CDO Award

Три года назад ВТБ завершил два крупных присоединения – Банк Москвы и ВТБ 24. В результате в банке образовалась очень сложная архитектура аналитического ландшафта. Естественным образом на нем сформировались три крупных архитектуры, построенных на различных технологиях и обладающих функционалом различной степени зрелости. Получившееся наследие не устраивало ни ИТ, ни бизнес: сразу же столкнулись с дублированием и разрозненностью данных, как следствие – высокой стоимостью разработки и долгим временем создания новых продуктов.

Кроме того, используемый технологический стек стремительно устаревал. Для ряда аналитических компонентов применялся комплекс Oracle SuperCluster, и еще большее число продуктов базировалось на Oracle BigData Appliance. Окончание жизненного цикла обоих решений стало огромной проблемой и привело к необходимости масштабной миграции ИТ-инфраструктуры на новую платформу.

Банк решился на создание единой полноценной платформы данных, которая должна включать в себя несколько компонентов. Во-первых, это часть, отвечающая за загрузку и управление данными оперативного хранилища данных. Вторая часть – хранилище данных с единой бизнес-моделью, включающее специализированные витрины для ad-hoc аналитики и банковских приложений, витрины с оперативными данными, пользовательские песочницы и т. д. Третья важная составляющая – озеро данных, ориентированное на задачи машинного обучения и data science, а также часть задач отчетности.

Этот проект стал первым опытом ВТБ по импортозамещению ключевой системы, участвующей в процессе подготовки отчетности для регулирующих органов. Осуществляемый переход призван обеспечить ВТБ полную свободу цифрового развития.

О создании центрального хранилища аналитических и отчетных систем рассказывает Ирина Петровская, вице-президент, заместитель руководителя департамента управления и координации технологических изменений Банка ВТБ и номинант премии CDO Award.

- Что получает бизнес от реализации проекта, кроме экономии на лицензиях и унификации инфраструктуры?

Бизнес получил ускорение расчета форм от двух до 11 раз, а также значимую оптимизацию стоимости владения. Мы планируем наращивать функционал этой системы. В будущем будет расти кумулятивный эффект от внедрения такого решения.

- Как происходил процесс выбора инструментов для построения новой платформы? Какие варианты рассматривались?

У нас было много критериев отбора: функциональность, производительность, качество поддержки, отсутствие санкционных рисков, безусловная оптимизация стоимости владения, возможность закупки решения в виде ПАКа (программно-аппаратного комплекса), возможность масштабирования, надежность. Немаловажны и планы по развитию платформы, на которые мы могли бы влиять как банк или как группа ВТБ. Наши пожелания должны учитываться – в новых технологичных платформах это достаточно важный критерий. Таким образом, наш выбор остановился на продукте Arenadata.

- Выбрав отечественное решение, банк обезопасил себя от санкционных рисков. Но не бывает проектов совсем без риска – какие новые риски вы приобрели вместе с новой платформой?

Действительно, на 100% захеджировать риски сложно. Но компания Arenadata достаточно широко представлена на российском рынке, у них очень функциональные решения и планы по развитию платформы, которые компания выравнивает вместе с нами.

- ВТБ – очень крупный заказчик со специфическими требованиями, поэтому вендоры часто дорабатывают свои продукты, чтобы их удовлетворить. Как при этом решаются вопросы интеллектуальной собственности: все права на доработки отходят банку или есть какой-то механизм включения их в широкий оборот?

Действительно, большинство наших разработок попадают под понятие интеллектуальной собственности и переходят к нам. При взаимодействии с Arenadata мы заранее договорились, какая функциональность будет включена в базовую поставку и дальше войдет в новую версию продукта. Такой подход достаточно выгоден и для поставщика, и для нас. В результате мы получаем базовый продукт, который широко поддерживается, а ошибки, которые возникают у других заказчиков, могут быть устранены у нас обычным патчем. Специализированная же версия под заказчика обычно налагает определенные трудности в поддержке и приводит к удорожанию решения.

- Как в целом банк относится к продуктам open source – это осознанная стратегия или вынужденный шаг? Выступает ли сам банк контрибьютором в проектах open source?

Банк положительно относится к открытым решениям: мы их часто используем сами, а также пользуемся услугами компаний-партнеров, которые обеспечивают для нас доработку таких решений до enterprise-уровня и обеспечивают соответствующую поддержку. Решение Arenadata является классическим примером такого подхода: приобретенный комплекс состоит из набора продуктов open source, которые компания доработала до корпоративного уровня. В частности, решены вопросы с резервным копированием, с восстановлением после катастроф, с информационной безопасностью.

В случае с другими продуктами мы сами становимся разработчиками и дорабатываем open source решения.

- Вместе с платформами устаревают знания по их использованию. Но если замена софта это в итоге лишь вопрос денег, то едва ли можно заменить всех специалистов, привыкших к старой системе. Как был организован процесс миграции с человеческой стороны?

Действительно, при миграции на новую платформу, на новое решение, у нас могут частично меняться интерфейсные слои, с которыми привыкли взаимодействовать бизнес-заказчики. Прежде всего мы постарались радикально не менять эти интерфейсные слои, чтобы сохранить некую преемственность решений в глазах пользователей. Кроме того, одновременно с началом работы над новой платформой, мы активно разрабатывали проект по системе управления данными, которая позволяет легко находить и определять, где какие данные доступны и в каких интерфейсных слоях, в какую систему они попадают. Эта система будет выступать справочником по данным, что значимо облегчает процесс миграции и перестроения на новую платформу.

- Кто пользуется системой – только профессиональные аналитики и дата-сайентисты или более широкий круг сотрудников? Как в банке развивается культура данных?

Если говорить только про проект по внедрению системы отчетности, то да, здесь действительно большую часть пользователей представляют профессиональные аналитики и сотрудники, работающие непосредственно с формами при подготовке их для отправки в ЦБ РФ.

Однако, если мы говорим в целом про платформу Arenadata и наши планы по их использованию, то это будет максимально широкий круг пользователей: дата-сайентисты, аналитики и просто потребители данных, которые видят данные через порталы, через привычные интерфейсы на планшетах с мобильными клиентами. С точки зрения культуры работы с данными, банк делает очень широкие шаги. В последнее время у нас значительно усилилась функция data science. Работая с продвинутой аналитикой, банк создает огромное количество моделей, и в целом у нас data-driven-подход практикуется все шире и шире. Это касается всех направлений деятельности: и работы на клиентских фронтах, и деятельности функциональных подразделений, таких как риски, финансы, бухгалтерия и т. д.

- Как обеспечивается качество данных? Какие методики и инструменты для этого используются?

По работе с качеством данных у нас организован большой процесс, для этого существует система автоматического контроля качества загруженных данных, которая автоматически в ежедневном режиме анализирует и подготавливает дашборды по качеству данных. После этого полуавтоматическим методом, с применением роботизации процессов (RPA), разбираются все инциденты. Таким образом, обеспечивается приемлемое качество данных для работы аналитиков и других потребителей.

- Понятно, что риск физической утечки всех этих терабайтов данных едва ли актуален, но есть же и другие угрозы. Как решаются задачи информационной безопасности в рамках данного проекта?

Безусловно, задачи информационной безопасности одни из ключевых для нашего проекта, именно поэтому у нас были выдвинуты специальные требования, которые сейчас включены в дорожную карту развития самого проекта и продукта Arenadata. Кроме того, все доступы и полномочия внутри платформы данных распределяются исключительно на базе вновь разработанной ролевой модели, которая учитывает и доступы к данным, и доступ к атрибутам – то есть на всех уровнях.

- Вы планируете внедрять какие-то функции на основе искусственного интеллекта в обработку данных? Как будет при этом решаться проблема предвзятости алгоритмов?

За последние полтора года у нас широко вошло в обиход использование искусственного интеллекта. Для применения таких продвинутых способов анализа были реализованы специализированные проекты, в том числе система управления моделями и платформа исполнения моделей. Эти два решения позволяют управлять жизненным циклом модели, в том числе проводить его ревалидацию со временем, и позволяет в автоматизированном режиме дообучать модели.

- Каковы ваши дальнейшие планы по развитию аналитической системы?

Планы достаточно широкие, разработанная программа развития рассчитана до конца 2022 года. В ее рамках мы будем решать вопросы не только унификации данных и повышения их доступности, но и расширение инструментария использования и применения данных. В частности, более широко  будем использовать методы продвинутого анализа, в том числе использования искусственного интеллекта и другие современные методики анализа и обработки данных.

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

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

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

Успехи базовой автоматизации

— Какие основные предпосылки программы «Технологический прорыв»?

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

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

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

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

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

— Какие задачи решались на первом этапе программы?

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

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

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

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

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

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

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

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

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

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

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

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

«Ментальная революция» и цифровая трансформация

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

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

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

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

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

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

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

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

Поэтому «мы» – это «Норильский никель».

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

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

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

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

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

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

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

Цель – безопасное и эффективное автономное производство

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

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

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

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

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

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

— Неужели имитационное моделирование рудников нигде не практикуется?

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

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

— Какие перспективы у «Технологического прорыва»?

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

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

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

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

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

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

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

— Как появилась идея школ DataDiving?

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

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

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

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

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

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

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

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

— Как устроена школа DataDiving?

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

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

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

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

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

— Кто учится и кто учит в школах DataDiving?

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

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

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

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

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

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

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

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

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

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

— Какие перспективы у DataDiving?

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

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

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

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

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

- Каковы предпосылки внедрения единого процесса и платформы управления маржинальностью?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

- Что определило выбор продукта SAP для платформы управления маржинальностью?

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

- Что подразумевает контроль качества данных в управлении маржинальностью?

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

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

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

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

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

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

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

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

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

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

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

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

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

- Каковы планы по развитию платформы?

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

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

- Что для вас было самым интересным в проекте?

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

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

- Какие итоги проекта вы считаете ключевыми?

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

Созданная в компании «Почта России» единая платформа больших данных стала основой для интеграции множества информационных систем компании и технологическим фундаментом ее сотрудничества с партнерами по логистическому рынку. Экономический эффект от создания платформы огромен, и оценить его в полной мере еще только предстоит. О внедренной платформе и полученных благодаря ее появлению результатах рассказывает Анна Ахобадзе, руководитель департамента обработки, хранения и аналитики больших данных «Почты России» и номинант на премию CDO Award 2021 .

- Ваша компания — обладатель, вероятно, одного из самых крупных массивов данных в нашей стране. Как давно у вас появилась стратегия в области управления данными? Каковы ее основные положения и приоритеты?

Заниматься управлением данными в компании начали достаточно давно, но в течение последнего года мы стали очень активно развивать это направление. Основные положения ИТ-стратегии «Почты России» в области данных вполне понятны: нужно накапливать максимально возможное количество данных, описывать их, верифицировать, проверять их качество и добиваться того, чтобы оно было достаточно высоким на всех уровнях систем и процессов, которые порождают и обрабатывают эти данные. С точки зрения демократизации данных нужно позаботиться о том, чтобы предоставить всем заинтересованным пользователям удобные инструменты для работы с этими данными и для принятия на их основе правильных решений. Наконец, компания рассчитывает на внутреннюю монетизацию накопленных данных. О продаже данных вовне речь не идет.

- Как в компании организовано управление данными?

Ответственность за управление данными в компании лежит на мне. Другими словами, я выполняю роль директора по данным.

Технологическую основу управления данными обеспечивает единая платформа больших данных. Она состоит из нескольких модулей. Один из них обеспечивает сбор данных из различных источников, их предварительную обработку и хранение в кластере Hadoop. Другой модуль предоставляет пользователям набор инструментов для доступа к данным. Третий модуль помогает отслеживать и контролировать качество данных внутри платформы и в других ИТ-системах компании. Для расчетов и дистрибуции витрин данных у нас применяется MPP-платформа. Для потоковой обработки данных используются популярные инструменты Kafka, Spark, Сassandra.

Кроме того, есть модуль описания данных (каталог данных): он содержит информацию о том, какими именно данными компания располагает и какие методы расчетов следует применять для определения тех или иных показателей. Этот модуль создан, для того чтобы помочь сотрудникам правильно пользоваться имеющимися данными.

Еще один модуль помогает обеспечить монетизацию данных. По сути, это инфраструктура для Data Science, разработки и продуктивной эксплуатации аналитических приложений, в том числе с использованием машинного обучения и моделей ИИ — для их написания используется популярная платформа Jupyter. Планируем также дополнить этот модуль возможностями для сбора внешних данных.

Информация может передаваться в платформу как один раз в сутки, так и в режиме, близком к реальному времени. Это одна из ключевых систем в архитектуре нашего ИТ-ландшафта. Она обеспечивает не только сбор и накопление данных, но и их обработку и передачу в различные системы для последующей работы.

- Как давно идет работа над созданием и развитием платформы?

Платформа создается в рамках масштабного долгосрочного проекта, который продолжается около трех лет. В минувшем году ее развитие шло особенно активно: темпы совершенствования платформы выросли в два раза. Это объясняется и тем, что к началу прошлого года уже была в целом завершена работа над базовыми элементами платформы, и тем, что именно в этот период работа над платформой была признана одним из приоритетных направлений развития ИТ в компании.

За минувший год был значительно расширен состав пользовательских сервисов, сформирована база знаний по использованию инструментов. Количество пользователей платформы выросло более чем в два раза. Кроме того, были сформированы KPI качества данных по ключевым сущностям компании, выстроены процессы мониторинга этих KPI.

- Какие основные бизнес-задачи решаются с помощью платформы? В каких бизнес-процессах она применяется?

Платформа применяется в огромном количестве бизнес-процессов. На ее основе рассчитываются ключевые показатели и принимаются различные управленческие решения. Она служит основой для исследований различных гипотез относительно бизнес-потенциала новых продуктов и их ценообразования. Наконец, поступающие из платформы данные используются в ключевых системах компании, в том числе тех, что поддерживают работу производственных подразделений.

- Как удалось совместить в единой платформе самые разные функции и возможности для решения таких разнообразных по масштабам и специфике аналитических задач?

Собственно, наша платформа для того и создавалась, чтобы с ее помощью решать самые разные задачи. Ключевое преимущество использования платформы заключается в том, что единая для всей компании модель данных помогает привести их в порядок, позволяя удовлетворять требования самых разных бизнес-заказчиков. Более того, платформа обеспечивает не только единое хранение данных, но и единую их интерпретацию, помогая упорядочить их и сделать понятными для всей компании.

В настоящее время в системе хранится около 5,5 Пбайт данных, для их обработки и анализа используется более 200 серверов.

- Кто является непосредственными основными пользователями платформы? В каких подразделениях компании они работают?

Платформу используют сотрудники производственных подразделений и почтовых отделений (у «Почты России» 42 тыс. отделений), которые отслеживают посылки и письма. Кроме того, с ней работают аналитики — и те, кто изучает информацию по отдельным продуктам компании, и те, кто отвечает за подготовку данных для принятия решений руководителями различного уровня. Сейчас мы активно привлекаем к работе с платформой наших топ-менеджеров.

Разным пользователям мы предоставляем разные инструменты для доступа к данным: аналитики предпочитают работать с витринами данных, руководители хотят получать наглядные и содержательные дашборды, сотрудникам производственных центров и почтовых отделений мы предоставляем отчеты, соответствующие их специфике деятельности.

Прежде, до создания единой платформы, пользователям нередко приходилось сталкиваться с ошибками ручного ввода и противоречивыми данными, взятыми из разных источников. К тому же не было уверенности в их полноте. Единая платформа хранит и предоставляет исчерпывающие и достаточно качественные данные.

- Какие результаты достигнуты благодаря созданию и использованию единой аналитической платформы? Что в компании удалось улучшить с ее помощью?

Приведу в пример интеграцию систем «Почты России» и Cainiao, логистического оператора AliExpress. Как известно, AliExpress — один из ключевых партнеров «Почты России». Благодаря интеграции наших баз данных об отправлениях, мы повысили непротиворечивость и целостность информации, в результате чего количество проблемных посылок (не дошедших до адресата или пришедших с большим отставанием от стандартных сроков доставки) уменьшилось более чем в два раза. И поскольку потоки отправлений, следующих между Cainiao и «Почтой России», огромны (счет идет на сотни миллионов посылок в год), мы получили огромный экономический эффект.

Появление платформы обеспечило и масштабный косвенный экономический эффект. Наши аналитики смогли оперировать более точными и полными данными, в результате руководители получили возможность быстрее принимать управленческие решения, а коммерческие подразделения научились создавать и быстрее выводить на рынок улучшенные и более востребованные продукты.

Платформа обеспечила интеграцию множества информационных систем компании, сопровождающих почтовые отправления в разных регионах и производственных подразделениях. Это помогло оптимизировать наши внутренние логистические процессы и ускорить доставку отправлений. В масштабах компании эти улучшения дают огромную выгоду.

Вот еще один пример оптимизации: в ходе проекта создания сети почтаматов на основе данных из единой платформы мы успешно решили задачу оптимальной расстановки этого оборудования по почтовым отделениям. Так или иначе, выгоду от создания платформы получили практически все подразделения компании. Этот эффект нам еще предстоит оценить.

Важнейшим достижением стало то, что, благодаря улучшению работы с данными, компания стала гораздо более зрелым и компетентным в технологическом плане логистическим партнером. В настоящее время мы сотрудничаем с 10 крупнейшими eCom-игроками России.

- Как внедрение единой платформы повлияло на корпоративную культуру работы с данными?

Наши сотрудники осознали, что необходимо использовать всю совокупность данных. И такая возможность появилась у них благодаря единой платформе. Они стали больше доверять данным, которыми пользуются, и активнее применять их в своей работе.

Существенно изменилось и отношение коллег к качеству данных: они осознали, насколько важно контролировать качество данных там, где они порождаются, и стали с гораздо большей ответственностью заботиться о том, чтобы данные изначально были правильными.

- По каким направлениям планируется развивать платформу в ближайшем будущем?

В ближайшее время мы предполагаем сосредоточить усилия на основных направлениях Data Governance: дальнейшем повышении качества данных, развитии описания данных, а также монетизации данных и извлечении различных выгод от их использования, в том числе с помощью Data Science, машинного обучения и других популярных технологий.

Счастье людей зависит не только от их дохода — теперь это подтверждено математикой. Чтобы повышать качество жизни в том или ином регионе, приходится глубоко вникать в проблемы его жителей, и лучшей возможностью для этого является «жалобная книга», которую представляют собой нынешние социальные сети.

Вячеслав Гойко, директор Центра прикладного анализа больших данных Национального исследовательского Томского государственного университета и номинант на премию CDO Award 2021, рассказал о реализации проекта «Оценка качества жизни населения регионов Российской Федерации по данным социальных медиа». Выводы о благополучии людей, полученные с помощью анализа их поведения в соцсетях, способны стать важным дополнением к традиционным статистическим методам и помочь в выработке управленческих решений, направленных на улучшение жизни граждан.

- Попытка измерения благополучия населения — важная задача. В некоторых странах есть даже министры по счастью. Как родилась идея использовать поведение людей в соцсетях для определения их качества жизни?

Тема благополучия и качества жизни в последнее время стала весьма актуальной. В научных кругах появилась концепция следующей, цифровой эпохи Индустрии 4.0. Ее жители — наши дети, которые родились с гаджетом в руках и многое воспринимают несколько иначе. Например, они хорошо принимают шеринг-экономику и восприимчивы к экологическим вопросам. Поэтому новая концепция направлена в первую очередь на повышение качества жизни людей и изучение новых аспектов их благополучия.

С другой стороны, все существующие методики основаны на субъективных оценках — то есть базируются на различных опросах. Объективные оценки строятся в основном лишь на статистических данных, мы же предлагаем использовать в качестве источника информации открытые данные.

Тематика родилась не случайно: наш Центр прикладного анализа больших данных, созданный в 2016 году, до недавнего времени назывался Лабораторией наук о больших данных и проблемах общества. Этими проблемами общества мы и занимались, поэтому задача измерения качества жизни населения буквально витала в воздухе. Мы начали работать с соцсетями, увидели, какие возможности дает анализ открытых данных из них, и в 2018 году возникла идея попробовать измерить «цифровое качество жизни».

Оказалось, что соцсети по своей сути представляют большую жалобную книгу. Соотношение негативных и позитивных сообщений составляет 7:1, то есть 85% контента имеет негативную тональность! Люди любят жаловаться, причем развитие интернета дало возможность высказываться всем. И в таких сообщениях часто содержится описание насущных проблем с привязкой к местоположению граждан, их социально-демографическому статусу, образованию. В отличие от опросов, где число респондентов исчисляется тысячами, здесь охват достигает десятков миллионов людей — получается довольно большая выборка.

Конечно, есть и ограничения. В первую очередь пользователи соцсетей не совсем точно отражают демографический срез населения России — там очень мало людей пенсионного и предпенсионного возраста. Однако средний возраст пользователя сети «ВКонтакте» уже перевалил за 30 лет.

- Почему только отечественные соцсети? Нет ли ощущения, что из-за этого теряется что-то важное?

Наша страна уникальна тем, что у нас мировые ИТ-гиганты, такие как Google или Facebook, встречают активное сопротивление местных игроков, причем весьма успешное. Более того, сеть «ВКонтакте» предоставляет открытые API — интерфейсы для получения данных. С точки зрения исследователя, это отличная возможность. Facebook же в 2015 году свои данные закрыл.

- Какие данные используются и почему именно они?

В первую очередь мы работаем с такой сущностью, как сообщество людей. В последнее время у многих пользователей снизилась активность на собственной странице — люди перешли в мессенджеры. Но в сообществах, особенно региональных, они продолжают обсуждать свои проблемы. По подпискам человека можно с высокой долей вероятности определить его регион, а чуть больше четверти пользователей и сами указывают свое место проживания. Весь контент мы обезличиваем, но оцениваем суть написанного и соотносим высказывание с субъектом РФ.

В итоге у нас появляется относительно объективная картина проблем и позитивных событий, присутствующих в обществе каждого из регионов. Даже несбалансированность негатива и позитива играет нам на руку, потому что динамика проблем отображает изменение качества жизни. Например, в известной пирамиде Маслоу потребность в безопасности находится внизу, являясь базовой. Поэтому люди сначала жалуются на безопасность, а уже потом — на отсутствие кинотеатров и других мест культурного проведения досуга. Это тоже может показывать прогресс или регресс качества жизни.

В масштабах региона получается неплохой слепок. Например, в Томской области проживают около 1 млн человек, свыше 300 тыс. из них пользуются сетью «ВКонтакте». По этим данным вполне возможно оценивать и состояние людей, и его динамику.

- Когда был начат проект? Какие этапы включал и каких реальных результатов с тех пор удалось добиться?

В 2018 году стартовал пилотный проект. В его ходе мы научились в полуавтоматическом режиме искать региональные сообщества, выгрузили из них весь контент за год. Даже с учетом относительно небольшой выборки это были миллионы сообщений, вручную их анализировать невозможно.

Далее мы перешли к следующему этапу — формированию ручной обучающей выборки для создания алгоритма, сортирующего сообщения по категориям. В пилотном проекте были определены 19 категорий (ЖКХ, образование, медицина и т. п.) и 3 сферы: социальная, экономическая и политическая. Наш подход оказался правильным: разметив большое количество сообщений, мы добились того, что алгоритм начал классифицировать сообщения с высокой точностью. Более того, он достаточно точно определял тональность сообщения, и уже с помощью этого удавалось делать определенные выводы. В следующем, 2019 году в наших данных появилась динамика, а кроме того, мы расширили классификацию сообщений. Результаты ожидались интересные, и нам удалось получить грант на проведение этого исследования.

Уже в 2020 году к нашей работе проявили интерес органы местного управления — администрации Томской области, Якутии, Архангельской области. Нам удалось связаться с Центром перспективных управленческих решений (ЦПУР), который нас поддержал в плане улучшения методологии. Причина их внимания очевидна: проект может с высокой точностью показать проблемы, актуальные для определенных регионов. Это может стать дополнительным инструментом мониторинга изменений. Наконец, мы начали сотрудничать с ВЦИОМ на тему сопоставления наших онлайн-данных с их опросами.

Сейчас наша задача — доработать методологию и нивелировать перекос в сторону молодежи. Очевидно, что мы пока достаточно плохо видим проблемы старшего поколения. Кроме того, нас интересует еще один важный параметр — субъективное психологическое благополучие, которое является показателем психологического состояния человека, а не только его отношения к внешнему миру. Есть много примеров того, что человек счастлив даже при плохом состоянии окружающего мира, и наоборот.

- Какие математические методы использовались в ходе исследования?

Классические методы машинного обучения. В ходе проекта мы использовали мощности суперкомпьютера СКИФ Cyberia, которым обладает ТГУ. К сожалению, в таких объемах ни хранить, ни собирать данные на обычных компьютерах невозможно. Обучение нейросетей также будет происходить очень медленно.

- Очевидно, в этом проекте речь идет не только о математике, но и о других дисциплинах — психологии, социологии и т. п. Какие специалисты и откуда привлекались, в чем заключалась их роль?

Проект поддержан Университетским консорциумом исследователей больших данных, в который входят 30 вузов. Ядром команды выступают специалисты из ТГУ. Научным руководителем проекта стал Евгений Щекотин из НГУЭУ, занимающийся вопросами субъективного благополучия. Кроме того, активно помогали коллеги из САФУ и СВФУ. Также мы работаем с компаниями «Форексис», которая помогает с машинным обучением, и Megaputer Intelligence, у которой есть хороший инструмент текстовой аналитики PolyAnalyst.

Наш коллектив объединяет компьютерщиков, социологов, психологов, лингвистов, экономистов. В нашей работе очень важна роль психологов. Проведя полноценное традиционное тестирование нескольких тысяч человек и затем проанализировав их цифровой след в социальных сетях, можно получить неплохую модель, способную по цифровому следу определить психологические характеристики человека.

Например, отдельное и важное направление нашего исследования — измерение качества жизни людей в Арктике. Это крайне важный для России регион с геополитической точки зрения, существует специальная стратегия его развития. Но пока непонятно, как повысить там качество жизни: несмотря на высокие зарплаты, люди уезжают из-за сурового климата и слабой инфраструктуры… Я бывал зимой в Архангельске. Световой день длительностью четыре часа производит гнетущее впечатление даже на сибиряка, провоцируя депрессию.

- Иногда решение сложной задачи приходит из совершенно другой области. Может ли оказаться, что мониторинг настроений в соцсетях заменяет официальную статистику или превосходит ее?

У нас несколько разные задачи: у статистики — количественные измерения, у нас — субъективные. Хотя они и идут бок о бок, для нас главными единицами измерения являются настроение человека и социума региона в целом. Поэтому статистика скорее дополняет наши методы, а вот с точки зрения ЦПУР, появление еще одного показателя может обогатить имеющиеся государственные данные. Таким образом, задача решается с разных сторон, и мы фокусируемся на извлечении из количественных данных качественных результатов: какие проблемы существуют, откуда они появляются и для кого важны.

- Что в ходе этого проекта было самым сложным?

На этом проекте мы набили много шишек. Это не умерило наше энтузиазм, но научились мы многому. Мы и раньше работали с алгоритмами машинного обучения, и нам приходилось классифицировать данные. Но размечать в таком объеме неструктурированные тексты, и в первую очередь жалобы, оказалось крайне сложно с концептуальной и содержательной точек зрения. Как отличить тематику одного сообщения от другого, если они описывают одно и то же событие? Кроме того, требуется с большой точностью разметить сообщения по тональности.

Подготовив разметчиков (целый коллектив, который размечал специально подготовленную выборку сообщений), мы начали работу — и результат нас расстроил. В ходе кросс-валидации (когда несколько человек независимо друг от друга размечают одни и те же сообщения) выяснилось, что точность работы крайне низка. Люди одно и то же сообщение зачастую трактуют совершенно по-разному, на таких данных обучать алгоритм невозможно. Пришлось потратить гигантские усилия, чтобы довести качество ручной разметки до приемлемого уровня. Как известно, самое сложное в обучении искусственного интеллекта — чтобы перед этим хорошо отработал интеллект естественный.

- Были ли в ходе проекта открытия, удивившие вас?

Оказалось, что регионы-соседи могут кардинально отличаться по восприятию качества жизни. Казалось бы, между людьми всего 200 км, но у них совершенно различное восприятие окружающего мира. Наша страна оказалась огромной не только территориально: проблемы сильно разнятся, причем нет универсального пути их решения. Скажем, если повсеместно отремонтировать дороги, люди счастливыми не станут. Чтобы принимать решения, нужно точно, до мельчайших подробностей знать ситуацию на местах.

Кроме того, это был первый проект, в котором мы работали бок о бок с гуманитариями. Первые полгода мы учились разговаривать на одном языке. Я по базовому образованию инженер-физик, и долгое время жил только в техническом мире. Реализация этого проекта заставила меня задуматься о гуманитарных проблемах. Честно скажу, я всегда считал, что главным критерием качества жизни является доход, а значит, в более богатых регионах качество жизни должно быть выше. Оказалось, что это совсем не так: он имеет значение лишь до определенного момента. То есть если всех людей сделать богатыми, счастливыми они не станут — как и в случае с хорошими дорогами. Поняв это, я слегка переосмыслил свои планы на эту жизнь.

- Что показывает практика? Какие действия в соцсетях наиболее показательны для оценки качества жизни?

С точки зрения нашей методологии показательнее всего комментарии. Ведь человек не просто «лайкнул» сообщение, но и потратил время на написание текста. Кроме того, если тема «горячая» и комментариев много, человек тратит много времени и на чтение дискуссии. Возникает гипотеза, что проблема действительно зацепила человека. Помимо содержания поста, мы используем лайки и репосты, чтобы оценить важность информации.

Но наша модель пока не учитывает распространение информации, а с этой точки зрения главный инструмент — репост. Более серьезный учет этого фактора остается в планах на будущее.

- Иногда человек ведет себя в Сети иначе — не как в реальной жизни. Является ли это проблемой для используемых методов анализа? И если да, то как она решается?

Да, часто люди в Сети себя ведут несколько по-другому, и это проблема. Если главная роль соцсети — жалобная книга, то вторая по значимости — место, где можно похвастаться чем-либо, и поэтому искажения неизбежны. Но нашими главными объектами наблюдения являются не люди или их посты, а обсуждения — то есть действия в сообществе, и там влияние индивидуумов снижается.

Но зато мы в явном виде столкнулись с тем, что позитивные новости во многих сферах жизни социально не одобряются. Если у людей все хорошо и они об этом рассказывают, то их мгновенно причисляют к «кремлеботам» и это сильно влияет на дальнейшие обсуждения. Конечно, есть и настоящие бот-аккаунты, привносящие определенную активность, и их приходится фильтровать.

Сейчас мы проводим исследование, чтобы понять, как и насколько сильно психологические черты человека проявляются в онлайне. Для этого нам нужны результаты традиционных офлайн-исследований, чтобы сверить их со своими наблюдениями.

- Очевидно, сам по себе анализ мало что дает, помимо определения общей картины. Гораздо важнее выдаваемые рекомендации к действию для изменения ситуации. Делаются ли уже попытки провести практические мероприятия на основе выведенных индексов?

До конца 2021 года при поддержке ЦПУР мы продолжим улучшать методологию, и одним из результатов станет разработка определенных рекомендаций по изменению ситуации в том или ином регионе. Именно для этого нам необходимо состыковать свои результаты с офлайн-исследованиями.

Сила нашего метода заключается в том, что мы можем спуститься до конкретного населенного пункта (разумеется, если его жители активно пользуются социальными сетями) и делать аналитику только по нему. Например, известна проблема оттока населения из сельской местности. Однако в период пандемии только из Москвы за город выехало 1–1,5 млн человек. Это отличная возможность замотивировать часть из них остаться в деревне — надо правильно спланировать соответствующие мероприятия. Для этого можно использовать нашу методологию: понять, чем люди недовольны; найти наиболее перспективный регион; оценить цифровой портрет человека, готового переехать жить за город, и определить число таких людей.

Мы сотрудничаем с администрациями Томской области и Якутии, пытаемся составлять для них первые практические рекомендации. Но следует быть очень осторожными: при использовании искусственного интеллекта неизбежно возникают этические вопросы. Все-таки качество жизни целого региона — весьма большая ответственность, поэтому мы стараемся делать эксперименты в малых масштабах, чтобы не навредить.

Кстати, у нас есть внутренний этический комитет. Мы исследователи, поэтому придерживаемся определенных правил. Во-первых, не используем персональную информацию, а ограничиваемся обезличенными данными. Во-вторых, стараемся перепроверять данные, прежде чем делать какие-либо выводы. Для уточнения выводов приглашаем представителей разных областей, в том числе органов власти, чтобы вместе выработать план действий. Наша цель — не распространять информацию о наличии проблем, а подготовить аналитику, которая поможет в принятии управленческих решений.

- Каким вы видите будущее этого проекта? Какое место он должен занять среди инициатив, направленных на социальную сферу?

Одним из главных результатов является проверка связи между онлайн- и офлайн-миром. С развитием технологий все больше людей будут проводить массу времени в Сети. Если мы научимся качественно анализировать онлайн-данные, которые порождаются цифровыми следами людей, то сможем персонифицировать разнообразные государственные блага. Мы будем понимать, где в условиях ограниченных ресурсов нужно строить детский сад, а где в первую очередь надо отремонтировать дорогу. Это даст возможность не только оценивать качество жизни, но и повышать его.

- Есть ли в этом риски?

Да, у нашего проекта есть несколько рисков, и главный из них — возможность мошенничества. Можно посадить специально обученных людей, которые будут генерировать контент, нужный заинтересованным лицам. Они будут сильно влиять на результаты анализа по какому-либо небольшому региону.

Скажем, у многих детей есть два аккаунта в соцсетях: один — «для родителей», а другой — для реальной жизни. Примерно то же самое может произойти и в нашем случае, и это опасно. Именно поэтому мы очень осторожно говорим об управленческих решениях на основе наших рекомендаций. И пытаемся перейти к качественным обезличенным показателям, чтобы свести к минимуму возможности фальсификации.

- Надо ли бояться своего цифрового следа?

Говоря о цифровой безопасности, многие впадают в истерику по поводу возможной слежки. Люди склонны к паранойе, всем нравится идея, что они для кого-то важны. Но мало кто задумывается, что все наши письма читает алгоритм антиспама. Многих этот факт приведет в бешенство, а лично я готов с этим мириться, лишь бы получать меньше спама. Можно принять некоторый уровень надзора ради большего комфорта.

Сейчас многие платформы дают возможность выбора — например, закрыть свой профиль. В первый месяц после появления такой возможности некоторые пользователи закрывали свою стену, но через некоторое время произошел откат: люди более трезво взглянули на потребность ограничения доступа к своей информации.

С точки зрения цифровой безопасности лучшее место — тайга, где нет связи. Но если мы живем в социуме, то следует развивать цифровую гигиену. Соцсети можно сравнить с краном, из которого течет грязная вода, и эту воду надо фильтровать, причем этим должны заниматься сами площадки. И надо сказать, что многие в этом преуспевают.

Один мой знакомый говорит: «Я всегда веду себя так, будто за мной наблюдают». Это один из наиболее разумных вариантов.

Офис управления данными появился в Ак Барс Банке в 2014 году, когда это еще не было мейнстримом. Его появление создало определенный задел в формировании компетенций по работе с данными. Сейчас офис переходит на новую ступень своего развития, внедряя гибкую платформу управления данными, выстраивая взаимодействие с бизнес-подразделениями и трансформируя восприятие бизнесом ценности данных. Вячеслав Яшкин, директор по информационной безопасности и управлению данными Ак Барс Банка и номинант на премию CDO Award, рассказывает об этапах реализации этого проекта и достигнутых результатах.

— У вас в должности сочетаются информационная безопасность и управление данными. Как вы пришли к этой позиции?

Изначально я был больше связан с ИТ-тематикой и уже позже перешел в сферу безопасности. Могу сказать, что ИБ не так уж и далека от управления данными, и в международной практике есть примеры, когда они хорошо сочетаются — например, в контексте управления событиями. Решения класса SIEM собирают логи событий из разных систем, которые можно считать «большими данными компании». Кроме того, в инфобезе сейчас используются похожие технологические стеки для управления данными, хотя для этого и не строится хранилище данных.

В любом случае один из важных аспектов заключается в том, что ИБ и управление данными не должны становиться ограничителями свободы или диктаторами, устанавливающими жесткие правила. Нужно не противостоять бизнесу, а играть на его стороне и учитывать его пожелания. Не только блокировать излишне смелые идеи, но и предлагать свои альтернативы. Все это приводит к необходимости понимать и ИТ, и бизнес и вести с ними диалог. Это подразумевает определенные лидерские качества, ну и, возможно, вдобавок требуется «быть хорошим человеком».

— ИБ подразумевает минимизацию рисков, а управление данными предполагает поиск новых возможностей для бизнеса. Как решается конфликт интересов?

Есть определенный кодекс этики, и существуют принципы принятия решений. Например, если мы говорим про ИБ, то я не могу единолично принять решение. У меня есть директор по ИБ, мы разделяем полномочия и принимаем решения коллегиально. Как правило, внутренние вопросы проходят через него, а я фокусируюсь на стратегии развития.

Фокус моего внимания в области управления и принятия решений сместился на работу офиса управления данными. Примерно 80% времени занимает именно он. Там нет выделенного директора, хотя такая позиция и предусматривается. Возможно, в будущем — с развитием офиса — он потребуется.

— Каково место офиса данных в иерархии компании?

Я подчиняюсь напрямую председателю правления банка. Офис управления данными — выделенная, самостоятельная единица, она не подчиняется ни ИТ, ни одному из бизнес-блоков.

Основные «заказчики», на которых мы работаем, — бизнес-подразделения. Мы не можем существовать сами по себе, устанавливая для себя задачи. У нас есть цикл взаимодействия с подразделениями — финансовым департаментом, розничным и корпоративным бизнесом, департаментом рисков. Эти четыре подразделения генерируют основной объем работ для офиса управления данными.

— Откуда растут корни у проекта по развитию управления данными?

Проект стартовал в 2014 году, еще до моего прихода в банк. Именно тогда было приобретено промышленное хранилище данных, а также сформирован офис управления данными. Кстати, у офиса за это время успели поменяться пять руководителей, а основное хранилище — комплекс IBM Netezza — устарело.

Тогда же была сформирована стратегия развития управления данными и data science в целом — вероятно, это произошло под влиянием моды, но задало определенный вектор развития. Была поставлена цель построить направление по работе с большими данными и научиться извлекать из них ценность.

— Что подтолкнуло к изменениям?

Драйвером изменений стало то, что решение IBM Netezza было снято с поддержки производителем. Тратить средства на развитие системы, не имеющей будущего, было нецелесообразно.

Кроме того, развитие своего ЦОДа подтолкнуло нас к тому, чтобы больше внимания обращать на программные решения и уйти от монолита, которым мы сейчас владеем. Уже реализован проект ABCloud — собственное облако с архитектурой application-control interface, полностью программно управляемое и ориентированное на микросервисную архитектуру.

Хочется прийти к технологиям самообслуживания, чтобы наши заказчики могли получать ценность из данных самостоятельно. Изначально это было компетенцией офиса управления данными и требовало длительного создания витрин. Это то, от чего мы хотим уйти.

— Это со стороны ИТ. А в чем заключалась бизнес-боль?

Длительное построение витрин серьезно влияет на бизнес. В том числе из-за этого многие подразделения не получали ожидаемой ценности от аналитики. Кроме того, в хранилище не был загружен весь объем данных, которым обладал банк, — все-таки у него более 300 систем различного назначения. Например, один из ключевых источников знаний для банка — транзакционные данные. Их накоплено очень много, и к ним довольно сложно подступиться. Это далеко не самый простой инструмент для извлечения ценности.

В целом бизнес нуждается в сокращении показателя time to market — времени вывода новых продуктов на рынок. Весь прошлый год мы выстраивали взаимодействие с бизнесом на ежеквартальной основе: нам ставили задачи, мы их приоритизировали и решали в соответствии с пропускной способностью офиса управления данными. До сих пор к таким упражнениям никто не приступал: деятельность офиса управления данными была довольно темной зоной. В этом году наши спринты сокращаются: мы ставим себе цель приносить пользу бизнесу уже на ежемесячной основе.

— В чем заключается стратегия управления данными, если ее выразить обычными человеческими словами?

Основная цель — создать простую и понятную экосистему для всех участников этого командного вида спорта с набором не очень сложных, но значимых правил игры. Очень важна синергия взаимодействия: нарушенные коммуникации влекут за собой сложности.

Надо показать всем, какую ценность они могут получить от нашей команды. Для этого дважды в год проводятся опросы удовлетворенности наших внутренних клиентов. Из ответов видно, что сначала коллеги даже не понимали, о чем идет речь. Например, многие думали, что к нам можно обратиться с проблемами в работе CRM. Это показывает, до какой степени люди не понимали, что такое управление данными и в чем оно заключается. Уже через полгода нам задали весь спектр вопросов, которые входили в наш фронт работ. Это серьезное достижение. Понимание пользователями того, чем мы занимаемся, — это очень важно.

С этой точки зрения очень хорошо себя показал крупный проект по кросс-продажам. Изначально бизнес-заказчики, в том числе на уровне топ-менеджмента, не видели особой ценности в офисе управления данными, но ситуация резко изменилась в момент запуска этого проекта. Стало очевидно, что без адекватного управления данными получить пользу от этого критически важного для банка проекта будет невозможно.

Мы пытаемся демократизировать доступ к информации, нужной для принятия решений, и делаем это для всех уровней — от операционного до стратегического.

— Какие этапы и работы включает в себя эта стратегия?

Первое — это качество данных, и мы продолжаем его развивать. Нам впервые удалось оценить качество данных в хранилище и по банку в целом. Впервые мы проделали это упражнение в начале прошлого года, внедрив инструмент Ataccama.

Далее идет управление данными, и это изменение — скорее культурное. Оно требует осознанности и понимания со стороны всех подразделений банка. Для построения эффективного процесса необходимо соблюдать внутренние нормативы и правила.

Третье направление — MDM и нормативно-справочная информация. В части мастер-данных мы уже запустили проект, и эта система будет реализована до конца года. Ее ценность будет заключаться в автоматизации процессов и дедупликации данных. Кроме того, с ее помощью получится снять статус мастер-системы с нашей CRM и присвоить его MDM — именно она должна иметь такой статус.

Что касается НСИ, то нашей задачей стало выстраивание жизненного цикла нормативно-справочной информации. Сейчас существуют разрозненные решения, которые практически не контролируются. И это становится причиной дополнительных работ по интеграции систем, а также вызывает расхождения в данных, что приводит к снижению их качества.

Четвертый пункт — создание обновленного корпоративного хранилища и BI. К середине нынешнего года мы должны полностью отключить старую платформу.

Пятое — безопасность данных. У нас есть проекты по обезличиванию данных, по ролевым моделям доступа, а также по тематике DevSecOps.

Шестое направление работ — создание архитектуры данных, этому я уделяю особое внимание. До сих пор ее не было. При наличии большого зоопарка систем важно ее моделировать, описывать источники. Здесь мы работаем совместно с архитекторами департамента ИТ, которые занимаются больше технологическим стеком, и наша группа архитектуры данных с ними активно взаимодействует.

Наконец, необходима интеграция созданных решений и процессов — формирование внутренней экосистемы управления данными. Здесь приходится вовлекать как технологические блоки, так и бизнес-команды. Главное, что сейчас ожидается от бизнеса, — определить владельцев систем и данных. Знаю, что договориться об этом с бизнесом — большая проблема, но это позволит нам ускориться и в целом обеспечить прозрачность.

— Сколько времени потребуется на реализацию столь масштабной программы?

Предыдущий пятилетний стратегический цикл у нас заканчивается в этом году, и сейчас мы формируем новую стратегию — с трехлетним циклом. Все описанные работы, и даже чуть больше, мы планируем завершить в течение этого цикла. Впрочем, это не означает, что программа не может быть пересмотрена. Более того, в отдельных направлениях изменения произойдут неизбежно.

— Какие выбраны ИТ-платформы и почему именно они? На базе чего планируется организовать управление данными?

В качестве единого хранилища выступает платформа Arenadata. В качестве систем Data Quality и MDM используется решение Ataccama. Холодное хранилище данных организовано на базе Hadoop S3. Решение для построения бизнес-глоссария пока ищем. Причина выбора всех этих решений — наше стремление к гибкости и желание упрощать и ускорять процессы.

Первым и самым сложным выбором прошлого года стала платформа хранилища данных. Мы потратили полгода на пилотные проекты — и не жалеем: это был осознанный выбор. Мы попробовали решения IBM, Micro Focus, а также Greenplum — как «чистый», так и Pivotal, и Arenadata. Была выполнена масштабная работа, а списки сравнения превышали 400 позиций. Проводились нагрузочные тестирования и тесты по миграции данных.

Оказалось, что у Arenadata не только адекватная стоимость владения, но и технологический стек, близкий к использовавшемуся у нас решению IBM Netezza. Это означало не столь сложную миграцию данных, как казалось вначале. Ну а вишенкой на торте стало импортозамещение, о котором в нынешних реалиях тоже приходится думать.

— Каковы особенности вашего подхода?

Я пришел из ИТ, поэтому, по сравнению с большинством CDO, смотрю на управление данными с несколько другого ракурса. Обычно на позицию CDO приходят люди либо из бизнеса, либо хорошо знающие теорию, но они, как правило, мало знают «матчасть». Кроме того, мой опыт в ИБ также дает взгляд со стороны. Поэтому я бы посоветовал коллегам посмотреть на решения в области Change Management и почерпнуть в них что-то ценное для себя.

Немаловажен и культурный момент. Я вижу, что часто изменению культуры уделяется мало внимания, практически отсутствует коммуникация между офисом данных и остальной компанией. Так как область работы с данными еще довольно «зеленая», коллеги не знают, как говорить о ней простым языком и доносить свои идеи до широкого круга пользователей. А ведь именно активная работа с пользователями помогает повышать их вовлеченность. На это стоит выделять ресурсы.

— Чем именно вам помогает наличие технического бэкграунда?

Легче найти общий язык с коллегами — например, участвующими в разработке. Для меня не было тайной, что такое язык SQL и как именно можно управлять данными. Да, я не имел дела с более сложными сущностями, но процессы обеспечения качества данных выглядели совсем несложно.

Кроме того, у меня уже есть опыт взаимодействия с высшим руководством, и поэтому рассказать о сути решаемых задач на языке бизнеса для меня не проблема. Собственно, это моя основная роль. Без наличия соответствующего технического бэкграунда было бы трудно описать в доступной форме работы, которые выполняет наше подразделение.

— Какие проблемы возникают при реализации этого проекта?

Обычно выделяют технические, социальные, процессные и ресурсные проблемы. Каждую из них можно решить — с помощью руководства, коллег, партнеров, тесной работы с вузами и т. п. Пока самая тяжелая — именно люди и процессы. Больше всего приходится акцентироваться на выстраивании правильного общения. Это дает хорошие плоды.

— Было ли желание что-то сделать совсем по-другому?

Оглядываясь назад, обычно думаешь: что-то можно было сделать быстрее и решительнее. Но я не вижу явных ошибок за полтора года своей деятельности.

— Каких показателей планируется достичь?

У каждого блока есть оцифрованные показатели. Их можно разделить на две составляющие: бизнес- и технологические. В части бизнес-показателей это полное соответствие создаваемых решений стратегическим планам. Благодаря этому мы не отклоняемся от единого вектора и не занимаемся тем, что не приносит пользу бизнесу.

Технологические показатели — это количество подключенных систем, объемы охваченных предметных областей, а также число пользователей платформы. Эти метрики прописаны, и мы за ними следим.

Вообще, я могу рекомендовать вводить на старте как можно больше метрик, а затем отсеивать ненужные.

— За счет внедрения Arenadata планируется сократить TCO на 51,9%. Откуда такие точные расчеты?

Они получены на основе оценки производительности решения по результатам тестирования на синтетических данных. На самом деле это очень консервативная оценка.

— На какие бизнес-проекты уже успели повлиять улучшения в области работы с данными?

Они повлияли на все реализуемые сейчас проекты — на все, что связано с маркетинговыми кампаниями, прогнозированием оттока, расчетом активных клиентов.

На автоматизацию в части улучшения качества данных тоже возлагаются большие надежды. Хочется убрать различные выгрузки, которые происходят между системами и могут портить качество данных. Это позволит исключить ручной труд по исправлению ошибок. И в целом качество данных — такое направление, которое может показывать эффективность работы подразделений: мы видим, где возникают ошибки, и работаем над устранением их причин.

— В каком направлении будет развиваться создаваемая платформа?

Важно, что компонентная архитектура будет не конечной, а расширяемой. Планы нужны, но они не должны быть догмой: в нынешних реалиях все меняется очень быстро, и надо уметь подстраиваться под эти изменения.

Отдельное внимание стоит уделить облачным вычислениям. Мы с коллегами пристально наблюдаем за этой областью, которая активно развивается на Западе. Возможно, подтянутся российские поставщики и реализуют сервисы похожего уровня. Появившаяся мировая практика использования облачных сервисов представляет для финансовых организаций большие возможности. Но важно не забывать, что мы обеспечиваем хранение персональных данных клиентов и должны исключить утечки такой информации.

Возможно дальнейшее развитие системы в сторону каппа-архитектуры, подразумевающей загрузку и обработку данных в реальном времени. Я уверен, что мы поможем извлекать все больше ценности из данных коллегам из data science, чтобы они быстрее и оперативнее получали качественную информацию.

Наконец, важны тренды внедрения машинного обучения не только в бизнес, но и в процессы управления данными. Автоматизация — существенный момент, который позволит использовать меньше человеческого труда в решении механических задач. Человек должен принимать решения, анализируя информацию, полученную роботами, а не наоборот.

Потенциал управления на основе данных еще далеко не раскрыт, однако мы продолжаем знакомить вас с весьма амбициозными попытками реализовать этот потенциал уже сегодня. В Великом Новгороде запустили цифровой сервис, который поможет сберечь и человеческие жизни, и бюджетные средства. В его основе — аналитическая система, предназначенная для ликвидации очагов аварийности на дорогах и предотвращения их возникновения. Номинант на премию CDO Award 2021 Андрей Майоров, министр цифрового развития Новгородской области, рассказывает о том, как приживается data-driven-подход в государственном управлении, что этому мешает и как удалось создать сервис для снижения ДТП.

- Как вы пришли в управление на основе данных?

Я проектировал средства организации дорожного движения, занимался транспортным моделированием, был одним из разработчиков транспортной модели Санкт-Петербурга — одной из первых ГИС в стране и до сих пор одной из самых точных. Приходилось выполнять сбор данных и их обработку. Тогда мы впервые познакомились с данными сотовых операторов для калибровки транспортной модели — еще до того, как это стало мейнстримом. Работали с GPS-треками для калибровки модели по скоростям, выстраивали матрицы корреспонденций, считали вероятности совершения поездки в зависимости от расстояния и пр. Весь математический аппарат транспортной модели — это, по сути, база управления на основе данных, то, что сейчас называют работой CDO. Когда я приехал в Новгород и прошел обучение на курсе подготовки CDO, то понял, что мне это знакомо. Я все это делал руками сначала как специалист, потом — как начальник управления, а теперь продолжаю этим заниматься уже как министр.

- Неужели ничего нового не узнали на курсе CDO?

Конечно, мир не стоит на месте. Появляются новые способы обработки данных, внедряется машинное обучение, стало больше так называемых государственных данных. Раньше был дефицит данных, а теперь, наоборот, избыток. Перед CDO встает проблема — понять, что это за данные и к чему их можно применить. Наиболее ценный человек сегодня — тот, кто ставит задачу аналитикам. Эпоха поиска и обработки данных уже позади, раньше это делали лучшие умы, а сейчас — студенты. Всего лишь за два-три года наступила эпоха исследований данных и поиска алгоритмов. Сохраняются общие принципы, но развиваются технологии, смещаются акценты и изменяется ценность конкретных специалистов. То, что раньше делали люди, сегодня выполняется без их участия.

- Какова роль управления данными и data-driven-подхода в вашей работе сегодня?

Мы сейчас активно прививаем культуру управления на основе данных. Конечно, по-прежнему существует в умах и старая парадигма принятия решений на основе собственного мнения, чутья. Иногда такие решения бывают очень точными, но это не современный подход. Решения, принятые на основе данных, всегда на порядок точнее, даже если математическая модель создана в Excel. Пока мы сделали первые два шага: переломили старую парадигму управления и начали создавать более удобный аппарат для принятия решений на основе данных.

- Неужели всего за полгода удалось сломать старую модель управления?

Конечно нет. Отдельные «очаги» управления на основе данных возникали и раньше — в головах людей, прошедших обучение профессии CDO. Но процесс шел медленно. Не могу сказать, что сейчас классическая парадигма управления полностью переломлена. Но когда data-driven-подход поощряется (а у нас он поощряется губернатором) и появляется все больше примеров его применения, то изменения происходят значительно быстрее. Чиновники не станут работать по-новому, если руководитель этого не требует. А когда губернатор спрашивает, на основе каких данных вы приняли такие решения, то все понимают установку: значит, надо работать с данными. И тогда начинается поиск: у кого есть нужные данные, как их обрабатывать, как деперсонализировать, как выстроить алгоритм, чтобы ответить на этот вопрос. И рано или поздно начинает меняться вся управленческая культура. Может быть, она не изменится на все 100%, но динамика, которую я вижу за последние полгода, очень хорошая, я ею доволен.

- Однако статистическими данными при желании можно подкрепить любую картину. Помимо запроса «сверху», нужна еще внутренняя потребность руководителей по-настоящему опираться на данные, отражающие реальную картину. Вы не согласны?

И да и нет. Статистические данные, честно говоря, реальными данными не считаю. К примеру, вся страна в рамках программы «Цифровая экономика» оценивалась по доле домохозяйств, подключенных к широкополосному интернету. У нас этот показатель был недостаточно хорош, я начал искать источники данных и выяснил, что эти сведения собирают с помощью социологического исследования — то есть устного опроса! И они попадают в статистику. Но это же глупо.

Вся информация о проводных подключениях есть у провайдеров, но тут встает вопрос о том, кому она принадлежит. В стране недостаточно открытых данных! У нас регион небогатый, мы не можем себе позволить регулярно приобретать данные сотовых операторов, хотя я понимаю, где их можно применять: в транспорте, туризме, спорте, в решении вопросов безопасности. Например, чтобы охватить видеонаблюдением места с максимальным количеством людей и понять, где именно нужны камеры для обеспечения безопасности, можно на точки концентрации людей наложить точки совершения преступлений.

Все начинают осознавать необходимость опираться на данные, но качественная информация стоит денег. Без концепции открытых данных мы далеко не уедем — будем возвращаться к статистике, получаемой социологическими опросами, и все наши навыки по добыче данных, их интерпретации, анализу и по управлению на основе данных в таком случае бессмысленны.

- Наверное, придется договариваться с операторами данных на взаимовыгодных условиях?

Мы пытаемся, иногда приходится что-то и оплачивать. Например, когда весной 2020 года в разгар паники люди массово поехали на дачи, стало ясно, что они принесут COVID-19 туда, где и врачей-то нет — только фельдшер. Нужно было определить по данным сотовых операторов, куда и в каком количестве едут люди. Телекоммуникационные компании понимали, что это социально значимая задача и пошли на уступки. Мы заключили контракт на отправку сообщений абонентам, которые не зарегистрированы в Новгородской области, но в ночное время находятся в радиусе действия одной из базовых станций на нашей территории. По концентрации таких абонентов нам дали статистику, и мы смогли хотя бы перераспределить врачей, потому что в некоторых районах население выросло в 10–12 раз.

- Как в министерстве определяется политика работы с данными?

Во-первых, у нас есть несколько гипотез относительно того, какие данные повысят вероятность принятия правильных решений. Во-вторых, мы знаем, кто эти данные теоретически может нам поставить. И в-третьих, мы пытаемся найти способ получить данные и выявить организации, которые на взаимовыгодных условиях нам их предоставят. Мы ищем партнеров на хакатонах, среди тех, кто подает заявки на конкурсы типа АСИ Data Masters, где мы ставим задачи.

- Какую задачу вы ставили перед собой в первую очередь, создавая систему анализа дорожно-транспортных происшествий?

Первоочередной задачей было снижение количества ДТП с пострадавшими и погибшими. В условиях ограниченных ресурсов мы должны расходовать деньги максимально эффективно. Проведя анализ, мы увидели, что, используя подход, основанный на анализе данных, тем же количеством денег можно закрыть большее число очагов аварийности, что в конечном итоге приведет к снижению и числа ДТП, и количества раненых и погибших.

- Как родилась идея этого проекта? Что вам удалось сделать?

Идея анализа ДТП частично перекликается с моим предыдущим опытом. Задача сделать предиктивную аналитику, чтобы понимать, где будут происходить ДТП в текущих условиях, была поставлена на конкурсе Агентства стратегических инициатив (АСИ) Data Masters, и мы присоединились к ее решению. Разработчик умел геокодировать, делать тепловые карты, но нам нужно было не представление данных, а аналитика. Мы взяли данные обо всех искусственных неровностях с адресами и датами установки, чтобы выяснить, насколько эффективен такой тип устранения очагов аварийности по сравнению, например, с установкой пешеходных ограждений. Нам нужно было оценить, сколько мы потратим денег и какой получим эффект в сокращении количества ДТП, числа раненых и погибших. Зная, сколько было потрачено до аварий и после них, можно посчитать, во сколько обошлось предупреждение одного ДТП и спасение одной жизни.

Это комплексная задача, решая которую, мы отработали получение данных от ГИБДД, так как обычно данные о ДТП без пострадавших не анализируют — в соответствии со всеми существующими методиками работа ведется только по ДТП с пострадавшими. Но зачастую эти ДТП — одного типа, даже скорость может быть одинаковой, поэтому, работая только по существующим нормативным документам, мы сильно ограничиваем себя в части анализа данных.

Методики работы с большими данными у нас не было. Подав заявку на конкурс, мы поняли, что, имея данные об интенсивности движения транспортных средств, сможем определять приведенное количество ДТП (на 1 тыс. автомобилей) и делать предиктивную аналитику — выявлять опасные места не только на основных улицах, где машин уже много, но и в местах, которые станут опасными в случае увеличения транспортных потоков.

Рабочая группа проекта оперативно «подавала патроны» разработчику: добывала данные и давала гипотезы для аналитики. Разработчику понравилось с нами работать, и он дополнительно сделал тепловую карту расстояний от зданий и сооружений до остановок общественного транспорта. Таким образом, мы увидели зоны, где до остановки необходимо идти пешком более 500 м, и теперь понятно, как их перемещать, чтобы охватить большую территорию.

Но главное — мы создали новый инструмент для работы с большим объемом данных. Это позволяет начать работу до того, как появился очаг аварийности, и проводить лишь те мероприятия, которые дают максимальный социально-экономический эффект. И все это мы можем делать благодаря тому, что у нас накоплены исторические данные относительно того, какое обустройство позволяет лучше всего предотвращать ДТП за меньшую приведенную стоимость.

- Какие источники данных вы использовали?

Данные обо всех ДТП, произошедших на всех улицах за необходимый для анализа период, мы взяли у ГИБДД. Только часть этой информации является публичной, поэтому первым делом мы договорились о получении полного объема данных, включая происшествия без пострадавших. Доля ДТП, которые оформляются через европротокол, настолько ничтожна, что ими можно пренебречь. Чтобы вытащить данные об установке «лежачих полицейских», о размещении камер фотовидеофиксации и других мерах, принятых для снижения аварийности, мы прошерстили планы их расположения и акты о выполнении работ, оцифровали контракты и перевели их в машиночитаемый вид. Данные об интенсивности дорожного движения взяли из сервиса «Яндекс.Пробки».

- Как решается вопрос качества данных?

Качество данных ГИБДД было низким, и потребовалась их постобработка, так как информация о ДТП привязывается к дому, а не к точному месту происшествия. А вот данные, которые мы извлекали вручную, сразу заносили в шаблоны разработчика в удобном для него виде. Ручной обработки было очень много.

- Какие ИТ-платформы применяются?

Для привязки ДТП к конкретной улице мы применили граф дорожной сети OpenStreetMap, «Яндекс.Пробки» предоставили нам выборку данных по скоростям за определенный период, а для обработки данных разработчик использовал сервис MapBox.

- Что стало самой большой проблемой при реализации этого проекта?

Самым сложным оказалось объяснить коллегам-транспортникам, что им нужен такой инструмент. Они борются с существующими очагами, работают по показателям, и работа на опережение в их нормативных актах не была предусмотрена — соответствующих показателей не было. Как всегда, происходит «борьба противоположностей» — мы предлагаем цифровые решения, а нам говорят: «Мы без этого 20 лет жили и дальше проживем, это ни на что не повлияет, новых «дырочек» для орденов сверлить не придется».

- Как же вам удалось их переубедить?

Упирали на то, что такой практикой можно гордиться и что можно показать себя с лучшей стороны на федеральном уровне, хотя на текущих показателях это и не отразится. Такая мотивация «зашла». Кроме того, было множество небольших информационных «вбросов»: что вся страна сейчас живет на основе данных, что этот подход диктуется премьер-министром, вы попадете в мейнстрим и т. п.

После того как мы «заразили» коллег из Минтранса, они уже убеждали ГИБДД.

- Какого эффекта от внедрения вы ждете?

В течение ближайших двух-трех лет за счет снижения аварийности мы получим экономию бюджетных средств, направляемых на устранение последствий ДТП.

- Каким вы видите дальнейшее развитие проекта?

Нам предстоит выпустить нормативный акт, обязывающий своевременно подгружать данные в систему и принимать решения на их основе. Возможно, станем проводить дополнительное обучение пользователей, когда будем заключать контракт на развитие системы. Когда системой начинают пользоваться, всегда возникают новые запросы. Развитие диктуется практикой: будет наработана практика — пойдет и развитие.

- Есть ли у вас сегодня в работе другие проекты, основанные на данных?

Да, есть несколько проектов: по прогнозированию уровня весеннего половодья, по выявлению точек концентрации туристов на особо охраняемых природных территориях. Это внешние системы, которые позволяют делать то, что раньше толком не получалось.

- Как вы планируете развивать управление данными в целом?

Планируем сделать портал открытых данных не для галочки, а для его активного использования — чтобы данные были востребованы, чтобы их было легко использовать, чтобы был общий файл с метаданными для понимания того, что есть у региона. Будем проводить хакатоны с использованием этих данных и подключать бизнес, чтобы на основании этих данных для людей создавались удобные сервисы. И конечно, продолжим формировать культуру управления на основе данных: доля решений, принятых на основе данных, должна приближаться к 100%.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

— Мотивированы ли сотрудники проходить обучение?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

В Ульяновской области создается цифровое решение для оценки качества жизни. Проект под рабочим названием «Индекс счастья» здесь начали развивать еще в 2017 году, составляя рейтинги муниципальных образований по качеству жизни. Изначально такая оценка занимала достаточно много времени, а для формирования рейтинга использовались в основном статистические показатели. Теперь пришло время автоматизировать процесс, усовершенствовать методику измерения и повысить точность оценки качества жизни населения в муниципальных образованиях, применив технологии искусственного интеллекта. Номинант премии CDO Award 2021 Олег Асмус, генеральный директор Центра стратегических исследований Ульяновской области и главный интерпретатор всех данных региона, рассказывает о проекте, который сегодня называется «Индекс качества жизни населения».

- Как родилась идея этого проекта?

Как оценить качество жизни? Каждый воспринимает его по-своему. Мы решили определить стандарты. К примеру, у министерства финансов есть стандарт относительно того, сколько бюджетных рублей должно приходиться на одного человека. В экологии существуют стандарты чистоты воздуха. Есть показатели здоровья населения, преступности и пр. Мы выбрали самые простые параметры, понятные любому обывателю, которые характеризуют качество жизни, и составили планы, как будем это качество повышать.

По поручению губернатора у нас в регионе формируется рейтинг муниципальных образований по 65 показателям качества жизни (из них 9 параметров — по результатам опроса населения), которые объединены в 11 групп. Эти показатели характеризуют все основные аспекты условий проживания в муниципальных образованиях: от объема доходов населения до обеспеченности различными видами услуг и объектами инфраструктуры. Рейтинговая оценка формируется по данным территориального органа Федеральной службы государственной статистики по Ульяновской области и данным исполнительных органов государственной власти.

- Зачем нужен такой рейтинг? Какую цель вы перед собой ставили?

Проблема улучшения качества жизни населения в регионе и отдельно взятых муниципальных образованиях и населенных пунктах — одна из важнейших стратегических задач. От ее решения зависят темпы экономического развития и его направленность, а также социальная, политическая и экономическая стабильность. Губернаторам, мэрам и главам муниципальных образований важно понимать, с какими проблемами, связанными с качеством жизни, сталкиваются люди. На одной территории это могут быть проблемы с преступностью и безопасностью проживания, на другой — с наличием промышленных предприятий, которые значительно влияют на экологию, а на третьей — с доступностью дошкольного образования.

Нашей целью было определение индекса качества жизни граждан в каждом муниципальном образовании для выявления тех сфер жизнедеятельности, которые требуют особого внимания со стороны органов власти всех уровней.

Рейтинг — инструмент, позволяющий министерствам принимать решения. Поставьте себя на место министра транспорта. У него в регионе 24 муниципальных образования, и ему нужно строить дорогу. С кем он будет работать? С тем руководителем, который близок ему по духу, который его не подведет. С тем районом, где готова проектно-сметная документация... Но, может, дорога там не нужна? Или не так нужна, как в другом месте, где глава «неудобный» и документы не готовы. Получается, мы строим там, где, может быть, пока еще не надо. И так во всем: и в сельском хозяйстве, и в предпринимательстве. Грант на парикмахерскую легче получить там, где рядом уже есть четыре парикмахерских, чем там, где нет ни одной, но никто не просит грант. Так проще работать министру предпринимательства.

Благодаря этому проекту мы сегодня можем оценить, где жить хорошо, где — похуже, и понять, на что следует обратить внимание. Рейтинг позволяет определить наиболее проблемные точки территорий муниципальных образований.

- Что было сделано для достижения поставленной цели?

В феврале 2020 года нам предложили участвовать в международном конкурсе цифровых решений World AI & Data Challenge Агентства стратегических инициатив (АСИ), который направлен на решение глобальных социально-экономических задач с помощью технологий обработки больших данных и искусственного интеллекта. Центр стратегических исследований Ульяновской области принимает участие в этом конкурсе с задачей «Измерение уровня качества жизни населения в муниципальных образованиях», которая по результатам третьего этапа попала в топ-12 задач, для которых разрабатывается цифровое решение. Это признание важности решения проблемы. Изначально было несколько регионов — участников этого проекта, но они не смогли собрать достаточно данных для его реализации.

Индекс качества жизни населения формируется из двух компонентов. Первый — индекс, рассчитываемый по фактическим данным, — формируется в результате анализа данных в разрезе муниципальных образований c применением модели машинного обучения. Второй — индекс мнений — составляется по результатам анализа комментариев в социальных сетях («ВКонтакте», «Одноклассники», Twitter, Instagram, Facebook) также с привязкой к муниципальным образованиям. Нам было важно заменить результаты социологических опросов на реальное мнение граждан.

Применение технологий больших данных и искусственного интеллекта повысит качество используемых данных и позволит выйти на новый уровень измерения уровня качества жизни населения. Кроме того, сейчас оценка проводится раз в год, а мы хотим сделать ее более оперативной.

- Какие из 65 показателей являются ключевыми для расчета индекса?

Сложно выделить какие-то ключевые показатели по фактическим данным. Думаю, сейчас в первую очередь будут учитываться реальные мнения граждан в социальных сетях. Мы делаем ставку именно на это.

- Какие источники данных использовались?

У нас определен перечень показателей, которые берутся из ведомственных данных, из открытых баз данных, таких как портал ГИБДД, Единая аналитическая система Министерства культуры РФ, Единый реестр субъектов малого и среднего предпринимательства, а также из социальных сетей и других открытых источников. Задействованы данные почти всех министерств и ведомств региона. Индекс — это не только статистика и социология, которые зачастую обманчивы, но и программы, позволяющие услышать «настроение» населения. Однако мы не отказались и от использования статистических данных, поскольку без таких показателей, как рождаемость и смертность, не обойтись. Около 30% всех данных остаются статистическими.

- В чем заключалась самая серьезная проблема? Что было самым сложным?

Провести оценку мнений граждан и дополнить статистические и опросные показатели результатами контент-анализа социальных сетей. Система способна мониторить все посты в социальных сетях и определять их тональность: позитивный, негативный или нейтральный комментарий. Но этого недостаточно, возникали проблемы с методологией расчета «индекса счастья».

Сложность этой задачи заключается не только в том, чтобы найти смысловые отражения базовых показателей в виде фраз, высказываний, жаргонизмов, но и в том, чтобы учесть социальные контексты их использования. Поэтому в работе с данными используются методы машинного обучения. Сейчас мы можем рассчитать индекс мнений отдельно по спорту, образованию, культуре и т. п., а затем сформировать интегральный показатель по всем этим блокам.

- Какие платформы для работы с данными применялись и почему именно они?

Мы ставили задачу специалистам оценить качество жизни по тому или иному направлению, и они ее решали. Результаты получали в рамках конкурса АСИ, поэтому применялись их цифровые мощности.

Индекс формируется на платформе Freyr monitoring, анализ социальных сетей реализован на фреймворке Django с использованием целого ряда открытых инструментов: Redis, Kaldi, Selenium, PyTorch, Transformers, Natasha и других.

- Как решается вопрос качества данных?

Мы надеемся, что этим вопросом будет заниматься создаваемый сейчас Центр управления региона (ЦУР). Его информационная система позволяет губернатору за считанные секунды увидеть ситуацию в самых разных сферах. Мы же выступим в роли интерпретатора данных, которые будут поступать в ЦУР.

- Индекс станет использоваться в дополнение к другим критериям для оценки муниципальных образований?

Это не принципиально, мы вправе стимулировать руководителей по любым показателям эффективности управления. Индекс — живой инструмент. Сейчас кризис, ни у кого из субъектов нет положительных показателей в экономике. Соответственно, прежние инструменты оценки не работают, мы не можем оперировать старыми лекалами. Прежние задачи видоизменились, но в любом случае этот инструмент позволяет оценить, кто где находится.

- Какие результаты достигнуты и ожидаются?

К настоящему времени подготовлено тестовое цифровое решение, анализирующее данные в соцсетях в разрезе всех муниципальных образований Ульяновской области. Причем решение способно отслеживать не только публикации в социальных сетях на самые различные темы (от доходов населения до экологической ситуации), но и получать интегральный показатель по всем комментариям.

Сейчас пока рано говорить о результатах, так как продукт еще дорабатывается. Планируется, что он заработает к маю 2021 года. Каких эффектов мы ждем? Повышения уровня благосостояния граждан, которое можно отследить как по настроению людей в социальных сетях, так и по фактическим данным. Сформированный индекс качества жизни по каждому муниципальному образованию позволит выявить сферы жизнедеятельности, требующие особого внимания со стороны органов власти всех уровней. Результаты оценки будут использоваться исполнительными органами государственной власти и органами местного самоуправления для принятия решений с целью улучшить ситуацию по курируемым направлениям.

- Поделитесь примерами принятия подобных решений на основе индекса.

Когда мы проанализировали средства, которые выделяются на обеспечение безопасности дорожного движения, то, к своему удивлению, выяснили, что в тех районах, куда выделяются наибольшие средства, смертность максимальна, и наоборот — там, где денег минимум, минимальна и смертность. Как раньше принимались решения о выделении средств? Перед кабинетом министров ставится задача: «Надо строить дорогу от одной деревни до другой. Столько-то людей ездят. Надо? Надо!» Альтернативного мнения не было. А теперь, благодаря индексу, оно появилось! В этом году интегральный индекс будет учитывать и фактические данные, и мнение населения, то есть его объективность будет выше.

- Какие из результатов стали неожиданными?

У нас есть абсолютный лидер среди муниципалитетов — Чердаклинский район. Это самое динамично развивающееся муниципальное образование, которое много лет подряд опережает всех по уровню зарплат, налоговых поступлений, числу построенных заводов и т. п. Но оказалось, что по качеству жизни этот район — один из худших и население не слишком-то довольно. Люди признают, что там невысокий уровень безработицы и хороший уровень зарплаты, но им не нравятся плохая экология и разбитые дороги, большая смертность от онкологии и высокая преступность. А вот Радищевский район, который мы всегда ругаем, вошел в число лучших, что очень удивило правительство. Оказалось, что люди там очень довольны своей жизнью, там леса, озера — красота, а еще низкие показатели смертности и преступности.

- В каком направлении будет развиваться проект?

Когда этот механизм у нас заработал, губернатор обратился к президенту с предложением распространить наш опыт на всю Россию. И президент его поддержал, дав соответствующее поручение. Но поскольку все регионы разные, надо придумать универсальный механизм. Сейчас мы с вами о нем и говорим.

Планируется, что решение будет использоваться в пяти регионах: Новгородская, Свердловская, Ульяновская области, Ханты-Мансийский автономный округ и Республика Татарстан (особая экономическая зона «Иннополис»).

Предполагается применять индекс в качестве KPI исполнительных органов государственной власти и органов местного самоуправления. Таким образом, результаты этого проекта должны стать инструментом бюджетного финансирования государственных проектов. Чтобы мы не финансировали районы, где ситуация хорошая, а давали деньги тем, где она плохая. Мы надеемся, что губернатору станет легче управлять регионом, получая эти данные, в том числе решать, какой отрасли и какому муниципальному образованию отдать приоритет.

Мы уже приняли решение, и губернатор Ульяновской области подписал постановление о стимулировании глав муниципальных образований за улучшение качества жизни. Как это работает? На основе рейтинга выявляются проблемные точки. Глава муниципального образования подает заявку на конкурс для получения финансирования. Но заявка оформляется только в том случае, если решается проблема, выявленная рейтингом. Так, если ситуация с дорогами у него хорошая, он не имеет права подавать заявки на дорожные проекты. То есть мы получим очень хороший инструмент быстрого решения имеющихся в муниципалитете проблем. На это уже выделено несколько миллионов рублей.