Ростелеком

В 2023 году команда Онлайн-университета «Ростелекома» разработала и провела образовательную программу повышения квалификации «Дата-инженер» для сотрудников компании на базе собственной отечественной «Платформы управления данными». За счет обучения внутренними ресурсами удалось подготовить необходимых специалистов, смягчив кадровый дефицит. О реализации программы рассказывает Екатерина Барабанова, директор по развитию персонала «Ростелеком» и номинант на премию Data Award.

- В каких направлениях «Ростелеком» видит особый дефицит кадров? В какие цифры вы его оцениваете?

Цифровая трансформация бизнеса — одна из национальных целей развития страны на ближайшее будущее. Это направление активно поддерживает и развивает «Ростелеком». Сейчас компании нужны специалисты, знакомые с корпоративными системами и обладающие знаниями для их развития. То есть требуются дата-инженеры, специалисты по машинному обучению, системные аналитики, разработчики баз данных, системные администраторы, DevOps-специалисты.

- В чем именно заключаются основные проблемы?

Сегодня в стране наблюдается острый дефицит ИТ-специалистов, который не закончится в ближайшее время. Рынок с точки зрения количества людей физически сократился. При этом число вакансий в сфере ИТ выросло на 40%.

Страна нуждается в отечественных и независимых от импорта программных решениях. Поэтому «Ростелеком» разрабатывает собственные решения по направлениям кибербезопасности, телекоммуникаций, облачных технологий, виртуализации, биометрии, видеонаблюдения, управления данными, искусственного интеллекта, цифровой медицины, государственных цифровых услуг и др. Одним из таких решений стала наша платформа управления данными — универсальный набор отечественных программных продуктов для построения хранилища данных и аналитики.

Компании нужны специалисты, обладающие достаточной квалификацией для разработки и развития наших решений. На рынке найти таких специалистов крайне сложно. Также компания стремится к повышению эффективности процессов и их автоматизации на всех уровнях.

- Какими способами пытаетесь решать эти проблемы?

Мы действуем сразу в нескольких направлениях для преодоления кризиса дефицита кадров. Во-первых, используем технологии для повышения эффективности: обучаем сотрудников языкам программирования и работе с искусственным интеллектом, чтобы они могли автоматизировать свою работу. Расширяем осведомленность о доступных инструментах внутри компании.

Во-вторых, растим кадры внутри. Запускаем собственные программы переквалификации, где на практике обучаем актуальным знаниям и инструментам. Развиваем собственную инфраструктуру для обучения и работаем с лучшими преподавателями.

Программа повышения квалификации «Дата-инженер» комбинирует в себе два подхода. На ней обучаются сотрудники, которые хотели научиться работать с новыми инструментами для автоматизации процессов на текущем месте работы, и те, кто хотел сменить карьерную траекторию и перейти в область дата-инженерии.

- Кто занимался разработкой программы?

В разработке и проведении программы участвовала школа программирования «Ростелекома», которая обучила уже более 3,5 тыс. сотрудников за пять лет работы, а также дата-офис. Дата-офис – это наш драйвер data-driven культуры, один из лидеров отрасли управления данными в России, команда-разработчик платформы управления данными. Экспертом и преподавателем был приглашен Азат Якупов – сертифицированный архитектор данных, инженер в сфере высоконагруженных и высокодоступных систем хранения, специалист в области аудита отечественной операционной системы «Аврора».

- Что включает программа?

Программа разрабатывалась с «чистого листа». Мы ориентировались на сотрудников, которые уже знакомы с SQL, Python и активно работают с большим количеством данных. Это позволило сосредоточиться на продвинутых инструментах. Программа получилась насыщенной, в нее вошли семь образовательных блоков, для практики был развернут учебный стенд. В рамках обучения сотрудники выполнили 10 практических заданий, разработали и защитили итоговый проект.

- Что было сделано в рамках проекта?

В рамках реализации проекта за 6,5 месяцев удалось провести большую работу. Была разработана система отбора на программу обучения и получено более 100 заявок от сотрудников различных подразделений.

С методической стороны разработана программа для обучения сотрудников от теоретических материалов до практических занятий (более 450 страниц). С технической стороны — подготовлен учебный стенд полностью на отечественном программном обеспечении, организован постоянный доступ участников обучения к стенду и круглосуточная поддержка стенда на время обучения. На протяжении всего курса было проведено более 30 занятий и консультаций в формате онлайн.

В рамках программы студенты изучили и на практике отработали вопросы работы с данными: хранение, трансформация и использование.

- Какие инструменты работы с данными изучались?

Изученные инструменты охватывают управление инфраструктурой ресурсов, работу с большими данными на платформе Hadoop, работу со структурированными данными на платформе GreenPlum, работу с потоковыми данными на платформе Kafka, аналитику данных на платформе ClickHouse.

- Каковы результаты обучения?

Проведен пилотный поток программы на 50 сотрудников различных подразделений в дистанционном формате. Стоит отметить, что они высоко оценили качество программы. По результатам опроса выпускников NPS программы превысил 90, содержание программы оценено на 4,82 из 5, а практическая применимость – на 4,68 из 5.

По результатам обучения сотрудники защитили 20 командных проектов, причем некоторые из них нацелены на решение реальных задач компании. Девять выпускников планируют переход в ИТ-подразделение компании, а остальные видят возможности в применении знаний на текущем рабочем месте.

Программа позволяет решить вопрос оттока кадров, рекрутинга кадров в дата-офис, а также повысить эффективность бизнес-аналитики в компании.

- В чем роль проекта для компании?

Пилотный проект обучения был ориентирован на сотрудников компании, которые уже работают с данными. На программе студенты смогли систематизировать и дополнить свои знания по работе с данными: от подготовки до визуализации и принятия решений, познакомиться на практике с продвинутыми инструментами работы с большими данными, узнать больше о направлениях работы с данными внутри компании.

За счет обучения студентов из разных подразделений компании мы ожидаем повышение качества и своевременности аналитики, сокращение издержек за счет оптимизации процессов обработки данных, а также рост удовлетворенности клиентов за счет способности более быстро и точно реагировать на их потребности и требования рынка.

- Каковы дальнейшие планы по развитию программы?

В 2024 году мы планируем адаптировать программу «Дата-инженер» для внешних слушателей и сделать ее доступной на одной из популярных платформ дистанционного образования.

В «Ростелекоме» разработаны модели ИИ, помогающие определять сегменты клиентов, с которыми необходимо работать. Выстроенные модели затрагивают как потенциальных, так и действующих клиентов. Важной их частью является аргументация – создается «портрет» клиента и выявляются причины его склонности клиента к тому или иному продукту, что позволяет верно выстроить диалог с клиентом и привести ему убедительные аргументы. О реализации проекта рассказывает Андрей Зима, директор департамента развития решений искусственного интеллекта «Ростелеком» и номинант на премию Data Award.

- В чем заключалась бизнес-боль, какие задачи требовалось решить?

До внедрения ИИ в процесс работы с потенциальной и действующей клиентской базой, план по продажам, в основном, выполнялся за счет «клиентов-самоходов», то есть тех, кто обратился сам с потребностью подключить дополнительные телеком-услуги. Процесс кросс-продаж носил ситуативный характер и не имел системного подхода.

Возникла потребность в развитии данного процесса и формирования исходящих активностей, направленных на развитие клиентской базы. Не всегда использование одних лишь бизнес-правил давало эффект, который мог бы соответствовать тенденциям на рынке. По потенциальным клиентам проблема наблюдалась особо остро: процесс выбора наиболее конверсионного сегмента клиентов осложнялся отсутствием причин и формализованных правил этого выбора. Требовалось найти решение, позволяющее формировать комплексные предложения для клиентов, которые включали бы в себя сразу несколько услуг.

Задачей проекта стала разработка моделей ИИ, которые помогали бы бизнесу определять сегмент клиентов, с которым необходимо работать.

- Почему это важно для Ростелекома?

Внедрение ИИ-инструментов для бизнес-процессов «Ростелекома» – это необходимость, а не следование модным тенденциям. Мы предоставляем нашим клиентам более 500 видов услуг, количество наших абонентов превышает 48 млн человек, у нас более 4,1 млн B2B-клиентов, а всего в стране 7,3 млн юридических лиц, включая индивидуальных предпринимателей. Мы не можем предлагать нашим клиентам весь перечень услуг методом «ковровой бомбардировки». Нам нужны методы и алгоритмы, чтобы точно определять потребности в сервисах и услугах нашей компании, автоматизировать процессы, снижать нагрузку на сотрудников и повышать удовлетворенность наших клиентов.

- Какой подход был выбран?

Проект было решено реализовать силами внутренней команды «Ростелекома», так как основная сложность задачи была не в том, чтобы разработать саму ML-модель, а в том, чтобы полноценно внедрить ее в бизнес-процессы. А для этого нужно правильно сформулировать постановку задачи, что сделать невозможно без хорошего понимания данных компании и процессов – на формирование такой экспертизы у внешней команды ушло бы много месяцев.

Также между бизнес-подразделением и офисом Data Science нужно было выстроить партнерские взаимоотношения, а не применять модель «заказчик-исполнитель». Важно было достигать бизнес-результаты, а не просто исполнять запросы в рамках технического задания.

- Что представляет собой созданное решение?

Для обучения ML-моделей мы использовали собственные данные «Ростелекома», а также внешние данные. Результаты работы ML-моделей загружаются в бизнес-системы – например, в систему управления кампаниями (Campaign Management). Эти результаты использовались в бизнес-процессах в каналах продаж и коммуникаций.

По большому счету, результат работы ML-модели – это заполненное текстовое поле внутри карточки клиента, которое полезно продавцу во время коммуникаций: оно содержит информацию о том, какие услуги могут быть интересны клиенту. Эти услуги расположены в порядке убывания их полезности для клиента, и для каждой услуги приведена информация – почему клиенту может быть интересен предлагаемый продукт. Внутри своей привычной системы продавцы получают списки клиентов, ранжированные по общему потенциалу коммуникации. Таким образом, сокращается количество «холостых» звонков, которые не только снижают мотивацию продавцов, но и бесполезны для наших клиентов.

- Какой математический аппарат использован?

Вся математика сосредоточена в выборе алгоритма машинного обучения и правильного его применения. Мы остановились на использовании мощной и универсальной техники – градиентном бустинге. Контроль за процессом «выучивания» паттернов в поведении клиентской базы отвечает математическая функция ошибок, которая позволяет «наказывать» модель в случае неверных прогнозов и «поощрять» в случае правильных решений. Благодаря градиентному бустингу мы строим сложную композицию относительно слабых моделей. Каждый предыдущий шаг находит более сильные зависимости и отделяет их, тем самым позволяя на следующих шагах находить менее выраженные зависимости. За счет большого количества таких шагов модель хорошо предсказывает поведение клиента. Как аналогию можно привести прогнозирование временных рядов, где в начале выделяем тренд, а после этого явно видна сезонность. После выделения сезонности видны зависимости последующего значения от предыдущего. На этой идее работают, например, ARIMA-модели (интегрированная модель авторегрессии – скользящего среднего).

- Какие ИТ-платформы применялись?

Наша ML-модель разработана на языке программирования Python с использованием библиотеки LightGBM. Сбор признаков для обучения и прогнозирования производится с применением технологий больших данных – экосистемы Hadoop c системой управления базами данных Hive и хранилищем Greenplum. Координация всех процессов преобразования данных и расчета модели опирается на оркестратор Airflow. Ведение проектной деятельности по разработке программного кода, а также вывод новых релизов в промышленную эксплуатацию осуществляется посредством GitLab. Контейнеризатор приложений Docker позволяет удобно изолировать окружения моделей друг от друга, а также способствует ведению исследовательской деятельности разработчиков на серверах JupyterHub, не мешая друг другу.

Коллеги из бизнес-подразделений могут быть уверены – качественный скоринг будет доступен в нужное время и в нужном месте!

- В чем «фишки» созданного решения?

Наверное, основное отличие нашего решения – в масштабе его применения.

Мы комплексно анализируем поведение клиентов по всей стране с учетом региональных особенностей. Мы определяем общий потенциал клиента, чтобы понять, кому звонить, а кому нет, и тем самым повышаем эффективность тысяч часов рабочего времени наших продавцов. Также мы экономим время наших клиентов – мы предлагаем им не десятки разных продуктов, а только те, которые с высокой вероятностью заинтересуют их. Кроме того, определенные с помощью ИИ причины склонности клиента к продукту позволяют правильно выстроить диалог с клиентом, привести ему правильные аргументы и помочь осознать свои потребности.

Например, благодаря моделям ИИ мы видим, что наш клиент – это пункт выдачи заказов. Если мы посмотрим на сформированные с помощью ИИ предложения, там первым приоритетом стоит видеонаблюдение. А в качестве аргументов этой услуги будет указано, что видеонаблюдение для пункта выдачи заказов – это необходимый продукт для организации безопасности в помещении, а также для контроля сотрудников и подсчета посетителей. Также в процессе диалога менеджер может упомянуть, что пункты выдачи заказов часто подключают подобную услугу – это правда, и это убеждает клиентов.

- Каких результатов удалось достичь, как они соотносятся с ожиданиями?

В результате проекта была выстроена работа по созданию и развитию моделей Data Science, которые затрагивали как потенциальных, так и действующих клиентов. Были сформированы портреты каждого клиента, с указанием всех исторических изменений. Был выбран определенный период, на основании которого мы формируем «эталонного» клиента для продаж. Каждый из клиентов получил определенный скоринговый балл, на основании которого образовались группы клиентов – кластера по вероятности их покупки (высокосклонные, низкосклонные и т.п.).

Для каждого клиента были определены наиболее подходящие для него телеком-услуги. Помимо этого, мы стали понимать их приоритетность и вес. Это позволило создать эффективный процесс определения высоко склонных к покупке клиентов среди действующей и потенциальной базы, и формирования персональных предложений для каждого клиента.

- Как это оценивается в финансовом выражении?

В 2022 году мы смогли увеличить выручку по проекту в два раза по сравнению с 2021 годом, а перевыполнение плана составило 75%. Дальнейший рост выручки стал более плавным, так как мы уже приближаемся к границе возможностей ИИ, но все равно составляет десятки процентов.

Если оценивать результаты проекта в целом от старта, то произошло увеличение конверсии по действующим клиентам в шесть раз, по потенциальным клиентам – в четыре раза. Средний чек на клиента вырос на 15%, а срок жизни клиента увеличился на шесть месяцев.

- В каком направлении будет развиваться проект?

Сейчас мы активно смотрим в сторону анализа диалогов и внедрения алгоритмов аналитики речи. Мы планируем подключать искусственный интеллект в процессе диалога с клиентами для выявления потребностей и перерасчета рекомендательной модели в процессе диалога. Также мы планируем использовать генеративные сети для составления писем и диалогов операторов, и тестируем возможности применения роботов и голосовых ботов.

Мы уже протестировали некоторые гипотезы. Наши пилотные проекты показывают, что голосовые боты способны обеспечить более высокую конверсию за счет более четкого следования сценарию и отсутствия человеческого фактора. Также по процессам обслуживания видим, что диалог с ботом клиенты оценивают существенно выше, чем с человеком.

«Ростелеком» запустил образовательную программу «Аналитика данных и методы искусственного интеллекта» на отечественной платформе управления данными для крупнейших вузов страны. Программа призвана подготовить больше высококвалифицированных специалистов в области анализа больших данных и должна способствовать укреплению импортонезависимости ИТ-отрасли в целом. О запуске и ходе реализации этой инициативы рассказывают Андрей Телюков, директор управления развитием платформы больших данных, и Владимир Татаринцев, директор по развитию стратегических проектов «Ростелеком», – номинанты на премию Data Award.

- Насколько активно вы вообще сотрудничаете с вузами?

Владимир Татаринцев: Инициатива по созданию образовательных программ в различных направлениях была запущена уже более двух лет назад департаментом по развитию стратегических проектов «РТК ИТ» в рамках подготовки высококвалифицированных ИТ-кадров. Большое количество студентов завершило свое обучение по программам, созданным внутри компании «Ростелеком». Если говорить о программе «Аналитика данных и методы искусственного интеллекта», то в этом году стартует уже второй поток обучения.

Количество вузов, участвующих в программе, растет от потока к потоку. И сейчас мы уже сотрудничаем с более десяти ведущими вузами странны. Мы оказываем техническую и консультационную поддержку сотрудникам и преподавателям учебных заведений, помогаем внедрять новые инструменты в образовательные процессы. Планируется, что число вузов, реализующих нашу программу, будет расти, а, следовательно, – и количество квалифицированных кадров на рынке труда будет становиться больше.

- Чем проект, посвященный подготовке дата-специалистов, выделяется из остальных?

Андрей Телюков: В условиях нарастающего санкционного давления и отказа иностранных ИТ-компаний от сотрудничества с Россией создаются риски в подготовке высококвалифицированных ИТ-специалистов в вузах. Не секрет, что в образовательных программах значительную долю занимает именно иностранное программное обеспечение. И особенно это важно в направлении аналитики данных и искусственного интеллекта, которые имеют стратегический приоритет для государства.

Согласно данным HeadHunter, темп прироста вакансий ИТ-профиля ежегодно возрастает. Так, за 2022 год компании разместили вдвое больше предложений о работе в ИТ, чем за 2020 год. А спрос на специалистов, владеющих навыками работы с российским программным обеспечением, за последние два года вырос даже втрое – на 200%.

- Чего в этом проекте больше: бизнесового, имиджевого или социального?

В.Т.: Однозначно, для нашей компании в первую очередь это бизнес-проект, хотя мы не зарабатываем на нем напрямую. Но для нас ощутимы и важны косвенные выгоды.

Во-первых, мы получаем возможность нанимать лучших ИТ-специалистов до того, как они вышли на рынок. При этом они уже знакомы с инструментами, которые используются в ландшафте нашей компании. Тем самым, мы получаем экономию при найме новых сотрудников и конкурируем за лучших ребят с высоким потенциалом.

Во-вторых, на рынке становится больше специалистов, которые в рамках университетских программ прошли обучение по работе с нашей платформой. Поэтому нашим партнерам и заказчикам будет проще реализовывать проекты на наших технологиях, что повышает конкурентоспособность продуктов нашей Платформы управления данными.

— Что представляет собой образовательная программа?

В.Т.: Образовательная программа включает изучение методов и подходов к анализу данных и их применению при решении практических бизнес-задач. Учебно-методический план содержит такие разделы, как введение в бизнес-аналитику, современные озера и хранилища данных, аналитика больших данных и методы искусственного интеллекта. Конечно же, он содержит и практические занятия на современных инструментах для работы с данными, построенных на базе open source технологий.

Важно, что в рамках проекта была разработана не только методическая и образовательная программа, но и переданы лицензии на нашу платформу управления данными на некоммерческой основе – лицензии на ПО вузам предоставлены в бессрочное пользование за 1 рубль.

Программа рассчитана на 256 часов и состоит из четырех модулей с промежуточной и итоговой аттестаций с обязательным выполнением практических заданий, обеспечивающих эффективное освоение получаемых навыков по работе с данными.

- Кто занимался разработкой программы? За счет чего обеспечивается ее актуальность?

А.Т.: Программу разработали коллеги из департамента по развитию стратегических проектов «РТК ИТ» при участии специалистов поддержки и разработчиков платформы в рамках инициативы «Ростелекома» по подготовке высококвалифицированных ИТ-кадров. Актуальность обеспечивается за счет того, что обучение происходит на базе технологий, которые уже применяются во многих крупных компаниях, а также за счет практических задач, решаемых в рамках программы.

- Какие платформы используются для обучения?

А.Т.: Для обеспечения особенности практико-ориентированной направленности и использования при обучении отечественного программного обеспечения, был развернут образовательный стенд с продуктами RT.Warehouse, RT.DataLake, RT.Streaming, RT.DataLoader, RT.DataVision. Для обучения используются открытые данные.

- Как договариваетесь с вузами? Всегда ли находите взаимопонимание?

В.Т.: В большинстве случаев мы наблюдаем инициативу вузов, коллеги понимают важность современного качественного обучения. Поэтому выстраиваются партнерские качественные взаимоотношения.

- Какие возникают проблемы?

В.Т.: Очевидно, что без проблем не обходится. Иногда сталкиваемся с проблемами на инфраструктуре или нехваткой знаний у администраторов на стороне вузов. Для решения таких проблем существует дополнительное обучение, но уже для преподавателей и администраторов вузов, которое проводится перед стартом программы, а во время инсталляции инженеры нашей технической поддержки помогают решать возникающие сложности.

- Какие результаты достигнуты и ожидаются?

А.Т.: Программа обучения «Аналитика данных и методы искусственного интеллекта» привлекла более 2 тыс. студентов уже в первом 2023-2024 учебном году. На данный момент семь вузов включили ее в свой образовательный план, еще несколько планируют это сделать в следующем учебном году, с 10 учебными заведениями подписаны лицензионные договоры о предоставлении права использования программного обеспечения для целей обучения.

Обучение на программах осуществляется в вузах, ставших участниками пилотного проекта, по всем формам подготовки и является полностью бесплатным для студентов-участников проекта. На текущий момент обучение по программе ведется в следующих вузах: МГТУ «СТАНКИН», ТулГУ, СПБГУТ, ПГУТИ, СибГУТИ, РГГУ, СКФУ, Первый МГМУ им. И.М. Сеченова, МИРЭА, УРФУ, ТПУ.

- На какие показатели рассчитываете? Что будете считать положительным результатом?

В.Т.: Рассчитываем, что наша программа обучения будет представлена в десятке ведущих вузов страны. Уже сейчас обучение прошли более 2 тыс. студентов, рассчитываем, что этот показатель будет приближаться к 10 тыс. студентов в год. Положительный успех для нас то, что уже нанимаем в штат лучших выпускников программы.

- В чем роль этого проекта для рынка, бизнеса и общества?

А.Т.: Реализация образовательной программы в вузах «Аналитика данных и методы искусственного интеллекта» на базе отечественных технологий является стратегической задачей развития ИТ-отрасли в России. Программа позволяет подготовить больше высококвалифицированных специалистов в области анализа больших данных и способствует укреплению импортонезависимости ИТ-отрасли в целом. Увеличение количества специалистов, владеющих платформами open source в области аналитики данных поможет удовлетворить возрастающий спрос на ИТ-специалистов: от банков и ретейла до промышленности и энергетики.

- В каком направлении можно ждать развития проекта?

В.Т.: Я считаю, что нам нужно развивать программу в сторону практики. Необходимо добавлять больше прикладных задач и кейсов, чтобы ребята после выпуска были готовы решать реальные производственные задачи. А для того, чтобы студенты смогли поработать с большим спектром задач, – от задач хранения данных до задач визуализации и искусственного интеллекта – нужно включить в программу весь спектр наших продуктов. Это стоит ожидать в следующих версиях программы. Соответственно, программу будем актуализировать уже к новому учебному году.

Также стоит отметить, что в Ростелекоме появилась новая образовательная структура – ИТ школа РТК. Ее стратегия развития предусматривает предоставление возможности обучаться на программах дополнительного образования как для работников групп и компаний Ростелеком, так и партнерских организаций и частных лиц.

Выявление новых рынков, перспективных технологий и методов их использования в условиях переизбытка информации тоже требуют подхода на основе данных. Принятие стратегических решений является критически важным процессом, где стоимость ошибки крайне высока. Автоматизировать работу аналитиков для решения части этих задач позволяет платформа TeqViser. О ее создании рассказывает Тимур Меджидов, руководитель департамента управления проектами «Айкумен ИБС» (ДЗО ПАО «Ростелеком») и номинант на премию Data Award.

- Какова история создания проекта TeqViser?

Изначально проект создавался в 2016 году как инструмент помощи аналитикам внутренних институтов «Ростелекома». Мы хотели перейти на data-driven подход для принятия стратегических решений, которые были бы в будущем основаны на данных. Для этого нам нужна была некая база знаний про все технологии. Мы выбрали источники, которые считали качественными и полезными – это научные статьи, патенты, данные по инвестициям, публикации отраслевых СМИ. При помощи сильного лингвистического аппарата, развитых механизмов обработки данных и других технологий мы объединили данные, которые казались нам интересными, и создали инструмент для их анализа при помощи алгоритмов обработки естественного языка и технологий искусственного интеллекта. Этот инструмент позволил нам начать принимать те или иные стратегические решения на качественно новом уровне. Так появился TeqViser.

- Какие задачи он призван решать?

Очень важна задача приоритизации технологий для инвестирования, создания новых продуктов, услуг, сервисов. Даже такая большая компания, как Ростелеком, не может заниматься всем – необходимо расставлять приоритеты. С помощью платформы TeqViser мы анализируем более 120 различных технологий и выбираем наиболее приоритетные для нас направления. Определив, например, Топ-10 наиболее перспективных технологий в какой-то сфере, компания может считать их стратегическими и работать над их внедрением.

Результаты анализа TeqViser могут применяться в венчурных фондах, продуктовых офисах, R&D-центрах и так далее. Это первый класс задач, когда компания пытается определить, на каких направлениях стоит сфокусироваться. Второе направление – разного рода бенчмаркинги, когда компания сравнивает себя с конкурентами, ведет конкурентную разведку, в том числе в отношении международных компаний.

Также с помощью платформы мы ищем так называемые «слабые сигналы». Слабые технологические сигналы – это те технологии, которые только зарождаются. И чем раньше удастся найти перспективную технологию, инвестировать в нее на ранней стадии, тем больше выгоды компания получит в будущем. Многие компании пытаются найти эти слабые сигналы, используя различные инструменты. Мы делаем это в том числе с использованием платформы TeqViser, которую создали специально для этих задач, основываясь на широкой накопленной экспертизе.

Наконец, можно исследовать кейсы применения технологий. С помощью платформы мы можем понимать, что происходит в науке, что выделяется из общего ряда, какой стартап «выстрелил». Мы собираем эту информацию и анализируем с помощью аналитиков. Это позволяет найти стартапы для инвестирования, открыть R&D-центр под какую-то технологию для более глубокого исследования и т.д.

- Почему это важно?

Задача технологического прогнозирования в целом не решена человечеством, но наша платформа существенно приближает его к этой цели. Таких систем в мире мало – можно на пальцах пересчитать. В России инструменты для качественного анализа технологий предоставляет только TeqViser. Хороший анализ, мы надеемся, приводит к хорошим решениям, а дальше – и к прибыли для компаний.

- Какие принципы заложены в платформу?

Мы собрали все данные, которые считаем качественными. У нас больше 100 млн разных материалов. Мы разработали поисковый движок, благодаря которому можем осуществлять поиск во всем этом массиве. Мы можем делать разные виды графики, дашборды, грамотно визуализировать данные, что облегчает аналитику и помогает лицам, принимающим решения. Также у нас есть инструменты машинного обучения, которые помогают делать сложные вещи – например, кластеризацию, перевод. И сейчас мы добавляем чат, который еще больше упростит жизнь наших пользователей.

- Какой математический аппарат используется?

В платформе широко используются различные математические модели, в том числе с применением нейросетевых алгоритмов. Например, это комбинация лингвистических и статистических методов обработки текстовой информации для выявления трендов, методы машинной очистки и нормализации текстовой информации для работы с именованными сущностями, методы многомерной кластеризации текстовых документов, построение семантических векторов документов. Конечно, применяются алгоритмы OLAP и машинного перевода документов с иностранных языков.

- Что собой представляет платформа TeqViser? Как она работает?

Это система, которая позволяет находить и исследовать технологии. С помощью роботов она собирает данные из открытых информационных источников, а посредством предоставляемого API собирает данные из закрытых баз данных. Данные могут представлять собой научные публикации, новости о технологиях, патенты и инвестиции. Они проходят семантический анализ, после чего становятся доступными для поиска, прочтения и работы с ними – например, построения различных аналитических виджетов.

- Каков портрет типичного клиента? Кто заинтересован в подобных решениях?

Это крупные компании, которые хотят проводить собственные исследования и делать прогнозы на данных. Пока только они озадачиваются необходимостью использовать такого рода инструменты. Внутри компаний пользователи – это инновационные центры, директора по инновациям, инвестиционные аналитики. По отраслям ограничений нет.

- Что является результатом использования платформы для заказчика?

Результатом являются приоритетные для развития технологии, кейсы применения технологий, анализ конкурентов, их технологического стека, на основании которых принимаются стратегически важные решения для компании.

- Какие результаты могут достигаться?

Если глобально, то это создание новых направлений бизнеса, принятие решений об инвестировании в технологически новые направления. Например, для Ростелекома это может исчисляться миллиардами и десятками миллиардов рублей, как и для любой большой компании. Также есть побочный эффект – экономия бюджета аналитической команды, поскольку использование TeqViser заменяет работу аналитиков начального уровня и оптимизирует работу экспертов.

- Приведите примеры.

Например, в Ростелекоме были созданы офисы индустриального интернета и запуск направления квантовых технологий. Еще помогали заказчикам наполнять воронку кейсов применения, которые они дальше пилотировали, совершали покупку стартапов, внедряли в свою деятельность новые бизнес-процессы, находили новые сферы применения в существующих технологиях.

- Реально ли в этом случае оценить экономический эффект?

Здесь оценить эффект от технологий можно несколькими способами: это либо экономия, либо получение дохода, либо наращивание капитализации. Понятно, что эффект этот косвенный, и стоит еще учитывать упущенную выгоду.

Условно говоря, мы начали заниматься квантовыми технологиями. Сейчас это не монетизируется, но на горизонте пяти лет можно ожидать появление рынка в несколько десятков миллиардов рублей, и мы займем на нем какую-то долю. Тогда эффект может исчисляться миллиардами и десятками миллиардов рублей. Компания, которую «Ростелеком» в прошлом купил, основываясь на анализе в TeqViser, сейчас приносит около 20 млрд руб. выручки.

- Какие аргументы могут убедить руководителя компании инвестировать в подобные решения?

Многие, наверное, слышали про компанию Theranos, которая пыталась определять все болезни на свете по капле крови, но это ни к чему не привело. В итоге основательницу компании посадили, а Netflix снял про это фильм. Это был хайповый проект, в который много кто проинвестировал, но за этим не стояло научной составляющей. И если проанализировать науку и патенты, то, скорее всего, будет видно, что по капле крови просто невозможно определить все болезни, и риски инвестиций огромны.

Примерно то же самое мы доказываем про технологии NFT. На наших данных видно, что это спекулятивная технология, что за ней не стоит ни наука, ни патенты, она подвержена спекулятивным механизмам. То есть в нее мы не рекомендуем инвестировать, потому что завтра этот пузырь может лопнуть. Собственно, так и происходит.

То есть, обычно мы показываем на каких-то примерах, которые релевантны заказчику, что он может получить с использованием результатов TeqViser и без них.

- В каком направлении будет развиваться платформа?

Мы будем развивать систему, подключать еще большее количество данных, учиться работать с новыми языками. Второе направление – это все, что связано с алгоритмами: нейросетями и искусственным интеллектом. Продолжим совершенствовать алгоритмы и делать всю нашу аналитику эффективнее и проще для пользователя. Наша задача – снизить порог входа в систему, чтобы пользователи могли достигать тех результатов, которые они хотят, не обладая обширной экспертизой.

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

- Расскажите об истории проекта.

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

- В чем заключалась проблема?

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

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

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

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

- Какой подход выбрали к решению задачи?

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

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

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

- Что в итоге получилось?

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

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

- Как новое решение отразилось на бизнес-результатах?

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

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

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

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

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

- Как новые технические возможности отразились на корпоративной культуре?

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

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

- Какова роль этого проекта для бизнеса «Ростелекома»?

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

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

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

- Каковы направления дальнейшего развития проекта?

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

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

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

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

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

«Ростелеком» запустил собственную систему управления данными, которая не только обеспечила компании технологическую независимость, но и дала возможность повысить собственную эффективность. О реализации проекта рассказывает Андрей Телюков, директор управления развитием платформы больших данных «Ростелеком» и номинант на премию Data Award.

— Как и почему у «Ростелекома» появился собственный продукт для управления данными?

«Ростелеком» – крупнейший в России интегрированный провайдер цифровых услуг и решений, который присутствует во всех сегментах рынка и охватывает миллионы домохозяйств, государственных и частных организаций. Это оказывает влияние и на структуру компании, в которую входит несколько больших региональных филиалов. Мы почувствовали потребность обладать всеми необходимыми данными в едином месте, и данный факт сподвиг нас к реализации проекта по созданию единого корпоративного хранилища – «Платформы управления данными».

Во время работы над этим большим проектом собралась сильная дата-команда, компетенции которой позволяли решать сложные, нетривиальные задачи. Это уже выходило за классические рамки дата-офиса – речь шла о проектировании и разработке собственных инструментов по работе с данными.

Сначала мы делились своим опытом в группе компаний «Ростелеком», но потом пошли дальше и стали предлагать свои наработки рынку. О правильности такого решения свидетельствует нынешний высокий спрос на наш продукт.

— Когда начинался проект, никто не мог представить мощного санкционного кризиса. Что было первичным при разработке решения: импортозамещение, минимизация стоимости владения, технологические преимущества и т.п.?

Все перечисленные аргументы комплексно повлияли на принятие решения о разработке «Платформы управления данными». При этом все же можно выделить первичные причины и посмотреть, как решались задачи хронологически.

В первую очередь перед командой, конечно же, стояла задача минимизации совокупной стоимости владения. Переход на продукт собственной разработки позволяет отказаться от лицензионных затрат на решения других компаний. Это позволило расширить нашу команду и выделить группы специалистов по отдельным направлениям.

Сильное влияние оказало и движение в сторону отказа от зарубежных вендоров. Силами команды мы выполнили необходимые регистрационные и сертификационные действия для подтверждения того, что продукты «Платформы управления данными» – собственная разработка и созданы на базе открытых решений. Это позволило нам получить регистрацию в реестре отечественного ПО.

И, наконец, самая сложная и важная часть – получить технологические преимущества. Мы внимательно следим за рынком, изучаем запросы от внутренних и внешних заказчиков, анализируем потребности и формируем вектор развития наших продуктов. В результате удобный, качественный и надежный сервис получает не только «Ростелеком», но и другие наши клиенты.

— Каких принципов придерживались при создании платформы?

В нашей команде большинство специалистов в прошлом были пользователями подобных систем, то есть «по ту сторону баррикад». Поэтому основной принцип – разработка качественного и удобного решения, которая позволила бы экономить время и силы всем многочисленным участникам процесса работы с данными, и тем самым давать экономическую выгоду бизнесу. Кроме того, мы стараемся подходить к каждой задаче критически, чтобы процесс разработки был выстроен эффективно и можно было избежать лишних и ненужных затрат.

Еще один важный принцип, особенно актуальный в последнее время, – это безопасность разработки. Мы уделяем этому вопросу большое внимание. Работаем и выстраиваем процесс, разработки, сборки и тестирования таким образом, чтобы в наш продукт не попадали уязвимые и сомнительные зависимости.

И в заключение хочется обозначить мой личный принцип. Я как руководитель команды много внимания уделяю развитию и росту сотрудников. Нам удалось собрать в одну команду сильных технических специалистов, и мы продолжаем расти и дальше, что позволяет говорить, что наша техническая команда – одна из лучших в этой отрасли в стране.

— Что собой представляет разработанная платформа?

Наша платформа управления данными – это 14 продуктов, которые охватывает полный жизненный цикл работы с данными: от подключения системы источника до искусственного интеллекта. В «Ростелекоме» внедрены следующие компоненты, о сути которых можно догадаться из названий: RT.DataLake, RT.Warehouse, RT.Streaming, RT.ClusterManager, RT.DataLoader, RT.DataSync, RT.DataGovernance, RT.MDM.

Хранилище данных содержит около 7 Пбайт данных, в том числе аналитический контур объемом более 400 ТБайт. Хранилище охватывает данные из 450 внутренних источников компании, а также 30 внешних источников (СМЭВ, ФНС, СПАРК, 2ГИС, «Яндекс» и др.).

— Есть ли «фишки» платформы, которыми в «Ростелекоме» особенно гордятся?

В первую очередь, это несколько наших сборок Hadoop под названием RT.DataLake. У нас есть набор для миграции с зарубежных аналогов «один в один» по версиям, а также сборки с более свежими версиями сервисов и компонент. Мы достаточно быстро движемся за комьюнити и при этом продолжаем набирать скорость, благодаря автоматизации. И наши процессы сборки и тестирования – это несомненно, отдельная фишка.

Кроме того, мы много инвестировали в работу над UX/UI нашей собственной разработки RT.ClusterManager. Это решение, которое сильно упрощает работу со сложными системами наподобие Hadoop и Greenplum и позволяет из одного места удобно собрать хранилище данных любой сложности, а также интегрироваться с облачными провайдерами «Ростелекома».

В разработке у нас еще немало «секретных» решений, о которых предстоит рассказать в ближайшем будущем.

— Сразу ли ориентировались на вывод решения на внешний рынок?

Как упоминал ранее, это было последовательное развитие, которое привело нас к текущему состоянию дел. При этом, так или иначе, когда почти три года назад мы вывели «Платформу управления данными» в отдельное направление, мы уже были ориентированы и на внешний рынок.

— Вообще насколько востребованной на рынке оказалась «Платформа управления данными»? И какими видятся дальнейшие перспективы?

Сейчас наблюдается наличие постоянного спроса. Компании пытаются адаптироваться к новым реалиям, но надо понимать, что такой спрос носит вынужденный характер, и поэтому он будет ограничен во времени. Дальнейшие перспективы «Платформы управления данными» могут быть обеспечены только технологическим лидерством. Уникальные идеи и решения позволят развиваться нам – как команде платформы, клиентам и компании «Ростелеком» в целом.

— Какие результаты достигнуты?

Мы исключили лицензионные риски и продолжили эффективно управлять данными в условиях ухода западных вендоров. Повышены доступность, актуальность и качество данных для бизнеса. Увеличена скорость подготовки отчетности и, как следствие, скорость принятия управленческих решений. На новой платформе уже выполнено более 300 бизнес-проектов. Сокращены затраты на поддержку и развитие витрин данных и отчетности, появилась возможность быстрого анализа, построения пилотных моделей за счет наличия песочницы для бизнеса с доступом ко всем аналитическим данным.

Достигнута экономия около 600 млн руб. за счет отказа от использования стороннего ПО и перехода на решение собственной разработки. На пятилетнем горизонте экономия должна составить более 1 млрд руб.

— Какова роль проекта для бизнеса компании и рынка?

Можно выделить несколько видов эффектов. Во-первых, направление B2G. Построена экосистема управления данными на отечественных продуктах в крупнейшем телеком-операторе страны. Это дает надежность и независимость решения, устойчивость к валютным рискам и политическим изменениям. Обеспечена эффективная работа по национальной безопасности и антитеррористической деятельности – исключена возможность предоставления услуг связи запрещенным организациям.

Во-вторых, достигаются B2С-эффекты. Речь идет о планировании строительства и модернизации сети, а также об эффективном обслуживании клиентов. Инструменты платформы позволяют выявлять закономерности в поведении клиентов и оптимизировать инфраструктуру и ресурсы, внедрять чат-боты, оперативно устранять проблемы. Наконец, есть кадровые и ESG-эффекты.

— В числе эффектов вы отдельно упоминаете ESG. Насколько эта повестка сохраняет актуальность, с учетом изменения политической обстановки?

«Платформа управления данными» в целом предназначена для того, чтобы удовлетворять запросы быстрорастущего рынка. Тенденция последних лет транслирует многократное увеличение объема данных, с которыми приходится иметь дело нашим клиентам. Мы как команда, которая работает над платформой, можем и должны предлагать рынку оптимальные решения для работы с данными.

Новые технологии, доработки платформы, различные алгоритмы сжатия позволяют оптимизировать хранение и организовать эффективную обработку данных. В свою очередь, это оказывает влияние на количество закупаемого оборудования и потребление энергии, что в конечном итоге позитивно влияет на экологию. Безусловно, мы продолжим работать над данным направлением, так как в этом часть нашего бизнеса и одно из конкурентных преимуществ.

— Каково будущее платформы, куда она движется?

В ближайшем будущем мы планируем объединить все наши продукты в единую платформу. Мы уже движемся в этом направлении, но на текущий период все же остается некая разрозненность.

Ключевая цель – предоставить пользователю некий «комбайн», с помощью которого можно будет решить весь спектр задач по работе с данными – от хранения до построения BI-отчетности. Это позволит убрать лишние накладные расходы и дублирование при сопровождении огромного числа разрозненных сервисов.

«Ростелеком» запустил в контакт-центре чат-бота со встроенным искусственным интеллектом, который охватывает более 20% поступающих обращений. При этом удовлетворенность клиентов выросла, и далеко не все из них способны отличить «нейросетевого» сотрудника от живого. О подходах к реализации проекта и достигнутых эффектах рассказывает Андрей Зима, директор департамента развития решений искусственного интеллекта «Ростелеком» и номинант на премию Data Award.

— Какова история проекта? Как компания пришла к его реализации?

Клиенты «Ростелекома» исчисляются десятками миллионов. Ежемесячно мы получаем более 3 млн обращений как в голосовом, так и в текстовых каналах.

Безусловно, любой бизнес, чтобы развиваться, должен становиться более эффективным, и «Ростелеком» не исключение. Мы приняли решение максимально систематизировать отработку обращений, сделать ее единой и унифицированной, что и привело к созданию чат-бота.

В итоге, в условиях увеличения трафика в дискретном канале, не наращивая количество операторов, нам удалось обработать больший объем обращений. Попутно снизилось время ожидания клиентов в чате, ведь чат-бот не знает усталости, работает без обеда и выходных.

— В чем суть разработанного решения?

Мы запустили чат-бот, который работает в нашем решении «Омничат» – оттуда мы получаем обращения клиентов. С помощью технологий искусственного интеллекта мы понимаем, чего хочет клиент: бот распознает его запрос и смысл текста. Для того, чтобы качественно ответить на вопрос клиента, нам потребовались интеграции с внутренними системами. Например, из биллинга мы можем получить баланс счета, а из CRM – информацию об авариях и сроках окончания ремонтных работ на линии.

— Какие технологические принципы закладывались в создаваемое решение?

Мы разработали решение, основанное на собственном технологическом стеке, которое позволяет нам автоматизировать сценарии любой сложности и не требует специальных знаний, особенно программистов. Разработка ИИ-движка внутри чат-бота обеспечивает обучение нейросетей на основании различных выборок данных из ИТ-систем.

— В чем инновационность разработанного решения?

Чат-бот – оригинальное решение, реализованное с помощью современных инструментов, базирующееся на компонентах собственной разработки и открытых языках программирования. Интеллектуальные нейросети, скрипт-менеджер и бот на микросервисной архитектуре обеспечивают гибкое и динамичное масштабирование системы в условиях изменяющихся требований бизнеса, а также оптимизацию стоимости владения инфраструктурой. Ядро бота поддерживает автоматизацию и текстового, и голосового каналов. Сценарии базируются на скриптах, используемых в контакт-центре, что обеспечивает единый подход к обслуживанию клиентов в разных каналах.

— Что в ходе проекта было самым сложным? Как решали проблемы?

Трудно выделить что-то одно – для нас это был новый процесс, требующий большого количества интеграций. К тому же он реализовывался в крупной ИТ-компании с большим количеством сложных бизнес-процессов и подразделений со своими целями. Поэтому процесс в целом был непростым.

— Какова интеллектуальная начинка?

Для определения намерений клиента, ответа на различные вопросы используются BERT-like модели, адаптированные под задачу и требования.

— Сколько времени и каких ресурсов потребовали работы?

К текущим результатам мы шли на протяжении полутора лет небольшой командой. Но итоги подводить еще рано – мы считаем, что у нас все впереди.

— Что удалось особенно хорошо, чем в созданном решении можно гордиться?

Мы гордимся тем, что получился проект, ценный и для нас, и для клиентов. С одной стороны, мы смогли решить цели, которые перед собой ставил бизнес, с другой – предоставили клиентам удобный и современный сервис. Мы достигли нужного экономического эффекта, а наши пользователи теперь получают ответы на свои запросы быстрее. А еще люди даже не всегда понимают, с кем они общаются в чате – с электронным помощником или с живым. Вот это, я считаю, настоящий успех.

— Каких результатов уже удалось достичь, а что еще можно ожидать?

Приведу несколько ключевых цифр. Для консультации клиента чат-бот использует более 150 скриптов, внутри одного диалога задействовано около 100 нейросетей. Нами реализовано более 150 тематик обслуживания клиента, это не менее 65% тематик от общего объема. Чат-бот потенциально может обслуживать одновременно более 5 тыс. клиентов, на текущий момент зафиксирован максимум в пике – более 500 обращений. При этом чат-бот обслуживает клиента примерно в 2,5 раза быстрее, чем живой сотрудник.

Более 20% всех обращений, которые поступают в чат «Ростелекома» в месяц, обрабатываются полностью автоматически. И при этом удовлетворенность клиентов, обслуженных ботом, более 80%. Это выше, чем было до внедрения чат-бота.

— Какие тематики обращений закрываются наиболее полно, а какие пока еще не отдают роботу, и почему? Автоматизация каких именно обращений приносит наибольший эффект?

У нас большое количество различных продуктов: это и «Домашний интернет», и наш онлайн-кинотеатр Wink – по ним с обращениями работает бот. При этом есть продукты с чуть меньшей базой клиентов, такие как умный дом от «Ростелеком», видеонаблюдение – обращения от клиентов этих продуктов обслуживают пока живые люди. Но и тут все просто: мы пошли от большего, чтобы сразу получить крупный эффект, автоматизировав

сложные сценарии с большим количеством проверок, проходящих незаметно для клиента: от финансовых блокировок до проверки сети и оборудования при решении вопросов технической поддержки.

При этом мы не собираемся останавливаться на достигнутом. Мы продолжим внедрять бот в неохваченные продукты и в другие, в том числе внутренние, процессы компании – например, при взаимодействии между подразделениями.

— За счет чего повышается удовлетворенность клиентов? Далеко не все горят желанием общаться с машиной…

Да, согласно исследованиям, сейчас пользователи не очень любят общение с ботом. Но при общении с нашим «нейросетевым» сотрудником они далеко не всегда понимают, что общались не с живым человеком.

Высокий уровень удовлетворенности клиентов связан, в первую очередь, со скоростью и точностью решения их вопросов, ведь скорость обработки запросов и решение их «в одно касание» – одни из ключевых параметров для наших пользователей. В случаях, когда оператору нужно кликать мышкой, чтобы проверить баланс пользователя и напечатать ответ на клавиатуре, чат-бот благодаря интеграциям получает ответы от систем почти мгновенно и сразу выдает ответ пользователю. Нагрузка на операторов снизилась, и у сотрудников появилось больше времени, чтобы решать действительно сложные вопросы.

— Ирония жизни: по-настоящему «человеческое» отношение к клиенту зачастую может обеспечить только робот. В этом будущее клиентского сервиса?

«Роботы», как вы говорите, – это будущее во многих сферах жизни. Нейросети уже пишут музыку, рисуют картины и занимаются еще очень многим. Поэтому без проникновения тренда на роботизацию в клиентский сервис, особенно в высокотехнологических отраслях и крупных компаниях, было не обойтись. В нашей компании много достаточно стандартных операций, которые можно и нужно автоматизировать. Поэтому – да, клиентский сервис и далее наверняка будет развиваться в этом направлении.

— Проект имеет ярко выраженную бизнес-направленность. Каковы экономические результаты?

Мы не можем раскрывать полные данные об экономическом эффекте решения, при этом отмечу, что у нас получилось достигнуть уверенного уровня автоматизации при сохранении, и даже увеличении, уровня удовлетворенности наших пользователей. Все прогнозируемые эффекты на текущий момент исполняются – проект вышел на самоокупаемость.

— В чем роль проекта для компании?

Во-первых, удалось добиться улучшения обслуживания клиентов. Чат-бот позволяет оказывать быструю и эффективную помощь клиентам, отвечая на их вопросы и решая их проблемы в режиме реального времени. Это повышает уровень качества услуг связи в стране и снижает затраты на поддержку пользователей для компании.

Во-вторых, крайне важна персонализация. Чат-бот использует методы обработки естественного языка и машинное обучение. Это позволяет лучше понимать потребности клиентов и быстрее предоставлять персонализированные рекомендации, сохраняя личное время клиентов на решение других вопросов.

Наконец, повышенная эффективность. Чат-бот автоматизирует повторяющиеся задачи, такие как запросы баланса счета и обработка платежей, высвобождая менеджеров технической поддержки. В конечном итоге, это позволяет повысить уровень вовлеченности персонала и их технические компетенции.

— В каком направлении будет развиваться проект?

Для себя мы обозначаем два направления развития: увеличение количества автоматизированно отработанных обращений, и удовлетворенность пользователей – как внешних, так и внутренних.

18 января «Ростелеком» и АНО «Цифровая экономика» представили тренды цифровизации на 2023 год, основанные на собственных аналитических отчетах. Эксперты компаний рассказали о своем видении развития цифровых технологий в России и мире.

Для «Ростелекома» исследование глобальных трендов цифровизации стало уже пятым по счету. Как отметил Борис Глазков, вице-президент по стратегическим инициативам «Ростелекома», несколько лет назад перед компанией встала задача актуализации стратегии. Требовалось понять, в каком направлении развивается научно-технический мир, и не зависеть в этом от западных аналитиков.

«Никакими человеческими ресурсами эту амбициозную задачу решить было невозможно. Мы не нашли ничего лучше, как заставить наш искусственный интеллект прочитать все научные статьи, патентные заявки, информацию о венчурных инвестициях и сделках в области ИТ», — рассказал Глазков. Казавшаяся изначально безумием затея оказалась удачной, и уже пятый год «Ростелеком» имеет объективную картину развития научно-технического мира. База исследования, изначально составлявшая 5 млн источников – профессиональных публикаций, уже охватывает более 117 млн источников. Это дает все более достоверные оценки. Глядя на созданную карту технологий, руководство компании оценивает, насколько находится «в тренде» и какие усилия следует предпринять в ближайшем будущем.

Глядя на созданную искусственным интеллектом карту технологий, руководство Ростелекома оценивает, насколько находится «в тренде» и какие усилия следует предпринять в ближайшем будущем

ИИ считает актуальным… себя

В рамках исследования для каждой технологии составляется интегральный рейтинг, включающий интеллектуальный вклад ученых – количество научных статей и патентов, а также объем инвестиций в нее. Бесспорным фаворитом этого своеобразного «чемпионата технологий» в последние четыре года является искусственный интеллект: помимо большого внимания, уделяемого ему, он вдобавок оказывает сквозное влияние на огромное количество других трендов. Среди сфер исследований, вызывающих наибольший интерес ученых, выделяется гибридное глубинное обучение (Hybrid Deep Learning), которое подразумевает объединение двух или более архитектур Deep Learning и обеспечивает более точные результаты, обучение на контрастных данных (Contrastive Learning), а также оптимизация выборок для обучения, в том числе с использованием синтетических данных.

Как отметила Ольга Сквирская, руководитель направления Центра стратегических инноваций «Ростелекома», за прошедший год на рынке искусственного интеллекта состоялось 24 крупных сделки объемом более 1 млрд долл. каждая. Впечатляют не только объемы инвестиций и научных работ, но и то, что результаты начинают находить активное применение на практике, причем зачастую в довольно неожиданных областях. Например, в Китае судьи обязаны консультироваться с искусственным интеллектом по каждому рассматриваемому делу, и в случае несогласия с его рекомендацией по вынесенному решению должны представлять письменное объяснение.

Ольга Сквирская: «Внешний рынок пока не слишком понимает, какая практическая польза может быть извлечена из метавселенных. Однако отмечаются гигантские инвестиции в это направление внутри самих платформ»

Среди других горячих тем, находящихся на пике интереса, в «Ростелекоме» выделяют информационную безопасность, здравоохранение и социальные сети.

Отдельно Сквирская выделила метавселенные – коллективные виртуальные пространства, созданные в результате слияния физического и цифрового мира. Триггером для бурного интереса к ним стала активность в этом направлении компании Meta (признана в России экстремистской организацией и запрещена. — Прим. ред.). Венчурные инвестиции в это направление пока невелики – это свидетельствует о том, что внешний рынок еще не слишком понимает, какая практическая польза может быть извлечена из метавселенных. Однако отмечаются гигантские инвестиции в это направление внутри самих платформ – например, Amazon, Microsoft и Apple.

Интересные изменения в рейтингах

Сравнение данных за разные годы показывает пути развития технологий – какие из них получили наибольший импульс развития и внедрения, а какие перешли в разряд аутсайдеров. По словам Глазкова, за теми, кто оказался «на обочине», следить не менее интересно: выясняется, что одни технологии появились раньше своего времени, а другие были вытеснены новым поколением решений. Например, из числа лидеров неожиданно выпала виртуальная реальность, и ее будущее сейчас под вопросом. «Перегретые» ожидания относительно нее явно не оправдались – не появилось ни дешевого и удобного оборудования, ни качественного контента. Блокчейн, напротив, пережил уже несколько кризисов, и сейчас снова резко поднимается в рейтинге. Можно говорить об очередном витке интереса к нему. Во-первых, это связано с ростом популярности технологии невзаимозаменяемых токенов (non-fungible token, NFT), которая сейчас более всего известна применительно к объектам цифрового искусства. На этот рынок выходят современные художники и известные аукционные дома, а в будущем NFT вполне способна стать основой правообладания в цифровом мире. Во-вторых, отмечается высокая активность национальных правительств по внедрению цифровых валют.

Мария Сайкина: «Возникают вполне ожидаемые вопросы относительно использования результатов работы генеративного ИИ, в том числе прав интеллектуальной собственности»

Интересные изменения отмечаются и среди стран-лидеров в области цифровых технологий — количество переходит в качество. Китай в последние годы обогнал США в интегральном рейтинге стран, став безоговорочным лидером по научным статьям и патентам в сфере цифровых технологий, а США сохраняет лидерство лишь по объему инвестиций. Отрыв двух лидеров от идущей на третьем месте Индии огромен, при этом разрыв между Китаем и США тоже значителен и равен показателю Индии. Россия в интегральном рейтинге занимает 14-е место. Среди других стран в «Ростелекоме» отмечают ощутимую динамику у Саудовской Аравии и Ирана, которые представляются интересными партнерами для технического сотрудничества.

Национальные особенности

Как отметил директор РАЭК Сергей Гребенников, экономика Рунета по итогам 2022 года вырастет на 24% (вместо ожидавшихся ранее 11%) и составит 11,8 трлн руб. Рынок ожидаемо просел в направлениях маркетинга и рекламы, а также контента, что связано с уходом с рынка западных компаний. Однако это падение с лихвой компенсировалось ростом рынка электронной коммерции, который окреп во время пандемии и сейчас готов к дальнейшему развитию.

Мария Сайкина, главный аналитик РАЭК, представила основные технологические и экономические прогнозы для российского рынка на 2023 год. Среди технологий она выделила пять основных направлений. Первыми двумя являются генеративный ИИ и технологии дипфейков, вызвавшие всплеск интереса и со стороны пользователей, и у инвесторов, и (что неудивительно) у регуляторов. Возникают вполне ожидаемые вопросы использования результатов работы ИИ, в том числе относительно прав интеллектуальной собственности, а также правомерности данных, используемых для обучения систем. Кстати, дипфейки, воспринимающиеся большинством людей исключительно негативно – как средство дезинформации, имеют и вполне «мирное» применение. На практике они широко используются в рекламе и при общении роботов с клиентами.

Кроме того, в нашей стране активно развиваются биометрическая идентификация и беспилотный транспорт. Интересно, что главным движителем этих технологий является государство, видящее в биометрии ценный инструмент для безопасности, а в беспилотниках – средство доставки грузов в труднодоступные районы. И, наконец, импортозамещение начало восприниматься как неизбежность. Если раньше оно было задачей госструктур и прочих субъектов критической информационной инфраструктуры, то теперь актуально не только для всех организаций, но и частных лиц. Очевидно, в этом году усилится разработка альтернатив для всех – даже пока доступных – технологий.

Недавно «Ростелеком» перешел от матричной модели управления ИТ к собственной, плоской модели Karma Framework, которая вошла в число лучших мировых практик по оценке Gartner. Ее рекурсивная расшифровка (Karmic, Adaptive, Relevant, Meaningful Approach) подразумевает, что учитываются не только измеримые метрики, но и эмоциональная оценка работы, а сама модель предполагает самостоятельность в принятии решений, формализует самоорганизацию и объединяет лучшие управленческие практики компании. Кирилл Меньшов, старший вице-президент по информационным технологиям «Ростелекома», рассказывает о пути, пройденном в ходе трансформации управления ИТ, и достигнутых результатах.

— Как в «Ростелекоме» пришли к идее о необходимости изменить модель управления ИТ? Какие проблемы привели к этому?

Проблема, которую мы решали, знакома ИТ-руководителю любой крупной компании: все недовольны всем. Бизнес недоволен работой ИТ и качеством сервисов, а ИТ — задачами, исходящими от бизнеса. Мы попытались понять, как с этим справиться.

— В чем суть выбранной модели Karma Framework? Как вы к ней пришли?

Часто приходится слышать, что наши подходы с разделением на круги похожи на холакратию, Agile и т. п. Да, похожи. Но используемый нами набор уникален. Любой повар работает со стандартными ингредиентами — среди них редко встретишь что-то новое, однако при этом блюда получаются разные, авторские. Все, что мы делаем, сродни генной инженерии. Мы берем разные подходы и тестируем их: что-то приживается, что-то нет.

Гибкие методологии хорошо проработаны и зарекомендовали себя в процессе работы в малых группах, но опыта построения больших коллективов пока мало. Наша ключевая находка — инклюзивный подход. Мы пытаемся создать фреймворк, в котором смогут работать все команды с присущими им отличиями. Однако они должны иметь общий язык и культуру и уметь быстро взаимодействовать друг с другом. Мы пошли дальше — к модели самоорганизации команд как внутри себя, так и в отношениях друг с другом.

— ИТ в большинстве обычных компаний — сервисная функция, зачастую второстепенная. У вас, вероятно, она играет бизнес-критичную роль.

Если посмотреть на типичную организацию, где ИТ-департамент является вспомогательным подразделением и не общается напрямую с клиентами, то роль ИТ в ней напоминает роль инженеров в команде «Формулы-1». Работа всех участников команды нацелена на общий успех: если создан плохой болид, на нем не выиграет гонку даже самый хороший пилот, а с плохим пилотом даже самый хороший болид уступит конкурентам. Да, и у нас, и у них вся слава обычно достается «пилотам»: работа ИТ и механиков, готовящих болиды к гонкам, не видна со стороны, но вклад этой внутренней работы в конечный результат бесценен.

— Можно ли отметить какие-то особенности в ходе трансформационного проекта, связанные с критичным значением ИТ для бизнеса?

Было и сложнее, и легче. С одной стороны, высокая критичность ИТ-функции упрощает разговор с бизнесом о бюджетах и проектах, в том числе исследовательских. С другой стороны, гораздо выше ответственность — ведь цена ошибки очень велика. Иногда нам приходится действовать консервативнее, чем это могло бы быть в иных условиях, серьезнее подходить к оценке проектных рисков. Кроме того, приходится работать аккуратно и с точки зрения изменения культуры — чтобы ценные кадры не разбежались.

Но самое главное заключается в том, что в принципе возник спрос на трансформацию, поскольку ИТ имеют крайне высокую ценность для бизнеса.

— Что стало самым сложным в ходе трансформации? На какой стадии она находится сейчас? Что уже сделано, а что еще предстоит?

Еще несколько лет назад можно было просто внедрить ITIL, PMBoK и т. п., но современные модели скорее выращиваются внутри организации. В этом их суть: они позволяют от шаблонных подходов перейти к уникальной модели, подобранной под конкретную организацию. Однако чем более продвинута модель, тем большее отношение она имеет к культуре. Современные модели требуют изменения культуры и философии внутри организации, а также отношения к делу каждого отдельного сотрудника. Все процессы, связанные с культурой, происходят небыстро. В «Ростелекоме» они заняли три-четыре года.

Каждый из четырех этапов, которые мы прошли, — иерархическая модель, Software factory, Product-line, плоская модель Karma Framework — является стабильным, и в нем можно комфортно существовать. Именно переходы из одного состояния в другое являются наиболее проблематичными.

Сейчас мы достигли гомеостаза — устойчивого состояния, которое извне кажется стационарным. Но на самом деле система саморегулируется, реагирует на внешние изменения, и на поддержание такой устойчивости тратится довольно много энергии. Все круги в нашей модели подстраиваются под бизнес, выполняют свои задачи. Например, каждый из них замечательно адаптировался к новой ситуации, связанной с коронавирусом, — им практически не потребовалось внешних воздействий. Это примечательно тем, что в каждом круге такие изменения были различными: одни направления росли, а в других снизилась активность.

— Самоорганизующиеся команды — это высший этап в эволюции ИТ-специалистов?

Самоорганизующиеся команды — это действительно очень непростая история. Она требует больших изменений в отношении людей к делу.

Обычно под этим понимают анархию, но мы в нее совершенно точно не верим. Мы верим в лидируемые команды, где лидер договаривается с членами команды. Каждая команда должна достичь максимальной эффективности в своей экосистеме. Самоадаптация — под заказчика, под технологии, под рынок — является ее важнейшим KPI.

— Насколько эффективны применяемые методики?

Как минимум, они помогли нам в борьбе за кадры: в «Ростелеком» действительно хотят попасть, это особенно касается ИТ-менеджмента высшего и среднего уровня. Хорошие руководители смогут набрать «правильных» лидеров команд, а те, в свою очередь, подберут себе нужных сотрудников, которых, как известно, интересуют задачи и коллектив, в котором придется работать.

— Чем вызван интерес к вам со стороны Gartner?

Самоорганизация команд и адаптивность, эволюционный путь развития — все это действительно интересно. Такой «биологический» подход и привлек внимание аналитиков. Кроме того, все крупные структуры, выращенные в организациях, отличаются и поэтому заслуживают изучения использованных практик.

Но интересна и другая инициатива, не попавшая в сферу интереса Gartner, — она известна как «IT для людей». Когда мы делаем ИТ ярким элементом, участвующим в развитии компании, часто оказывается, что многие сотрудники остаются за бортом этого движения. Наблюдается поляризация ИТ: с одной стороны — цифровые команды, создающие передовые продукты, с другой — множество далеко не столь ярких работников. Если с этим ничего не делать, то ситуация начинает «искрить» и на руководство сваливается масса проблем. «IT для людей» — философия, позволяющая интегрировать в яркую историю всех ИТ-сотрудников без исключения и объединить их с темой эмоционального восприятия ИТ внутри организации. Бизнес-пользователям необходимы эмоции, ощущение того, что кто-то заботится о них, что ИТ-сотрудникам не все равно. Именно поэтому многие при обращении в контакт-центр не любят общаться с роботами — им нужно участие человека и его эмоции. Наш подход как раз и позволяет проявить такие эмоции, дать пользователям ощущение заботы.

— То, что аналитики включили ваш подход в число наиболее интересных практик, что-то значит для вас?

Мы знаем, что движемся в правильном направлении, но для нас действительно важно внимание. Мы хотим найти единомышленников, которые не только занимаются моделями, подсмотренными в книжках, но и сами изобретают новое в своих организациях. Это подобно сообществу open source, развивающему свою платформу.

Наша модель управления состоит из большого количества отдельных небольших практик. И чтобы ее масштабировать, было важно собрать вокруг себя достаточно большое сообщество организаций со схожими подходами для обмена опытом и информацией. Нам совершенно не жалко поделиться своим опытом. Гораздо важнее найти единомышленников, мыслящих сходным образом, у которых можно почерпнуть новые идеи. Возможно, это даст толчок дальнейшему развитию Karma Framework.

Кадровые службы крупных организаций становятся одними из значимых потребителей аналитических решений. В условиях дефицита квалифицированных кадров многие компании используют все шансы для борьбы за лояльность своих сотрудников и предотвращение их оттока. Ряд компаний уже заявили о создании инструментов, предсказывающих вероятность ухода сотрудников. Никита Черкасенко, директор департамента HRM-технологий и аналитики ПАО «Ростелеком», рассказывает об используемых при этом подходах и достигнутых результатах. Более детальную информацию на эту тему можно получить на Международной практической конференции «Технологии искусственного интеллекта — 2019», которая состоится 22 мая.

Чем могут помочь технологии современным HR-департаментам?

Требования компаний к качеству функции управления людьми повышаются: доля стоимости HR в структуре расходов бизнеса растет. Более того, благодаря автоматизации возросло качество практик управления другими ресурсами. Закономерно, что сегодня бизнес ждет такого же качества работы со стороны подразделений, отвечающих за кадры. При этом масштабное проникновение информационных технологий в нашу повседневную жизнь и бизнес, а также сформировавшиеся пользовательские привычки получать мгновенный доступ к удобным и бесплатным сервисам существенно повышают планку ожиданий от корпоративных сервисов и систем. Если на этапе проектировния не включать в бизнес-процессы преимущества, которые дает использование ИТ, то в самом ближайшем будущем такие бизнес-процессы будут не просто малоэффективными, а неэффективными в принципе — это неизбежно в условиях цифровой трансформации. Безусловно, меняется и роль HRM как подразделения и профессиональной команды: мы должны лучше разбираться в средствах, которые нам предлагает ИТ-рынок, и применять их в цифровой трансформации своих процессов — иными словами, оставаясь «экспертами по людям», мы должны учиться работать с данными и опираться на них в принятии решений.

Какие задачи ставит бизнес непосредственно перед вами?

Перед моим подразделением стоят задачи повышения эффективности процессов управления персоналом за счет их автоматизации, создания и запуска новых сервисов для сотрудников, а также задачи по регулярной аналитике.

Каково доверие менеджмента к цифровым предсказательным моделям и за счет чего его можно добиться? Как на практике выглядит решение, предсказывающее поведение сотрудника?

У руководителя есть доступ к нескольким дэшбордам, позволяющим ему ориентироваться в основных параметрах, связанных с управлением персоналом, таких как численность, ее динамика, стоимость, структура, укомплектованность и другие. Можно получить отдельный отчет, который позволяет увидеть вероятность ухода того или иного сотрудника по собственному желанию в течение ближайшего квартала, а также оценить факторы, которые внесли наибольший вклад в формирование прогноза в каждом случае. Конечно, никакая лампочка на рабочем столе руководителя не загорается и никаких регламентов насчет его дальнейших действий нет. Сам отчет — это одно из аналитических средств для руководителя и его HR-бизнес-партнера, которое позволяет работать с этой категорией рисков, например, заранее планируя подбор ключевых сотрудников или проактивно занимаясь их удержанием.

Откуда берутся данные для создания моделей и какие платформы используются?

Модели используют информацию из основных HR-систем — это данные, связанные с возрастом, стажем, вознаграждением и т. д. Также мы используем данные Росстата, дающие нам «поправку» на локальные рынки труда, а также количественные данные из корпоративной переписки (например, сколько времени сотрудник тратит на работу с почтой в нерабочее время). Сама модель написана на открытом коде — использован язык Python и его стандартные библиотеки для работы с данными.

Возможно ли пойти дальше и предварительно оценить причины снижения лояльности сотрудника, лежащие не на поверхности?

Поскольку мы используем механизм классификации, то вместе с итоговым значением вероятности ухода имеем возможность проследить и дерево «причин». Это тот самый набор гипотез, проверяя которые, можно выйти на актуальные проблемы в подразделении.

Каких результатов удалось достичь? Проводилась ли оценка экономического эффекта?

Еще в 2018 году мы посчитали эффект от удержания нескольких ключевых сотрудников, риск ухода которых предсказали. Упущенная выгода в случае их ухода была бы многократно выше полной стоимости разработки модели и регулярного построения прогноза. Больше мы к этому вопросу не возвращались: эксперимент окупился, а стоимость владения моделью сейчас сводится к стоимости аренды весьма скромной виртуальной машины.

В каких направлениях планируется развивать прогнозные модели, ориентированные на персонал?

Сейчас мы сфокусировались на поиске факторов повышения производительности труда. Понятно, что есть объективные причины для различной производительности в разных регионах — например, связанные с разницей в технологиях связи, протяженностью и структурой сетей, расстояниями, продолжительностью отпусков и пр. Но есть часть различий в производительности, которую этими факторами не объяснишь. Вот ее мы и хотим раскрыть, а дальше предсказывать и, в идеале, влиять на нее.

О чем вы планируете рассказать в ходе своего выступления и что хотели бы услышать?

Планирую рассказать о том, как мы используем прогноз и как развиваем модель. Хотел бы услышать о похожем опыте других компаний — насколько я знаю, его уже немало.