t2

Оператор сотовой связи в Казахстане Tele2/Altel запустил проект оптимизации размещения базовых станций 5G с помощью машинного обучения и многокритериального анализа принятия решений (MCDA). Это должно позволить компании снизить капитальные затраты, повысить энергоэффективность, улучшить качество услуг и в целом усилить устойчивость сетей связи. Проект направлен на обеспечение баланса между потребностями текущих абонентов 4G и ожиданиями новых пользователей 5G, а также на поддержку устойчивого развития в соответствии с Целями устойчивого развития ООН. О его реализации рассказывает Станислав Стрельцов, CDO Tele2/Altel и номинант на премию Data Award 2024.

- В чем заключалась бизнес-проблема, которую решали?

Наша основная задача заключалась в оптимизации размещения базовых станций 5G, учитывая потребности текущих абонентов 4G и ожидания новых пользователей 5G. Баланс между потребностями существующих абонентов и развитием сети 5G критически важен: мы работаем в условиях ограниченного CAPEX/OPEX. Компании необходимо эффективно управлять ресурсами и размещением базовых станций для обеспечения плавного перехода от 4G к 5G и обеспечения высокого качества обслуживания для всех пользователей.

- Какие требования предъявлялись к создаваемому решению?

Решение должно было снизить капитальные затраты, повысить энергоэффективность, улучшить качество услуг и обеспечить устойчивость сетей связи.

- Какие данные и платформы используются?

Для анализа и принятия решений мы собираем статистику трафика 4G станций, данные о подключениях абонентов, метрики подключений устройств 5G, время активности пользователей, а также трафик, генерируемый устройствами 5G. Эти данные собраны с использованием существующих телекоммуникационных инфраструктур и инструментов мониторинга сети. Кроме того, обращаемся к внешним источникам, таким как карты и информация о застройке.

Используемые платформы для работы с данными включают реляционные и не реляционные СУБД (Oracle, ClickHouse, PostgreSQL), а также специализированные системы анализа данных и машинного обучения собственной внутренней разработки, использующие решения open source. Для визуализации результатов и поддержки бизнеса используется платформа Tableau.

- Что представляет собой созданное решение, какие технологии использованы?

Решение представляет собой систему оптимизации размещения базовых станций 5G с использованием машинного обучения, инструментов Big Data и многокритериального анализа.

- Какими силами реализовывалась система?

Над проектом работала команда аналитиков данных, дата-сайентистов и инженеров данных, ее размер составлял примерно 14 человек. На реализацию потребовалось 12 месяцев.

- Что в ходе проекта было самым сложным?

Сложность заключалась в балансировке требований текущих абонентов – было важно держать качество связи на определенном уровне, – и ожиданий новых пользователей. Кроме того, речь шла обработке и анализе больших объемов данных: прогнозы на уровне базовой станции охватывают данные более 20 тыс. временных рядов.

- Каких результатов уже достигли, а какие ожидаются в будущем?

На несколько процентов увеличился ROI. По мере продвижения проекта ожидается, что данные результаты будут пересматриваться и адаптироваться в соответствии с динамикой рынка и потребностями пользователей.

Кроме того, ожидаемые результаты включают снижение на 20% капитальных затрат (CAPEX) за счет оптимизированного размещения и снижение жалоб клиентов относительно проблем с сетью на 25%. Снижение потребляемой энергии должно дать рост энергоэффективности на 15%.

Эти показатели будут служить критическими факторами успеха и повлияют не только на экономическую выгоду для компании, но и на общую устойчивость, способствуя достижению Целей устойчивого развития ООН (Sustainable Development Goals, SDG).

- Какой результат стал главным, что именно дало наибольшую отдачу?

На данный момент оптимальное распределение CAPEX оказалось ключевым результатом, обеспечивающим наилучшую отдачу.

- Цели устойчивого развития – насколько это важно, и в чем их влияние?

Оптимизация потребления энергии и уменьшение воздействия на окружающую среду играет для нас важную роль. В частности, речь идет про SDG 7 (Доступная и чистая энергия), SDG 11 (Устойчивые города и общины) и SDG 13 (Действия по изменению климата). Мы уделяем особое внимание энергопотреблению, необходимому для питания базовых станций, минимизируя количество строек.

- Каков экономический эффект?

Даже находясь в пилотной версии, реализация проекта снизила капитальные затраты и повысила нашу эффективность, что привело к увеличению ROI.

- Каковы планы развития проекта?

Мы планируем дальнейшее совершенствование системы, учет изменений в технологическом пространстве и потребностей пользователей. Планируем добавить функционал на базе геопространственной аналитики, а также реализовать инструмент в виде продукта для монетизации его вовне.

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

Tele2: девять «пилотов» сразу

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

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

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

Ударный год «Уралхима»

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

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

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

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

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

«Газпром нефть»: бонусы самостоятельности и мини-CDO

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

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

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

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

Единая платформа доступа к данным в Tele2 стала одним из ключевых элементов демократизации данных, сделав их доступными широкому кругу сотрудников. Алевтина Тинас, руководитель департамента по управлению данными Tele2 и номинант Data Award 2022, рассказала о создании экосистемы работы с данными, достигнутых результатах и о роли просветительской работы в выстраивании дата-культуры.

– Как в Tele2 развивались процессы работы с данными? Какие стадии можно выделить?

Понятно, что весь телеком находится в авангарде развития аналитики. Хранилище данных у нас появилось достаточно давно, потому что была необходимость анализировать большие объемы информации – данные по абонентам, трафику. В качестве первого этапа можно выделить развитие анализа данных для ключевых подразделений компании – подразделения развития продукта и абонентской базы, подразделение развития продаж. Они начинали использовать аналитику для своих целей.

В дальнейшем анализ показателей стал распространяться на другие подразделения: было необходимо анализировать ключевые показатели по абонентской базе в связке с финансовыми результатами и продажами, понимать, как это влияет на развитие бизнеса в регионах. Пользователями аналитических хранилищ становилось все больше сотрудников из разных подразделений.

Следующим этапом можно назвать появление Офиса данных. В этот момент у нас появились BI-инструменты, мы стали активно обучать аналитиков и вовлекать их в самостоятельную разработку отчетов и дашбордов. Как следствие, порог вхождения в анализ данных стал гораздо ниже, многие сотрудники получили возможность анализировать данные и в корпоративных хранилищах, и в своих источниках с помощью новых инструментов. С появлением новых аналитиков данных среди сотрудников бизнес-подразделений, потребность в создании единой платформы управления данными, как ключевого элемента всей экосистемы, стала особенно актуальной.

– Как появился офис данных? Какие этапы своего развития он прошел?

Сначала работу с данными обеспечивало ИТ-подразделение. Это были разработчики и аналитики, основная задача которых заключалась в создании отчетов и аналитических витрин по требованию бизнес-заказчиков. Когда пользователей таких аналитических продуктов стало много, появилась необходимость создания единого регулирующего органа, который мог бы внедрять процессы управления данными по всей компании, координировать развитие аналитического контура таким образом, чтобы он удовлетворял абсолютно всех пользователей данных, синхронизировать использование единых показателей и отчетов.

Перед тем как приступить к разработке стратегии развития процессов и инструментов управления данными мы оценили текущий уровень их зрелости. Поняли, какие процессы данных у нас уже существуют и находятся на достаточно высоком уровне зрелости, а какие – на низком или в принципе отсутствуют. Посмотрели, какие из этих процессов необходимо развивать в первую очередь, в соответствии с потребностями нашего бизнеса. Определили необходимую организационную структуру и роли, которые будут помогать развивать эти процессы. Таким образом у нас сформировался департамент управления данными. и мы приступили к развитию процессов и инструментов по управлению данными в соответствии с дорожной картой. Свои инициативы мы координировали с потребностями бизнеса, периодически корректировали направление движения в соответствии с изменениями в компании.

– В какой момент появилось понимание, что необходима единая платформа управления данными? Что не устраивало?

Понимание необходимости единой платформы управления данными возникло в момент увеличения количества пользователей и роста объема данных. Мы понимали, что телеком – это быстроменяющийся и очень конкурентный бизнес. И здесь крайне высока потребность быстро анализировать данные, уметь оперативно реагировать на те изменения, которые происходят. Все это возможно только если аналитические подразделения будут находиться внутри бизнес-подразделений, только в такой парадигме возможно своевременно обеспечивать бизнес необходимыми данными для принятия решений, поэтому мы изначально делали большую ставку на self-service. И по мере того как все больше подразделений стало пользоваться одни и теми же данными, появлялось большое количество аналитических продуктов, и ориентироваться в них стало крайне сложно. В конечном итоге это могло приводить к дублированию данных, а учитывая большой их объем, это заметные дополнительные расходы.

В разнообразии данных стало сложно разбираться, и бизнес-пользователи все чаще обращались к техническим специалистам за консультациями, что и где можно найти, – словом, вопрос процесса анализа данных становился все сложнее. В этот момент мы поняли, что необходимо кардинальное изменение подхода к инструментам работы с данными и внедрение единой платформы управления данными.

– Создание единой платформы доступа к данным – важный шаг к их демократизации. Каких результатов за счет этого хотели добиться?

Действительно, единая платформа доступа к данным рассматривалась как один из ключевых элементов демократизации данных. За счет ее создания мы планировали добиться снижения порога вхождения в анализ данных, появления возможности посмотреть на данные с другой стороны. Мы рассчитывали привлечь к анализу данных новые подразделения – финансовых аналитиков, аналитиков по закупкам, операционный департамент, аналитиков продаж, чтобы они посмотрели на ключевые показатели через призму своих процессов и смогли найти новые инсайты, возможности для развития бизнеса.

Также мы планировали добиться снижения нагрузки на аналитиков и разработчиков за счет развития самообслуживания, обеспечения синергии и переиспользования результатов работы между разными бизнес-заказчиками. Мы хотели, чтобы результаты работы одной команды стали быстро и легко доступны для всех остальных. Ну и, естественно, для нас было крайне важным создание единого бизнес-глоссария вокруг данных, для того чтобы все наши аналитики и бизнес-пользователи могли разговаривать на одном языке.

– На базе каких решений выстроена общекорпоративная система управления данными? Какие принципы пытались соблюсти при ее построении?

Наша общекорпоративная система управления данными состоит из нескольких компонентов. Ее ядром является каталог данных Alation, который мы позиционируем как основной инструмент работы аналитиков, работающих с хранилищами данными напрямую, используя SQL-запросы. Для пользователей, работающих только с готовыми дата-продуктами (дашбордами и отчетами), внедрен инструмент RT.DataGovernance – и портал офиса данных, который объединяет все наши инструменты в единый удобный пользовательский интерфейс. Еще одним важным элементом нашей системы является платформа управления качеством данных Ataccama.

Принципы, которые мы пытались соблюсти при построении нашей системы управления данными, – обеспечить пользователей данных инструментом, который будет наилучшим образом подходить для каждой роли. Мы понимали, что потребности наших пользователей данных достаточно разные. Есть аналитики, которые обладают хорошими знаниям SQL и могут самостоятельно анализировать данные – им необходимо понимать структуру хранения данных, знать где найти нужные им витрины и понимать из каких атрибутов они состоят. Есть руководители подразделений и бизнес-заказчики, которые пользуются готовыми отчетами, – им нужно понимать, какие отчеты уже существуют, как к ним можно получить доступ, какого качества данные они содержат, кто их создал, какие в них охвачены показатели. Это совсем другие потребности.

– Как в компании определяется понятие «качество данных»?

У нас достаточно классическое понимание, что такое качественные данные: это данные, пригодные для анализа или для использования в каком-либо бизнес-процессе. Мы прекрасно понимаем, что для каждого бизнес-процесса существуют свои критерии качества. Данные, которые являются достаточно качественными для статистического анализа, при этом могут быть некачественными для формирования, например, индивидуальных предложений для клиента.

Для каждого бизнес-процесса критерии качества данных определяются совместно с владельцем бизнес-процесса. Только благодаря совместной работе с бизнесом у нас формируются релевантные критерии качества, и применив их к данным, мы можем сказать, являются ли данные качественными для этого процесса или нет.

– Как именно боретесь за качество данных?

У нас есть несколько этапов, которые ложатся в общий процесс управления качеством данных. В первую очередь, мы профилируем данные на этапе разработки витрин и отчетов, чтобы убедиться, что используемые данные являются качественными. Далее, создавая новый data-продукт, мы совместно с бизнес-заказчиком и владельцем процесса определяем критерии требований к качеству данных. На основании этих требований мы разрабатываем контроли качества данных, которые в дальнейшем будут работать в автоматическом режиме.

Следующий этап – мониторинг. Это результаты работы автоматических контролей качества данных, которые могут показать, где у нас наблюдаются проблемы. Данные меняются постоянно, и крайне важно своевременно выявлять проблемы и устранять их для того, чтобы пользователи в своих отчетах видели корректные цифры. Поэтому исправление инцидентов по результатам мониторинга – это наша ежедневная работа, которой на регулярной основе занимается поддержка. В случае выявления проблем в качестве данных мы информируем заинтересованных пользователей оних, для того чтобы они могли учесть это в своей работе и, например, исключить, какой-то период из анализа. Также пользователи могут следить за ходом исправления выявленных ошибок. Последний важный этап в работе с качеством данных – анализ причин появления инцидентов качества данных и устранение этих причин. Если у нас начинают появляться ошибки, недостаточно просто каждый раз их исправлять – нужно понять, где у нас проблемы в бизнес-процессе или источнике данных, и почему эти ошибки возникают. Это отдельная задача, которой занимаются менеджеры по качеству данных.

– Как можно понять, что данным действительно доверяют?

Как мне кажется, основной показатель доверия к данным – это их активное использование. Мы видим, что у нас динамично развивается self-service отчетность: дашборды, разработанные самими пользователями на основе предоставляемых данных, пользуются большой популярностью. Также постоянно растет потребность в создании новых витрин и расчетах новых показателей, растет количество пользователей аналитики. Мы видим, что результаты анализа данных используются на самых высоких уровнях, все больше бизнес-процессов применяют их, то есть становятся data-driven.

– Как оценить сокращение времени доступа специалистов к данным?

Это достаточно сложный вопрос. Мы несколько раз пытались провести такую оценку и понимаем, что это один из ключевых критериев, показывающих эффективность внедрения и работы платформы управления данными. Например, до ее внедрения сотрудник тратил на поиск необходимых данных и получение доступа к ним несколько месяцев, а после – возможности поиска стали шире, и доступ гораздо быстрее. Мы оцениваем субъективный эффект, используем оценки и ощущения наших пользователей, которые действительно говорят, что время доступа к данным значительно сократилось.

Это особенно заметно на примере новых сотрудников, которые не знают структуры данных, и где их можно найти. Они говорят, что начать работу с данными в нашей компании очень просто – буквально несколькими словами в поисковой строке аналитики могут найти все, что им нужно для выполнения своих задач. Среди сотрудников, которые уже давно пользуются данными, мы также видим большую популярность нашего каталога данных. Это является показателем того, что платформа действительно полезна.

– Пытаетесь ли вы в целом оценить эффект от создания единой платформы? Какими результатами можете поделиться?

70% пользователей платформы используют ее на регулярной основе – не реже нескольких раз в неделю. Практически каждый день они пользуются каталогом данных, чтобы получить какую-либо информацию. Для нас это очень важный показатель, мы понимаем, что именно он демонстрирует «приживаемость» системы. Тех сотрудников, кто уже знает о нашей платформе и начал ее использовать, нам легко удается вовлекать и удерживать. Отдельная и более сложная история – как вовлечь новых пользователей.

Благодаря наличию каталога данных все больше пользователей создают свои отчеты самостоятельно. Рост пользователей инструментов самообслуживания за прошлый год составил более 150%, уже четверть сотрудников компании используют self-service BI. Для нас это крайне важный показатель: бизнес самостоятельно быстрее решает свои задачи, мы считаем что централизованное подразделение BI-разработки не сможет реагировать так же быстро, а значит не может быть настолько же эффективным. При этом мы понимаем и некоторые минусы такого подхода.

– Популяризация работы с данными – важный шаг. Планировалось это заранее или появлялось по ходу действия?

Важность коммуникационной платформы стала понятна практически с момента создания офиса данных. Внедрение новых процессов связано с изменением привычной культуры и подходов к работе. Это требует достаточно больших усилий, и всегда происходит не просто. В первую очередь, мы проработали нашу модель коммуникации: кого, когда и о чем следует информировать. Мы создали нашу еженедельную рассылку, в которой рассказываем о происходящем в офисе данных, о реализации новых задач, о появлении новых инициатив. Информируем пользователей о важных изменениях в каждой системе и проблемах в них, о качестве данных в ключевых витринах и объектах. Есть ежеквартальный дайджест, в котором мы рассказываем на верхнем уровне о наиболее крупных и интересных задачах. Для вовлечения пользователей в работу с конкретными инструментами, мы проводим обучающие мероприятия – вебинары и демодни. Очень хорошо работает демонстрация на «живых» примерах, когда сотрудники бизнес-подразделений сами рассказывают коллегам, как они с помощью наших решений выполняют свои операционные задачи. По результатам проведения таких мероприятий всегда наблюдаем приток новых пользователей в наших платформах.

– Каковы направления развития платформы управления данными в Tele2?

Мы знаем, какие данные у нас есть, где они расположены, как между собой связаны, кто ими владеет, и как они связаны с бизнес-показателями. Теперь мы хотим понять, как наши данные участвуют в бизнес-процессах, и на какие из них влияют. Например, в случае инцидента в качестве данных неплохо понимать, насколько ошибка серьезна, к чему она может привести. Связать наши данные с бизнес-процессами – довольно амбициозная задача, мы работаем над ней совместно с дирекцией по бизнес-процессам. Без нашей платформы управления данными реализовать ее просто невозможно.

Другая актуальная задача заключается в интеграции показателей качества данных. Мы уже понимаем, какого качества данные в наших физических объектах – таблицах и витринах, это было достаточно легко реализовать с помощью интеграции платформы управления качеством данных и дата-каталога. Теперь мы хотим научиться считать показатели качества на уровне бизнес-показателей и отчетов – важно показывать пользователям, насколько можно доверять тому или иному ключевому показателю.

Мы хотим прийти к тому, чтобы понимать все данные в компании, выявлять пересечения и дубли – как с точки зрения физического хранения, так и с точки зрения использования данных и исключения разночтений в использовании показателей. У нас есть инициативы и идеи по развитию единой платформы управления мастер-данными и нормативно-справочной информацией, и отдельная инициатива по усилению контроля безопасности использования данных.

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

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

- Каковы предпосылки внедрения единого процесса и платформы управления маржинальностью?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

- Что определило выбор продукта SAP для платформы управления маржинальностью?

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

- Что подразумевает контроль качества данных в управлении маржинальностью?

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

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

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

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

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

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

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

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

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

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

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

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

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

- Каковы планы по развитию платформы?

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

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

- Что для вас было самым интересным в проекте?

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

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

- Какие итоги проекта вы считаете ключевыми?

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