Big Data

Несмотря на солидные объемы данных, накапливаемые в течение многих лет в разнообразных информационных системах, одним из главных препятствий для управления на основе данных в здравоохранении специалисты медицинских информационно-аналитических центров (МИАЦ) называют… нехватку данных. Конечно, речь не о данных как таковых, а именно о данных, пригодных для принятия управленческих решений.

Дефицит объясняется тем, что интересы потребителей данных и генераторов данных драматически не совпадают. Врачи обычно воспринимают наполнение данными информационных систем как неизбежное зло — нудную обязанность, навязанную начальством. Особенно если эти данные предназначены для органов управления здравоохранением. Положительной обратной связи между передачей данных в информационные системы более высокого уровня и изменением к лучшему существующей реальности не наблюдается. А значит, нет смысла стараться сделать эти данные качественными — все равно они уходят «наверх» как в «черную дыру», не давая возможности создателю данных понять их роль в процессе оказания медицинской помощи или оценить свой вклад в общий результат. С другой стороны, управленцам затруднительно принимать эффективные решения на основе данных, которые собираются исключительно ради формального выполнения требований руководства.

Пусть такая картина упрощена и утрирована, но счастливые исключения чаще всего подтверждают общее правило. Как посреди океана можно умереть от жажды, не имея пресной воды, так и руководителю зачастую невозможно найти ответы на свои вопросы в многочисленных источниках больших медицинских данных.

Проблема далеко не нова, профессионалы давно пытаются разорвать этот замкнутый круг. Но если в крупных клиниках удается снизить остроту проблемы, то про более высокие уровни управления этого не скажешь. Тем не менее, на региональном уровне здравоохранения делаются первые шаги к управлению на основе первичных данных.

Дата-хакатон

Управление на основе данных стало темой конференции «Практическая польза региональных информационных систем в сфере здравоохранения 2022», которую компания «Нетрика Медицина» и Санкт-Петербургский МИАЦ провели в рамках конгресса «ИТМ Петербург». Главная цель мероприятия – обмен опытом между регионами, поэтому основной акцент в программе был сделан на совместную практическую работу участников, дополненную выступлениями экспертов. В дата-хакатоне приняли участие более ста человек из 40 регионов России и стран СНГ: руководители МИАЦ, ИТ-специалисты в области медицины и другие ответственные за цифровизацию здравоохранения. Под руководством дата-инженеров и аналитиков из «Нетрика Медицина» команды азартно искали аномалии данных в отчетах, осваивали принятие решений в условиях нехватки данных и проектировали идеальный дашборд для руководителя органа управления здравоохранением.

Под руководством дата-инженеров и аналитиков команды азартно искали аномалии данных в отчетах, осваивали принятие решений в условиях нехватки данных и проектировали идеальный дашборд для руководителя.

Конференция проводится уже в пятый раз и отражает существенную трансформацию задач региональных специалистов, которые изначально фокусировались на создании медицинских информационных систем, затем — на автоматизации процессов, а сегодня перешли на совершенно другой уровень — изменения процессов. На этом этапе им особенно нужны качественные данные. «Сегодня подход к управлению на основе данных в практике российского здравоохранения только зарождается, — отметил Денис Чумаков, генеральный директор «Нетрика Медицина». — Однако отдельные кейсы мы как интеграторы видим уже во многих регионах».

Северная столица: на подступах к data-driven здравоохранению

Как сообщил руководитель Центра электронного здравоохранения Санкт-Петербургского МИАЦ Алексей Архипов, в конце 2021 года в северной столице завершился проект по электронному здравоохранению, в рамках которого было создано 40 сервисов для пациентов, врачей и руководителей здравоохранения. Сейчас Центр переходит к стадии активного анализа собираемых данных – сведений из электронных медкарт и обратной связи от пациентов.

Геннадий Орлов, заместитель генерального директора по цифровому развитию Северо-западного окружного научно-клинического центра им. Л. Г. Соколова ФМБА России, привел примеры из практики Координационного центра Минздрава РФ, которые свидетельствуют о переходе от отдельных выводов из полученных данных к системе управления на основе данных. Он также отметил усложнение алгоритмов обработки накопленных данных. В 2021 году на федеральном уровне стали чаще применять алгоритмы машинного анализа текстов на естественном языке, анализа медицинских изображений, а также визуализацию данных. Например, визуализация структурированности записей в электронных медкартах государственных клиник существенно ускоряет принятие решений в ситуационном центре губернатора Ленобласти. Пока не все понимают необходимость применения специальных аналитических инструментов для управления данными, но постепенно это понимание приходит, и руководители вскоре будут оперировать не отчетами, а данными, отметил Орлов. Инициаторами перевода здравоохранения на рельсы управления на основе данных, и соответствующего обучения аналитиков и управленцев, по его мнению, должны стать именно МИАЦ, это их важнейшая задача на ближайшую перспективу.

Момент истины для ВИМИС

Управленцам действительно нужны данные достаточные, чтобы понять эффективность собственных решений, особенно финансовых. Однако в настоящее время управления на основе данных еще не происходит, получается информатизация отдельно, а лечение пациентов — отдельно, считает Евгений Коган, главный специалист Санкт-Петербургского МИАЦ. «Данными никто не пользуется, потому что они низкого качества, и они низкого качества, потому что ими никто не пользуется», — констатировал он.

Будет ли в России управление на основе данных? Само по себе — не будет, если ограничиваться задачей сбора данных и гнаться за их количеством, забывая про практическое использование в интересах пациентов. Поэтому в питерском МИАЦ начали пользоваться данными, несмотря на известную неполноту и неточность, стараясь постепенно выделить и показать городу полезные аспекты уже собираемых данных.

«За последний год, к нашей огромной радости, в Санкт-Петербурге произошел сдвиг — нашлись заинтересованные главные внештатные специалисты, которые начали использовать данные в своей работе, нас это воодушевляет, — сообщил Коган. — Оказывается, есть много тем, где организатору здравоохранения даже по неполным данным ясно, что делать».

Денис Чумаков: «Сегодня подход к управлению на основе данных в практике российского здравоохранения только зарождается»

Например, обнаружилась высокая годичная летальность пациентов, перенесших легкий инсульт, в сравнении с их госпитальной летальностью. Из этого следует, что амбулаторная служба упускает таких пациентов. Еще выяснилось, что продвинутую квадритерапию при хронической сердечной недостаточности назначают только отдельные врачи. Остальные, возможно, о ней не знают. «Получив эти данные, главный внештатный невролог и главный внештатный терапевт пошли заниматься организацией медицинской помощи, и когда они изменят реальную ситуацию, мы с ними увидим это в цифрах», — подчеркнул Коган.

На его взгляд, для профильных вертикально-интегрированных медицинских информационных систем (ВИМИС) настал момент истины. Надо показать их практическое использование: что какому-то пациенту стало лучше, или была выявлена ранее неизвестная проблема организации здравоохранения, и приняты полезные решения. Например, обнаружена повышенная нагрузка на врачей таких-то медицинских организаций, и выделены деньги на новую поликлинику. Или обнаружено, что в таком-то районе при тотальном скрининге на рак молочной железы доля его выявления на ранних стадиях все равно остается низкой, поэтому рентгенологов отправили учиться, и выявляемость повысилась. «ВИМИСы без практического использования  – только головная боль для всей страны», — уверен Коган.

Многострадальная структуризация

За десять с лишним лет Единая государственная информационная система здравоохранения (ЕГИСЗ), а потом и ее новая ипостась — Единый цифровой контур здравоохранения (ЕЦКЗ) — обросли новыми сущностями, которые никому не упрощают жизнь, скорее наоборот. ВИМИС — отдельная сущность, живущая сама по себе, по своим правилам и со своими форматами. Практически одну и ту же первичную информацию региональные МИАЦ передают в федеральную подсистему интегрированных электронных медкарт (ИЭМК) в виде структурированных электронных медицинских документов (СЭМД), в реестр электронных медицинских документов (РЭМД), да еще и в ВИМИСы по трем нозологиям («Сердечно-сосудистые заболевания», «Онкология», «Акушерство и неонатология»), к которым скоро добавится четвертая.

Между тем, проблема структуры информации никуда не делась. В ЕГИСЗ используются одни справочники, а в системах территориальных Фондов обязательного медицинского страхования (ТФОМС) — другие. В результате подсистемы ЕГИСЗ не слишком удачно взаимодействуют друг с другом, в том числе потому, что структура данных, на которых они построены, — разная.

Чтобы данные стали более пригодными для аналитической обработки, необходимо принять общий российский стандарт структуры медицинских данных, базируясь на HL7 FHIR. Тем более, что рабочая группа, «приземляющая» HL7 FHIR на российскую почву, уже создана и функционирует.

Стандарт HL7 FHIR хорош для информатизации процессов, а федеральный уровень задает HL7 CDA — стандарт для документов, уточнил Андрей Дюков, руководитель отдела продаж и развития «Нетрика Медицина». Оба стандарта уже начинают применять в регионах при информатизации процессов. «Чтобы данные в документах были качественные, нужны потребители этих данных — и пациенты, и врачи, — отметил Дюков. — С процессами проще: в них «зашита» обратная связь и непосредственно задействован потребитель данных».

Сбор десятков миллионов медицинских документов в федеральные информационные системы — необходимое, но не достаточное условие для управления на основе данных. Минздраву РФ следует показывать, каким образом полученные данные применяются для совершенствования системы для оказания медицинской помощи. Возможно, тогда у региональных МИАЦ появится мотивация поставлять качественные данные для анализа, а не файлы в формате PDF. Сейчас, по грубой экспертной оценке, в структурированном виде в ЕГИСЗ предоставляется не более 5-10% медицинских документов.

В марте 2019 года в компании «Утконос Онлайн» произошло знаковое событие — был создан централизованный офис данных, во главе которого встал CDO (Chief Data Officer). Новое подразделение не только объединило усилия действующего аналитического отдела и экспертов бизнес-функций, но и усилило их, добавив отделы хранения и обработки данных и data science. О том, как данные помогают бизнесу развиваться, о первых реализованных проектах и зависимости числа заказов от температуры и осадков рассказывает Данила Наумов, директор по данным компании «Утконос Онлайн» и претендент на премию CDO Award 2020.

- Расскажите об истории появления в «Утконосе» офиса данных. Почему это произошло и какие задачи были перед ним поставлены?

Компания прошла долгий путь и получала на протяжении многих лет бесценный опыт, который постепенно повышал ее зрелость.

До определенного момента в Утконосе только зарождалась культура обработки данных, не существовало единой платформы и системных процессов. Летом 2018 года мы начали формировать аналитический центр, который занимался обработкой имеющейся в разрозненных системах информации. Например, BI-платформа QlikView была приобретена ранее для нужд финансового департамента и использовалась для выгрузки данных из систем. Бизнес-пользователи знали об этом довольно удобном инструменте и все больше ориентировались на него при реализации своих потребностей. Закончилось это тем, что модуль BI-отчетности стал использоваться как хранилище данных, хотя для этого не предназначен. Данные из него было невозможно использовать где-то еще.

Параллельно появлялось все больше новых задач, для решения которых требовались самые различные данные. Началось все с построения системы автозаказа и прогнозирования спроса, вместе с этим развивались направления ценообразования и целевого маркетинга. Было необходимо определить необходимый набор данных и инструментарий для их обработки.

Кроме того, зачастую в бизнес-командах компании могли присутствовать отдельные люди, которые занимались аналитикой только для конкретного подразделения. И как следствие, аналитическая работа велась разрозненно. Зачастую, каждый менеджер пользовался только собственными отчетами, на которые уходило достаточно много ресурсов. Поэтому было принято решение о создании единого аналитического центра, чтобы объединить аналитиков из всех бизнес-подразделений компании, избежать дублирования отчетов, договориться об определениях, метриках, источниках данных и отслеживаемых показателях. В дальнейшем стало ясно, что существовавшей BI недостаточно: необходимо создание платформы данных, способной стать основой для продвинутой математики. Это вылилось в создание в рамках ИТ-департамента офиса данных, который на текущий момент состоит из трех отделов: аналитического центра, отдела хранения и обработки данных и отдела data science. Сейчас в моей команде работают 24 человека.

- Почему подразделение находится внутри ИТ?

Мы решаем задачи для многих бизнес-подразделений, и, если бы вошли в состав какого-либо из них, наблюдалось бы определенное нарушение баланса и конфликты интересов. Создание офиса данных требовало серьезных инвестиций: закупки лицензий, создания инфраструктуры, привлечения консалтинга. Все это находится в ведении ИТ, поэтому структурно офис данных гармонично вошел в состав ИТ-департамента. Параллельно шла трансформация службы ИТ, и создание data-офиса уложилось в ее стратегию.

Для более быстрого внедрения продвинутой аналитики и ее встраивания в бизнес-процессы было принято решение о курировании всего направления непосредственно первым лицом компании — генеральным директором.

- Почему создание централизованного подразделения было важно для компании?

Накапливается все больше данных. Мы, как крупнейший онлайн-магазин продуктов, обладаем большим количеством данных о клиентах, и необходимо их использовать максимально эффективно — и для персонализации подходов, и для оптимизации внутренних процессов. Есть множество рутинных задач, реализуемых бизнес-подразделениями, и при этом бизнес даже не представляет, что можно жить по-другому, что какие-то действия могут выполняться автоматически. Мы берем рутину на себя и предоставляем бизнесу возможности для «творчества»: генерировать бизнес-гипотезы, проверять их и пытаться улучшить показатели компании.

Появление централизованного подразделения по работе с данными в такой относительно небольшой компании, как Утконос, важно для централизации экспертизы, устранения дублирования функций и выстраивания сообщества, которое будет являться сервисным подразделением для других направлений.

- Вы пришли в компанию в начале нынешнего года. Чего удалось добиться за это время?

Согласования ключевых инвестиций — в СУБД, обновление BI-инструмента, приобретение инструмента интеграции данных и консалтинг по различным направлениям.

Произошла ротация кадров внутри аналитического центра, и в команде появилось семь новых должностей. В первую очередь потребовалось усилить направление инженеров данных и исследователей данных — эти функции практически отсутствовали. Часть сотрудников пришли из других отделов — например, те, кто хотел сфокусироваться на обработке данных, а не на операционных задачах. Надо отметить, что многие из них уже сделали огромный шаг в профессиональном развитии.

Поставили на поток работу с бизнес-гипотезами — за полгода мы проверили более 500 гипотез, пришедших из бизнеса. Сформировано более 50 интерактивных дэшбордов, каждый из которых ориентирован на определенную задачу — работа склада, выручка в режиме реального времени и т. п.

Очень приятно видеть активность пользователей в работе с нашими сервисами. Они действительно востребованы. Один из главных пользователей — генеральный директор. В среднем 16 раз в день он заходит в дэшборд, отображающий динамику заказов и их изменение в реальном времени. Статистика посещений показывает, что и у менеджеров утро начинается не с чашки кофе, а с анализа отчетов по своим бизнес-задачам. Проходя мимо переговорных, регулярно вижу на совещаниях нашу аналитику. Это серьезное изменение в бизнес-культуре, огромный шаг к реализации подхода data-driven в управлении компанией — переход от исключительно экспертных решений к действиям, основанным на объективных данных.

Сейчас мы планируем сделать такие отчеты доступными не только для заинтересованных специалистов, но и для всех сотрудников офиса. Например, разместить на стенах офиса мониторы и отображать на них ключевые показатели работы компании.

- С какими проблемами столкнулись?

Во время первого знакомства с бизнес-подразделениями компании стало понятно, что нужно будет решить огромное количество задач, предложить инструменты, отвечающие потребностям коллег. Для каждого подразделения был согласован план работ и выделены ресурсы. Еженедельно мы встречались и демонстрировали результаты. Поначалу с теми инструментами, которые имелись в наличии, — это было нелегко. Но с появлением новых инструментов наш показатель time to market существенно улучшился.

- Какие данные используются для решения аналитических задач?

Основным источником данных о клиентах является история его покупок. Это ERP, CRM, веб-сайт и мобильное приложение, системы управления складом и логистикой. Кроме того, мы собираем данные об активности пользователей на сайте и в приложении: переходы между этапами, скорость пролистывания страниц. Это дает много информации о потребностях клиентов и способах повышения удобства наших приложений.

Недавно мы проводили пилотный проект по использованию данных соцсетей. Один известный интегратор утверждал, что сможет обогатить клиентские данные информацией из Facebook. К сожалению, результат оказался нулевым, и это направление работ пока заморожено. Мы будем повышать эффективность использования собственных данных.

Сейчас все данные аккумулируются в хранилище. Мы задумывались о создании озера данных, но поняли, что при наших объемах и темпах накопления данных озеро не нужно, тем более, что его администрирование требует ресурсов. Наша база данных Oracle в обозримом будущем будет способна «переваривать» наши данные. Чтобы создание озера данных стало актуальным, должны появиться новые источники данных, причем объемы должны на порядки превышать нынешние.

- Какими техническими средствами поддерживается накопление данных и работа с ними?

В качестве базы данных для хранилища выбирали между несколькими вариантами. Очень быстро выяснилось, что на наших объемах колоночные СУБД (Teradata и Vertica) не нужны; кроме того, они достаточно дороги, а, например, возможности Greenplum также избыточны.

Из реляционных СУБД выбрали Oracle. PostgreSQL оказалась не такой уж и бесплатной: для стабильной ее работы все равно пришлось бы покупать коммерческую сборку. А в трудоемкости работы администратора PostgreSQL заметно проигрывает Oracle. Наши администраторы тратят на эту работу лишь 30% времени, а в остальное время выступают в роли инженеров данных.

У BI-платформы было три сценария развития: доработка существующей платформы QlikView, внедрение абсолютно новой современной платформы (например, Tableau или Power BI) или миграция на Qlik Sense. Был выбран третий вариант, так как эта система работает с теми же моделями данных, а при масштабировании она оказалась более экономичной.

В качестве инструмента интеграции данных и платформы продвинутой аналитики используются решения SAS. Их явным преимуществом является ориентация на бизнес-пользователей, незнакомых с программированием. Кроме того, по сравнению с инструментами open source они позволяет в полтора-два раза быстрее решать аналитические задачи и выводить их в эксплуатацию.

- Какие наиболее значимые или интересные проекты вы можете выделить?

В первую очередь следует отметить оптимизацию целевого маркетинга — кластеризацию клиентов, понимание их профилей и по поведенческим признакам, и по продуктовым корзинам.

Второе важное направление — анализ эластичности спроса по цене. Мы очистили продажи от влияния трендов и сезонности, а также периодов отсутствия товаров и рассчитали эластичность. Будем проводить A/B-тестирование по ее использованию в процессе ценообразования.

Третий проект — оптимизация кампаний по предотвращению оттока клиентов. Раньше у нас был единый промокод, который рассылался всем клиентам. Мы решили действовать более аккуратно. Теперь у нас есть более глубокие скидки, но с условием более высокого чека. Мы поняли, что для каких-то клиентов это работает, и сейчас уже провели пилотный проект, показавший хорошие результаты.

Еще одно важное направление, изначально находившееся в сфере наших интересов, — прогнозирование спроса. В промышленной эксплуатации находятся модели примерно для половины нашего ассортимента. Ежедневно мы выдаем специалистам по товародвижению прогноз на две недели вперед с учетом как прошлых продаж, так и периодов отсутствия товара, изменения цен, наличия скидок и промоакций, а также в зависимости от температуры и количества осадков.

Кроме того, мы построили модель прогнозирования числа заказов, которая используется в операционном планировании ресурсов склада и курьеров-экспедиторов. В компании все прекрасно понимали, что осадки и температура влияют на наши продажи, но не было конкретных цифр. Мы выяснили, что каждый выпавший миллиметр осадков в этот день дает нам дополнительно 18 заказов, а отклонение температуры вниз на один градус от нормы — 7 заказов. Поэтому с уверенностью можно отметить, что в дождливые и прохладные дни покупателей больше, возрастает трафик и количество заказов.

- Каких результатов удалось достичь?

Например, по прогнозированию спроса на самых прибыльных позициях (мы измеряли эффект на 1% товаров, приносящих нам 7% выручки) ошибка прогнозов снизилась с 25% до 17%. Еще один пример: оценивая оптимизацию целевого маркетинга и работы с оттоком клиентов, мы поняли, что можем увеличить выручку примерно на 40 руб. с каждого покупателя.

- Что вы считаете своим главным достижением за время работы в компании?

Формирование и развитие команды, а также вывод в промышленную эксплуатацию задач по продвинутой аналитике. Как известно, можно относительно быстро и легко сделать прототип продукта, но есть огромная пропасть между ним и полноценным бизнес-решением.

И еще одно из ключевых достижений, на мой взгляд, — то, что с данными работают не только аналитики и инженеры данных, но и бизнес-пользователи. Они самостоятельно разрабатывают конвейеры по обработке данных, при этом никто из них до этого в использовании ИТ дальше Excel не заходил. Сейчас этот инструментарий изучает, например, коммерческий директор, чтобы также иметь возможность самостоятельной работы с данными.

- Как вы видите свою роль и роль своего подразделения в развитии бизнеса компании?

Важно выстроить свою работу таким образом, чтобы она была направлена на достижение основной миссии Утконоса — выполнение принципов: «всё на каждый день», «свежесть и качество», «выгода», «WOW-удобно» и «доверие». Этот подход компании к работе с клиентами вполне актуален и для CDO: предоставление бизнесу всего необходимого на каждый день, свежие и качественные данные, выгода от взаимодействия с нами через встраивание аналитики в бизнес-процессы, предоставление действительно удобных сервисов, работать с которыми нравится бизнесу. И конечно, формирование доверия к нашим сервисам.

- Обязательно ли пытаться встроиться в миссию компании?

Да. Как вариант, участвовать в ее формировании и изменении. Многие компании собирают данные, но не очень представляют, что с ними можно делать, каких результатов можно добиться. Директор по данным должен выполнить функцию консультанта-аудитора — понять, какие данные и где можно использовать, какие процессы следует изменить. При изменении процессов может поменяться и миссия компании.

- Какие возможности для своего профессионального развития вы видите?

Когда основные задачи «встанут на поток», необходимо будет больше заниматься процессами внутри офиса данных. Я бы хотел сфокусироваться на управленческих вопросах и перестать участвовать в решении операционных задач. Это будет означать, что участники команды обладают необходимой и технической, и бизнес-экспертизой. Мне останется фокусироваться на стратегии и мотивации.

- В каком направлении будет развиваться ваше подразделение в дальнейшем?

Будем увеличивать и количество, и глубину решаемых задач, охватывать все большее число направлений.

Бизнес-аналитикам очень интересно развиваться в сторону data science, «прокачивать» у себя математические навыки. Они могут развиваться и в сторону бизнеса, но пока я вижу больше возможностей и практической пользы в более сложных математических задачах. Для исследователей данных очень важно качество решаемых задач, чтобы результат их работы был востребован и реально полезен бизнесу. Реализуя такой подход, Утконос всегда будет привлекательным работодателем.

«Истинная цифровизация происходит только тогда, когда данные становятся реальным активом предприятия и когда с ними умеют работать его сотрудники на любом уровне управления», — уверен Михаил Петров, директор Департамента цифровой трансформации Счетной палаты Российской Федерации. Для этого недостаточно «запилить озерцо данных» и нанять нескольких исследователей данных — культура работы с данными должна стать неотъемлемой частью работы всего коллектива. В рамках международного форума «Управление данными — 2019», который издательство «Открытые системы» проведет 24 сентября, Михаил Петров расскажет об опыте, приобретаемом Счетной палатой на пути реальной, а не «бумажной» цифровизации.

- Что такое «управление, основанное на данных» в контексте работы Счетной палаты?

Это означает ровно то, что в момент принятия решений сотрудник начинает опираться не на свою интуицию или опыт, а на ту аналитику, которую ему предоставляют различные методы анализа данных. Если мы берем классический контур управления, то в блок принятия решений должен быть встроен инструментарий, который эти решения помогает принимать — дает для этого необходимую информацию или предлагает варианты. Эксперт должен видеть все факторы риска или факторы возможностей, с тем чтобы более полно и объективно оценивать ситуацию на основе всей имеющейся информации.

Ровно этот подход мы пытаемся применять и у себя. Какого рода решения принимают наши инспекторы, руководители проверок, аудиторы? Традиционно это было выявление нарушений в фактах хозяйственной деятельности, классификация этих нарушений, определение последствий, возникающих по ним. Еще одно направление, активно развивающееся сейчас, — стратегический аудит. Это пока еще не устоявшаяся с методологической точки зрения работа, но понятно, что в ней очень много аналитики. В ее ходе на основании анализа совокупности объектов и их поведения требуется сделать системные выводы и дать рекомендации по изменению ситуации.

В первом случае мы сокращаем человеческий труд и увеличиваем объективность принятия решений — даем нашим сотрудникам инструментарий, который позволяет, например, анализировать только нетипичные операции, имеющие признаки рисков. Стратегический же аудит — задача более сложная и обширная, он полностью основан на применении тех или иных аналитических инструментов и требует большого количества усилий. Например, одна из стоящих перед нами задач — анализ достижения национальных целей, поставленных в указах президента РФ. Чтобы проводить такой анализ, надо понимать факторы, влияющие на достижение целей. Уже идет работа аналитиков по построению моделей, нацеленных на управление этими факторами. Это поможет принимать решения на уровне не отдельных объектов, а всего государства.

Источник: Счетная палата РФ

- Чтобы перейти от «интуитивного» управления к более обоснованным решениям, требуется органично вписать данные в процессы принятия решений. Эта проблема может оказаться не менее сложной, чем культурная. Какие подходы при этом надо использовать и как сделать, чтобы люди реально работали с использованием данных?

Проблема и в культуре, и в адекватном использовании аналитических инструментов. Это комплекс вопросов, индивидуальных для каждой организации. Здесь сложно дать универсальный рецепт.

С одной стороны, работа с данными должна быть встроена в процессы. Люди в какой-то момент должны переходить к анализу данных и принятию на его основе решений. Для этого, вероятно, сами процессы должны быть перепроектированы. С другой стороны, возможно, и проектировать процессы смысла нет, потому что они чрезвычайно быстро меняются или какую-то часть из них можно вообще убрать.

Однако все упирается именно в культуру работы с данными, в то, насколько цифровые инструменты могут быть использованы сотрудниками организации, насколько они готовы и восприимчивы. По своему опыту могу констатировать, что многие в государственных учреждениях к этому не готовы совершенно, изменение их подхода к работе — отдельная большая задача. Разумеется, предлагаемые аналитические инструменты не будут писать за людей отчеты, хотя у нас уже есть разработка, которая на основе формализованных источников данных может сформировать около 50% объема отчета о проверке. Человека полностью заменить пока не получится. А вот то, что он сможет в большой степени полагаться на подсказки, вполне возможно. Используя их, аудитор может строить работу по-другому, уделять гораздо больше внимания трактовке цифр и прогнозированию их изменения. В этом и состоит перестраивание культуры:  работа человека смещается от рутины в сторону большей интеллектуальности.

- Что первично — культура или инструменты? С какой стороны к этой проблеме приходится подходить на практике?

Это зависит от того, как организация пришла к необходимости трансформации. У нас все-таки изначально был импульс «по велению сверху», для нас это не было глубинной внутренней потребностью, поэтому работа с людьми важнее. С другой стороны, у нас процесс не насаждается «огнем и мечом», мы стараемся сделать плавные преобразования. В других организациях я вижу гораздо более жесткие методы.

Если же потребность в новых методах работы приходит изнутри, например исходя из конкурентной ситуации на рынке, и является вопросом выживания компании, подходы будут совсем другими.

- По вашему мнению, цифровизация напрямую связана с тем, что данные становятся реальным активом предприятия. А каковы симптомы этой «настоящей» цифровизации?

Если мы говорим о цифровизации как о качественном изменении, то в компании должны появиться принципиально новые возможности и продукты. Кроме того, происходит изменение метрик бизнеса. Скажем, окупаемость не может служить такой метрикой: у всех перед глазами пример Uber — до сих пор глубоко убыточной компании. Оценить новую бизнес-модель в числах возможно не всегда.

С точки зрения классической организации все может быть еще сложнее. Когда мы пытались определить, как собираемся измерять успехи своей цифровизации через несколько лет, были различные варианты — скажем, по измерению трудоемкости проверок. Например, число инспекторов, осуществляющих типовую проверку, может сократиться с десяти до пяти человек (совершенно условно). Да, двукратное сокращение команд инспекторов — это хорошо, но является ли оно цифровизацией с точки зрения принципиального скачка в процессах?

Если мы существенно повысим скорость и качество принятия решений при проверках, можно сказать, что цифровизация нам помогла. Но как измерить это качество? Пока мы этого не знаем, предстоит большая работа. Однако есть понимание того, что мы движемся в верном направлении.

Та же самая проблема в свое время была с автоматизацией, когда все компании, вложив большие деньги, кинулись измерять ее эффективность и поняли, что мгновенных эффектов нет. Именно после этого пришло осознание того, что эффект дает не само внедрение системы, а некий совокупный капитал, включающий в себя не только ИТ-платформу, но и новый регламент работы, а также обученных сотрудников, свободно владеющих системой. На то, чтобы система стала частью компании и начала эффективно использоваться, требуется несколько лет. С нынешними технологиями будет повторяться та же история: пока они не войдут органично в повседневную работу управленцев, от них ощутимой отдачи не будет.

- Вы упоминали о создании информационных систем, направленных на поддержку работы сотрудников. Это традиционные решения или речь идет об использовании искусственного интеллекта?

Мы создаем как традиционные системы поддержки процессов (управление поручениями, документооборотом, управление процессами проведения проверок, хранения документов), так и аналитические инструменты поддержки принятия решений. Например, система «Второе мнение» — прототип инструмента поддержки принятия решения о соответствии отчета акту проверки — реализована с использованием искусственного интеллекта.

- Насколько деятельность Счетной палаты может быть заменена функционированием единого робота, который станет строгим и неподкупным судьей для всех нарушителей?

На одной из стратегических сессий меня спросили, какой я вижу Счетную палату через несколько лет. В идеале она представляется мне серверной комнатой, куда стекаются данные, и некоторым числом аналитиков, настраивающих алгоритмы обработки данных и дающих рекомендации по принятию решений. Фактически объект проверки должен представать в виде цифрового двойника, данные по которому накапливаются и используются в дальнейшем. Для этого необходимо повысить объем доступных данных и их качество на входе — сейчас с этим возникают определенные проблемы. Кроме того, требуется переквалифицировать наш персонал, чтобы специалисты перешли от описательной работы и констатации фактов к аналитической работе в ее классическом понимании — выявлению закономерностей и выдаче рекомендаций по мерам воздействия.

Разумеется, это идеальная картина. И мне кажется, что она совершенно точно полностью недостижима на горизонте ближайших пяти или даже десяти лет. Но в будущем к ней надо стремиться.

- Какие сейчас существуют проблемы с данными и как вы их пытаетесь решать?

Больше всего проблем с качеством. Как показывает практика, у всех информационных систем есть человек, отвечающий за их работоспособность, но нет ответственного за качество данных в них. Никого не наказывают за несвоевременность внесения данных и их ошибочность. Как результат, информация в различных системах становится противоречивой и неполной. Поэтому всегда актуален вопрос, имеем ли мы право полагаться на такие данные в своей работе.

«Что делать?» — самый интересный вопрос. В коммерческих компаниях он решается существенно проще: на качество поступающих данных можно влиять, взаимодействуя с контрагентами и поставщиками данных. И это происходит. Показательным является повсеместный переход на электронный документооборот, включая финансовый и налоговый.

С государственными организациями сложнее — необходимо внедрить нормативную базу, которая закрепляет ответственность за данные, и разработать механизмы, обеспечивающих выполнение этих нормативов. Нельзя допустить, чтобы строгость законов компенсировалась необязательностью их исполнения.

- О чем вы хотели бы услышать на форуме «Управление данными — 2019»?

В первую очередь — практические кейсы. Сейчас область работы с данными стала очень спекулятивной темой. Из пяти поставщиков четыре преувеличивают свои успехи в этом направлении. На рынке высоко ценится реальный опыт как подрядчиков, так и заказчиков — критерии выбора продуктов и условия, в которых они внедрялись. Интересны кейсы всех компаний, которые сейчас работают этом направлении, в первую очередь с точки зрения возможности их применения у нас — как технологического, так и управленческого.

Большие данные перестали писать с заглавных букв, волна ажиотажного интереса к этой теме спадает. В «сухом остатке» остаются конкретные бизнес-задачи по организации работы с данными в компании и множество связанных с ними вопросов. Своим пониманием роли директора по данным и рекомендациями по выстраиванию работы исследователей поделился Виктор Кантор, консультант и эксперт по машинному обучению.

- Действительно ли российским компаниям требуются директора по данным (Chief Data Officer, CDO) или обсуждение CDO — лишь дань моде?

Многие вещи, приходя в нашу жизнь, сначала являются данью моде, но постепенно обретают больше смысла. Пока у всех разное понимание того, что должен уметь и делать CDO. Кто-то, называя себя так, фактически выполняет работу главного исследователя данных CDS (Chief Data Scientist). Кто-то считает, что CDO не должен быть исследователем данных, а должен думать о том, какие данные компании следует собирать, хранить и использовать и каким образом. Еще одна популярная точка зрения: CDO должен уметь смотреть на данные с позиции бизнеса. В моем представлении CDO отвечает за все, что касается сбора данных и извлечения из них пользы для бизнеса, а значит, должен разбираться и в аналитике, и в инфраструктуре, и в бизнесе.

- Нужна ли отдельная должность CDO или его функции может выполнять директор информационной службы либо директор по цифровизации (Chief Digital Officer)?

Должна ли быть эта функция отдельной или ее можно доверить кому-то из топ-менеджеров, зависит от того, какие люди работают в компании. Если у сотрудника достаточно компетенций, чтобы справляться с задачами CDO — как в плане технических навыков, так и в организации своего рабочего времени, то не вижу проблемы в совмещении. Но и отдельная должность может быть вполне оправданной.

- Из каких специалистов можно вырастить CDO? Какие для этой должности требуются специфические знания и навыки?

Вырастить директора по данным можно из бизнес-специалиста, из аналитика или инженера, но при этом нужно трезво оценивать его реальные компетенции. Если человек пришел из инженеров и не вполне понимает бизнес или пришел из бизнеса и не знает, что в аналитике действительно возможно, а что — просто фантазии, то, будучи на позиции CDO, он своими решениями может навредить компании.

- Как правильно организовать работу с данными? Зачем выделять в структуре компании подразделение data science? Не эффективнее ли будут распределенные команды специалистов по данным?

Распределенная команда или одно подразделение — это вопрос вкусов и сопоставления плюсов и минусов каждого варианта с целями компании. В одном подразделении, как правило, более налажены такие вещи, как экспертиза, контроль качества работы, повторное использование результатов, но менее — плотное взаимодействие со смежниками. В команде, распределенной по отделам или по продуктам, общение со смежниками более активное и эффективное, но контроль качества, обмен опытом и развитие экспертизы остаются в каждой маленькой части команды, если не предпринимать дополнительных усилий. Бывает даже так, что команды независимо решают одну и ту же задачу, вместо того чтобы объединить усилия и воспользоваться результатами работы друг друга.

Для решения этой проблемы можно организовать различные мероприятия, принимать общие для всех аналитиков регламенты. Но когда у людей ближайший общий начальник — например, генеральный директор, рабочее взаимодействие несколько осложнено. Можно выделить кого-то, кто будет отвечать за всю работу с данными при том, что сама команда распределенная, но тогда у руководителей подразделений data science будет сразу по два начальника, а это тоже непростая ситуация, хотя и привычная для многих (в корпоративном мире никого не удивишь и тремя начальниками, указания которых постоянно противоречат друг другу). Все сводится к тому, что люди, которые сидят в офисе порознь, общаются меньше. Так что выбирайте, с кем ваш исследователь данных должен общаться меньше — с коллегами или со смежниками.

Я бы рекомендовал сначала сконцентрировать компетенции по data science в одном отделе. Этот отдел может работать с другими подразделениями как с заказчиками, решая для них задачи, и постепенно формировать список проектов. Как только проекты будут собираться в большие направления, для работы над этими направлениями в DS-отделе можно выделить группы. Когда их сотрудники и руководители будут готовы, а задач будет у всех много, можно подумать о распределении команды по отделам, но если компания не очень большая, то это совсем не обязательно. Конечно, если в организации работают 10 тыс. человек в нескольких бизнес-подразделениях и треть этих сотрудников имеют отношение к проектам по анализу данных, возможно, лучше завести несколько отделов data science. Но в небольшом стартапе не надо множить сущности. Так что выбирайте золотую середину — сравнивайте плюсы и минусы и принимайте решение.

Как построить эффективное подразделение data science в условиях дефицита опытных специалистов?

В условиях нехватки высококвалифицированных кадров я бы рекомендовал инвестировать в перспективных молодых сотрудников.

Мой рецепт состоит из нескольких пунктов. Во-первых, нанять одного-двух узнаваемых и компетентных специалистов в качестве руководителя подразделения или эксперта, чтобы вокруг этих людей собиралась команда. Во-вторых, привлечь в команду уже проявивших себя сотрудников младшего и среднего уровня — например, из топовых выпускников образовательных проектов. Далее надо сделать все, чтобы членам команды было комфортно, нравилась рабочая атмосфера, окружение и задачи. Это обеспечит их лояльность компании и желание продолжать работать. Наконец, не препятствовать их карьерному росту.

Последнее очень важно. Если вы осознанно инвестируете в перспективных сотрудников и они быстро развиваются, оправдывая эти инвестиции, то самое нелогичное и непоследовательное — отказывать им в повышении. К сожалению, так происходит почти всегда и везде. Но если человек повысил свой профессиональный уровень и понимает это, то повышение он все равно получит — не в вашей компании, так в другой. А нового сотрудника вы найдете не сразу и будете платить ему больше, чем старому. Так что, инвестируя в амбициозных и перспективных, важно сразу понимать, что вас ждет, и быть последовательными.

Конечно, необходимо уяснить, кому в компании нужно эффективное применение data science. Если только руководителю этого подразделения, то в общем-то без разницы, как строить команду. Очень опасная тенденция последних лет — создавать отделы data science, руководствуясь соображением: «Нам нужно машинное обучение, нам нужен анализ данных — сделайте его нам». И содержательно уже не важно, что там будет, главное — чтобы «у нас было машинное обучение». В первую очередь следует разобраться, нужно ли компании подразделение data science и зачем, обрисовать круг его задач, выяснить, чем это может быть полезно бизнесу и до какой степени.

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

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

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

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

Наше подразделение выполняет несколько основных задач в рамках корпоративного блока.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Много компаний в предыдущие годы вложили значительные средства в создание мощной ИТ-инфраструктуры. Реализация проектов Больших Данных — возможность наконец заставить ее отрабатывать инвестиции.

Задачи, которые приходится решать компаниям при реализации проектов Больших Данных, являются отнюдь не технологическими. Найти данные не проблема. Например, каждый человек оставляет в Интернете много «следов», которые различные организации могут использовать в своих целях. Однако извлечь из данных пользу получается далеко не всегда из-за дефицита бизнес-идей. Главная задача компаний — правильное предложение услуг, исходя из ситуации, в которой находится клиент, и адекватная реакция на его действия. Кроме того, корректное встраивание аналитики Больших Данных в операционные процессы становится ключевым фактором, во многом определяющим ее эффективность.

«Бизнес-аналитики в нашей компании работают с Большими Данными с 2005 года, задолго до того как получил распространение термин Big Data», — подчеркивает Виктор Булгаков, руководитель департамента управленческой информации «ВымпелКома». По его словам, большинство потоков данных больше 100 Гбайт в день можно относить к категории Больших Данных: они требуют определенной культуры работы, специфических процессов. Компании удалось создать эту культуру. Свидетельство тому — постоянный рост числа пользователей средств бизнес-аналитики, увеличение объема хранимых и обрабатываемых данных. В условиях повышения требований к качеству и оперативности информации это становится особенно востребовано бизнесом. Технологии ориентированы на повышение уровня клиентского сервиса, а также улучшение качества корпоративного управления.

«Бесцельно собирать все данные подряд — это путь в никуда. Данные без экспертов — балласт, тормозящий развитие бизнеса», Виктор Булгаков, руководитель департамента управленческой информации компании «ВымпелКом»

«Очень важно, когда руководитель принимает своевременные решения на основе достоверной информации. Это может быть как большим, комплексным отчетом, так и информационной панелью всего на один экран, за которой скрываются десятки терабайт данных и миллиарды записей», — говорит Булгаков.

«У нас действительно много данных — больше, чем у нефтяников, а в части информации о конкретном абоненте они даже шире, чем у Google. Поисковики “знают” все, с чем пришел к нему пользователь, а мы знаем, куда он ходил, кроме Google» — констатирует Алексей Мартынов, директор департамента развития и сопровождения ИТ-систем ОАО «МГТС». Кроме того, люди все чаще выходят в Интернет с мобильных устройств, что дает массу дополнительных знаний. Известно, где человек находится в данный момент, что смотрит, какую рекламу ему показывают, определен его круг общения. Способов организовать взаимодействие с человеком также гораздо больше: мобильный телефон у многих никогда не выключается.

«Появление технологий Больших Данных никак не сказалось на количестве новых продуктов, их качестве, скорости их вывода на рынок. Скорее, оно отразилось на понимании того, кому и какие услуги следует продавать — на таргетировании наших предложений», — считает Мартынов. Для любого телеком-оператора важно четко понимать, кому и какой продукт можно продать и с какой вероятностью предложение будет принято.

Объять ли необъятное?

Эксперты разделились на два лагеря: одни говорят, что нужно хранить все доступные данные, появляющиеся в поле зрения компании, другие же считают, что нельзя объять необъятное — а потому собирать и накапливать следует лишь те данные, необходимость в которых на данный момент реально существует.

«При определении потенциальной ценности данных следует действовать через исследовательские проекты», — рекомендует Мартынов.

Многое зависит от возможностей, которые есть у компании, но, как полагает Булгаков, правильно расставив приоритеты, можно выделить достаточные ресурсы. Если предстоит собрать по-настоящему большой объем данных, это должно быть продиктовано экономической целесообразностью. И опыт множества компаний является тому подтверждением.

«Я могу себя отнести к людям, которые говорят, что бесцельно собирать все данные подряд — это путь в никуда. Необходимы приоритеты, и помочь в их определении способны эксперты по данным, — считает Булгаков. — Кстати, данные без экспертов — балласт, тормозящий развитие бизнеса. Повышение же уровня экспертизы, напротив, позволяет достичь максимальной отдачи инвестиций в технологии и данные».

Фразу «Давайте возьмем данные и извлечем из них пользу» многие часто слышат от руководителей после посещения конференций по Big Data. Это прекрасная возможность дать старт проекту и уже на первом этапе создать «фабрику идей». Фабрика идей — эффективный подход, когда идеи бизнеса централизованно собираются, тестируются для оценки их полезности и лучшие претворяются в жизнь. Это процесс непрерывного превращения идей в работающие решения.

«Должна быть отдельная команда, ориентированная в первую очередь на идеи. Пока известно очень мало случаев, когда такие генераторы идей равномерно распределены по подразделениям компании», — замечает Мартынов. По его словам, сейчас ситуация аналогична той, что была в начале компьютерной эры. Нужна группа «молодых и голодных», выдвигающих разные, иногда на первый взгляд безумные, идеи, реализацией которых занимается ИТ-департамент.

«Выделенные люди, освобожденные от рутины, могут быть более эффективны в творческих задачах», — согласен Булгаков. Однако оторванность от практических задач сужает круг возможностей, и здесь нужен разумный баланс креативности и технологий.

Инструмент не для всех

«Часто поставщики ИТ-решений, говоря о Больших Данных, подразумевают некий бренд, который хорошо продается. В бизнес-среде такая технология воспринимается как элитная», — констатирует Булгаков. Но, несмотря на новые особенности обработки данных, ее суть осталось прежней. При этом в компаниях однозначно вырос уровень аналитической культуры. Многие перешли от Excel к работе с профессиональными статистическими пакетами, курс обучения работе с которыми занимает считанные дни.

Как полагает Булгаков, освоение технологий Больших Данных можно ускорить, эта технология — буквально шаговой доступности. Конечно, мечта стать за несколько дней полноценным исследователем данных (data scientist) слишком оптимистична, но такая мечта необходима.

Часто можно услышать высказывания, что ширина познаний важнее, чем их глубина. Например, исследователь данных в статистике разбирается лучше программиста, но хуже, чем профессиональный статистик, — это программист среднего уровня с навыками статистического анализа. Но главная сила исследователя данных — в знании предметной области: он знает, где искать столь необходимые «золотые крупицы».

В 2013 году «ВымпелКом» удивил ИТ-сообщество оригинальным стартом проекта Big Data. При нулевых начальных инвестициях за несколько недель удалось силами энтузиастов создать из подручных рабочих станций кластер Hadoop. Это позволило проверить несколько идей и выйти к бизнесу с новыми инициативами.

«Только что получивший автомобильные права человек на болиде “Формулы-1” уедет не дальше первого поворота», — иронизирует Мартынов. Он уверен, что Большие Данные — действительно не для всех: без выстраивания в компании «традиционной» системы бизнес-аналитики обойтись нельзя.

«Я выделяю три уровня аналитики: отчетность, data discovery и Большие Данные», — говорит Мартынов. Отчетность построить проще всего, ее задача — отвечать на вопрос, как разделяются покупатели, скажем, синих машин по возрасту, полу, доходам. Следующий уровень — аналитика, отвечающая на более абстрактные вопросы, например: что общего между покупателями синих машин и чем они отличаются от покупателей красных машин? Таким образом изучаются склонности клиентов. Третий уровень — Большие Данные, когда на базе огромного массива разнородных данных о покупателях компания пытается найти совершенно неочевидные взаимосвязи между покупкой синей машины и склонностью к потреблению Интернета.

«Не пройдя первые два этапа, невозможно применять на практике результаты, получаемые на третьем», — уверен Мартынов.

Для запуска проекта Больших Данных в первую очередь нужна вера руководства компаний в то, что эти решения могут иметь ценность для бизнеса, а такое пока неочевидно. Без Больших Данных сегодня работают многие крупные компании, и часто успешно. Кроме того, на рынке пока мало людей, имеющих опыт подобных проектов — позитивный или негативный — и готовых применить его в другой компании. Собрать сильную команду сложно и дорого.

Как уверен Мартынов, технологии Больших Данных, подобно инструментам data discovery (исследования данных), будут становиться все более простыми, ориентированными на конечного пользователя. Если раньше инструменты анализа даже относительно небольшого объема данных были инструментом ИТ-специалистов и требовали серьезных вычислительных мощностей, то несколько лет назад технологии исследования данных в десятки терабайт уже стали доступны бизнес-пользователям без специализированного образования.

Сейчас технологии Больших Данных находятся на стадии «бизнес думает, а ИТ исполняют». Но рано или поздно в массы придут инструменты, позволяющие без проблем оперировать петабайтами данных. Кроме того, будет наблюдаться объединение хранилищ разнородной информации с целью создания кросс-запросов. Выгода от поиска в никогда ранее не пересекавшихся данных может быть неожиданно большой.

Булгаков выделяет важность расширения функционала аналитических систем. Все игроки на рынке стараются создать универсальное решение, покрывающее все потребности компаний. Будем надеяться, что в будущем на столе бизнес-аналитика появится эффективный инструмент, поддерживающий все ключевые технологии и методы обработки данных, включая кластеризацию, машинное обучение, текстовый анализ, геоаналитику, визуализацию данных и т. п. Это позволит существенно повысить продуктивность фабрики идей и увеличить возврат от инвестиций.

Потенциал данных

Особый успех у клиентов «Билайна» имела система антиспама, ставшая хорошим примером раскрытия потенциала данных. В конце 2013 года в контакт-центр «ВымпелКома» было много обращений на тему спама. В результате оперативно разработали специализированную систему, благодаря которой удалось снизить уровень спама более чем в 80 раз, радикально сократив число жалоб от абонентов.

«Исследуя петабайты данных, мы понимаем, что разрабатываем золотую жилу, и каждый день дарит новые открытия», — резюмирует Булгаков. В планах компании подключение большего числа источников данных. Целесообразность их подключения определяется ценностью для бизнеса.

В МГТС на направление Больших Данных выделены определенные средства, и его дальнейшая судьба во многом будет зависеть от эффективности реализуемых сейчас проектов. Разумеется, с развитием способов генерации идей начнется экспоненциальный рост объемов данных, которые потребуются для их реализации. Остается надеяться, что это отразится и на росте доходов.

Основные проблемы Больших Данных Источник: Accenture, 2014

Валюта впечатлений

«Не следует давать клиентам скидки, бонусы и подарки. Наша задача — платить за лояльность валютой впечатлений, и именно тут аналитика Больших Данных должна сказать свое веское слово», — уверен Максим Мозговой, директор по CRM «Промсвязьбанка».

Нынешние маркетинговые инициативы большинства организаций направлены на то, чтобы купить лояльность клиента, а не на то, чтобы сделать эмоционально приятным его взаимодействие с компанией. Клиент чувствует, что его подкупают, и естественным в этом случае является желание продаться подороже.

Почему важно использовать все доступные данные о поведении клиента для предсказания его действий? Чем больше данных компания накопит, тем с большей точностью может быть предсказана вероятность снижения лояльности или приобретения того или иного продукта. Алгоритмы Больших Данных и машинного обучения позволяют с высокой степенью точности предсказывать тот или иной вариант развития событий. Однако все технологии упираются в бизнес-инициативы — идеи, которые должны быть подтверждены реальными изменениями в бизнесе. Сейчас большая проблема не в том, чтобы внедрить какую-либо систему, а в том, чтобы понять, какую ценность она будет приносить бизнесу.

«Что скажет владелец, если со склада вдруг исчезнет 10% товаров? Вероятно, такое событие стало бы поводом как минимум для служебного расследования. А что происходит, когда мы теряем 10% клиентов? Ничего, компания продолжает работать», — удивляется Мозговой. Это говорит о том, что бизнес не понимает ценности клиентов. Компания уподобляется дырявому ведру — наполняется новыми продажами, но и заметно теряет. И никто не знает, насколько ведро дыряво.

В результате ценностью клиентской базы никто не управляет и работа с ней не имеет особого смысла. Лишь относительно недавно телеком-операторы осознали это и начали активно внедрять решения для управления оттоком клиентов. В банках тоже стали анализировать ценность клиентской базы.

«Все зависит от денежного потока, который клиент не только генерирует в настоящий момент, но и сможет генерировать в будущем. По большому счету, надо предсказать, что нам принесет клиент в перспективе, и на основании этого понять его ценность. Только так можно определить потенциал этого клиента», — подчеркивает Мозговой.

Большие Данные уйдут в облака

Более половины крупных предприятий планируют использовать публичные облака для работы с Большими Данными.

Не секрет, что многие ИТ-менеджеры крупных компаний не слишком доверяют публичным облакам: они не уверены в их надежности и безопасности. Однако это мнение может измениться — по крайней мере, в отношении обработки Больших Данных.

Исследование, проведенное Gigaom Research, обнаружило, что 53% крупных компаний либо уже используют возможности облаков для аналитики Больших Данных, либо планируют делать это. Лишь 13% заявили, что для решения аналитических задач будут использовать исключительно собственные ЦОД.

Многие компании начинают рассматривать облачную модель использования аналитики Больших Данных как стратегически важную. Облака содержат в себе ключ к следующей фазе использования Больших Данных, когда анализ будет осуществляться по требованию пользователей, причем немедленно.

Отрасли, наиболее агрессивно движущиеся в сторону облачной модели, включают производство, ИТ и потребительскую электронику, а также финансовый сектор и торговлю. Они не просто думают о возможностях облачной модели, но и активно исследуют ее как свою будущую ИТ-платформу.

Использование облачных технологий для работы с Большими Данными Источник: Gigaom Research, 2015

Как правило, нереализованный потенциал возникает из-за отсутствия релевантных предложений и эффективных кросс-продаж, а также прямого ухода клиента. Сумма этих показателей представляет собой упущенную выгоду от неверного управления клиентской базой. Бизнес не всегда понимает, что эти вещи могут быть посчитаны, и роль ИТ заключается в просвещении.

Можно привести простой пример того, как учет одного фактора позволяет коренным образом изменить взгляд на эффективность маркетинговых кампаний. Рассмотрим стандартную ситуацию: у компании есть база с данными 1 млн клиентов, и маркетинговая кампания в виде «ковровой бомбардировки» генерирует 1% отклика — при этом получается 10 тыс. откликов. Допустим, каждый отклик генерирует 125 руб. увеличения ценности клиента. Получаем общий эффект 1,25 млн руб. Обычно маркетологи на этом останавливаются и считают свою задачу выполненной. Но на самом деле это не так: клиенты, не ответившие из-за нерелевантного предложения, снижают вероятность отклика при последующих обращениях. Если вероятность отклика снижается хотя бы на 0,5%, организация в результате небрежно проведенной кампании теряет гораздо больше, чем получает: ценность клиентской базы разрушается быстрее, чем создается.

«Задайте себе вопрос: как быстро вы разрушаете ценность своей клиентской базы? Скорее всего, на такой вопрос никто ответить не сможет», — уверен Мозговой. В компании отсутствует не просто понимание ситуации, но и сама бизнес-функция. Это дает право ИТ-специалистам, осознавшим положение дел, выйти с предложением о ее создании.

Следует использовать существующие наработки, позволяющие управлять клиентским опытом как одним из факторов, влияющих на ценность клиентской базы. Одним из вариантов является создание центра управления клиентским опытом на основе данных о поведении клиента, получаемых в реальном времени, и информации из социальных сетей. Важно собирать не только то, что клиенты пишут в Интернете, но и их слова при звонках в контакт-центр, эмоции при взаимодействии с персоналом в точках продаж. Сейчас существуют решения так называемой эмоциональной аналитики, позволяющие распознавать речь и осуществлять поиск по ключевым словам — упоминаниям конкурента, негативным эмоциям, а также проводить анализ тембра голоса и мимики. Эти данные составляют единый поток для анализа поведения клиента, и именно они во многом помогают предсказывать его поведение в будущем.