BI

В Ростелекоме реализован проект Self-Service Analytics Platform, в результате которого удалось создать платформу для работы с данными, которую можно быстро и без серьезных затрат развернуть в любом достаточно крупном бизнес-подразделении. При этом фактически используется формат франшизы – команда проекта снабжает подразделение всем необходимым для выстраивания функции. О реализации проекта и его роли для компании рассказывает Дмитрий Тарасов, директор центра разработки аналитических решений «Ростелеком Корпоративные Системы» и номинант на премию Data Award.

- Расскажите об истории проекта.

Проект Self-Service Analytics Platform (SSAP) изначально родился как ответ на вызов, связанный с острой потребностью в аналитических решениях и интерактивной отчетности. Он реализовывался для сверхкрупной функции работы с дебиторской и кредиторской задолженностью «Ростелекома» и стартовал более трех лет назад. В силу большого количества процессов, данных и постоянно меняющейся обстановки в процессах, традиционная разработка «в граните и на века», очень плохо ложилась на потребности стейкхолдеров, выглядела крайне дорогостоящей и весьма тяжелой. Усугубляла ситуацию и классическая проблема крупных, слабо централизованных компаний – необходимых данных либо вовсе не было в доступе, либо они были фрагментарные и не сказать, что очень качественные. Выход был найден в создании развитой self-service функции работы с данными и аналитикой, которую пришлось делать значительно более «прокачанной» технически, чем это обычно принято.

- В чем заключалась проблема?

Часто под self-service ограниченно понимают возможность самостоятельно обратиться к готовым данным и сформировать несложный дашборд или выгрузку. В нашем случае все обстояло куда печальнее – нам нужно было упаковать в self-service весь цикл работы с данными: от обследования систем-источников и интеграционных решений до развитого хранилища данных и BI-подсистемы. При этом система должна была остаться гибкой для изменений, обладать сравнительно дешевой стоимостью владения, не требовать сверхквалифицированных специалистов для обслуживания и развития, позволять бизнесу вести классическую self-service аналитику, формировать регламентные отчеты с высоким качеством данных (до четырех «девяток» включительно) и оставаться масштабируемой.

Звучит немного фантастично, но за два года работы мы это сделали: разработали компонентную модель решения и общую архитектуру, подобрали оптимальный стек, выстроили организационную и процессную модель, реализовали всю эту красоту технически, снабдили средствами мониторинга и администрирования, настроили каналы уведомления юзеров и поддержки о проблемах, внедрили автоконтроллинг качества данных, разработали набор метрик самоконтроля эффективности и благополучно «взлетели».

- Успешный «взлет» обычно провоцирует повышенный интерес к решению…

Да, довольно быстро мы поняли, что получившаяся функция работы с данными востребована не только внутри подразделения, работающего с дебиторской задолженностью. Она очень хорошо подходит для всех кейсов, когда разработка «Большого ИТ» или использование вендорских решений не подходит – по финансовым, организационным или политическим причинам. И таких зон в крупной организации много, гораздо больше, чем нам изначально казалось. Максимальная их концентрация, что весьма логично, пришлась на Общий центр обслуживания (ОЦО), как держателя функций поддержки, которые обычно не могут себе позволить тратить слишком много на ИТ-решения. И на этом этапе перед нами встал новый вызов – как масштабировать подразделение, работающее с данными, и его функционал на совершенно новые предметные области, которые еще и по объему данных дадут нам десятикратный прирост.

- Какой подход выбрали к решению задачи?

Нас спасли изначально верно подобранная архитектура, хорошо масштабируемая организационная модель и упаковка решения в контейнеры – в прямом и переносном смысле. Технические решения были виртуализированы почти сразу, для используемых инструментов развернут единый репозиторий, процесс разработки адаптирован под CI/CD поставки параллельных команд, а для команд, работающих над техническими решениями, введена специализация на предметных областях.

Кстати, команды зачастую формировались непосредственно из бизнес-среды вокруг сильного ядра. Например, команда, работающая над задачами аналитики и отчетности операционных подразделений HR, формировалась полностью из аналитиков внутри самого HR. Ребята прошли обучение производственному процессу, подтянули технические навыки, поработали 2-3 месяца с выделенными наставниками и вышли в «свободное плавание». Само собой, соблюдая требования и нормы процесса и оставаясь в зоне контроля основной команды.

Говоря в общем, мы стандартизировали процессы подготовки и развития команд self-service разработки, внутри них внедрена специализация сотрудников: бизнес-аналитик, дата-инженер, BI-разработчик. Были стандартизированы и кодифицированы принципы управления – от формата ведения плана до графика регламентных встреч. При этом мы постарались максимально сохранить сильные стороны self-service: гибкость, отзывчивость к изменениям, низкую стоимость владения, хороший показатель time-to market.

- Что в итоге получилось?

Как итог, мы получили уникальный, как нам кажется, продукт, который позволяет разворачивать функцию self-service работы с данными практически в любых условиях, не имея ограничений на тип источников, сложность интеграций, особенности ИТ-ландшафта. Решение не сильно требовательно к инфраструктуре, не сильно нуждается в «звездах» ИТ. Причем, что важно, мы не ограничиваемся только технической стороной вопроса. В нашем подходе учитываются вопросы подбора, развития, встраивания новой функции в организационную модель, настроенный процесс работы и даже работа с комьюнити в области данных.

Использованный нами технологический стек либо входит в реестр отечественного ПО, либо относится к open source, а процесс легко стыкуется с функцией RPA, развитием Data Science решений и с разработкой средств малой автоматизации.

- Как новое решение отразилось на бизнес-результатах?

За счет внедрения эффективных средств анализа работы с дебиторской и кредиторской задолженностью, своевременного выявления возможных и уже случившихся проблем с оплатой, выявления проблем и ошибок в данных, ежегодный прямой эффект составил более 100 млн руб. С учетом срока полезного использования системы в 10 лет, суммарный эффект превысит миллиард дополнительного денежного потока.

Эффект на оптимизацию резерва на сомнительные долги достигает более 50 млн руб. в год, то есть более 0,5 млрд руб. за срок жизни решения компания получит плюсом в операционный доход до вычета амортизации основных средств и нематериальных активов (OIBDA) и валовую маржу.

Аналитическая платформа работы с качеством процессов уже позволила улучшить ситуацию с качеством внутреннего сервиса на 8-10%, прогнозируется дальнейший рост показателя. Аналитика производительности сотрудников позволила высвободить более 40 FTE (full-time employee — «эквивалент сотрудника с полной занятостью»), и это еще не предел. В ходе внедрения системы выявлялось и исправлялось огромное количество неоптимальностей в процессах, внедрялись цифровые метрики, вводились автоматизированные KPI.

Сроки подготовки отчетности улучшились от 12% до 1000% – часть отчетности и аналитики стала формироваться до 10 раз быстрее. Как пример – если для подготовки отчетности о движении дебиторской задолженности с локализацией проблем до клиента и договора ранее требовалось до 45 дней с момента готовности данных (долгая консолидация данных, медленный анализ, выверка и исправление ошибок), то теперь на это уходит не более двух дней, из которых один – машинное время отработки конвейеров расчета и подготовки данных.

Выросло качество данных за счет постоянного их использования и внимания к результатам в цифрах. Нам удается поддерживать этот показатель на уровне не ниже 99%.

- Как новые технические возможности отразились на корпоративной культуре?

У нас сформировалось устойчивое дата-комьюнити, уже способное решать достаточно серьезные технические задачи. В значительной степени завершен процесс перехода на data-driven модель управления процессами в ОЦО. Фокус внимания аналитических подразделений сместился с бесконечной подготовки данных и формирования полу ручных отчетов на саму аналитику, то есть выявление и исправление проблем и «бутылочных горлышек». Кое-где функция дозрела до полноценной предиктивной аналитики, да и накопленные данные уже позволяют ею заниматься.

Если говорить о внутренних метриках, то за три года количество регулярных пользователей BI-отчетности приблизилось к 5 тыс. человек, а количество просмотров отчетов в месяц перевалило за 30 тыс.

- Какова роль этого проекта для бизнеса «Ростелекома»?

В результате проекта мы создали платформу для работы с данными, которую можно без сверхусилий и без серьезных затрат развернуть в любом достаточно крупном бизнес-подразделении. Это, в свою очередь, позволяет выстроить data-driven культуру работы с процессами, сократить потери, улучшить качество и скорость реакции на изменения. В целом, это позволяет намного лучше управлять процессами и бизнесом.

Аналогично тому, как при франшизе кофейни клиент, соблюдая свод правил, получит работающую кофейню, так и у нас – соблюдая не слишком сложный и адаптированной для развертывания в любой среде процесс и правила, а также пользуясь набором наших инструментов, упакованных в контейнеры и репозитории, удобной базой знаний и поддержкой, клиент получит функцию работы с данными и SSAP.

При этом мы не претендуем на роль «Большого ИТ», наша платформа вполне позволяет уживаться «на одной поляне» и с ним, и с командами бизнес-подразделений, выстраивая тесную координацию и симбиоз. Более того, именно так мы всегда и рекомендуем делать, отдавая в «Большой ИТ» системные и наиболее тяжелые интеграционные решения, а также системы с критической и закритической стоимостью рисков. А командам «на земле» можно оставить функцию классического self-service, отработку быстрых гипотез, ad-hoc задачи и непосредственно анализ.

- Каковы направления дальнейшего развития проекта?

Их несколько. С одной стороны, мы продолжаем натуральный экстенсивный рост, охватывая новые предметные области, процессы и показатели. Исходя из нашего понимания процессов и функций «Ростелекома» на сегодня, мы рассчитываем нарастить охват целевой аудитории до 10 тыс. уникальных пользователей в месяц и «пробить» показатель в 50 тыс. просмотров отчетности ежемесячно уже через полтора, максимум два года. В том числе за счет дальнейшего проникновения функции работы с данными в транзакционные подразделения и подключение новых предметных областей.

С другой стороны, мы планируем и далее развивать нетехнические стороны проекта: внедрить полноценную школу self-service команд, улучшить обучение владельцев продуктов, развивать комьюнити. Продолжаем систематизировать процесс продвижения разработанных продуктов и сервисов, обучение работе с ними для конечных пользователей. Развиваем площадку для кросс-коммуникаций self-service команд внутри компании.

Безусловно, будем уделять время росту качества self-service решений и контролю их соответствия общей ИТ-стратегии «Ростелекома» и стратегии работы с данными. В это отношении уже проделана большая работа, причем мы внимательно следим за балансом, стараясь не допустить излишней бюрократии или избыточного утяжеления процессов разработки.

Ну и наиболее интересным лично для меня направлением проекта является его интенсивное развитие за счет встраивания в функцию работы с данными ИИ-решений и упаковывая их в единый метаконтур работы с данными. Причем как со стороны интенсификации разработок, создания нового качества в процессе, так и для новых продуктов и сервисов, ориентированных на конечных пользователей.

Если же говорить про финансовые и экономические перспективы проекта, то мы смотрим в будущее с осторожным оптимизмом, так как за все время проекта у нас не было откровенно убыточных продуктов и команд – всегда появлялся эффект, позволяющий выводить итог работы команды в плюс.

Современные инструменты Business Intelligence способны как анализировать структурированные данные, так и решать более сложные задачи, связанные со слабоструктурированными источниками и комплексной визуализацией данных. И если несколько лет назад программные инструменты данного класса применялись только для моделирования данных, то сегодня практически все BI-платформы имеют встроенные средства очистки, консолидации и нормализации структурированных данных. Причем они способны работать с очень большими объемами записей.

Одна из ключевых целей BI – поддержка принятия решений при реализации тех или иных бизнес-процессов. Более десяти лет назад для этого применялись модульные программные приложения, решающие частные задачи. Дефицит консолидированных данных затруднял получение объективной оценки необходимых для анализа факторов. Однако эволюция технологий управления большими данными и возросшая производительность ИТ-инфраструктуры компаний позволили им использовать более прозрачный и универсальный подход к BI, перейти от пакетной обработки данных к потоковой. Это, в свою очередь, определило потребность в инструментах многомерной визуализации данных. При этом прогрессивные статистические методы для корреляционного анализа, прогнозирования, нелинейного анализа – приобретают всё большую значимость. Специалист, принимающий решения с помощью BI, опирается на динамические показатели фактических данных и расчетных показателей в агрегированном виде.

Сценарии применения BI

BI-системы сегодня имеют обширное распространение как в виде полноценных независимых программных решений, так и в виде аналитических модулей различных приложений. По сути, анализировать данные можно везде, где они есть. При этом чем больше компания собирает потоковой информации, тем выше потребность в ее качественном анализе. И, поскольку современные корпоративные системы способны обеспечить упорядоченное хранение информации, обработка агрегированных данных доступна организациям самых разных сфер деятельности.

Так, промышленное оборудование оснащено датчиками, позволяющими получать данные о работе линии, каждого производственного элемента. Как правило, такая информация хранится локально или во внешних базах данных. Благодаря ее анализу руководители могут выстраивать более эффективные процессы: например, оптимизировать расход сырья или предупреждать поломки. В сфере услуг оцифровываются взаимоотношения компаний с потребителем. Кассы, CRM, логистические системы – благодаря всему этому появляются большие группы данных, которые можно рассматривать в различных разрезах.

Современный уровень развития ПО и производительности ИТ-систем позволяет визуализировать данные не только в виде классических диаграмм, но и в виде геокарт, тепловых карт и в других разновидностях. А применение нейронных алгоритмов дает возможность прогнозирования на основе анализа массивов информации. Например, в медицине, анализируя диагностические данные, можно выявлять в них некие закономерности или аномалии – и на этой основе корректировать методики лечения пациентов. Для сельскохозяйственных предприятий можно выстроить систему оперативного мониторинга, управляя разными локациями, учитывая погодные изменения и т. д.

Имея возможность оперативно менять срезы данных, можно максимально быстро принимать решения. Поэтому BI-системы активно применяются в ситуационных центрах. Качество таких решений напрямую зависит от качества созданной для них модели данных.

Развитие BI в России

История BI-систем в России тесно связана с развитием ИТ-рынка в целом. До ухода иностранных компаний местным разработчикам было довольно сложно конкурировать с хорошо зарекомендовавшими себя программными решениями мирового уровня. В случае BI это, прежде всего, Tableau, Power BI и Qlik. Российские вендоры находили точки роста в более узких нишах, в разработке и внедрении специализированных BI-систем. Те из них, кто выдержал конкуренцию, сегодня могут предоставить заказчикам решения с востребованными функциями.

ИТ-командам нужны инвестиции в технологическое развитие и кадровый потенциал. Сейчас ситуация на локальном рынке резко изменилась, для отечественных разработчиков конкурентное поле со стороны зарубежных вендоров опустело. Но никуда не ушли законы рынка: усилилась борьба теперь уже между российскими компаниями. Появились лидеры в отраслевых сегментах, часть игроков сошла с дистанции. Направление BI не стало исключением. Здесь на настоящий момент уже сформировался пул надежных разработчиков с хорошим потенциалом развития программных продуктов. Независимые аналитические агентства, а также некоторые интеграторы публикуют рейтинги и дают развернутые характеристики наиболее зарекомендовавших себя систем.

Критерии выбора BI-платформы

Современные BI-системы различаются по функциональности, масштабируемости, возможности применения no-code/low-code и другим более специфическим критериям. В то же время они могут быть применены во многих отраслях для решения конкретных задач.

Например, если в компании внедрены такие системы, как CRM, ERP, MRP, и не хватает встроенных отчетов, – можно использовать BI для раздельного или консолидированного анализа, создания единой модели данных. Если в компании много лет используется Excel в качестве универсального инструмента для создания и хранения данных, а базы становятся все больше – однозначно следует рассмотреть внедрение BI. При этом сначала можно заняться построением моделей данных из слабоструктурированных источников, а затем уже непосредственно проектированием аналитических отчетов с наглядными графиками и таблицами агрегируемых данных.

Для выбора BI-системы можно рекомендовать оценить следующие функции и критерии продукта:

• импорт данных с сервера БД (SQL и др.),
• импорт данных из файлов (csv, txt, xls),
• объединение источников данных,
• создание модели данных,
• фильтрация данных,
• наличие стандартных визуализаций,
• внедрение дополнительных визуализаций (JavaScript, Python),
• создание интерактивных отчетов,
• создание вычисляемых полей,
• функции агрегации,
• различный экспорт данных,
• управление правами доступа,
• адаптация под другие технические устройства,
• автоматическое обновление отчетов по расписанию,
• обучающая документация и наличие сообществ,
• публикация отчетов в веб-представлении,
• стоимость решения.

По нашей практике, заказчики чаще отдают предпочтение проверенным и известным продуктам. Однако именно в направлении BI процесс внедрения продукта всегда носит проектный характер и нередко требуется кастомизация. С этой точки зрения малоизвестные решения могут оказаться гораздо гибче в кастомизации, что может положительно сказываться на сроках реализации проекта. В то же время у «коробочных» решений есть свои неоспоримые преимущества: возможность удобного обновления по мере выхода новых релизов, наличие всей необходимой документации и более широкое экспертное сообщество.

Внедрение BI: на что обратить внимание

Алгоритм внедрения BI-систем верхнеуровнево не отличается от внедрения других ИТ-платформ. Как правило, проект разбивается на этапы:

• аудит и анализ требований на стороне заказчика,
• составление плана миграции (если у заказчика уже есть другая BI-система),
• разработка моделей данных,
• добавление средств визуализации (дашбордов, таблиц),
• тестирование и обучение,
• запуск в эксплуатацию,
• контроль и расширение аналитических срезов.

Специфика BI-систем подразумевает участие в проекте вендора и системного интегратора. Вендор занимается поддержкой и доработкой платформы. Интегратор обладает многогранными экспертными знаниями, которые необходимы для реализации проекта – ведь заказчику часто приходится решать задачи не только установки BI-платформы, но и ее интеграции с ИТ-окружением.

Самыми затратными по ресурсам и времени (до 80% затрат, по нашим подсчетам) являются этапы аудита и разработки модели данных. Они требуют тщательного изучения исходных источников данных компании и возможностей разработки средств визуализации. Именно поэтому длительность реализации проекта BI иногда бывает сложно определить: указанные этапы могут растянуться во времени из-за обеспечения доступности, бесструктурного хранения, множества видов источников информации, отсутствия формализованного описания имеющихся данных и т.д.

Проектный подход подразумевает создание совместной группы, состоящей из представителей заказчика и исполнителя. Крайне важно, чтобы на стороне заказчика хотя бы один сотрудник был привлечен к поддержке системы: знал корректные источники для модели и регламенты сбора исходных данных, мог управлять политиками доступа.

Автор – Николай Рыков, продукт-менеджер по программным решениям компании Konica Minolta

В «БАРС Груп» внедрили решение Analytic Workspace в бизнес-центре BI, с помощью которого систематизировали данные ресурсного планирования и провели анализ эффективности выполнения задач. Это позволило запустить основанную на данных трансформацию подразделения и подготовить почву для масштабирования системы на всю компанию. О реализации проекта рассказывает Арслан Катеев, руководитель отдела аналитики и внедрения бизнес-центра BI-решений компании «БАРС Груп» и номинант на премию Data Award.

— Что привело к реализации проекта? В чем заключались проблемы?

В 2021 году с целью внутренней оптимизации и развития компания «БАРС Груп» запустила пилот по переходу на scrum-модель планирования и реализации задач руководителями структурных подразделений по достижению квартальных OKR (Objectives and Key Results) на основе мониторинга достижения количественных показателей. Каждый руководитель подразделения предложил свой список метрик, релевантных для оценки деятельности его направления. Списки были объединены для формирования общей картины эффективности работы отдельного юнита компании «БАРС Груп» – Бизнес-центра BI-решений (БЦ BI), который был выбран как пилотный для этого проекта.

— Почему это было важно для компании?

Финансовые метрики должны давать возможность видеть, насколько БЦ BI приближается к плановым показателям по выручке и рентабельности. При этом нужно контролировать возможный перерасход бюджета по каждому проекту для своевременного выяснения причин и коррекции стратегии реализации проекта.

Производственные метрики должны отражать оценку процента выполнения плана, среднее списание времени по типам задач для определения доли трудозатрат по коммерческим и инвестиционным проектам. Таким образом, еще одной задачей была оценка распределения трудозатрат по подразделениям для выявления возможности перераспределения кадровых и бюджетных ресурсов на более доходные либо иным образом коммерчески оправданные задачи.

Кроме того, требовалось разработать метрики, характеризующие работу команды. Это не классическая HR-аналитика, но близко к ней: востребованность ресурсов, переработки, командировки. Если мониторить эти показатели, то можно заранее увидеть потребности в увеличении команды или перераспределении нагрузки.

— Что вы понимаете под термином «трансформация, основанная на данных»?

Я для себя формулирую так: это изменение от видения картины бизнеса «по ощущениям» к видению этой картины в цифрах, на основании актуальных данных. Это позволяет легко сравнивать показатели, анализировать отклонения от плана и принимать соответствующие управленческие решения.

— Какие задачи были поставлены перед проектом?

Необходимо было реализовать сбор, анализ и визуализацию данных бизнес-центра компании в реальном времени по нескольким направлениям: финансовый и кадровый учет, проектная деятельность, производство (разработка и внедрение), сопровождение.

Важным моментом являлось обеспечение соблюдения уровней доступа к информации, то есть к некоторым информационным панелям либо разрезам данных должен быть доступ только у руководителей направлений, к другим – у рядовых аналитиков. При этом данные требовалось собирать из нескольких источников: внутренней СУБД компании на базе PostgreSQL, Jira (подключение по API), внешней системы техподдержки (подключение по API), а также партнерского кабинета «БАРС Груп».

— Какие требования предъявляли к создаваемому решению, как выбирали платформу?

Для решения поставленных задач был выбран комплекс решений, состоящий из платформы данных AlphaBI и self-service BI платформы Analytic Workspace. На начальном этапе важно было заложить прочную основу под описательную аналитику и обеспечить максимальное качество данных. Для этого использовались модуль ETL и конструктор хранилища AlphaBI, который позволил создать единое информационное поле для четырех систем и шести предметных областей, проставить зависимости между данными и обеспечить их своевременное наполнение. Для реализации диагностической аналитики, получения ответов на вопросы: «Почему это произошло?» и визуализации метрик был использован Analytic Workspace – инструмент интерактивного анализа и визуализации данных.

Analytic Workspace – это наше партнерское решение, мы прекрасно знаем его возможности и поэтому долго выбирать нам не пришлось. Наиболее значимыми для нас была возможность подключения одновременно к нескольким источникам данных, быстрое внедрение обучение сотрудников – решение было полностью готово к использованию меньше чем за три месяца. Важно отметить наличие полноценного ETL-модуля, ролевой модели доступа, а также соотношение стоимости и функционала.

— Что собой представляет созданная система?

В рамках проекта «Метрики БАРС Груп» был сформирован ряд информационных панелей. Всего их было создано более 50.

Наиболее важным было финансовое направление, оно включило отклонения по бюджетам сделок, трудозатратам и коммерческому чеку. Например, на информационной панели «План-факт отклонение по бюджетам сделок» мы контролируем прямые расходы бизнес-центра по каждому из проектов и отклонения в процентном и абсолютном выражении от планируемого темпа расхода бюджета. Если отклонение становится существенным (скажем, более 25%), то актуальным может оказаться перераспределение бюджета между сделками либо плана проекта. То же самое касается отклонений от плана по трудозатратам – мы можем своевременно усилить команду на «буксующей» сделке, перебросив людей с проекта, где по факту сформировался избыток трудовых ресурсов.

Что касается анализа отклонений по коммерческому чеку, то бизнес в нашей компании организован таким образом, что некоторая часть сделок является не вполне коммерческой, это так называемые «инвестиционные» проекты. Доход по ним получается ниже коммерческого чека, однако они важны – например, для продвижения и повышения узнаваемости компании на рынке. При этом важно контролировать, чтобы доля таких сделок не превышала определенного предела для сохранения прибыльности бизнеса.

Если говорить о кадровом направлении, то основными пользователями этих метрик являются руководители отдельных направлений БЦ BI, которые принимают управленческие решения, касающиеся их подразделений, пользуясь актуальными данными метрик. Например, при планировании рабочего времени крайне полезным оказалось узнать фактическую мощность команды – ведь, скажем, из 10 человек, в среднем, один оказывается в отпуске, на больничном или в командировке. Кроме того, важно знать долю отпусков и больничных в общей структуре затрат, а также статистику по командировкам.

Производственное направление информационных панелей включает анализ трудозатрат (среднее списание времени по типам задач, доля задач с типом ошибок, доля непроизводственных затрат), а также анализ выполнения задач – процент попадания в оценку, абсолютное отклонение от оценки, среднее время пребывания в статусе и переиспользование функционала.

— Что в ходе проекта вызвало наибольшие сложности, как их решали?

Как ни удивительно прозвучит, наибольшей сложностью оказалось собрать с руководителей подразделений те метрики, с которыми они теперь работают каждый день, для формирования общей архитектуры проекта. Людям трудно отвлечься от каждодневных задач, чтобы выделить усилия на создание чего-то нового и непривычного.

— Каких бизнес-результатов удалось достичь за счет реализации проекта?

Внедрение BI-системы позволило более эффективно перераспределить производственные ресурсы, что дало возможность существенно сократить нецелевые расходы, оптимизировать бюджетное планирование и увеличить чистую прибыль бизнес-центра компании. Так, например, около 3% сделок содержали ошибки при планировании бизнес-процессов (а это порядка 50 сделок в год в абсолютном выражении). После реализации проекта удалось свести этот показатель к нулю.

Еще один пример: выяснилось, что около 20% трудозатрат одной из команд уходили на недоходные сделки. Мы пересмотрели ресурсное планирование, сфокусировав внимание на коммерчески выгодных сделках, что позволило ускорить разработку и внедрение наших продуктов для коммерческих заказчиков и на 7% повысить выполнение KPI.

— Что из этого для вас является самым главным?

Самое главное – удалось в целом достичь на 5% лучших показателей план-факт по году. Это произошло за счет того, что при анализе отклонений от плана по конкретным проектам мы теперь имеем возможность оперативно перераспределять финансовые и трудовые ресурсы, пользуясь актуальными данными и имея перед глазами всю картину бизнеса в реальном времени.

— Пытались ли оценить эффекты в финансовом выражении?

Да, конечно. За счет тех изменений в ресурсном планировании и сокращения нецелевых расходов, о которых я уже говорил, мы смогли добиться улучшения финансовых показателей бизнес-центра по рентабельности на 5% в целом по году.

— В каком направлении будет развиваться проект?

Поскольку проект оказался успешным на примере нашего бизнес-центра, планируется внедрение системы и в других бизнес-центрах компании «БАРС Груп».

Визуализация – основа быстрого принятия решений на основе даже самых сложных данных. В компании Luxms разработали универсальную переносимую систему BI-аналитики для визуализации больших данных на любых пользовательских устройствах. О ее построении рассказывает Дмитрий Дорофеев, главный конструктор ГК Luxms и номинант на премию Data Award.

— Какова история проекта?

Корнями история проекта уходит в университетские исследования ПО с открытым кодом середины 1990-х годов, а сам проект создания аналитической платформы зародился в 2015 году с исследования производительности высоконагруженных систем обработки больших данных.

— Какие задачи призвана решать созданная платформа?

Прежде всего, на основе анализа больших объемов данных из различных источников платформа позволяет в визуальной форме контролировать процессы, анализировать показатели эффективности и принимать обоснованные информированные решения. Она дает возможность самостоятельно настраивать доступ к данным, изучать их, анализировать и находить новые взаимосвязи. И, наконец, она позволяет формировать отчеты сотрудникам, не обладающим навыками программирования

— Почему это важно?

Большие объемы разнородных данных невозможно понять, осмыслить без инструментов предварительной обработки, подготовки, анализа, в том числе, используя механизмы агрегации, детализации, фильтрации, сортировки и поиска, и что самое важное – визуализации на различных устройствах: на персональных компьютерах, на планшетах, на телефонах.

— На каких технологиях основана платформа? Какие принципы пытались соблюсти при ее создании?

В основе решения лежит использование ПО с открытым программным кодом, используются технологии реляционных и колоночных баз данных, потоковой и масс-параллельной обработки данных, современные интернет-протоколы, сервиc-ориентированная архитектура. Мы старались следовать таким принципам: отказ от «изобретения велосипедов», скорость работы системы – превыше всего, а также подбор технологий, исходя из поставленных задач.

— В чем инновационность решения?

Инновационность – в масштабируемой датацентричной архитектуре серверной части платформы, объединяющей систему хранения метаданных с бизнес-логикой сервера приложений, и использовании при необходимости «горячего слоя» данных в качестве внешнего источника данных. Это позволило кратно увеличить производительность при решении аналитических задач на больших объемах данных и в разы сократить время отклика системы на запросы пользователей.

На сегодняшний день Luxms BI – единственная российская датацентричная BI-платформа, которая обеспечивает высочайшее быстродействие, в том числе за счет возможности вертикального и горизонтального масштабирования.

Основные идеи и подход описаны в нашей научной статье в журнале Transactions of the ACM.

— Сколько времени и какими силами создавалась платформа?

Этапы исследований, прототипирования и создания промышленного решения в общей сложности продлились три года. Костяк команды состоял из пяти одержимых идеей инженеров.

— Что вы считаете главным достижением, чем гордитесь?

Главное достижение и гордость в том, что решение помогает людям, компаниям видеть большие данные, помогает ежедневно принимать обоснованные, информированные решения, помогает нам всем делать жизнь лучше.

— Каков портрет типичного заказчика? Кто может быть наиболее заинтересован в использовании решения?

Нашу платформу используют крупные компании нефтегаза, энергетики, здравоохранения, а также телекоммуникационные, логистические, транспортные и финансовые организации. Лучше всего мы работаем в крупных компаниях с большим количеством данных – там, где требуется высокая производительность и предполагается большое количество пользователей и данных.

Наши пользователи – это лица, принимающие решения, топ-менеджеры, линейные руководители. Мы настраиваем максимально простой интерфейс для нетехнических пользователей, передаем данные в удобном для восприятия формате и обеспечиваем управленческий функционал с современной визуализацией.

— Где уже нашло применение решение? Насколько оно востребовано?

Наша платформа позволяет компаниям контролировать процессы, оптимизировать затраты и повысить эффективность бизнеса. Мы уже успешно реализовали проекты в таких компаниях, как ОАО «РЖД», ПАО «Газпромнефть», НМИЦ им. В.А. Алмазова, а также в двух крупных коммерческих банках и в федеральных операторах сотовой и фиксированной связи. Клиентская база продолжает расти: только за прошлый год нами был выигран ряд крупных тендеров и заключены контракты с ведущими компаниями страны. Банк ПАО «ВТБ», АО «Почта России», АО «Открытие Брокер», ПАО «Россети Северо-Запад» приобрели лицензии Luxms BI в 2022 году.

— Каких результатов удалось достичь?

Пожалуй, самый большой результат – это то, что платформа успешно работает, эксплуатируется в крупнейших российских компаниях.

— В чем роль решения для российского рынка?

Российский рынок, и прежде всего крупные компании, получили современное технологичное решение анализа больших данных. Это решение, которое по основным параметрам – надежность, производительность, быстродействие, открытость, доступность – не уступает или превосходит аналогичные решения ведущих мировых производителей.

— В каком направлении будет развиваться платформа?

Главное направление развития – это наращивание функционала для конечных пользователей. Например, можно говорить об аналоге ассоциативной модели QlikView и аналоге языка MDX. Параллельно с этим мы повышаем удобство эксплуатации системы, это включает в себя варианты развертывания в российских облаках, поддержку российских дистрибутивов Linux, поддержку миграции BI-приложений между средами, утилиты администрирования и мониторинга.

Применение инструментов для самостоятельной работы пользователей с данными становится все более распространенной практикой. Именно за счет self-service BI компании избегают «бутылочного горлышка» в виде ограниченных ресурсов ИТ-подразделений и повышают оперативность разработки дата-продуктов. В группе компаний «Деловые Линии» анализ данных силами бизнес-пользователей дает возможность обеспечить непрерывность производственных процессов, оперативно реагировать на возникающие проблемы и повышать эффективность обеспечительных процессов. О причинах построения решений self-service BI и достигнутых результатах рассказывает Фарид Мадани, генеральный директор ГК «Деловые Линии».

— Как развивалась в компании работа с данными? Какие ключевые этапы можно выделить?

Работа с данными для нас – всегда одна из первостепенных задач: массивы информации трудно анализировать. Раньше для корпоративных информационных систем всегда действовали ограничения на глубину анализа данных, отчеты формировались относительно долго и имели недостаточную гибкость. Но главной проблемой было отсутствие консолидации данных в одном месте. Поэтому первым шагом в этом направлении для нас стало внедрение корпоративного хранилища данных, в котором происходила консолидация из основных источников и формировались витрины информации для последующего анализа, а также внедрение BI-системы. Следующим этапом было внедрение озера данных, которое значительно расширило наши возможности по анализу данных, в том числе больших и неструктурированных массивов. Когда уже были внедрены основные компоненты консолидации и работы с данными, мы приступили к передаче функции анализа данных в руки бизнес-пользователей – появились инструменты для самостоятельной работы с данными (self-service BI), которые развиваются и сегодня.

— В чем заключалась главная боль бизнеса, какие задачи требовалось решить за счет внедрения self-service BI?

В компании рос интерес к принятию решений на основе данных, и со временем стала выстраиваться очередь из запросов от бизнес-подразделений в ИТ-отдел, который, среди прочего, занимался разработкой отчетов и выгрузкой данных. Если же требовалось самостоятельно поработать с данными, то согласование доступа занимало очень много времени. Это замедляло бизнес в проверке гипотез и принятии решений, от которых и зависит успех наших инициатив. Так назрела потребность внедрения сервисов самообслуживания, которые дали возможность оперативно получать доступ к нужной информации и самостоятельно проводить ее анализ.

— Аналитика требует надежного фундамента. Что лежит в основе построенной системы?

Если говорить о технологиях, то озеро данных мы построили на базе Hadoop, хранилище данных сделано на решениях Microsoft, а в качестве BI-систем используем QlikView и Power BI. Для эффективной работы пользователей с инструментами self-service BI наш партнер – BIA Technologies – разработал специальные компоненты, которые позволили значительно ускорить сбор данных и работу с ними, а также упростил получение к ним доступа. Например, у нас появился коннектор BIA Tech Bridge, который обеспечивает быстрый сбор данных из систем «1С», или инструмент DMT, который позволяет просто – без написания кода – получить данные в песочнице бизнес-пользователя.

— Какие данные и какие платформы для работы с данными используются?

Используем учетные системы на базе «1С», корпоративные сайты и прочие внутренние источники: данные по клиентам, заказам на перевозку, остаткам и заказам на закупку и поставку расходных материалов, данные по загрузке сотрудников, сбор финансовой отчетности.

Бизнес-пользователями создана практика прототипирования отчетов, систем планирования и производственных систем, не требующих оперативных данных.

— Как выстроена архитектура инструментов self-service BI?

Это не одно решение, а целый инфраструктурный, программный и методологический комплекс. Основой работы сотрудников является «песочница», в которой развернуты все компоненты для комфортной работы с данными. Она находится в защищенном контуре и соответствует всем требованиям информационной безопасности. Внутри «песочницы» есть необходимый инструментарий для анализа данных. Также внедрен сервер публикации, на котором могут размещаться разработки пользователей, если к ним требуется доступ другим сотрудникам.

— Вероятно, потребовалось изменение культуры сотрудников. Какие мероприятия были проведены?

Это одна из самых сложных задач – вовлечь сотрудников в работу с данными. Для начала мы стали проводить мероприятия по ознакомлению коллег с возможностями self-service BI и выгодами, которые дает сервис при решении задач, по сравнению с прежними подходами. Для тех, кому была нужна помощь в освоении инструментария и ознакомлении с практикой анализа данных, мы разработали курсы и сейчас проводим обучение и ведем базу знаний. И, конечно же, мы обеспечиваем полную поддержку всем пользователям, которые занимаются самостоятельным анализом данных. Это дает эффект – интерес к self-service BI растет.

— Насколько эти инструменты востребованы в реальности? Какой процент сотрудников пользуется инструментами, какой целевой показатель?

Мы видим, что сервисом пользуются. Об этом говорит постоянно растущее число Power Users – так мы называем сотрудников, которые изучили инструментарий self-service BI и используют его в своей повседневной деятельности. Регулярно растет и количество опубликованных отчетов и наборов данных, которые впоследствии доступны конечным пользователям.

— Каких результатов удалось достичь?

Если говорить о самостоятельном анализе данных, то результатов много. Начиная от публикации локальных отчетов, которыми пользуются сотрудники подразделений, до более глобальных решений. Например, силами бизнес-пользователей финансового департамента и подразделения маркетинга была создана модель, которая позволяет создавать более целевые предложения нашим клиентам. Еще можно привести пример службы по работе с поставщиками, которая многие процессы внедряет при помощи инструментов self-service BI.

В целом это ведет к повышению уровня удовлетворенности клиентов за счет контроля ключевых показателей и оперативного реагирования на возникающие трудности в производственных процессах – так обеспечивается своевременность поставок. Но, пожалуй, самый важный результат – увеличение вовлеченности бизнес-пользователей для работы с данными.

— Было ли среди результатов то, что действительно удивило?

Удивила скорость внедрения практики самостоятельного анализа данных в некоторые подразделения. Созданный подход и инструментарий оказались настолько удобными для некоторых бизнес-подразделений, что они его внедряют во многие свои процессы, и происходит это за считанные недели.

— Как это отражается на финансовых показателях?

Можно говорить как о прямом, так и о косвенном эффекте. Например, службе по работе с поставщиками удалось значительно оптимизировать затраты на закупку пиломатериалов. Не понадобилось также увеличивать штат сотрудников за счет более тонкой настройки процессов и распределения задач – с помощью инструментария self-service BI.

— Что дальше? В каком направлении будет развиваться система?

Сейчас мы сосредоточены на повышении качества данных: на основании неточных данных могут приниматься плохие решения. Также мы смотрим в направлении онлайн-аналитики, и особое место в нашей «дорожной карте» занимает предсказательная аналитика. И, безусловно, мы собираемся и дальше совершенствовать уже внедренные решения.

Руководству сети Burger King удалось создать во многом уникальную модель управления большой сетью ресторанов, основанную на объективных показателях. Менеджеры ресторанов имеют доступ к объективной, наглядной и оперативной информации о своей работе, что обеспечивает их вовлеченность в повышение эффективности деятельности компании.

Максим Шарапов, директор департамента ИТ «Интернэшнл Ресторант Брэндс» и претендент на CDO Award, рассказывает о пользе меритократии, выработке у руководства ресторанов психологии бизнесменов и полном аутсорсинге процессов BI.

- С какого момента Burger King начал трансформироваться?

Трансформация имела подготовительный этап. Сеть Burger King начала бурно развиваться с 2012 года, тогда у нас было несколько десятков ресторанов и появился стратегический партнер. Получив финансирование, сеть начала экспансию. В этот момент я пришел в компанию и занимался стратегией развития ее информационных систем.

Базисом всей дальнейшей работы была подготовка единого источника данных, необходимого для последующего внедрения цифровых сервисов. Мы приняли решение внедрять ERP-систему, объединив в единой базе разрозненные данные различных подразделений. Более того, ERP стала системой мастер-данных. Таким образом был создан фундамент для дальнейшей цифровой трансформации.

- Какова история активной работы с данными? Когда произошел скачок, каковы его причины и результаты?

Когда внедрение ERP — а это большая и важная работа — было осуществлено, мы смогли направить силы на более конкретные бизнес-задачи. Были созданы все предпосылки для бизнес-аналитики: у нас появились данные, в отношении которых мы могли гарантировать целостность и корректность. Компания предпочитает в бизнесе прагматичный подход, руководство очень любит, когда в работе ориентируются на понятие quick wins — максимально быстрое достижение осязаемых результатов. Если в случае с ERP мы понимали, что быстро ее внедрить не получится, и были готовы терпеть целый год, то работу с BI-отчетностью мы вполне могли организовать по принципам Agile. Работа строится на поступающих от бизнес-подразделений вполне конкретных задачах по созданию приложений.

- Какие использованы платформы и продукты?

В качестве платформы мы выбрали Qlik и весьма оперативно подключили команду разработчиков. Эта платформа дает возможность действовать быстро и обойтись без создания хранилища данных. При помощи Qlik мы начали делать достаточно быстрые проекты. Задача состояла в предоставлении бизнесу подсказок и предложений относительно того, как скорректировать свою работу, чтобы максимизировать прибыль.

- Почему решили обойтись без хранилища? Сейчас этот подход используется повсеместно.

Мы считаем, что нам хранилище данных не нужно. Оно незаменимо там, где много источников разнородных данных. У нас не так много источников данных, а основных всего два: ERP и кассовая система. Они довольно однородны и предоставляют данные высокого качества, нам не требуется промежуточный этап сведения данных к единому целому. С внешними системами — например, системой аудитов и отзывов посетителей — обмен идет с помощью файлов Excel, уже агрегированных и готовых отчетов.

Да и сам принцип работы Qlik часто подразумевает отсутствие хранилища. Платформа всеядна, а ETL-процессы могут быть описаны в самой системе.

- Существует ли в компании стратегия работы с данными? Если есть, то в чем она заключается?

Четкой стратегии у нас нет, но есть основной принцип: компания регулярно и оперативно принимает решения на основе данных. Исходя из этого, мы формируем требования к данным. Например, от события в любом из более 600 ресторанов до его отражения в отчетности должно проходить не более 15 минут. Это означает, что все виды контроля по целостности и качеству данных должны быть зашиты в сами системы.

Самое главное, что большое число людей на регулярной основе вовлечено в работу с данными. Ежедневно в каждом ресторане проходят конференц-звонки, в ходе которых обсуждается, что ресторан будет делать в соответствии с показателями, полученными из системы.

- Действительно ли скорость настолько важна? Каким образом достигается актуальность данных, близкая к реальному времени?

Первым крупным результатом в рамках работы с данными стал проект «Рутина», благодаря которому рестораны начали получать ежедневные отчеты, весьма объемные и детальные. Следующий шаг был направлен именно на оперативность. Мы переосмыслили работу с источниками данных и стали работать с локальными кассовыми базами, а не с центральной базой, где консолидировались данные при закрытии кассового дня. Это было нужно для того, чтобы сотрудники ресторанов могли в режиме, близком к реальному времени, видеть, на какие показатели они выходят по итогам дня. Если что-то идет не так, у них есть возможность изменить ситуацию.

- Переход к управлению на основе данных — это серьезная культурная трансформация. Люди не любят меняться. Как обеспечить принципиальную возможность таких изменений?

Это и просто, и сложно. Надо быть максимально честными с людьми. Компания в своей работе придерживается философии меритократии — воздавать каждому по его заслугам. Человек, принесший компании измеримый в деньгах результат, может претендовать на часть этого результата. Любой сотрудник ресторана может предложить идею, которая повысит эффективность компании. Такие идеи могут быть озвучены непосредственному начальству, затем совместно — вышестоящему руководству, и очень важно, чтобы эта цепочка была быстрой, а ценные идеи максимально оперативно воплощались в жизнь. Не нужно теоретических рассуждений — надо брать и пробовать, а пилотный проект покажет ценность на практике.

Важно выработать у директоров ресторанов психологию бизнесменов. Они имеют право пробовать новшества, их никто за это не будет наказывать, даже если ожидаемый эффект не будет получен. Компания дает сотрудникам достаточно большое пространство для самореализации. Эта культура очень хорошо укладывается в data-driven-подход.

Таким образом, работу с данными можно считать некоторой базой для управленческого развития компании, которое во многом построено на стандартизации функций и их делегировании. Все управленческие решения на каждом из уровней управления основаны на объективных данных. На объективных показателях основана и мотивация сотрудников, что дает их высокую вовлеченность в улучшение работы ресторанов.

- Любопытным подходом является полный аутсорсинг всей работы с данными: в штате Burger King нет ни одного BI-специалиста, а функциональные менеджеры самостоятельно вносят задачи по работе с данными в очередь для реализации. Как такое стало возможным?

Да, работа с данными отдана на аутсорсинг в компанию Qlever Solutions, и у нас действительно нет ни одного BI-специалиста. Но зато есть мощное подразделение бизнес-аналитики, сотрудники которого не являются техническими специалистами, но имеют сильную экспертизу и глубокое понимание показателей экономической деятельности компании. Еще есть должность менеджера по развитию информационных систем, он управляет изменениями и принимает участие в расстановке приоритетов. Таким образом, все изменения проходят определенный контроль на достаточно высоком уровне.

Во многом такой подход стал следствием того, что компания довольно жестко ограничивает в подразделениях численность штатных сотрудников. В итоге образовалась гибкая структура, которая позволяет точно масштабировать ресурсы в соответствии с объемами работ и приобретать услуги по модели time&material.

Надо сказать, что к идеальному варианту пришли не сразу. У нас был негативный опыт работы с одной из очень известных компаний, занимающихся платформой Qlik, ставший примером того, какими отношения быть не должны. Действия по закрытию кода решения и неприкрытый шантаж вынудили нас разорвать с ней отношения и в дальнейшем более внимательно относиться к таким вопросам.

С нынешними партнерами выстраиваются именно доверительные отношения. Мы даем им значительный объем работ и ждем от них честности и заинтересованности в долгосрочном сотрудничестве. От них имеем лояльное отношение и привлекательные цены.

- В руки партнеров попадают ваши данные. Как страхуетесь от утечек?

Я могу лишь повторить слово «доверие». Конечно, договоры о конфиденциальности подписаны, но понятно, что они не дают стопроцентную гарантию от утечек. Таков выбор компании: мы идем на немалый риск ради более эффективных процессов.

- Быстрое внедрение изменений достигается благодаря подходам Agile. В какой момент стало понятно, что они нужны компании?

Нельзя сказать, что мы жестко придерживаемся каких-либо методик. У нас есть потребность в быстрой разработке, оперативно осуществляемых пилотных проектах. При наличии хорошей экспертизы, особенно в случае, когда консультант и разработчик — это одно лицо, от обсуждения до выхода продукта в свет проходит очень немного времени. Кроме того, все бизнес-подразделения компании вовлечены в процессы реализации решений, что минимизирует эффект «испорченного телефона».

Еще очень важна работа с трехслойной моделью данных, когда уже созданные показатели могут передаваться из модели в модель. Это важное архитектурное ноу-хау нашего партнера Qlever Solutions, существенно ускоряющее процесс разработки.

- Сейчас массово применяется предиктивная аналитика — использование математических моделей для прогнозирования выручки, спроса и других бизнес-показателей. Насколько это актуально для вас?

Актуально, но мы относимся к этому без фанатизма. Часто маркетинговая составляющая в ИТ идет во вред: использование модных технологий оправданно не всегда.

У нас есть пример использования машинного обучения в прогнозировании выручки. Долгое время мы задействовали простой алгоритм, дававший приемлемые результаты. Но компании было важно повысить точность таких расчетов, поскольку они влияли на закупки продукции, планирование выхода сотрудников на работу. Чем точнее прогнозирование, тем лучше компания подстраивается под внешнюю ситуацию.

Мы пригласили сильных специалистов по машинному обучению, чтобы повысить качество алгоритма. После достаточно продолжительной работы им удалось повысить качество, но всего на 1%. Это говорит о том, что главное — хорошо понимать тот бизнес, которым занимаешься, и ключевые факторы, влияющие на него. В этом случае самые простые модели часто имеют качество, не сильно уступающее самым современным решениям.

- Работа с данными направлена в первую очередь на внутренние нужды или на предоставление сервисов вовне?

Сейчас начато развитие внешнего блока — мобильного приложения, CRM-системы и сервисов на ее основе. Взялись работать с доставкой, появилась функция пикапа. Конечной целью всех этих усилий должны стать персональные предложения для каждого гостя.

Да, необходимо развивать персонализированную работу с гостями. Вероятно, придется анализировать путь клиента (customer journey), удобство приложений, наполнять CRM, подключать к ней внешние источники данных, в том числе из социальных сетей. Это серьезный вызов для компании, потому что объемы данных растут экспоненциально. Предстоит решать инфраструктурные вопросы, пересматривать принципы работы с данными.

Думается, что именно «внешние» цифровые сервисы принесут компании в будущем дополнительную прибыль.

- Как с профессиональной точки зрения отразилась на вас проведенная за последние годы работа ?

Можно сказать, что я пошел на повышение. Наши акционеры завершили покупку большой части ресторанов известного бренда. Я приглашен во вновь образованную компанию на позицию ИТ-директора. Мне предстоит реализовывать ранее опробованные идеи.

Потребуется масса подготовительной работы, которая ранее уже была проделана в Burger King. Без нее не обойтись, однако с учетом имеющегося опыта, думаю, удастся сделать всё гораздо быстрее. Сейчас запускаем ERP, причем на проект отведено менее полугода. Начинаем работу с источниками данных, проводим инвентаризацию существующей отчетности и, имея определенный багаж за плечами, развиваем ее.

Часть менеджмента новой компании осталась, часть пришла извне. Интересно, что получится из такого столкновения культур и подходов.

- Появления каких новых цифровых сервисов можно ожидать в ресторанном бизнесе в ближайшем будущем?

Распознавание клиентов — перспективная технология, и есть достаточно сильные алгоритмы, позволяющие это делать. С видеоаналитикой уже в текущем году на рынке будет достаточно много проектов.

Кроме того, последние достижения в области deep learning дают возможность выйти на новый уровень работы с продуктами и роботизации многих процессов. Инновации — это хорошо, но все считают свои деньги. И пока человеческий труд остается дешевым, будут выбирать именно его. Тем не менее в ближайшие пять лет, думаю, мы сможем увидеть полностью роботизированные рестораны.