зависящих, помимо прочего, от удовлетворенности клиентов теми продуктами, которые мы им предлагаем. Здесь тоже множество задач, связанных с качественными данными и параметрами их обработки, и снова инфраструктура Big Data выходит на первое место. Число клиентов огромно, объем данных колоссален, и эффективно обрабатывать их на старых технологиях невозможно.

Третий блок задач, который мы выстраиваем в течение последнего года, связан с data science — разработкой моделей на основе собираемых данных и использованием методов машинного обучения. Это новое перспективное для нас направление, в том числе и с точки зрения получения дохода. Мы делаем модели как для себя, с целью увеличения вторичных продаж и конверсии (процента превращения потенциальных продаж в реальные), так и для других структурных подразделений, например департамента кредитных продуктов и кредитного мониторинга, оцениваем склонность клиента задержать выплаты по кредиту. В рамках внедряемого в банке Agile-подхода департамента корпоративных клиентов — сквозная структура, предоставляющая своих специалистов для построения моделей данных на время реализации проектов в разные команды и подразделения. У нас уже есть хорошие модели оттока, позволяющие принять меры для сохранения клиента, и мы внедряем их в промышленную эксплуатацию. Причем эти модели дают возможность прогнозировать не только полный уход клиента, но и сокращение использования наших услуг.

Четвертая область, которой мы занимаемся, — «клиентский опыт». Это управление всеми точками контакта с клиентом на протяжении всего взаимодействия с ним, сквозной анализ, позволяющий взглянуть на процессы глазами клиента и выстроить клиентоцентричную организацию. Сегодня такая деятельность тоже становится максимально технологичной. Собираются данные о том, как клиент нас нашел, легко ли это было, удобно ли было открыть счет, пришлось ли ждать, просил он об услуге или ему ее предложили, как он работает с интернет-банком и т. д. Собранной в разных точках информации очень много, поэтому задачи по ее обработке и выдаче клиентам своевременных и правильных ответов, по сбору клиентских откликов, анализу корневых причин проблем (для исключения повтора таких ситуаций) ложатся на технологические платформы. Мы активно изучаем когнитивные технологии и делаем на основе искусственного интеллекта проект по автоматизации первой линии поддержки корпоративных клиентов — контакт-центра. Мне знаком опыт бразильского банка, уже реализовавшего такой проект.

— Внедрение искусственного интеллекта для поддержки клиентов — это вопрос улучшения качества обслуживания или экономии?

И то, и другое. Конечно, мы преследуем цель повысить качество, но и экономия колоссальная. Мир уходит в онлайн, люди часто не хотят долго ждать ответа оператора, им требуется инструмент, чтобы можно было получить грамотный ответ, но не «висеть» при этом на линии.

— Сегодня многие обращаются к анализу поведения пользователей в социальных сетях, но на практике часто ценность этой информации близка к нулю — слишком маленькое число потенциальных клиентов попадает в эти выборки. Очевидно, что наиболее интересные фигуры или ограничивают свою деятельность в соцсетях, или закрывают доступ к своему профилю, или же не присутствуют в соцсетях вовсе. Как это учитывается в создаваемых моделях? Считаете ли вы социальные сети ценным источником информации?

Сами по себе социальные сети не дают хорошего качества моделей, они работают только как дополнительный фактор. Соцсети могут давать прирост на 5-7 пунктов индекса Джини (показатель для измерения качества модели). Это очень много. Соцсети нужно научиться «правильно готовить». Профиль человека в соцсети часто не так информативен, как его окружение. Анализируя окружение, можно понять, что это за клиент. К тому же соцсети сегментированы. Можно условно сказать, что в LinkedIn «сидят» высокодоходные клиенты, а в «Одноклассниках» много региональных SMB-компаний. Поэтому даже та информация, которая открыта, нам полезна. В проекте c одним из поставщиков данных соцсетей мы получили хорошие результаты по поиску высокодоходных клиентов малого и среднего бизнеса.

— По каким критериям оценивается эффективность применяемых алгоритмов анализа данных? И каковы результаты таких оценок на практике?

Эффективность матмоделей и алгоритмов оценивается стандартно: полнота, точность, коэффициент Джини. По уже проведенным инициативам мы смотрим на совпадение с тем, что мы прогнозировали, конверсию и в итоге — на доход, количество сохраненных клиентов, то есть оценка ведется в бизнес-показателях. Начав использовать инструменты data science, за год мы смогли в полтора раза улучшить качество моделей. И теперь, добавляя работу с вендорами данных соцсетей, понемногу повышаем эффективность дальше.

Процент ошибок сильно зависит от конкретной модели, но я считаю, что любая модель лучше, чем случайный отбор. Даже если она дает совсем небольшое улучшение по сравнению со случайным отбором, это все равно лучше, чем работать без модели. Эффективность также зависит от качества и полноты данных, от времени разработки моделей, инструментов и людей, которые этим занимаются. Вопрос в том, какой уровень эффективности следует считать достаточным.

— Но ведь с учетом ресурсов, затраченных на разработку моделей, эффективность «плохой» модели будет сопоставима или даже ниже случайной выборки?

Крайне редко модель не получается, но при ее разработке приходит новое понимание проблемы и происходит столько правильных итераций по работе с данными, что это время нельзя считать потерянным зря.

— Инвестиции в Большие Данные связаны прежде всего с ожиданиями высокой отдачи в будущем. А в сочетании с какими технологиями Большие Данные способны принести наиболее быстрый эффект?

Большие Данные сейчас работают с технологиями машинного обучения и, на мой взгляд, дают отдачу быстро. Всего за год плотной работы data science мы уже видим результат использования модели, которая увеличивает конверсию и доходность.

Глубокое обучение (Deep Learning) и когнитивные технологии дают отдачу дольше. Популярная сегодня тема — обучение на естественном языке (Natural Language Learning) с использованием голосовых запросов и генерацией голосовых ответов.

Но иногда простые модели, создаваемые быстро, работают лучше, чем сложные, разрабатываемые долго. Я вижу много таких примеров.

— То есть такие технологии имеет смысл применять лишь для очень серьезных задач?

Возможно. А может быть, необходимо еще больше данных. Тут нам многое предстоит сделать: интегрировать все источники, перевести их на инфраструктуру Больших Данных, ускорить все процессы. Наш клиент делает всего несколько транзакций в день, а тот же Facebook «видит» десятки тысяч транзакций по клиенту в день. Чем больше данных и чем правильнее они интегрированы в инфраструктуре, тем эффективнее глубокие методы работы с ними.

— При создании организации, направляемой данными, следует опираться прежде всего на высококвалифицированных специалистов в области data science или же на технологические платформы, которые позволяют работать с Большими Данными бизнес-пользователям?

Одно без другого не может существовать. Мы строим бизнес-платформу, но это не значит, что с ней смогут работать любые бизнес-пользователи. Эта огромная система, содержащая всю информацию о продуктах и все модели, является основой для создания в будущем экосистемы для клиентов. Специалисты по данным и бизнес-платформа дополняют друг друга: специалисты могут делать хорошие модели на тестовых выборках, платформа же решает проблемы их масштабирования на миллионы клиентов, большие объемы данных и несколько каналов, а также задачи обработки на высоких скоростях и выдачи ответов в реальном времени.

Для создания такой платформы многое сделано и еще многое предстоит. Параллельно мы развиваем компетенции data science, учимся новым методам и заодно это все интегрируем.

— О чем вы расскажете участникам форума Big Data'17?

О том, что интересно мне самой, когда я хожу на такие конференции. Немного о самих данных — полнота и скорость их получения всех очень волнует, так как это конкурентное преимущество. Об инфраструктуре, архитектуре данных, а затем о реальных кейсах на их основе, о том, какие результаты и отзывы от клиентов получаем. Расскажу, как применяются аналитические алгоритмы анализа данных о транзакциях и действиях в социальных сетях, как с помощью программных методов исследования и сопоставления паттернов поведения выявить неблагонадежных заемщиков или найти потенциальных корпоративных клиентов. Кроме того, обычно всех интересует команда и ее взаимодействие с ИТ.

Интернет-компании, онлайн-ретейлеры и мобильные операторы уже давно строят на Больших Данных свой бизнес. Банки же в силу традиционной консервативности входят в «клуб Больших Данных» относительно поздно — только сейчас. Сбербанк, имея больше по сравнению с другими возможностей, ступил на эту стезю раньше многих: подразделение, занимающееся внедрением инновационных решений, у него появилось еще в 2011 году. По проработанности подхода его можно отнести к лидерам, а накопленный опыт позволяет избегать многих ловушек, принимая взвешенные решения в области развития используемых платформ.

Аналитики Gartner относят зрелость технологий Больших Данных к этапу скатывания по «желобу разочарований», когда несоответствие между ожиданиями от технологий и их возможностями порождает заметный скепсис. Когда же встретятся ожидания и возможности Больших Данных?

«Аналитики оценивают эти показатели в комплексе, с точки зрения всех секторов экономики. Однако в некоторых из них Большие Данные не только достигли ожиданий, но и превысили их», — полагает Анджей Аршавский, директор центра компетенции супермассивов данных «Сбертеха». Эти технологии появились в поисковых системах, когда Google и Yahoo, будучи еще стартапами, пытались «перемолоть» Интернет. Для них задача стояла достаточно просто: на дешевых серверах было необходимо обрабатывать гигантские массивы данных, и эта задача была решена. Затем технологии Big Data перешли в сегмент интернет-торговли, где тоже прекрасно себя зарекомендовали — например, магазины-гиганты стали использовать их в рекомендательных системах. Во многом именно Большие Данные позволили этому бизнесу процветать. Не так давно мы стали наблюдать проникновение Больших Данных и в деятельность мобильных операторов.

Банки входят в «клуб Больших Данных» только сейчас, относительно поздно. Это происходит не потому, что Большие Данные до сих пор им не были нужны, а в силу традиционной консервативности. Тем не менее такой процесс неизбежен.

Инновации — разрушающие и созидающие

Бретт Кинг, автор книги «Банк 3.0», привел последовательность инноваций, вызывающих разрушение традиционной банковской системы. Оно началось с приходом Интернета и социальных сетей, давших возможность выбирать банк не по месту жительства, а более осознанно. Приход смартфонов позволил взаимодействовать с банком из любого места; попутно возникли мобильные кошельки, дав возможность обходиться без карточек и наличных. Сейчас уже ставится под вопрос необходимость наличия банковского счета: например, Facebook анонсировал возможность переводов денежных средств между участниками сети.

Следующими в этой цепочке становятся Большие Данные: они позволяют персонализировать предложения, причем эта персонализация может выйти за пределы банка. Какие-либо сторонние площадки могут заключать договоры с клиентами от имени банков, оказывая им дополнительные услуги на основе имеющейся информации.

«Таким образом, от использования Больших Данных напрямую зависит прибыль банка. Поэтому вопрос необходимости их использования уже не стоит», — констатирует Аршавский.

Как эволюционирует работа с данными и в какой момент они становятся «большими»? Исторически ИТ обслуживали рутинные операции банков, и это давно стало нормой. Затем возникла потребность в бизнес-аналитике и информации, которая позволяла бы управлять деятельностью банка. Эти технологии тоже уже являются классическими.

Но вот бизнес захотел использовать информацию в том контексте, который актуален в данный момент времени. Так к внутренней информации о клиенте добавились данные из внешних источников. Следующим этапом стал подход к информации как к рычагу инноваций: возникло такое понятие, как data driven innovation. Для бизнеса стала важна способность получить доступ к любым данным в любой момент времени — даже если заранее непонятно, для чего именно, в процессе анализа могут родиться новые бизнес-идеи. Наконец, сейчас информация становится источником конкурентных преимуществ, помогая создавать молниеносные персонифицированные предложения и даже менять акцент бизнес-стратегии, обрабатывая данные в реальном времени.

Последние три стадии относятся к категории Больших Данных.

BI и Big Data — в чем разница?

Часто эксперты пытаются дать ответ, в чем заключается различие подходов Больших Данных и традиционной бизнес-аналитики. Понятно, что на первый взгляд они очень похожи и имеют много общих деталей. Однако разница ощутима, хотя многие не могут ее четко формализовать.

Во-первых, системы класса Big Data изначально ориентированы на работу с разнородными данными. Во-вторых, они закрывают потребность компании во внешних источниках данных, в то время как бизнес-аналитика базируется на существующих в компании внутренних источниках. Кроме того, систему Больших Данных можно построить на стандартном оборудовании, тогда как BI-системы требуют гораздо более дорогих аппаратных решений.

Последним по очереди, но не значению является наличие решений с открытым кодом. Да, на рынке появляется все больше производителей готовых коммерческих систем и программно-аппаратных комплексов, но начать можно с решений open source. Низкая цена входа и быстрый старт очень важны с учетом того, что риски проектов пока оцениваются как высокие и нет массового понимания необходимости этих технологий со стороны менеджмента среднего звена.

Анджей Аршавский, директор центра компетенции супермассивов данных «Сбертеха»

Мощь данных недооценивается

«Как один из крупнейших банков, мы видим, что данные являются важнейшим активом, и актив этот пока недооценивается и недоиспользуется. Мало кто умеет эффективно накапливать и обрабатывать данные в том виде, в котором они сейчас востребованы», — говорит Аршавский. Данные в банках часто бывают разрознены между системами и недоступны для совместного анализа. Это является большим препятствием для их обработки. К тому же мало кто в банковской среде умеет использовать открытые данные и данные Интернета. Тем не менее эта тема становится одной из самых актуальных.

Известна оценка Gartner, согласно которой 70% усилий в работе с данными приходится на их первоначальную обработку, очистку, загрузку и подготовку. Чтобы стать пригодными для эффективного анализа, данные нуждаются в реинжиниринге и переформатировании. Только 30% относится непосредственно к анализу и построению моделей. Это становится большой проблемой, частично порождающей разочарование в технологиях Больших Данных.

В условиях, когда не решена задача интеграции данных и размещения в едином поле, доступном для анализа, большая нагрузка возлагается на команды, работающие с первоисточниками — теми системами, из которых пытаются выгрузить данные для аналитики. В крупной компании зачастую несколько команд пытаются сделать с данными что-то полезное, дублируя усилия друг друга.

«Мы хотим создать единый инструментарий, который поможет решить вопросы как с доступностью данных, так и с их интеграцией», — подчеркивает Аршавский. Эта система должна позволить различным службам банка использовать ее в своих целях, а не идти путем построения отдельных систем, решая одни и те же проблемы снова и снова.

Аршавский выделяет четыре ключевых направления использования Больших Данных, имеющих наибольший потенциал. Во-первых, конечно же, должен быть сделан акцент на работе с клиентами, причем как с физическими, так и с юридическими лицами. Тремя остальными направлениями становятся борьба с мошенничеством, оптимизация работы HR, что крайне важно для любой крупной организации, и оптимизация рабочих процессов — например, обслуживания банкоматов.

Задачи работы с клиентами постепенно становятся классическими и решаются всеми банками. Им важно привлечь новых клиентов на основе анализа информации из Интернета о людях, не являющихся клиентами банка, удержать клиентов — предсказать их отток и выявить ключевые причины, влияющие на него. Повысить прибыльность бизнеса помогают вторичные продажи и персонализация предложений.

Под мошенничеством же понимаются и внешние, и внутренние угрозы — внутри банков тоже часто присутствуют проблемы. Мошенники прогрессируют, используют все более хитрые схемы, и обычными средствами их вычислить очень тяжело, поэтому важно использовать как внутреннюю, так и внешнюю информацию о поведении собственных сотрудников.

Big Data: как важно быть наглядным

Визуализация данных не только дает более четкую картину, но и порой помогает выявить скрытые связи.

В условиях, когда отношение к Большим Данным, по мнению аналитиков, сменилось с восторженного на настороженное, «пробивать» соответствующие проекты стало более затруднительно. Как полагает Андрей Скворцов, директор группы компаний «Меркатор», специализирующейся в области инфографики, помочь в этом может наглядная визуализация данных. На форуме Big Data 2015, организованном издательством «Открытые системы», он предложил три простых правила представления данных в наглядном виде. Визуализированные данные должны вызывать удивление, показывать контрасты; кроме того, необходимо представлять все данные — иначе они будут не столь убедительны.

Первым «визуализатором» стал французский математик и астроном Урбен Леверье, наиболее известный своим открытием Нептуна «на кончике пера». После того как шторм в ноябре 1854 года изрядно потрепал англо-французский флот под Севастополем, французский император Наполеон III обратился к ученому с вопросом относительно предсказуемости такого рода явлений. Леверье изучил и изобразил траекторию урагана, попутно предложив основать сеть метеорологических станций для заблаговременного отслеживания природных катаклизмов. Император, удивленный невиданными доселе картинками движения атмосферных фронтов, дал добро.

Качественная иллюстрация лучше тысячи слов расскажет о том, в каких странах энергетики «ставят» на ветер и воду, а в каких — на уголь и мирный атом Источник: «Меркатор»

С этих карт Леверье, считает Скворцов, и началась визуализация данных. Она позволяет сделать данные более наглядными — например, отобразить ход застройки центра Москвы по годам, представить транзакции Сбербанка в реальном времени или показать, в каких странах Европы предпочитают маленькие ветровые электростанции, в каких — большие атомные и тепловые. А порой она дает возможность вскрыть некоторые прчинно-следственные связи, особенно при работе с малоформализуемой информацией. Так, графически ото­бразив взаимоотношения в коллективе, можно найти в нем отчетливые группы друзей. Или понять, как в реальности повлиял на динамику продаж приход нового руководителя.

Самый поучительный пример формально касался степени совпадения динамики бюджета США с прогнозами относительно этой динамики. Прогнозы, как отметил Скворцов, были двух типов: «Все хорошо» и «Сейчас не очень, но скоро все будет хорошо». Реальность несколько отличалась, и, по словам директора «Меркатора», такая ситуация характерна для госучреждений отнюдь не только нашего заокеанского партнера.

- Дмитрий Гапотченко, заместитель главного редактора Computerworld

 

Для экспертов, и не только

Принимая решение о построении платформы Больших Данных, следует руководствоваться детализацией задач, которые банк хочет решить. Задачи могут быть самые разнообразные: от поставки данных, их очистки и интеграции до создания «рабочего стола аналитика», предоставляющего инструментарий и права доступа к данным с поддержкой всего цикла аналитической работы. Отдельным вопросом является доверие к информации. Оно особенно актуально, когда речь идет о внешних источниках, но и внутренние данные тоже могут быть противоречивыми. Этот спектр задач в идеале должна решать платформа Больших Данных.

Как полагает Аршавский, имеет смысл вести работы по двум направлениям. В первую очередь речь идет о том, чтобы загрузить как можно больше сырых данных, связать их воедино, сделать доступными на Hadoop и дать экспертам доступ к ним. Одновременно следует разработать аналитическую платформу, которая позволит работать с агрегированными показателями, выделяя наиболее яркие, значимые атрибуты на основании информации, доступной в разных источниках. Это могут быть показатели надежности и уровня потребления сервиса, вероятность покупки нового автомобиля или того, что заемщик не вернет кредит. Их можно использовать как для формирования комплексных предложений клиентам, так и для «обучения» построенных моделей.

«Мы сталкивались с совершенно непредсказуемыми ситуациями, когда одним из значимых факторов в модели становилось окончание фамилии человека или время, потраченное на заполнение анкеты», — говорит Аршавский. Заранее неизвестно, на каких показателях будет основываться модель, сигналом может быть все что угодно. Любой незначительный на первый взгляд признак в масштабах бизнеса может стоить в прямом смысле миллиарды.

Таким образом, в результате планируется создать две зоны работы с платформой Больших Данных: зону анализа ad hoc (лат. Ad hoc — «по месту») для прямой работы исследователей с данными и зону приложений, которые будут интегрироваться в бизнес-системы. В результате платформой смогут пользоваться не только аналитики, но и маркетологи, служба безопасности, специалисты продаж.