Большие данные

Многообразие типов данных, большие объемы, скорость поступления телеметрии и необходимость ее обработки в реальном времени — все это делает особо актуальной задачу управления данными для платформы Промышленного интернета (IIoT). «Северсталь» в 2018 году создала такую платформу, начав на ее базе реализовывать интеллектуальные сервисы, приносящие быстрые и очевидные эффекты. Донат Фетисов, начальник отдела архитектуры и разработки Severstal Digital и один из докладчиков форума «Управление данными — 2019», рассказывает о подходах, выбранных для построения платформы, проблемах, с которыми приходится сталкиваться, и своих взглядах на вопросы управления данными.

- Что представляет собой платформа Интернета вещей применительно к потребностям крупного промышленного холдинга? Каковы ее роль и задачи?

Стоит начать с причин создания этой платформы и связанных с ней ожиданий. Около трех лет назад, после появления термина «Индустрия 4.0», у руководства компании возник вопрос, можно ли вести бизнес более технологично и что можно сделать, используя современные технологии. К этому времени уже прошла волна хайпа вокруг Big Data, начинался всплеск интереса к Data Science. У нас очень много оборудования и различных сенсоров, поэтому есть возможность стать обладателями большого количества данных, порождаемых ими. Но этого не происходило — такие данные просто не хранили. Запрос бизнеса заключался в том, чтобы реализовать платформу для сбора и хранения данных и на ее базе создавать продукты, дающие возможность пересмотреть бизнес-процессы и извлекать дополнительную выгоду. Получение дополнительного финансового эффекта и стало основным KPI нашего департамента от внедрения машинного обучения в производстве.

Поскольку начинали с задачи сбора данных, потребовалось создать хранилище, которое позволит подстраиваться под любые требования и будет достаточно недорогим. Изначально не было известно точно, с какими данными придется столкнуться: предполагались временные ряды, но думали и про видео, и про обработку изображений. Опираясь на собственный опыт, я выбрал Apache Hadoop как самое простое решение. В каких-то случаях эта платформа может быть неоптимальной, но в целом позволяет защищенно и недорого хранить большие объемы данных.

Следующим этапом стал выбор, традиционный для многих, — уходить в облако или создавать собственную инфраструктуру. Проведя оценку на горизонте нескольких лет, мы выяснили, что облако при постоянно возрастающей нагрузке обойдется дороже. Основное достоинство облака — возможность справляться с пиковыми нагрузками, а у нас при накоплении данных ожидается экспоненциальный рост. Поэтому было решено инвестировать в собственные мощности. На проектирование и закупку оборудования ушел год. В 2018 году у нас появилось хранилище, где мы можем собирать любые данные.

Далее потребовалось обеспечить работу созданных моделей на данных, возникающих в реальном времени. Все производственные процессы имеют жесткие ограничения по времени, и нельзя, как в других отраслях, проводить расчеты раз в сутки. Все должно происходить «здесь и сейчас». Поэтому в рамках второго этапа используемые технологии были дополнены еще одним компонентом — защищенной очередью на базе Apache Kafka, позволяющей хранить события и иметь их «горячий» набор.

На этих двух компонентах — Hadoop и Kafka — и были получены первые эффекты, подтвердившие верность выбранного подхода.

- Ранее вы работали в компаниях из других отраслей. Каковы особенности процесса управления данными в промышленности?

Основное отличие в том, что наши данные имеют плоскую структуру. Если говорить про пирамиду производственных систем, где внизу находятся датчики и SCADA, а наверху — ERP и аналитические платформы, то мы собираем данные с самого нижнего уровня. Там нет никакой структуры, все данные приходят в сыром виде. Это позволяет избирательно с ними работать, исследуя их и выявляя взаимосвязи между показаниями датчиков, что хорошо. Но минус заключается в том, что в этих параметрах требуется разобраться, понять, что они означают, изучить их влияние на целевые показатели. Нашим исследователям данных приходится тесно работать с производственниками, регулярно выезжая на предприятия. Ни одно внедрение не происходит без участия владельца продукта, который контролирует процесс разработки функционала и его принятие со стороны производства.

Таким образом, у нас нет структуры данных, но зато наблюдаются большое разнообразие и гигантские объемы. При этом изначально невозможно предсказать, какие из данных окажутся полезными.

- Есть два радикальных подхода: одни собирают и хранят все данные подряд, а другие действуют более избирательно и накапливают только те данные, в которых изначально видят ценность…

Мы являемся убежденными сторонниками первого подхода. Во-первых, мы не всегда понимаем физику процессов и у нас нет опыта в металлургии — вся команда собрана с нуля из разных отраслей. Во-вторых, один и тот же агрегат может быть полем для реализации многих проектов: например, можно начать с предсказания его отказов и закончить оптимизацией подачи сырья. Если мы не будем собирать все параметры сразу, то что-то точно потеряем.

Когда позволяет «железо», лучше собирать всё. А мы его проектировали так, чтобы оба наших инструмента — и Kafka, и Hadoop — горизонтально масштабировались, причем максимально дешево. И пока еще не было ни одного прецедента, чтобы мы выбросили какие-то данные, потому что убедились в их бесполезности. Как показывает практика, только недостаточная масштабируемость используемых платформ заставляет людей экономить и ограничивать себя.

Да, хранение обходится в определенную сумму, это капитальные расходы. Но могу сказать, что закупленное оборудование себя уже окупило, так как для построения платформы используются самые бюджетные решения.

- Какие подходы при создании платформы были выбраны? Речь идет о принципиальном использовании решений из разряда Open Source?

Плюсы и минусы открытых платформ хорошо известны. Мы были изначально нацелены на финансовый результат, для этого нам требовалось как можно больше данных при минимально возможных издержках. Поэтому мы выбрали максимально производительные и дешевые решения.

Open Source позволяет на первых этапах ничего не вкладывать, а если что-то пойдет не так, подход можно изменить без особых потерь. У меня как у архитектора был карт-бланш на выбор стека используемых технологий. «Северсталь» никак не участвовала в его согласовании, и нам удалось получить то, что мы считали необходимым. Это помогло быстрее стартовать, и я до сих пор доволен сделанным выбором. Потребовалось лишь добавить некоторые специфические инструменты там, где это необходимо. Например, когда появились требования по отказоустойчивости модели, мы развернули кластер Kubernetes, который позволяет иметь модель в постоянно рабочем состоянии.

Самое сложное для нас — приобретение и накопление экспертизы. На рынке сложилась категория «технологических» компаний, имеющих определенный имидж инноваторов, и при прочих равных условиях они имеют преимущество в борьбе за таланты. Мы двинулись в этом направлении всего несколько лет назад. Поэтому мы взяли курс на взращивание собственной экспертизы: «Северсталь» довольно специфична и с точки зрения используемых систем, и с точки зрения производственных процессов. Мы делаем все, чтобы наши люди были заинтересованы в собственном развитии. Кроме того, мы собираемся строить целую экосистему сервисов, которые будут давать экономический эффект, и совсем не хотелось бы при этом зависеть от внешних компаний.

- С какими ключевыми проблемами управления данными вы сталкиваетесь?

Данные возникают «на местах» — в цехах на различных производствах. Нам приходится иметь дело с «функциональными колодцами»: каждое подразделение замкнуто, и, занимаясь данными, люди думают только о своих задачах. С каждым из них приходится договариваться — например, о том, что какие-то из данных не надо удалять, о том, что настройки сенсоров нельзя изменять без согласования. Люди учатся воспринимать данные как один из активов компании. Иначе необдуманное обращение с ними может повлиять на многие процессы в компании.

Кроме того, далеко не все источники готовы к интеграции, многие агрегаты являются довольно старыми и попросту не предполагают этого. Постепенно эта проблема решается как обновлением оборудования, так и добавлением новых модулей.

Можно сказать, что обе эти проблемы характерны для любого российского металлургического предприятия. Они преодолимы, но для этого нужно время.

- За любой актив кто-то должен отвечать. Кто владеет данными у вас?

У нас этот вопрос окончательно не решен. Собрав большой объем данных, мы пока не договорились об их владельцах, потому что концентрировались на бизнес-результатах. Сейчас многие контрагенты на предприятиях, поставляющие нам данные, де-юре владельцами не являются, хотя многие организационные и процедурные вопросы с ними удалось решить. Это один из шагов, который нам предстоит сделать в ближайшее время. Как только люди станут владельцами и у них появится новый функционал, они смогут обеспечить его ресурсами и задумаются, в каком виде данные могут быть полезными и кому.

Разумеется, владельцами данных должны быть люди из бизнеса. Например, Chief Data Officer — не владелец данных. Это человек, отвечающий за то, чтобы данные приносили пользу бизнесу. У нас такой должности пока не существует, можно сказать, что в какой-то степени эта роль лежит на мне. А на местах должна идти речь о «стюардах данных» (data steward) — экспертах, которые понимают, где расположены данные, и готовы их предоставить.

- Каким вы видите будущее создаваемой в «Северстали» платформы данных?

Я склонен считать, что централизованное озеро данных в том виде, который все хотят иметь, — не конечная точка развития. Если проводить аналогию с архитектурой приложений, то уже сейчас используется микросервисная архитектура, а следующим обсуждаемым шагом является «бессерверная» архитектура. Примерно так же можно поступать и с данными: необязательно их собирать физически в одном месте — достаточно иметь транспортную инфраструктуру, позволяющую получать данные в режиме времени, близком к реальному. Это позволит при необходимости обращаться к данным на местах, работать с ними и без задержек запускать новые проекты. Собирать все данные в едином центре следует только тогда, когда это действительно нужно и удобно.

Мне было бы интересно создать архитектуру, существующую в виде федерации, а не единого озера данных. Озеро данных может быть логическим и распределенным по разным организациям, объединенным стандартами работы с данными и протоколами обмена.

- Чему, на ваш взгляд, уделяется недостаточно внимания при обсуждении тематики Интернета вещей и больших данных?

Мы неоднократно встречались с партнерами и конкурентами по рынку, поэтому могу точно сказать, что проблемы у всех примерно одинаковы: трудность подключения к источникам данных, качество и многообразие данных. Но когда мы занимались «традиционной» автоматизацией процессов, проблемы были такими же.

Многое по-прежнему решает человеческий фактор: если сотрудники хотят сложившийся процесс дополнить интеллектуальной функцией, это получится сделать; если у людей нет мотивации, сами собой изменения не наступят. Возможно, такую культурную трансформацию и следует обсуждать подробнее: как сделать, чтобы люди, всю жизнь проработавшие на производстве с «аналоговыми» данными, приняли факт того, что их огромный опыт может быть дополнен извне. Возможности машинного обучения не противопоставляются знаниям в предметной области, а дополняют их.

- О чем вы планируете рассказать на форуме и что хотели бы услышать от других?

Это мое первое участие в подобном мероприятии, и для нас важно представить «Северсталь» как компанию, способную использовать современные технологии для повышения эффективности. Я готов рассказать о своем опыте и используемых решениях — возможно, это даст пищу для размышления тем, кто только начинает подобный путь, и позволит проделать его с меньшими потерями.

От других жду рассказов о подходах, применяемых во владении данными: каким образом выстроена политика по управлению данными на производстве, как обсуждаются стандарты по генерации данных и их очистке. К сожалению, данные по-прежнему воспринимаются многими как побочный продукт производства. Возможно, когда эффекты от внедрения искусственного интеллекта и машинного обучения будут сопоставимы с результатами основной деятельности, объяснить ошибочность таких взглядов будет проще.

Если данные действительно являются одним из самых крупных активов предприятий, ИТ-директора должны иметь возможность продемонстрировать, как этот актив можно направить на развитие бизнеса.

Или сделать работу сотрудников более продуктивной.

Или улучшить качество обслуживания клиентов.

Какова бы ни была конечная цель, «умные» компании работают над целостными стратегиями, стремясь сломать барьеры между разрозненными складами данных и научиться извлекать новые идеи из них, заявили эксперты на симпозиуме MIT Sloan CIO Symposium.

«Мы плаваем в данных, и мы знаем, что нужно зарабатывать на этом деньги – но не так, как раньше, – заявила Барбара Хейли Уиксом, главный научный сотрудник Центра исследований информационных систем MIT Sloan. – Прежние подходы уже не работают, сегодня наши цифровые стратегии требуют смелых шагов, действительно новых идей».

Эксперты сходятся во мнении, что не существует универсального подхода к стратегии работы с данными; любая такая инициатива должна быть адаптирована к конкретной компании и отрасли, в которой она работает.

Вместе с тем, есть несколько общих основообразующих элементов, без которых пересмотр стратегии в области работы с данными не будет успешным.

Создайте культуру данных

Елена Альфаро, руководитель отдела данных и открытых инноваций отдела клиентских решений испанского банка BBVA, рассказала об опыте своей организации по «распространению культуры данных» и обеспечению того, чтобы высшее руководство организации было в курсе инициатив в области данных.

«Я поняла, – сказала Альфаро, – что если человек рядом с тобой не понимает тебя, то очень трудно достичь чего-то действительно значимого».

И, по ее словам, BBVA действительно удалось многого достичь. Последние два года в Forrester признавали мобильное приложение компании лучшим в банковском бизнесе.

Орели Л’Ости, аналитик Forrester, похвалила приложение банка за «поразительный баланс между полезным функционалом и отличным клиентским опытом». Данный продукт, по словам Альфаро, вырос из стратегии данных с прицелом на потребности конечного пользователя.

«Цифровые банки слушают своих клиентов, умно работают с данными и упорно трудятся над тем, чтобы клиентам было легко управлять своей финансовой жизнью, – пишет Л’Ости. – Ничего особенно героического здесь нет, но именно это требуется вашим клиентам».

Сформируйте среду

Уиксом утверждает, что, независимо от отрасли, компании с успешной стратегией работы с данными формируют среды, которые обеспечивают высокий уровень целостности данных и гарантируют их максимально широкую доступность.

«У таких компаний есть данные, которые люди могут найти и использовать, доверять им, – сказала Уиксом. – У них есть платформы для работы с данными, которые делают работу надежной и очень быстрой, как внутри, так и за пределами организации».

Она также отметила важность баланса между высокотехнологичными системами для добычи данных, их нацеленностью на обслуживание реальных задач бизнеса и установкой ограничений на использование данных.

«Наука о данных помогает рождению новых идей, – сказала Уиксом. – В компаниях учатся понимать не только главные потребности пользователей, но и не самые очевидные. А управление данными контролирует не только соблюдение нормативных требований, но ценность данность и этические аспекты их использования».

Специфика получения отдачи от стратегии данных может сильно варьироваться в зависимости от корпоративной культуры рабочей среды и, возможно, еще в большей степени, от отрасли. Так, в банковской сфере имеют дело с конфиденциальной финансовой информацией и, как правило, связаны жестким набором строго прописанных правил. А в технологической сфере правила свободнее, а работа с данными находится буквально в крови организации.

По словам Марка Пиконе, вице-президента Adobe по информационным сервисам, в их компании не было проблем с внедрением в рабочий процесс стратегии, ориентированной на данные.

«Каждый знал, что должен опираться на данные, – подчеркнул Пиконе. – Мы – пример изначально цифровой компании. Возможно, сначала мы даже не отдавали себе в этом отчета, просто начали действовать».

В результате, по словам Пиконе, в технически насыщенной среде, где обучение сотрудников науке о данных является стандартом и «каждый может задействовать разные типы систем», Adobe в конечном итоге пришла к созданию унифицированной структуры, которая вобрала в себя все данных, «вращающиеся» вокруг компании.

«Речь шла о том, чтобы действительно что-то делать, излекая больше смысла», – отметил он.

Научите бизнес видеть выгоду

В некоторых компаниях получение отдачи от стратегии управления данными бизнес-подразделениями, а не только ИТ-службой, может стать сложной задачей.

Так было в банке Bank of Queensland в Австралии, где ИТ-директор понял, что запуска новых инициатив в области данных, даже при поддержке руководства, будет недостаточно. Необходимо продемонстрировать практическую ценность данных, как они могут помочь организации в повседневной работе и улучшить обслуживание клиентов розничного банка.

Для Донны-Марии Винчи, директора банка по ИТ и цифровой стратегии, многоцелевой подход был ключевым: «Вы не можете просто вещать об этом сверху. Вы должны быть в состоянии понять и связать их действия, понять, почему это важно, как это поможет клиентам и чем это будет полезно для организации».

Пояснительные записки, излагающие новые политики в области данных, хороши, но только до какого-то момента. Винчи описала свои усилия по созданию своего рода «религии опоры на данные», инициативы, продвигаемой постоянными семинарами, которые помогают сотрудникам включать элементы работы данных в свою ежедневную деятельность.

«Это не просто презентация или что-то в этом роде, речь идет о полном погружении, – сказала Винчи. – И я думаю, что это погружение можно еще усилить».

Ее советы другим ИТ-директорам, только начинающим путешествие по данным? «Будьте терпеливы и держите курс на общение».

Винчи разработала собственную метрику для успеха, хотя и не вполне осязаемую. Постепенно она обнаружила, что культура работы с данными просачивается из ИТ-службы в бизнес-подразделения, причем до такой степени, что нетехнические сотрудники банка начинают самостоятельно придумывать решения своих рабочих задач, основанные на данных.

«Что действительно приятно и мощно, так это то, что ты не единственный, кто это говорит, когда отклик приходит из бизнеса, и бизнес-пользователи становятся защитниками подобного подхода», — призналась Винчи.

«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.

Роль директора по данным становится все более популярной, беря организации штурмом.

В компании Capital One первый директор по данным (Chief Data Officer, CDO) был назначен в 2002 году. В течение дальнейших десяти лет всего несколько организаций решили последовать ее примеру, однако в 2018 году, согласно проведенному NewVantage Partners опросу, уже 62,5% компаний, входящих в список Fortune 1000, сообщили, что в их организации имеется директор по данным.

Директор по данным отвечает за целый ряд связанных с данными функций, охватывающих управление данными, контроль за их качеством и создание стратегии управления данными. Кроме того, он несет ответственность за анализ данных и бизнес-аналитику, а также за процесс извлечения из данных ценных сведений. При этом некоторые функции управления данными могут быть отданы на откуп ИТ-службе, а анализ – главному аналитику, функционал которого пересекается с функционалом директора по данным.

Роль и обязанности директора по данным

Директор по данным входит в состав высшего руководства и отвечает за использование данных и управление ими в масштабах всей организации. Хотя должность директора по данным часто сокращается до аббревиатуры CDO, не надо путать ее с должностью директора по цифровым технологиям (chief digital officer), к которому также применим акроним CDO.

«Директор по данным – член высшего руководства компании, ориентированный на задачи бизнеса, понимающий стратегию и направленность бизнеса и думающий о том, как подкрепить все это данными», – указала Каролина Каррузерс, директор консультационной компании Carruthers and Jackson, бывший директор по данным Network Rail и соавтор книги 'The Chief Data Officer's Playbook and Data-Driven Business Transformation: How to Disrupt, Innovate and Stay Ahead of the Competition' («Тактика директора по данным и трансформация бизнеса, ведомая данными: как совершить прорыв, сделать ставку на инновации и обойти конкурентов»).

Хотя некоторые технические и ИТ-директора рассматривают появление директора по данным как посягательство на их территорию, Каррузерс считает, что сферы их ответственности отличаются друг от друга. Директора по данным отвечают за качество данных, управление основными и прочими данными, информационную стратегию, науку о данных и бизнес-анализ.

«Разница между директором по данным и ИТ-директором, на мой взгляд, вполне ясна, и здесь я зачастую использую аналогию с ведром и водой, – отметила Каррузерс. – ИТ-директор отвечает за ведро. За то, чтобы оно имело нужные размеры, находилось в нужном месте, в нем не было дыр и использование его было безопасным. Директор по данным отвечает за содержимое, которое находится в ведре и выливается оттуда, за его качество, перемещение в правильное место и организацию правильного потока. Ведро и вода не работают друг без друга».

Директор по данным и главный исследователь данных

«Хотя директор по данным и главный исследователь данных (chief data scientist) выполняют разные роли, их вполне может совмещать один человек, – указал партнер кадрового агентства BrainWorks Гай Гомис. – Совмещение позволяет собрать все лучшее, которое имеется в своем классе. Большинство лидеров в области исследования данных хотят держать под контролем стратегию обработки данных и обращение компании с данными. Им хочется, чтобы все вопросы, связанные с изучением данных, решались при их участии. Если вы постоянно занимаетесь соответствующими вопросами, в этом действительно есть смысл. Именно от исследования данных зависят ценности, которые приносят данные, поэтому аналитика является очень важной функцией. Вместе с тем нужна хорошая стратегия данных, необходимо управлять ими, иначе вы не получите данные должного качества для анализа. Лучше всего иметь стратегию, разработанную директором по данным, и главного исследователя данных, который ведает аналитикой, работая в тесной связи с ИТ-директором».

Кому должен подчиняться директор по данным?

Хотя должность директора по данным быстро завоевывает популярность в организациях, по свидетельству NewVantage, мнения в отношении ее важности и полномочий расходятся. Опрос показал, что 39% его участников относят директора по данным к числу руководителей, отвечающих за стратегию данных и ее результаты. При этом 61% респондентов отнесли его к числу топ-менеджеров, полагая, что у него нет какой-то одной сферы ответственности. А 50% считают, что директор по данным должен входить в состав руководящего органа, хотя многие и не согласны с этим.

По словам Каррузерс, подчиненность директора по данным в организации может варьироваться, но логичнее всего было бы подчинить его генеральному или исполнительному директору.

«Единственным абсолютно неверным решением я считала бы подчинение его ИТ-директору, – заметила она. – Поскольку роль эта развивается и совершенствуется, ее нужно подчинить кому-то из непосредственного руководства бизнесом. Директор по данным постепенно приближается к высшему уровню, на котором он и должен находиться. На мой взгляд, ИТ-директор и директор по данным должны поддерживать тесные партнерские отношения, а когда один подчинен другому, партнерство между ними невозможно».

Директор по данным Dun & Bradstreet Энтони Шриффиньяно, подчиняющийся генеральному директору компании, заметил, что точного ответа на вопрос о том, кому должен подчиняться директор по данным, у него нет: «Я видел, как этот человек играет определенную роль в сфере финансов, ИТ, маркетинга, исследовательской и проектной деятельности и даже разработки продуктов. Зачастую это новая роль, созданная человеком, который перерос предъявляемые к нему требования, и находится в той части организации, которую сам и создал. Но из этого вовсе не следует, что там он и должен оставаться».

Чего ждать от директора по данным

Согласно опросу NewVantage Partners, 34% руководителей компаний, входящих в список Fortune 1000, считают, что успешный директор по данным должен быть внешним проводником изменений со свежими перспективами. При этом 32% придерживаются противоположной точки зрения: по их мнению, на роль успешного директора по данным больше подходит ветеран, понимающий историю и культуру организации. Респонденты разошлись и во взглядах на образование директора по данным: 23% убеждены в том, что успешный директор по данным должен иметь подготовку в области исследования данных или соответствующих технологий, тогда как 11% видят его в числе руководителей, которые отвечают за финансовые результаты.

По словам Гомиса, доводилось ему наблюдать и директоров по данным с маркетинговой подготовкой, причем некоторые из них являлись даже обладателями степени MBA и ранее никогда не работали в сфере анализа данных. «Во многих случаях их деятельность заканчивалась провалом, но в пригласивших их компаниях считали, что навыки, привнесенные извне, окажутся более важными, чем опыт анализа данных».

Для директоров по данным, попавших в сложную ситуацию, весьма полезными оказываются навыки общения с людьми. «Одна из самых серьезных ошибок связана с непониманием целей и ожиданий, – указал Гомис. – За последние три года я наблюдал смену очень многих директоров по данным. Текучка кадров здесь просто невероятная. Все это свидетельствует о том, что ожидания компаний не совпадают с ожиданиями кандидатов».

Очень часто нереалистичные ожидания исходят со стороны работодателя. «Главная ошибка, совершаемая компаниями, заключается в том, что они ждут от привлекаемого человека решения их проблем, – пояснил руководитель направления данных и анализа консультационной компании Russell Reynolds Associates Джастин Черилли. – На самом же деле вы только приступаете к решению проблем – принятие сложных решений впереди. Вы начинаете интересоваться, что представляют из себя наши люди и наши процессы, как мы меняем нашу культуру. Ради достижения конечного результата генеральный директор разрешает директору по данным поменять все, что тот сочтет нужным, но при этом сам он не желает никаких изменений».

Зарплата директора по данным и вакансии

Анализ компенсаций, проведенных компанией PayScale, показал, что средняя зарплата директора по данным составляет 177 405 долл. в год, включая все виды бонусов, и может варьироваться в пределах от 118 427 до 313 791 долл. (Желаем отечественным CDO американских зарплат. — CIO.RU.)

Поиск вакансий директора по данным на сайтах Indeed.com и LinkedIn показал, что спрос на соответствующих специалистов есть в целом ряде отраслей, включая ретейл, СМИ, страхование и государственное управление.

Определенное представление о сфере ответственности директора по данным позволяет получить выборка из его должностных обязанностей, к которым относятся: разъяснение и пропаганда видения данных как критической составляющей стратегии роста; формирование стратегических политик доступа к данным; разработка и претворение в жизнь централизованной стратегии управления данными для увеличения доходов; надзор за управлением данными, инвестициями в них и партнерством; а также поддержание отношений с коллегами из высшего руководства на стратегическом уровне.

Сегодня компании заняты поиском высокомотивированных и опытных новаторов, способных помочь им в достижении ощутимых результатов, а также руководителей высшего звена, которые осуществляли бы контроль над данными и аналитическими подразделениями на протяжении семи и более лет.

В рамках форума BIG DATA 2019, организованного издательством «Открытые системы», состоялся круглый стол с номинантами премии CDO Award. Участники обсудили вопросы формирования стратегии, кросс-функционального взаимодействия и подходов, наиболее эффективных при поиске идей монетизации данных.

Три года назад, когда речь заходила о стратегии управления данными, это вызывало удивление. Два года назад о ней говорили как о направлении движения и развития подходов к управлению данными. Сейчас стратегия в том или ином виде появилась у всех крупных компаний, причем она включена в корпоративную стратегию, что само по себе можно считать колоссальным прогрессом.

Все участники дискуссии сошлись на том, что если не всеобъемлющая стратегия управления данными, то по крайней мере ее элементы должны быть. В первую очередь это подразумевает понимание приоритетов бизнеса, в соответствии с которыми решаются технические вопросы: выбор архитектуры, построение инфраструктуры, поиск и обогащение данных. При этом на практике стратегия существует по принципам Agile: формируется, проверяется на деле, подвергается коррективам и т. д.

«Стратегия — не монумент, высеченный в камне, а живой организм. Если не корректировать в процессе работы направление движения, можно прийти совсем не туда, куда планировалось изначально», — подчеркнул Антон Мироненков, директор по большим данным X5 Retail Group. Однако без стратегии нельзя идти вперед, особенно в крупной организации, следует хотя бы задать направление.

«Нужна цель. Кораблю без порта назначения никогда не дождаться попутного ветра», — согласился Юрий Сирота, руководитель департамента искусственного интеллекта и анализа данных банка «УРАЛСИБ». В «УРАЛСИБе» офис CDO располагается в блоке стратегического развития, поэтому вся деятельность началась именно с написания стратегии. Более того, в трехлетней стратегии развития банка, утвержденной недавно, отдельным пунктом выделена стратегия управления данными и их монетизации. Она является вспомогательным инструментом для реализации стратегии банка.

Игра на чужом поле

Как побудить бизнес выполнять обязанности владельцев данных, какими приемами пользоваться? Не секрет, что такие инициативы идут тяжело, но без активного вовлечения бизнеса не обойтись, и роль CDO здесь является ключевой. Как на практике удается продавать эту тему бизнесу?

«Обычно все в компании хотят, чтобы появилась волшебная кнопка, позволяющая решать существующие проблемы, но участвовать в ее создании не желают, — признал Мироненков. — Каждый раз идут многократные обсуждения. Несмотря на то, что вся дорожная карта развития больших данных включена в корпоративную стратегию, а дирекция больших данных напрямую подчиняется генеральному директору, все равно приходится непросто».

Ретейл мыслит относительно короткими временными отрезками, он не думает на 10 лет вперед. Если сегодня товар не продан, завтра его продать уже точно не удастся, а потому разговоры об эффектах, достигаемых через год, не находят понимания. Бизнес интересуется своими показателями: выручкой, прибыльностью и т. п. Лишь когда удается заинтересовать его, начинается диалог о том, как этих результатов достичь. И если для более эффективной работы нужны данные, бизнес поможет. По-другому уговорить его не получится.

«Нам очень сильно помогает то, что культура компании ориентирована на непрерывное повышение операционной эффективности», — отметил Александр Айваз, руководитель функции «Управление корпоративными данными» «СИБУРа». Данных традиционно не хватало, однако спрос на них сформировался сам собой. Пионерами стали подразделения, наиболее готовые к работе с данными, а популяризация их опыта и успехов привела к тому, что идеи были быстро подхвачены.

«Когда мы два года назад начали свою работу, бизнес-подразделения — доменный, сталеплавильный цеха и т. п. — были совершенно не готовы. Их руководство не было против, но абсолютно не понимало, о чем идет речь. Мы “высаживались в поля”, разговаривали с мастерами, пытались найти задачи, которые можно решить с помощью машинного обучения и оптимизации процессов на его основе, — рассказал Анджей Аршавский, директор по анализу данных и математическому моделированию НЛМК. — Предварительная работа отняла много времени и сил, но когда появившиеся первые решения начали приносить прибыль, бизнес стал воспринимать наши идеи. Сейчас внутри подразделений начинают зарождаться заказчики цифровых решений. Эти заказчики, с одной стороны, должны очень глубоко понимать производственные процессы, а с другой — суть анализа данных и возможности его применения».

«Успешные проекты упрощают решение всех вопросов. Видя примеры монетизации данных, бизнес выстраивается в очередь», — констатировал Сирота. Действительно, можно долго говорить про будущее, но настоящее всем гораздо интереснее. И чем больше ожидается экономический эффект, тем больше у бизнес-заказчиков желания сотрудничать.

«Мы всегда “играем на чужом поле” — в зоне ответственности подразделений HR, продаж, маркетинга и т. п. — и накопили большой опыт кросс-функционального взаимодействия. Восприятие наших усилий со стороны коллег далеко не всегда безоблачное», — отметил Леонид Ткаченко, директор департамента Big Data МТС. По его словам, многие руководители опасаются, что будут выглядеть не в лучшем свете на фоне чужих успехов. Поддержка первых лиц компании ощутимо помогает внедрять уже работающие инструменты.

Важно находить союзников внутри организации, а они появятся только тогда, когда будут получать пользу — пусть небольшую, но дающую быстрый и понятный эффект.

1.  
2.  
3.  
4.  
5.  

Юрий Сирота: «Успешные проекты упрощают решение всех вопросов. Видя примеры монетизации данных, бизнес выстраивается в очередь»

Антон Мироненков: «Должен ли хороший data scientist уметь готовить для себя данные? Конечно должен. Может ли человек, занимающийся подготовкой данных, заниматься их анализом? Вполне. Но у нас этим заняты разные люди»

Александр Айваз: «Если какому-либо подразделению понадобится проверить ту или иную гипотезу, оно вполне может реализовать проект самостоятельно — данные для этого уже есть»

Анджей Аршавский: «Примерно через 10 лет в компании будет налажено автоматически управляемое производство, основанное на глобальной оптимизации — от добычи и закупки сырья до конечных стадий производства. Это возможно сделать существующими технологиями, но предстоит большая работа»

Леонид Ткаченко: «Непосвященные люди ждут от big data эффекта, гораздо большего, чем реально возможный. Второго телекома из этого направления не вырастет — это стало очевидным за три года работы»

Пред.След.

Как заработать на данных?

«Что касается оптимизации локальных процессов, то у нас уже имеется выверенный подход, практически конвейер», — поделился Аршавский. На первом этапе несколько аналитиков общаются с производственниками и генерируют идеи. В офисе их перерабатывают в карточки инициатив — определяется, что именно надо сделать и каков будет принцип работы этой системы, оценивается предварительный эффект. После этого инициатива попадает в воронку приоритизации, где оценивается по разным критериям: сколько денег можно заработать, есть ли в наличии данные, как это стыкуется с приоритетами компании. Получается список (и сейчас он в НЛМК достаточно велик), из которого выбирается очередная задача, и начинается пилотный проект, построение модели. Если результат инициативы положительный, она переходит в проектную стадию, это подразумевает привлечение серьезных ресурсов и разработку полноценного решения с проведением промышленных испытаний и вводом в эксплуатацию.

Смотря в будущее, в НЛМК видят «суперцель». Она заключается в том, что примерно через 10 лет в компании будет налажено автоматически управляемое производство, основанное на глобальной оптимизации — от добычи и закупки сырья до конечных стадий производства. «Это возможно сделать с помощью существующих технологий, — уверен Аршавский. — Но предстоит большая работа. Мы проводим локальные проекты, чтобы будущие, большие решения стали возможными».

«У нас есть два направления: внутренняя монетизация и внешняя монетизация. Внешняя — то, на чем мы зарабатываем деньги извне, внутренняя — то, что влияет на показатели всей компании», — рассказал Мироненков. Пока на 80% это внутренняя монетизация, причем во всем мире ситуация похожая. Направления для реализации проектов определяют исходя из ожидаемого эффекта.

Это может показаться странным, но в МТС большинство проектов тоже внутренние. «Проблема в том, что непосвященные люди ждут от больших данных эффекта, гораздо большего, чем реально возможный. Второго телекома из этого направления не вырастет — это стало очевидным за три года работы», — посетовал Ткаченко. Да, по мере появления опыта эффективность проектов, направленных вовне, растет, но в масштабах телеком-бизнеса это капля в море. Нынешний потенциал внутренней оптимизации гораздо выше, но он конечен, и после нескольких раундов оптимизации эффекты иссякнут. Если будущее у больших данных есть, то оно кроется именно во внешних проектах — построении сервисов, основанных на данных. «Пока соответствующего рынка в России нет, все продукты на основе данных идут со скрипом, и это очень небольшие деньги», — признает Ткаченко.

Кому тащить рояль?

Для российского рынка характерно разделение двух должностей — Chief Data Officer (CDO) и Chief Data Scientist (CDS). Компании в большинстве случаев назначают ответственных за подготовку данных и отдельно — за их монетизацию. Каковы плюсы и минусы этих подходов?

«Это вопрос готовности каждой организации. Нам были нужны практические решения, поэтому мы шли от монетизации — придумывали задачи и реализовывали их на основе имеющихся данных», — подчеркнул Аршавский. Часто данных не хватало и вставали вопросы об их подготовке и доступности. Так появилась единая дирекция, занимающаяся задачами работы с данными и их анализа. Тем не менее вопрос управления данными довольно объемный и требует специфических компетенций. Возможно, уже в ближайшем будущем в НЛМК эти функции будут разделены.

В «СИБУРе» изначально пошли по пути разделения этих функциональных ролей. Был создан офис данных — функция «Управление корпоративными данными», где формируют стандарты, строят платформу управления данными. В соседней функции цифровизации создано направление продвинутой аналитики. Их ключевое различие — разная модель работы с компанией.

«У нас была создана отдельная команда для работы с каждой функцией, а в каждой функции есть data-партнер, который управляет взаимоотношениями с заказчиком. В функции цифровизации команды делятся по продуктовому принципу, реализуя подходы Agile», — объяснил Айваз.

В «СИБУРе» не хотят, чтобы работа с данными превратилась в узкое горлышко: если какому-либо подразделению понадобится проверить ту или иную гипотезу, оно вполне может реализовать проект самостоятельно — необходимые данные уже есть. В этом заключается перенос стратегии цифровизации в массы — заставить работать на эту цель всех.

В «УРАЛСИБе» тоже созданы две разные роли, и это было обусловлено стремлением распараллелить два процесса — создание данных и их анализ. К тому же сложно объединить необходимые компетенции в одном человеке.

«Я глубоко убежден, что в идеале это должна быть одна роль, — признался Сирота. — Тем не менее, если ваш подход работает, его можно признать правильным, если же есть проблемы и конфликты, подход надо менять». Все очень индивидуально и зависит от компетенций, существующих в организации. Гораздо чаще встречается ситуация, когда CDO выступает «подносчиком патронов» для Chief Analytics Officer, занимающегося вопросами монетизации.

«Всегда есть оргструктура, “нарисованная” HR-службой, и есть реальная жизнь. Должен ли хороший data scientist уметь готовить для себя данные? Конечно должен. Может ли человек, занимающийся подготовкой данных, заниматься их анализом? Вполне. Но у нас этим занимаются два отдельных специалиста», — отметил Мироненков. Важно исходить и из здравого смысла: сильный, «матерый» data scientist — очень редкий и ценный сотрудник, и заставлять его заниматься подготовкой данных — по меньшей мере странно. Кроме того, в X5 Retail эти специалисты не нужны в продуктовой команде 100% времени и поэтому часто работают одновременно в нескольких.

Не следует забывать, что 80% усилий в проектах обычно затрачивается на подготовку данных — сбор, интеграцию, унификацию, консолидацию, обеспечение качества. Этим занимается CDO, он выполняет всю невидимую внешне неблагодарную работу, именно он «таскает рояль». А играет на этом рояле CDS — его работа гораздо более видима для бизнеса, и она приносит конкретный эффект — зачастую финансовый.

Когда речь заходит о цифровизации бизнеса телекоммуникационного оператора, на ум прежде всего приходят различные ухищрения маркетологов с целью персонализации клиентского сервиса на основе анализа больших данных и зачатков искусственного интеллекта. Однако не меньшую роль в рыночном успехе сотового оператора играет внедрение передовых решений для трансформации внутренних функций. Подтверждением тому служит опыт департамента логистики МТС, где активно занимаются тестированием не только технологий машинного обучения, сбора и аналитики больших данных, но и решений в области роботизации бизнес-процессов (Robotic Process Automation, RPA).

Как с использованием инновационных технологий меняются процессы логистики у ведущего сотового оператора, что это дает основному бизнесу и как благодаря цифровизации внутренняя функция компании может выйти на внешний рынок, рассказывает директор департамента логистики МТС Шамиль Хайретдинов, один из докладчиков конференции «Роботизация бизнес-процессов 2019», которую издательство «Открытые системы» проведет 23 апреля.

- Для чего нужна цифровая трансформация логистики?

В цифровую эру главное – не «цифра» как таковая, а ответ на вопрос, зачем это делается. Основной посыл любых изменений – создание ценности. Клиент МТС очень сильно меняется: он теперь покупает эмоцию, и компания вынуждена перестраивать функции подразделений, взаимодействующих с клиентом. А эти подразделения, в свою очередь, начинают предъявлять новые требования к внутренним функциям. Поэтому наша задача – не просто обеспечить свои операционные KPI, но дать внутреннему заказчику новое ценностное предложение.

Логистика и закупки – сложная, протяженная во времени функция, начинается она с планирования в бизнес-подразделении, где возникает потребность в том или ином товаре либо услуге, и заканчивается оплатой и получением того, что требовалось. Подчас обращение к нашей функции оборачивается для заказчика сложным изучением регламентов, и мы не всегда готовы оперативно откликаться на постоянно изменяющиеся требования наших заказчиков. Поэтому свою новую ценность мы видим в реализации Procurement as a Service («закупка как сервис»), чтобы заказчик мог, не вникая во «внутреннюю кухню» процесса, получить результат закупок так же, как он получает результат работы SaaS.

Такова наша перспективная цель, и на пути к ее достижению надо будет реализовать несколько принципиальных задач трансформации.

- Какие это задачи?

Прежде всего необходимо изучать внутреннего клиента и вытаскивать наружу его «головные боли». На их ликвидацию и должен быть направлен наш цифровой сервис закупок и логистики. Для этого надо прививать в нашей работе культуру Agile, в разработке процессов следовать идеологии customer development (термин, обозначающий тестирование идеи или прототипа будущего продукта на потенциальных потребителях — Н.Д . ), которая помогает правильно формулировать вопросы заказчику и получать на выходе сервис, удовлетворяющий его реальные потребности.

Что касается технологических направлений цифровизации, то их два. Первое: реинжиниринг процессов, то есть замена человека роботами в рутинных операциях и применение технологий process mining («извлечение процессов», или «процессная аналитика», собирательное название решений, которые анализируют «цифровые следы» процессов, автоматически моделируют их и дают возможность оптимизации – Н.Д.). Тестирование показало очень высокую эффективность роботизации, и в текущем году мы планируем масштабное внедрение RPA, охватывающее свыше 20 процессов. Тем самым снизится операционная сложность процессов закупок и логистики, а их выполнение сможет ускориться на 30-60%. Мы протестировали также инструменты process mining и запускаем тендер на внедрение для процесса сопровождения заказов, через который ежегодно проходят сотни тысяч заказов.

Система будет способна прогнозировать быстроту или задержку на конкретный срок выполнения нового заказа исходя из текущей ситуации. На ретроспективных данных построенная модель показала достоверность 86%, и сейчас мы тестируем ее в реальных условиях. Решение базируется на технологиях больших данных и системе SAP Predictive Analytics.Второе направление – там, где заканчивается рутина и открывается поле для интеллектуальной работы с данными. Например, задействуя машинное обучение, мы разработали модель оценки вероятности выполнения заказа в срок. Обучающая выборка строится на ретроспективных данных по прохождению заказов. Собираются не только все внутренние факторы, которые влияют на длительность прохождения, например, сроки согласования, но и множество внешних: динамика валютного курса, цен на сырье, ситуация на рынке акций, яркие новостные триггеры и т.п.

Модель показывает степень влияния каждого фактора на возможность выполнения заказа и дает общую оценку потенциальных рисков, но решать, как поступить, по-прежнему будет эксперт – возможно, задержка в выполнении устроит заказчика и никаких мер предпринимать не потребуется. Поэтому я не назвал бы такое решение искусственным интеллектом. Системы искусственного интеллекта реализуют когнитивные функции человека, то есть в нашем случае должны самостоятельно принимать бизнес-решения. Такие примеры для логистики уже есть, но мы к ним пока не подступались.

- Как организована работа с данными в департаменте? Какие источники используете, какую платформу больших данных?

У нас имеется своя команда по исследованию данных, активно взаимодействующая с внешним миром, например, со стартапами в области машинного обучения, которых мы активно привлекаем на этапе тестирования. Проекты реализуем либо собственными силами, либо силами подрядчика.

В команде big data МТС есть направление data governance – эти специалисты определяют в целом стратегию работы с данными, а также выстраивают инфраструктуру для наших задач. Для нужд логистики и закупок сейчас формируется озеро данных на базе технологии Teradata, для быстрой работы с данными используется Hadoop. В озеро собираются все данные, которые гипотетически могут нас интересовать, из всех наших процессов. Если есть процессы, которые ведутся на бумаге или через электронную переписку, наша задача — перевести их в «цифру». Например, общение исполнителя с поставщиком идет по телефону и по электронной почте, при этом генерируется сложная неструктурированная информация. То, что обсуждается по телефону, вообще уходит в никуда, по информации в почте тяжело реализовать поиск и парсинг. А нам эти данные очень интересны в двух аспектах. Во-первых, для текстового анализа. Во-вторых, количество контактов в ходе диалога исполнителя и поставщика может говорить об уровне сложности поставки и служить основой для принятия решений в процессе онлайн-мониторинга их взаимодействия.

Основными источниками данных являются ERP-система и модули, поддерживающие процессы закупок, проведения торгов, логистики. Эти решения реализованы на базе Oracle. Мы также обсуждаем с Oracle реализацию на чатботе идеи guided buying («ведомая закупка»). Дело в том, что сегодня типовой процесс закупки требует от заказчика определенных навыков: найти номенклатурный номер нужной ему позиции, оформить на нее заявку, выяснить наличие контракта, инициировать закупку и т.д. В системе ведомых закупок все значительно упрощается – достаточно на нативном языке написать запрос, и система сама подскажет, где искать нужную позицию, есть ли контракт, и отправит собранную корзину в работу. Реализовать такую систему – значит обеспечить ту самую ценность для заказчика. Ему не придется больше изучать процесс и следовать сложному регламенту, все произойдет легко и быстро, и в итоге восприятие нашего сервиса кардинально улучшится.

- Можно ли сейчас дать оценку, как изменятся закупки и логистика МТС в результате роботизации процессов и внедрения систем машинного обучения?

Трудоемкость процессов снизится на 25-30%, сократится необходимая численность персонала и в разы возрастет скорость принятия решений.

Но сокращения — это не самое главное, для нас важно донести до каждого значимость происходящего. В условиях значимых изменений появляется больше возможностей найти что-то ценное для выполнения людьми, а не просто взять и распрощаться с сотрудниками. Если в результате снижения трудоемкости высвобождаются ресурсы, мы прежде всего будем пытаться найти им сферы приложения, в том числе путем выхода на внешних клиентов.

Наша главная задача — обеспечить лучший сервис внутреннему заказчику. Но сегодняшние реалии таковы, что в большой компании любая сервисная функция может быть выведена и на внешний рынок. Мы стремимся на своих процессах отработать новые технологии, такие как RPA или подходы к формированию потоков данных, так чтобы конструировать коробочные ИТ-решения и вместе с сервисом предлагать вовне идеи, помогающие адаптировать под них чужой процесс.

- А кому предполагается продвигать внешние сервисы?

Прежде всего ориентируемся на другие бизнесы. Я общаюсь на отраслевых конференциях и вижу, например, что по идеологии выстраивания цифровых закупок нам ближе всего «Северсталь». У сталелитейных предприятий логика движения товарных и материальных потоков в большей степени схожа с нашей, чем у ретейла или FCMG, поэтому предприятия этой отрасли вполне могут стать клиентами нашего внешнего сервиса.

- В течение какого срока планируется выход на рынок?

От года до двух лет. Уже сейчас начали зондировать почву, провели первые переговоры, кого-то заинтересовали, кто-то нас немного испугался. На российском рынке фактор недоверия всегда играет большую роль. Поэтому научиться продавать идею, входить в доверие и оправдывать его – как раз то, что нам предстоит.

Хотя у нас уже есть пример успешной продажи решения внешним клиентам. За последние три года мы провели серьезный реинжиниринг процесса работы с невостребованными товарами (это телефоны, тяжелое оборудование, машины, мебель и пр.), к которому было много претензий со стороны внутреннего контроля. Проработали процесс методологически, автоматизировали в системе Oracle ERP. И открыли нишевой маркетплейс torg.mts.ru, на котором не только продаем свой «невостреб», но и предлагаем сервис таких продаж другим компаниям. В прошлом году выручка этой площадки составила 600 млн руб, и было привлечено немало внешних клиентов. Планы на текущий год еще более амбициозные, в составе департамента фактически сформирована самостоятельная миниорганизация, которая разрабатывает и продвигает этот продукт, работая по принципам Agile.

- Для вас имеет существенное значение уровень цифровизиции ваших поставщиков?

Безусловно. У нас поставщики разного уровня. Зарубежные партнеры, такие как Ericsson, Huawei, имеют высокий уровень цифровизации и готовы предложить нам сервисы для взаимодействия и его оценки. С другой стороны, наши подрядные организации – это небольшой частный бизнес, и их еще надо подтягивать. Хотя большинство из них уже перешли на электронный документооборот и ЭЦП во взаимодействии с нами.

Работа с поставщиками подразумевает цифровизацию нескольких задач. Разрабатывается полностью электронный отчет о выборе поставщика, который формируется в ходе закупочной процедуры, а также электронные формы заполнения контракта. Благодаря синхронизации этих процессов данные из отчета будут автоматически попадать в контракт, что позволит значительно экономить время. А в ходе ведения заказа метрики исполнения будут соотноситься с электронными блоками контракта, позволяя оценить, не возникают ли те или иные проблемы с поставщиком.

Департамент развития закупок реализует идеологию оценки поставщика (supplier evaluation): определенные метрики поставщиков сопоставляются с условиями контракта, тем самым происходит ранжирование поставщиков по степени зрелости и соответственно предпринимаются те или иные действия, например, дать стимул к обучению, чтобы подтянуть поставщика до нужного уровня. Раньше ранжирование сводилось к тому, что исполнителем и заказчиком выставлялись баллы, причем на основе субъективных данных о том, как был выполнен контракт. В течение года планируем увязать метрики поставщика с электронным контрактом и процессом закупок, что позволит давать поставщикам объективную оценку и находить эффективные рычаги воздействия на них.

Например, в определенных ситуациях при невыполнении условий контракта требуется подключение юриста. У нас работает «виртуальный юрист» – программный робот, который, руководствуясь определенными признаками, определяет, что необходима допретензионная работа с подрядчиком, пишет письма «счастья», принимает, анализирует и классифицирует ответы.

- Дает ли цифровая логистика конкурентное преимущество телекому?

Однозначно да.

Большим компаниям часто трудно выстроить такую систему KPI, чтобы функциональные направления не замыкались на выполнении своих ключевых показателей, никак не влияющих на ценности компании. Нам гораздо сложнее, чем, например, ретейлу, чья стоимость логистики очень высока, и одно ее снижение уже обеспечивает очевидную ценность для компании в целом. А стоимость логистики капитального строительства, как у большого МТС, ничтожно мала по сравнению с вложениями компании в свою сеть. Поэтому мы должны искать те драйверы, с помощью которых сможем повлиять на компанию в целом.

Сегодня такими нашими драйверами являются, во-первых, минимизация текущих активов, ставшая возможной благодаря эффективному управлению цепочками поставок, а во-вторых, поддержка планов строительства сети, потому что построенные вовремя объекты – это возможность продавать на этих объектах услуги.

А через год-два самым значимым KPI для логистики, обеспечивающим ценность основному бизнесу, станет способность быстро перестраиваться в ответ на изменения рыночных задач компании. В достижении этого роль роботизации процессов и интеллектуального анализа данных будет ключевой.

Почти 30 лет назад, после появления понятия реинжиниринга бизнес-процессов и метода «шести сигм», в мире бизнеса произошел мощный сдвиг. К концу 1990-х годов концепция организации производства, ставшая ключевым и наиболее известным из революционных нововведений Джека Уэлча в бизнес-стратегии General Electric, был принят на вооружение большинством корпораций, входящих в список Fortune 500.

И это было не преходящим увлечением, а истинным движением вперед. Революцией, которая заставила каждого сотрудника посмотреть на бизнес через призму процессов, ориентированных на клиента. Появились первые пионеры концепции «шести сигм» – породившей в конечном итоге набор стандартных методик, инструментальных средств, тренингов и сертифицированных «черных поясов» – которые заполонили собой все офисное пространство, начиная от зала заседаний совета директоров и заканчивая комнатой отдыха.

Сегодня мы стоим на пороге очередных изменений, очередных подвижек, очередной революции – революции грамотности при работе с данными (data literacy). В 90-е годы работникам пришлось переучиваться. То же самое происходит и сейчас. Организационные изменения больше не определяются исключительно триадой людей, процессов и технологий. Появился новый ключевой элемент – данные – который меняет все.

Валери Логан – директор по исследованиям Gartner, специализирующаяся на стратегиях управления информацией, передовых методах анализа и связанных с этим темах управления изменениями; также входит в исследовательскую группу Gartner Office of the CDO

Умение «говорить на языке данных» – новый фундамент цифрового рабочего места независимо от того, являетесь ли вы создателем или потребителем решений, опирающихся на данные. С превращением данных, средств анализа, искусственного интеллекта и машинного обучения в ключевые элементы цифрового бизнеса и цифрового общества способности «говорить на языке данных» стала отводиться чрезвычайно важная роль.

Грамотность в работе с данными и умение говорить на их языке нужно рассматривать сегодня в качестве основы для проведения цифровой трансформации.

Спрос растет все быстрее

Грамотность в работе с данными Gartner определяет как способность считывать, записывать и обмениваться данными в соответствующем контексте. Сюда относится понимание источников и конструкций данных, применяемых аналитических методов и технологий, а также описание их использования и получаемого в результате выигрыша.

Грамотность в работе с данными сложна и многогранна. Чтобы сдвинуть процесс с мертвой точки, нужны лидеры, умеющие раскрывать возможности данных и формировать новый общий язык. Необходимы общие методы, технологии, обучение и в конечном итоге даже сертификация. Изменения в бизнесе будут весьма глубоки.

В Gartner ожидают, что к 2020 году 80% организаций начнут целенаправленно развивать компетенции в области грамотности при работе с данными, признавая их крайний дефицит. А 50% организаций к 2020 году не будут обладать достаточными для достижения поставленных перед бизнесом целей навыками в сфере искусственного интеллекта и информационной грамотности.

Необходимо не только обучать специалистов решениям, продуктам и сервисам, связанным с обработкой данных. Сотрудники должны еще и научиться говорить на языке данных. Нужно формировать сообщества, где этот язык будет процветать.

Культивирование грамотности в работе с данными

Каждая организация должна повышать грамотность в работе с данными, что будет способствовать росту ее конкурентоспособности в мире, где цифровая трансформация играет все более важную роль. Темпы изменений ускоряются с каждым годом, требуя формирования отдельной бизнес-стратегии в отношении цифровых рабочих мест.

Организации, которым удалось преуспеть в создании цифровых рабочих мест и добиться цифровой гибкости персонала, получают значительные конкурентные преимущества по мере ускорения цифровой трансформации.

Правильно реализованная стратегия цифровых рабочих мест будет способствовать росту мобильности и инноваций, расширению аналитических возможностей сотрудников и укреплению их взаимодействия за счет использования соответствующих инструментов, обучающих программ и методов стимулирования.

Организации должны быть готовы удовлетворять потребности клиентов, оставаясь впереди своих конкурентов. Первым шагом должно стать понимание важности повышения грамотности в работе с данными и улучшения результатов бизнеса.

Недавний опрос директоров по данным, проведенный Gartner, показал, что низкая грамотность в работе с данными является вторым по значимости внутренним препятствием на пути к профессиональному успеху (первый — недостаток общей культуры). В первую тройку входит также недостаточная одаренность и дефицит необходимых навыков. Программы, направленные на повышение грамотности при работе с данными, позволяют наверстать упущенное.

Информация в качестве второго языка

Научиться «говорить на языке данных» – то же самое, что выучить любой другой язык. Все начинается с понимания основных терминов и описания ключевых понятий. Что касается данных, в их словаре можно выделить три ключевые области: ценностную (ценности для бизнеса, результаты, решения, показатели эффективности), информационную (источники данных, элементы, качество, атрибуты) и аналитическую (аналитические методы, применимые к данным).

В языке данных имеется множество диалектов. Каждому из них присущи свои собственные термины, словарь и показатели. Диалекты специфичны по отношению к параметрам, предметной области или отрасли. В больницах, правительственных организациях и страховой индустрии, к примеру, существует свой собственный язык данных, описывающий результаты для пациентов, граждан и страховых требований.

Все сотрудники компаний, клиенты и поставщики должны изучать наиболее актуальные для себя диалекты. Это позволит каждому принимать участие в обсуждении и использовать данные при взаимодействии для достижения целей бизнеса. Подобно любому другому языку, уровень владения им может отличаться – все зависит от требований к конкретной индивидуальной роли.

Обучение и подготовка персонала

После того, как вы поймете важность повышения грамотности в работе с данными и необходимость использования общего языка и общих диалектов внутри организации, можно приступать к реализации всего этого на практике. Первым шагом должно стать осознание того, что грамотность при работе с данными является составной частью общего управления изменениями и организационной стратегии.

Важное значение имеет повышение осведомленности всех заинтересованных сторон. Социализация при работе с данными – важный этап всеобщей подготовки к изменениям, убеждения в том, что грамотность в работе с данными безусловно заслуживает внимания, так же, как заслуживала внимания концепция шести сигм. И это требует самоидентификации специалистов по данным.

Год назад мы уже разговаривали с Анджеем Аршавским, директором по анализу данных и моделированию Новолипецкого металлургического комбината, о первых шагах по применению искусственного интеллекта для оптимизации производственных процессов компании. Тогда предварительные результаты прототипов и запущенных пилотов давали основания для осторожного оптимизма.

С тех пор многое изменилось. Было построено хранилище данных по основным производственным площадкам — так удалось решить проблему доступности данных. Подразделение data science занялось широкой апробацией различных идей и тестовых проектов: в прошлом году реализовано 23 проекта — как пилотных, так и «боевых». Три проекта уже запущены в промышленную эксплуатацию, а еще четыре находятся на стадии промышленных испытаний. Внедренные решения приносят ощутимую прибыль.

«Достигнут серьезный прогресс по сравнению с прошлым годом: от попыток мы перешли к результатам, — констатирует Аршавский, претендент на премию CDO Award. — Большинство пилотных инициатив, реализованных за последний год, воплотились в реальные проекты. Мы как дирекция достигли стадии зрелости и перешли на самофинансирование новых проектов». Сейчас в НЛМК работают над концепцией цифровой платформы и стратегией «цифровизации», рассчитанной на ближайшие пять лет.

«Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации»

- Что произошло за последний год?

Самое главное — мы достигли целевых экономических результатов от внедрения решений ИИ, поставили разработку решений на конвейер и перешли на режим самофинансирования. Важным достижением является то, что мы смогли сформировать полноценную команду data science. Мы также научились работать одновременно по большому спектру проектов полного цикла. Удалось завершить ряд внедрений систем в производство и получать прибыль. И последнее, но не менее важное достижение: разработана платформа данных и математического моделирования (озеро данных), куда стекаются производственные данные и производятся расчеты. Тем самым мы существенно упростили доступ к данным и их обработку в наших текущих и перспективных проектах. Сейчас к платформе подключается первая группа источников данных Липецкого комбината.

- Год назад в команде было буквально несколько человек. Появилось ли выделенное подразделение и что оно сейчас собой представляет?

Появилось функциональное направление — дирекция «Анализ данных и моделирование», куда входят 15 человек. До недавнего времени дирекция напрямую подчинялась президенту группы, а сейчас вошла в цифровой блок. В команде трудятся исследователи и инженеры данных, бизнес-аналитики, разработчики и проектные менеджеры. При этом мы не отказались и от аутсорсинга: у нас сформировался круг стратегических подрядчиков, с которыми мы реализуем разные стадии проектов. Часть проектов делается собственными силами, часть — с их помощью. Иногда пилотную часть реализуем самостоятельно, а разработка конечного продукта производится подрядчиком. Мы научились работать комбинированной командой, чтобы действовать наиболее эффективно.

- Что фактически означало для компании формирование выделенного подразделения?

Год назад наше направление было создано, чтобы проверить гипотезу о том, что технологии искусственного интеллекта, внедренные в производственные процессы, могут приносить прибыль. Подчеркну, это была лишь гипотеза. За 2018 год она была подтверждена реальными проектами. Более того, такие решения удалось поставить на поток, создать конвейер. Появился отлаженный бизнес-процесс, рождающий идеи, эти идеи затем апробируются и пилотируются; на их основе появляется минимальный продукт (MVP), который потом последовательно разрабатывается и становится полноценным продуктом, включающим интеграцию с внутренними системами, проведение промышленных испытаний, разработку методик оценки экономического эффекта, внедрение и передачу на поддержку.

Разумеется, есть огромная разница между идеей и пилотом, между пилотом и конечным продуктом. Мы научились их конвертировать друг в друга, а продукты научились тиражировать. Могу констатировать: мы реализуем весь цикл от идеи до тиражирования продукта.

- В прошлом году мы говорили о трех начатых пилотных проектах: экономии ферросплавов, поиске причин дефектов и оптимизации работы ТЭЦ. Какие проекты в итоге стали самыми важными и показали лучшие результаты?

В итоге мы реализовали сразу три проекта по ферросплавам — для разных установок и на разных площадках. Внедряем на зарубежной площадке NLMK Clabecq проект по прогнозированию выхода материала при листовой прокатке. Работы по оптимизации ТЭЦ также оказались успешными. Кроме того, мы запустили около 10 проектов по разным направлениям: по коксохимическому производству, увеличению темпа прокатки слябов на стане 2000 и др. Проект по устранению дефектов оказался сложнее, чем мы ожидали, и пока не завершен.

Мы сосредоточились на двух направлениях: удешевление и повышение эффективности производства и логистика. Охвачены сталеплавильное, прокатное, коксохимическое производства, начата работа по доменному производству. В логистике мы фокусировались на железнодорожном транспорте: оптимизации укладки слябов в вагоны и оптимизации оборота вагонов по внутренним железнодорожным станциям.

Как осуществляется приоритизация проектов? По каким принципам выбираете, «где копать»? Скорость, бизнес-потребность, ожидаемые эффекты?

Мы ранжируем инициативы исходя из их приоритетности для стратегических целей компании — в рамках «Стратегии-2022». Если проект отвечает целям этой стратегии — например, дает хорошую операционную эффективность или помогает выстраивать бережливое производство, то мы ориентируемся на экономический эффект, доступность данных и скорость реализации проекта. Для нас важно, чтобы заказчик тоже был готов — чтобы тот или иной цех понимал для себя значимость этого проекта. Не менее важно, чтобы техническая дирекция признала проект выполнимым и приоритетным.

- В целом ваше подразделение справляется с потоком задач? Или приходится устраивать жесткий отсев и проекты выстраиваются в очередь?

Да, образуется очередь, можно было бы делать и больше. Мы растем, развиваем свою команду. Список проектов очень широк, он за прошлый год вырос на 50%. И у всех из них достаточно большой экономический потенциал.

- Проблема исключительно в кадрах? Откуда брать дополнительные мощности?

Это кадры и процессы. Оптимизируя свои процессы, мы увеличиваем производительность, растет вероятность того, что проект будет успешным. Также имеет значение готовность к изменениям заказчиков — подразделений НЛМК. Наконец, играет роль эффективность внешних команд, привлекаемых к проектам.

Мгновенно нарастить все эти показатели невозможно. В ходе первых проектов было важно увидеть типичные проблемы, выстроить процессы, обеспечить в нужном объеме вовлеченность бизнес-подразделений.

- На первых этапах ожидалось, что в результате реализации проекта текущие процессы должны улучшиться на 5%. Что наблюдается в итоге?

Эта цифра подтверждается. Да, кое-где мы превосходим ее. Но одновременно становится понятно, что следующая волна оптимизации будет нести гораздо больший эффект — 15–20%. На этот более высокий уровень оптимизации мы выйдем, когда наши точечные решения будут собраны воедино.

- В итоге подходы к планированию эффективности меняются? Ведь те самые 5% родились из того, что меньший эффект незначим и его трудно измерить, а на больший не заявлялись из скромности.

Да, подходы к оценке экономического потенциала проекта тоже изменились. В ходе первых проектов мы научились считать эффект и пересчитывать его в экономию. Поэтому оценки стали более обоснованными, чем абстрактные 5%.

- Стратегия управления данными — это чуть ли не первое, чем пришлось заниматься. В чем она заключается, как видоизменяется?

Двумя столпами этой стратегии являются качество и доступность данных. Доступность обеспечивается путем создания единого хранилища, аккумулирующего в себе все источники данных. Разрозненность данных всегда негативно влияет на их доступность, мы это ощутили в полной мере на первых проектах: приходилось прилагать массу дополнительных усилий. Сейчас проблема осталась в прошлом. Еще проблема возникает в тех случаях, когда какие-то части производственного процесса просто не оцифрованы или данные теряются на самых начальных этапах их получения. Это решается согласованием нашей стратегии со стратегией развития АСУТП. К счастью, мы и АСУТП стали частью одного функционального направления — цифровизации.

Качество данных тоже важный и сложный вопрос. Качество может страдать по самым разным причинам. Данные могут быть неполными: какие-то измерения, необходимые для реализации проекта, не производятся. Также качество данных может зависеть от точности измерений или ручного ввода. Полнота данных может иметь даже временной аспект: например, они доступны за последние три месяца, а исторических данных нет — обучать модели не на чем. Мы разработали комплекс мероприятий, направленных на решение проблемы качества данных. У нас обозначены точки, где проекты нужны, но для их реализации отсутствуют данные. Совместно с бизнес-подразделениями НЛМК мы работаем над устранением этих белых пятен.

- Как архитектурно построена инфраструктура для работы с данными?

Мы выбрали подход с максимальным использованием открытых решений. Хранилище построено на Hadoop Spark (сборка российской компании Arenadata), шина данных, которая связывает его с окружением, реализована на Kafka, внутренние сервисы — на Python и Java. Экспериментируем с использованием различных баз данных NoSQL для хранения некоторых витрин данных. При построении участков, связанных с быстрой обработкой информации, экспериментируем с открытой версией Greenplum, различными иерархическими хранилищами.

- Какие работы по цифровизации компании сейчас ведутся?

Мы работаем над концепцией цифровой платформы производства. Под этим понимается создание решений для бизнеса — попытка абстрагироваться от терминов АСУТП или MES и построить платформу, на базе которой смогут эффективно работать интеллектуальные цифровые сервисы, которые приносят бизнес-заказчикам понятный и очевидный результат. Архитектурно это будет построено на самых современных технологиях. Это глобальное решение, оно должно быть реализовано в соответствии со стратегией цифровизации НЛМК.

- Это решение будет единым с платформой больших данных?

Это должна быть единая система. Раньше мы архитектурно разделяли производственные системы и все, что относится к платформе big data, а сейчас в рамках цифровой платформы все эти наработки должны быть объединены и приведены в соответствие друг другу. Технически это вполне реализуемо.

- В чем заключается задел на будущее, сделанный за прошедший год?

Он заключается в том, что в прошлом году мы реализовали некоторое количество проектов, которые подтвердили состоятельность заложенных в них идей. Мы будем их превращать в законченные продукты и прибыль следующего года.

Кроме того, мы пополнили наш банк идей новыми предложениями, расширив его на 50%. Таким образом, у нас появляется больше возможностей для отбора перспективных пилотных проектов в будущем году. Основная часть таких проектов по-прежнему будут производственными, однако мы намерены смотреть шире. Еще часть задач, вероятно, будут касаться сферы закупок, а часть — финансовой сферы.

- Куда движутся большие данные в НЛМК и как они в перспективе могут изменить бизнес компании?

Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. Однако понятно, что с точки зрения производства это субоптимальный режим. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации.

В целом мы видим три глобальных этапа развития больших данных и искусственного интеллекта. Первый — создание точечных решений для оптимизации производства, благодаря чему мы можем на 5–10% повысить технический эффект. На этом этапе мы находимся сейчас, и он будет длиться три-четыре года. Второй этап — создание решений для оптимизации групп внедренных точечных решений: с помощью искусственного интеллекта мы начнем оптимизировать связки смежных процессов. Этот этап продлится тоже четыре-пять лет. Затем мы намерены приступить к созданию глобальной системы оптимизации производства. На это уйдет еще пятилетие.

Участники дискуссии оказались единодушны во мнении, что интерес к цифровой трансформации в России очень высок и у многих он уже переходит во вполне практическую плоскость. «Самая заметная тенденция последнего времени – то, что компаний, которые хотят быть в ’цифровом тренде’, все больше», — считает Шамиль Хайретдинов, директор департамента логистики МТС. При этом больше становится и тех, кто разочаровывается в определенных технологиях цифровизации, например в Больших Данных, но это «разочарование в хорошем смысле», полагает Хайретдинов, поскольку свидетельствует о более осмысленном подходе к тому, как работать с Большими Данными, чтобы получать от них реальный результат. В департаменте логистики МТС создается озеро данных и тестируются инструменты машинного обучения для оценки перспектив выполнения заказов в зависимости от разных факторов. Эти решения обещают стать хорошим подспорьем для сотрудников департамента в их повседневной работе.

При этом часть процессов по закупкам в компании скоро будет вообще обходиться без участия человека. Хайретдинов высоко оценивает потенциал RPA: тестирование продемонстрировало высокую эффективность роботизации бизнес-процессов, и в 2019 году планируется охватить этой технологией более 20 процессов департамента. «'Пилоты' показывают, что с помощью RPA можно ускорить операционные процессы закупок и логистики на 30-60%», — рассказал он.

Ставку на RPA делают и в «ФосАгро». Андрей Нисанов, директор по реализации и управлению проектами «ФосАгро», рассказал, что по результатам прошлогоднего тестирования в компании принято решение о масштабном проекте роботизации процессов, который может затронуть много разных подразделений. Этим проектом будет заниматься созданная в компании дирекция по цифровизации, которой, по словам Нисанова, отводится роль своего рода переводчика между бизнесом и ИТ. «Очень много проектов инициируется именно со стороны владельцев бизнес-процессов», — отметил он, и в задачи дирекции по цифровизации будет входить не просто анализ и выбор современных технологий, но их соотнесение с потребностями бизнеса.

«Главный итог прошлого года в том, что доверие к цифровизации начинает демонстрировать бизнес», — констатировал Кирилл Алифанов, директор по ИТ компании «Уралкалий». Цифровая трансформация – это именно трансформация бизнеса, убежден он; но тенденцию необходимо закреплять, образовывая бизнес, постоянно показывая в терминах возврата инвестиций, какую пользу способны принести проекты цифровой трансформации.

По словам Алифанова, запросы, которые сейчас идут от бизнеса, требуют кардинально иного подхода с точки зрения построения ИТ-инфраструктуры – от нее ждут максимально оперативной реализации поставленных задач. Таким требованиям отвечают облачные конфигурации, однако Алифанов с сожалением констатировал острый дефицит зрелых российских IaaS-решений.

Евгений Ильин, заместитель финансового директора «Росгосстраха», показал на опыте своего подразделения, как бизнес может взять на себя инициативу цифровизации. В прошлом году несколько важных проектов, в том числе внедрение облачной системы бюджетирования на базе Oracle Hyperion, были выполнены практически полностью силами финансового блока, департамент ИТ привлекали только для некоторых чисто технических задач. Это ускорило реализацию и позволило избежать проблем трансляции бизнес-требований ИТ-специалистам.

Ильин рассказал, что переход от таблиц Excel к облачной версии Hyperion обеспечил полную прозрачность бюджетного планирования и позволил охватить им каждого из 32 тыс. страховых агентов, что открывает новые возможности повышения мотивации персонала.

Раньше телеком-операторы были теми немногими компаниями, где бизнес строился на данных. В последние годы, когда предприниматели массово осознали ценность Big Data, телеком делает на это направление стратегическую ставку, инвестиции операторов в работу с данными растут.

Проекту Big Data в МТС недавно исполнилось три года. Команда выросла с двух десятков сотрудников до 250 экспертов. Чистый экономический эффект от работы с большими данными в компании оценивают в 3,5 млрд руб. О пути своего подразделения и достигнутых результатах рассказывает Леонид Ткаченко, директор по Big Data МТС и претендент на премию CDO Award. Его выступление станет одним из гвоздей программы форума BIG DATA, который состоится 27 марта.

Термин Big Data появился уже довольно давно. Что изменилось в последние годы? И связаны ли произошедшие изменения с шумихой, начавшейся вокруг больших данных?

Математическая основа того, что сейчас делается, была известна с середины XX века. Но компьютеры того времени стоили миллионы долларов, и даже простую нейросеть пришлось бы обсчитывать месяцами. Лишь недавно вычислительная мощь компьютеров выросла настолько, что математику нейросетей и алгоритмы машинного обучения можно экономически эффективно использовать.

Леонид Ткаченко: «Работа с большими данными — это как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро»

Big Data — свежий маркетинговый бренд, раскрученный производителями оборудования. Под этим брендом вендоры стали продавать возможность скоростной обработки и дешевого хранения огромных массивов данных. Некоторое время у них ушло на то, чтобы представить миру эти технологии, и теперь не использовать их уже невозможно — сразу станешь аутсайдером. Это группа технологий, которая действительно несет ценность бизнесу.

Сейчас продукты на основе больших данных внедрены во все функциональные направления МТС. Маркетинг и продажи, розничная сеть, техника, закупки, финансы и даже HR.

HR — не самая очевидная область для применения технологий больших данных...

Что касается HR, то, например, мы предсказываем отток сотрудников: руководители видят, какова вероятность увольнения конкретного сотрудника в ближайшие два месяца. Я пока не слышал про аналогичные проекты, хотя знаю, что подобные работы кое-где ведутся. У нас сначала получилась модель, которая надежно предсказывала увольнение за пару недель. Но столь короткого периода мало, чтобы принять решение о том, нужно ли бороться за сотрудника. Нам удалось найти более тонкие ранние предикторы. У нас была отличная обучающая выборка — огромная накопленная история уволившихся сотрудников.

Удержать сотрудника — важно для любого руководителя, особенно работающего с дефицитными и высокооплачиваемыми специалистами. Наши менеджеры активно пользуются этим инструментом: если вероятность увольнения ценного сотрудника начинает расти, возникает повод поговорить с ним, да и самому подумать о том, что идет не так.

Другие модели позволяют среди десятков тысяч сотрудников МТС выявить самых перспективных: талантливых, пусть пока и незаметных. В крупной организации не все работники на виду, можно упустить людей с выдающимися способностями. А что, если они не просто уволятся, а уйдут к конкурентам и там раскроют свой потенциал? Big Data позволяет избегать таких рисков. Эти модели в области HR не приносят, казалось бы, прямого, поддающегося подсчету экономического эффекта, но в нашем бизнесе, находящемся на острие технологического прогресса, основной актив — это лучшие профессионалы.

Три года назад в МТС появился департамент Big Data. Что это значило для компании?

В тот момент компания решила инвестировать в это направление и поискать дополнительную ценность в данных. Что очень важно, изначально это подразделение организовали иначе, чем все остальные в компании. Обозначили финансовую цель, бюджет — и позволили самим выбирать, как инвестировать средства, в каких направлениях работать. Мы получили полную операционную свободу, чего никогда не было раньше. Но вместе со свободой появилась и ответственность.

Такой формат работы очень хорошо себя показал. Сейчас, по прошествии трех лет, он считается хорошим примером мотивации и организации работ, и на него многие ориентируются. Наработанный опыт мы стараемся распространить на другие продуктовые направления — в частности, на работу с мобильными приложениями.

А что назначение главой департамента Big Data значило для вас как для человека, прежде занимавшегося стратегическим маркетингом? Какие изменения произошли в ваших подходах к работе?

Изменения очень серьезные. Это уже не первый раз, когда мне пришлось заниматься чем-то принципиально для себя новым, в чем раньше немногое понимал. Большие данные находятся на стыке ИТ, математической статистики и бизнеса. За эти три года я, безусловно, подтянул свои знания в ИТ.

Сейчас мне приходится управлять значительно большей командой. Раньше мой коллектив состоял из 30 человек, а теперь в нем 250. В небольшой команде ты каждого хорошо знаешь, можешь лично с каждым пообщаться и хорошо видишь их работу. Когда подчиненных несколько сотен, характер управления сильно меняется: ты не управляешь непосредственно людьми (тем более на микроуровне), а создаешь условия для их работы.

Как вы понимаете роль CDO в современной, «умной» компании? Одни подразумевают скорее техническую, а другие — более бизнес-ориентированную роль…

Я однозначно «заточен» на бизнес. Внутри нашего подразделения есть четыре отдела: два продуктовых и два инфраструктурных. Один из инфраструктурных отвечает за ИТ-платформу, а другой — за инфраструктурные продукты. Руководитель последнего и есть в моем понимании «чистый» директор по данным. Наращивание объема знаний о наших абонентах — это то, с чем он засыпает и просыпается.

Какая стратегия работы с большими данными принята у вас?

Стратегия уже три года неизменна, в ней три ключевых элемента. Первый — постоянное увеличение знаний об абонентах. Любые данные, способствующие этому, сразу же оказываются в нашем data lake. Неважно, знаем мы, как потом будем их использовать, или нет, есть ли у нас какие-то бизнес-идеи или их еще предстоит придумать.

Вторая задача — обеспечение доступа к этим данным для сотрудников компании, разумеется в соответствии с их обязанностями. На рабочий стол каждого специалиста надо положить максимальное количество нужных ему данных. В очень многих наших подразделениях бизнес-анализ является частью работы. Сотрудники действительно принимают решения на основе данных.

Третья составляющая стратегии — построить на базе собранных данных новый бизнес. Продукты, создаваемые сейчас, новым бизнесом не являются — мы просто помогаем работать нашим подразделениям. Новым бизнесом мог бы быть, например, сервис по подбору пар — идеальных семей на основе глубокого знания о людях.

Конечно же, эта третья часть скорее перспективная. Мы не ставим никаких сроков, а просто копаемся в данных, строим модели и проверяем гипотезы.

Несколько лет назад прогремело слово «уберизация», заставившее многих пересмотреть свои взгляды на конкурентов и направления развития бизнеса. Сделали ли какой-то вывод из этого в МТС? Как изменились потребности в данных?

Надо сказать, что телеком эта тенденция затронула несильно. Другое дело, что телеком-компании действительно исчерпывают возможности развития внутри своих отраслей и начинают шире смотреть вокруг. Когда стае львов перестает хватать еды на своей территории, они начинают поглядывать на чужую, и будет серьезная схватка.

Ничто не вечно — это так. Положение в отрасли, кажущееся незыблемым, может в одночасье развалиться с появлением какой-то новой технологии. У нас есть только один естественный барьер — лицензии на передачу сигнала. Однако ситуация не безоблачная: некоторые направления перестали расти, некоторые — стагнируют. Классический телеком расти уже не будет, и именно поэтому мы инвестируем в большие данные, пытаемся искать свои ниши в финтехе, цифровой рекламе и создании контента.

Какими инфраструктурными решениями поддерживается работа с данными?

У нас используются три технологии. Первая — Hadoop, дешевая с точки зрения хранения и обработки единицы данных, но сложная. Чтобы с ней работать, нужно знать специфические языки программирования. Таких специалистов мало, и стоят они дорого. Вторая технология — massive parallel processing, MPP. У нас ее поставщиком является Teradata. Хранение и обработка с ее помощью обходятся в разы дороже, но при этом используется распространенный язык SQL. И наконец, есть еще более дорогие системы реального времени, используемые для решения специфических задач. От этих систем требуется мгновенная обработка данных.

Все имеющиеся данные мы разбиваем на три класса в зависимости от того, что с ними собираемся делать. Конечно же, основная часть данных хранится в Hadoop — «холодном» хранилище. Его дешевизна позволяет складировать туда все подряд, не разбираясь, понадобятся ли эти данные в будущем. «Теплые» данные, с которыми ведется активная работа, обрабатываются в Teradata, и минимум «горячих» данных, используемых для маркетинга в реальном времени, находятся в самых дорогих системах. К тому же реализовано гетерогенное хранилище: часть «теплых» данных мы загрузили в Hadoop таким образом, что доступ к ним остался через Teradata. Тем самым сочетаются удобство доступа и дешевизна хранения, и все больше данных в целях экономии мы будем организовывать именно так.

Чем сейчас мобильный оператор может выделиться из конкурентов в условиях примерного равенства цен и качества связи?

Все телеком-компании мира бьются над этой проблемой. Мы намерены сделать следующее: создать вокруг нашей абонентской базы экосистему, в которой классический телеком будет только одной из составляющих. Главное, что там должно появиться, — финтех-сервисы для наших абонентов, решающие их ежедневные потребности в финансовом обслуживании. Помимо финтеха, в нашу экосистему мы будем добавлять как можно больше развлекательных активностей человека.

Где большие данные в реальном времени — там машинное обучение и искусственный интеллект. Банки уже заявляют, что существенная часть их продаж происходит с участием ИИ. А что видите вы?

Мы не ставим цель использовать искусственный интеллект для решения любой задачи. Где-то эти модели работают, где-то — нет. Как правило, они хорошо работают там, где есть большая обучающая выборка — много фактуры, чтобы построить нейросеть и обучить ее. Иногда задачи лучше решаются более простыми методами. Но перспективы действительно внушительные, ведь искусственный интеллект прогрессирует гораздо быстрее человеческого.

Расскажите о нескольких ключевых недавних проектах.

Один из проектов реализован на основе системы Workforce Management для нашей розничной сети, состоящей из 5 тыс. салонов, и касается управления рабочим временем продавцов. Раньше директор каждого салона, исходя из своих соображений, сам решал, когда и кому работать. Он не был мотивирован экономить: в салонах всегда был избыток персонала, и мы были вынуждены переплачивать. При этом все равно периодически возникали очереди, поскольку внезапный наплыв покупателей предсказать никто был не в состоянии. И вот мы построили модель, которая на основе анализа транзакций магазинов за прошлый год прогнозирует на месяц вперед, сколько будет клиентов в данном магазине в каждый час в течение дня. Модель работает с достаточной точностью, чтобы было возможно построить обоснованное расписание работы сотрудников и получить значимый экономический эффект. Повысилась загрузка сотрудников, и сократились очереди.

Кроме того, мы можем спрогнозировать, когда клиенты хотят сменить свой телефонный аппарат, пытаемся понять, на какой именно, и обращаемся к ним с персональными предложениями. У нас огромная розничная сеть, и очень важно имеющимися знаниями помогать ей работать эффективнее. Наши абоненты должны покупать телефоны именно у нас, мы стараемся оказаться первыми, кто сделает им заманчивое предложение. Пока у нас огромный потенциал для роста.

Часто приходится слышать про этику больших данных. Где та граница, за которую нельзя заступать?

Понятно, что мы обязаны действовать в рамках законов. Этика — совершенно другой разрез. Важно понимать, что наша жизнь неизбежно становится все более прозрачной. Уже сейчас любой человек оставляет мощный цифровой след. До глубокой обработки большинства этих данных еще не дошли руки, но это произойдет буквально завтра. Поэтому нас в будущем ожидает одно из двух: либо мы перестанем стесняться чего-либо и смиримся с прозрачностью (и тогда жизнь людей сильно изменится), либо люди, зная, что всё становится известным, начнут жить жизнью праведников. Мне кажется, что более вероятен первый вариант.

Куда движутся большие данные в МТС? Какую роль они будут играть, как могут изменить бизнес компании?

Я думаю, что рано или поздно в ходе работы с данными мы найдем Клондайк: наткнемся на ту самую золотую жилу, позволяющую создать новый бизнес — что-то совершенно новое. Мы стараемся действовать как конвейер по проверке гипотез. Надо пропахать имеющиеся данные вдоль и поперек. В этом смысле работа с большими данными — как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро. С помощью множества экспериментов надо «перещупать» как можно больше возможностей, стараясь ни обо что сильно не удариться. Если в этой комнате что-то есть, оно обязательно найдется.