Большие данные

Основной опыт работы с большими данными, который удалось накопить в фармацевтической отрасли, связан главным образом с фармакокинетическим и фармакодинамическим моделированием. После того как определена доза препарата и начинается этап перехода «от пробирки к человеку», в цепочке накопления данных появляются разрывы. Потенциально полезные для фармацевтики большие данные – геномные данные, сведения о назначенной терапии, данные лабораторной диагностики и мониторинга состояния пациентов, посты на форумах и в социальных сетях – скапливаются отдельными «островами». Фармацевтические компании не успевают перерабатывать этот вал данных в знания и тем более применять их.

Сэкономить время и деньги

Интересы биотех- и фармкомпаний к технологиям анализа больших данных и искусственного интеллекта очень широки и простираются от собственно разработки препаратов до получения обратной связи от пациентов, контроля приема лекарств и соблюдения рекомендаций врачей, совместной работы и повышения операционной эффективности.

Однако, как отметили участники конференции «Большие данные в фарме», организованной Semantic Hub при содействии Агентства стратегических инициатив, прекрасные ожидания фармкомпаний, связанные с цифровизацией здравоохранения, связаны прежде всего с сокращением сроков разработки и исследований, а следовательно – снижением затрат на выпуск новых препаратов.

Чтобы вывести на рынок один новый препарат, требуется минимум 10 лет и несколько миллиардов долларов, но и тогда вероятность того, что этот препарат будет продаваться, составляет примерно 10%, отмечает Кирилл Жуденков, старший научный сотрудник M&S Decisions. По его словам, остановка проектов на ранних стадиях в 80% случаев связана с безопасностью препарата, на поздних – с его неэффективностью. Поэтому при принятии решений о разработке новых лекарственных препаратов очень высоко востребованы аналитика и компьютерное моделирование. «Иначе как понять, эта молекула – «бомба» или не «бомба»», – объясняет Жуденков.

Избежать неудач на поздних стадиях разработки препарата и предсказать влияние лекарств на поведение биомаркеров помогает моделирование динамики основных компонентов биосистемы. Для этого в Институте системной биологии моделируют заболевания, виртуальных пациентов и их популяции и проводят виртуальные клинические исследования. Построенные на ранних стадиях разработки системно-фармакологические модели дают возможность предсказать, что же получат разработчики на второй фазе клинических испытаний. Кроме того, в институте разработали программу Immune Research Template, упрощающую создание системно-фармакологических моделей в области иммуноонкологии.

Между тем и западные, и российские регуляторы остаются достаточно консервативными, даже когда заявляют о готовности принимать данные математического моделирования. И, как отмечает Михаил Самсонов, директор медицинского департамента «Р-Фарм», такая консервативность тоже является барьером для развития.

«Сказать, что интерес фармотрасли к информационным технологиям большой, – это ничего не сказать», – констатирует Александр Чернавин, руководитель группы по поддержке бизнеса в медицинском департаменте «Р-Фарм». Этот интерес охватывает разработку новых препаратов, организацию доклинических и клинических исследований, в том числе создание баз данных. Однако пока мало говорится о создании всеобъемлющих баз данных химических субстанций, которые можно было бы использовать на ранних стадиях разработки препаратов, до получения патента. Фармкомпании многое держат в секрете и потому часто идут параллельными курсами, хотя могли бы продвигаться совместными усилиями. По мнению Чернавина, сотрудничество между фармацевтическими и ИТ-компаниями в период после выпуска препарата развито недостаточно. Крайне важно, чтобы препарат попал в руки хороших специалистов, и здесь возможности образовательных мероприятий, позволяющих с помощью интернет-технологий и вебинаров охватить большее число специалистов, очень велики.

Чернавин также обращает внимание на серьезнейшую глобальную проблему, которую невозможно решить без анализа больших данных, – рост устойчивости возбудителей инфекционных заболеваний к воздействию антибактериальных препаратов. В Смоленске российскими учеными создана база данных результатов лабораторных исследований, которая позволяет анализировать изменения резистентности микроорганизмов со временем. Но этого, увы, недостаточно.

Очевидно, что экономические реалии требуют от фармацевтической отрасли более интеллектуальных подходов и к продвижению своей продукции и к изучению поведения потребителей. В год на подобные мероприятия расходуется около 300 млрд руб. Как признает Иван Глушков, заместитель гендиректора по развитию из Stada CIS, «стремление накачивать телевизор деньгами в условиях падения покупательской способности населения выглядит очень рискованной стратегией».

«Фармацевтика – венчурная по своей природе отрасль, поскольку слишком большое число самых разных факторов влияют на успех препарата, – отмечает Ирина Ефименко, генеральный директор Semantic Hub. – И при анализе большого объема неструктурированных данных всегда есть риск проглядеть что-то важное, упустив перспективную разработку или вложившись в продукт, который сойдет с дистанции». Semantic Hub, специализирующаяся на анализе естественного языка, создает сервисы, помогающие экспертам исследовательских департаментов ускорить разработку перспективных препаратов путем более раннего выявления перспективных направлений, таких как новые решения, молекулы, их комбинации, системы доставки. «Мы надеемся, что с помощью технологий анализа больших данных, искусственного интеллекта, в том числе семантических технологий, сможем ускорить исследования в десятки раз, чтобы каждый этап занимал часы, а не недели», – говорит Ефименко.

Проблемы с интеллектом

По объемам инвестиций в системы искусственного интеллекта здравоохранение уверенно лидирует среди других отраслей. И, возможно, именно поэтому основные проблемы развития искусственного интеллекта в здравоохранении проявляются особенно ярко. Например, Сергей Сорокин, генеральный директор компании «Интеллоджик», отметил такую проблему, как необходимость больших объемов данных для обучения нейронных сетей и невозможность построить эффективные модели с использованием гетерогенных данных на небольших выборках для каждого заболевания.

Но одно из самых серьезных препятствий, затрудняющих распространение в медицине решений на базе ИИ, заключается в том, что врач, принимающий конечное решение и несущий за него ответственность, не понимает, почему ему предлагаются те или иные результаты работы алгоритма. C его точки зрения, система представляет собой «черный ящик», и нет возможности объяснить ему логику получения результата применения ИИ, чтобы валидировать этот результат. Необходима такая система представления результатов, которая позволила бы упростить оценку достоверности работы математической модели врачом.

Попытку создать такое решение предприняли в Российском онкологическом центре им. Н. Н. Блохина – в этом учреждении сейчас тестируется интеллектуальная система анализа медицинских изображений для распознавания рака легких.

Одна из проблем фармотрасли, которую помогает решить ИИ, – повышение эффективности предварительного скрининга пациентов, отбираемых для проведения клинических исследований. По статистике, до 70% набранных пациентов не соответствуют критериям включения (или невключения) в исследование. Как утверждает Сорокин, благодаря математическому моделированию сроки поиска подходящих пациентов сокращаются, а точность повышается.

Наиболее перспективные направления использования искусственного интеллекта в медицине – диагностика и оценка рисков развития заболеваний. В платформе, которую разрабатывает «Интеллоджик», технологии ИИ применяют для обработки диагностических изображений и объединения гетерогенных медицинских данных в вектор, кодирующий всю информацию о пациенте. Первичная модель представления пациентов строится на доступных публичных базах данных, а ее уточнение производится на частных наборах данных. И уже на основе созданных векторных математических моделей разрабатываются инструменты диагностики и оценки рисков заболеваний. В проекте под названием Botkin.AI предусматривается автоматическая подготовка наборов данных и обучение моделей, а также визуализация результатов.

Осознать потребности

Примеров удачной монетизации больших данных на российском рынке ИТ для фармацевтики немного: соединения «боли» заказчика с ИТ-решением часто не происходит, хотя у обеих сторон есть ощущение, что оно где-то рядом.

Один из мировых фармгигантов, компания Bayer, к примеру, развивает акселератор стартапов в области цифровой медицины, ежегодно отбирая перспективные российские ИТ-компании и помогая им сфокусировать свои решения на актуальных для фармацевтики задачах.

Как отмечает Глушков, монетизация – следствие удовлетворения осознанной потребности. Видимо, фармкомпании все еще недостаточно четко осознают, какие именно задачи следует ставить перед ИТ-подрядчиками.

Внедрение новых инструментов требует и опыта со стороны ИТ, и значительной образованности со стороны бизнеса. Как решить эту проблему, если дело касается инновационных решений, по которым рынок еще не накопил достаточной экспертизы? В «СИБУРе» применяют метод «цифрового краудсорсинга», давая зеленый свет инновационным идеям и пробуя использовать на первом этапе своего пути в Индустрию 4.0 все доступные технологии в самых различных направлениях. Недорогие и быстрые пилотные проекты демонстрируют бизнесу потенциальные возможности технологий, а ИТ-специалистам – их возможные ограничения. Об используемых подходах и первых результатах рассказывает Владимир Чернаткин, куратор проектов больших данных и Интернета вещей холдинга «СИБУР».

Владимир Чернаткин Возраст: 38 лет Послужной список: 2016 – настоящее время «СИБУР», куратор проектов больших данных и Интернета вещей 2015 – 2016 «СИБУР», руководитель проектов бережливого производства 2011 – 2015 «СИБУР», руководитель по планированию, анализу и инвестиционным проектам 2009 – 2011 Brunswick Rail, управление проектами и финансовое прогнозирование 2007 – 2009 финансовый аналитик в различных компаниях Образование: МГУ, физический факультет («теоретическая физика»), Universite de Nantes, Ecole des Mines de Nantes, CNRS, Франция, ученая степень («теоретическая физика и математическое моделирование»)/p> Фото: «Сибур»

В чем заключается цифровая трансформация компании, какой выбран путь?

Цифровые инструменты уже прижились во многих отраслях, мы наблюдаем, как они меняют многие бизнесы, иногда даже драматически. И понимаем, что ни одна компания не сможет остаться в стороне. Как сейчас практически у каждого человека в кармане есть смартфон, так у каждой производственной компании очень скоро будут инструменты Индустрии 4.0. Тех, кто сделает это первыми или хотя бы вторыми, кто сможет лучше приспособить эти инструменты для своего бизнеса, ожидает хорошее будущее.

В изначально цифровых отраслях – например, телекоме и банках – все понятно: ИТ уже давно стали частью бизнеса. А у вас?

Конечно, пока нет очевидных признаков превращения нашего бизнеса в ИТ-бизнес или радикальной смены бизнес-модели. Но мы видим, что многие элементы бизнеса могут измениться довольно сильно. Скажем, есть мнение, что, хотя мы B2B-компания, с появлением цифровых инструментов наши методы маркетинга станут все больше походить на методы сегмента B2C. Вместо традиционной продажи продукта, который мы умеем производить, будет приобретать все возрастающую ценность умение понимать потребности клиентов, осознавать, в чем именно мы создаем для них ценность.

Другие области, в которых применимы новые инструменты, тоже вполне конкретны. Например, логистика. У нас более 20 площадок, много сырья, которое перемещается между ними. Соответствующие расходы составляют существенную часть стоимости изделий, их оптимизацией точно имеет смысл заниматься.

Еще одним немаловажным направлением является производство. Несмотря на то что уже многое сделано, есть огромный простор для работы. Мы понимаем, где теряем и сколько, и долгосрочные цели перед руководителями ставятся именно исходя из этого. Руководство вынуждено смотреть на технологии, способные помочь в улучшении показателей. Техническое обслуживание и ремонты также играют критически важную роль на любом производстве. Наконец, «умное» управление персоналом – это совершенно точно про нас.

Какое место в этой трансформации занимает Индустрия 4.0?

Мы исходим из тех проблем, которые есть у бизнеса, и из тех возможностей, которые он видит. Вместе с тем мы пытаемся показывать бизнесу, что он теперь может делать с помощью новых инструментов. В этом взаимодействии вырабатываются те решения, которые позволяют находить наилучшие применения новых технологий – в нужном месте и в нужных количествах.

Очевидно, что входящие в Индустрию 4.0 технологии – дроны, роботы, 3D-печать и пр. – приносят синергию. Они дают гораздо больше, если применяются вместе в рамках единого решения.

От кого больше приходит идей? Ведь, чтобы бизнес сам что-то увидел, нужна определенная зрелость.

Совершенно верно. Именно поэтому в «СИБУРе» используется достаточно интересный подход. На первом этапе нашей цифровой жизни все заинтересованные менеджеры брали все доступные технологии и применяли их везде, где могли. Этот краудсорсинговый этап, во-первых, дал возможность нам самим познакомиться с новыми инструментами, а во-вторых, позволил показать эти инструменты нашим людям из бизнеса: что они могут, а чего совершенно точно не могут, – это тоже важно понимать. А тем временем со стороны нашего руководства велась пропаганда важности новых инструментов и готовности к их использованию.

Эти три фактора воздействия на бизнес – накопление опыта, демонстрация возможностей и поддержка сверху – и должны привести нас к «образованному» бизнесу, знакомому с инструментами и готовому их использовать. К ним важно добавить четвертый – инфраструктуру, позволяющую применять на практике понравившиеся решения. Тогда мы перейдем к централизованной модели, позволяющей создавать и тиражировать решения.

Сейчас мы находимся на первом этапе и оцениваем, какими могут быть подходы к цифровизации.

«Поиграть» с разными решениями – это хорошо. Но кто готов за такую осведомленность платить?

Новые инструменты хороши тем, что многие из них дешевые. Попробовать продвинутую аналитику – это недорого. Можно нанять системного интегратора или сотрудника в штат (правда, специалистов требуемой квалификации трудно найти). В любом случае труд специалиста, даже очень квалифицированного, несопоставим по затратам со строительством новой производственной установки.

Большинство инструментов Индустрии 4.0 – не капиталоемкие. Дрон стоит дешево, 3D-печать – тоже недорого, датчики – вообще копейки. Эта гибкость, так востребованная бизнесом, глубоко встроена во все новые инструменты. Она позволяет недорого ошибаться, пробовать различные подходы и не бояться того, что конкретный эксперимент окажется неудачным. К сожалению, в нефтехимии такой подход возможен далеко не всегда, но в цифровых технологиях он работает, и надо этим пользоваться.

Что стало точкой отсчета вашего похода в Индустрию 4.0?

Цифровая активность у нас продолжается около двух лет. Разумеется, это всегда решение менеджмента. Если руководитель компании принял идею того, что новые инструменты будут иметь сильное влияние на его бизнес, он транслирует ее на все уровни. У нас, скорее, это идет не в приказном порядке, а как пропаганда и агитация. Это хорошо тем, что стимулирует инициативу на местах, сотрудники начинают думать, а не просто действовать по указке.

Мы находимся в выигрышном положении. Во-первых, мы не первопроходцы. Производство – настолько консервативная отрасль, что по применению новых инструментов идет даже позади госструктур. Однако мы видим, как это приживается в других отраслях, понимаем, что до нас эта волна в любом случае дойдет. У нас есть возможность подсматривать правильные ответы, по многим «граблям» уже прошли предшественники. На рынке появилась экспертиза, и у нас есть возможность обращаться за квалифицированной помощью к системным интеграторам. Во-вторых, наше производство хорошо автоматизировано и по многим важным процессам в производственных системах уже давно накапливаются ценные данные.

Каково ваше место в этой цифровой истории?

Я руковожу несколькими проектами, пробуя продвинутую аналитику для разных задач. Это исследовательская работа, и она в значительной степени направлена на получение опыта, поиск ориентиров в мире цифровых технологий. У нас были проекты, которые явно не удались – были многообещающими, но не сработали. Есть проекты, которые, наоборот, идут хорошо, и мы верим, что они дадут результат. Мы теперь знаем, как отдельные инструменты можно применять, а как – нет.

Моя роль – добыча опыта, связывание технологий с нашим бизнесом. Роль не всегда легкая. Многие люди на производстве к таким вещам не привыкли, они открыты и готовы экспериментировать, но пока не верят в эти инструменты. Полученные результаты будут очень важны, в том числе и с культурной точки зрения. Они дадут хорошую мотивацию для развития.

В рамках какого подразделения проводится инновационная работа? Это ИТ-департамент или создана специальная лаборатория?

Специальное подразделение пока не создано, и я не совсем айтишник. Я долго был финансовым аналитиком, участвовал во внедрении производственной системы. Естественно, с сотрудниками ИТ-службы приходится много контактировать, чтобы новые инструменты заработали. Их роль очень велика, многое из того, что мы делаем, без их участия просто не получится.

У нас есть «плавающий» пул талантов, которых удалось собрать в разных подразделениях и которым дали возможность заниматься инновациями. Дальше при формировании оргструктуры, которая рано или поздно будет создана, используют именно этих специалистов, и у каждого будет своя роль.

Инициативы больших данных и Интернета вещей неразрывно связаны друг с другом?

Интернет вещей – питающий элемент для продвинутой аналитики. Это важнейший источник данных, помогающий создавать новые модели поведения в бизнесе. Верно и обратное: когда мы хотим решить бизнес-задачу и считаем, что большие данные являются для этого хорошим инструментом, это заставляет нас идти в Интернет вещей. Когда данных оказывается недостаточно, мы думаем о том, как добыть их.

Инструменты Интернета вещей больше ориентированы на сокращение расходов или на увеличение доходов? И какую из этих историй проще продать бизнесу?

Я бы не ставил здесь «или». Мы идем от бизнес-задач. Например, если вы научились быстрее реагировать на потребности клиента, возможно, удастся поднять ему цену. А может, этого не получится, но удастся повысить его лояльность.

В производстве то же самое. Конечно, в центре затрат приходится работать с затратами, а в центре прибыли – с прибылью. Продвинутая аналитика хороша тем, что дает сквозной взгляд на цепочки процессов. В некоторых случаях получаются комплексные проекты, которые изменят бизнес-процессы таким образом, что они станут дешевле и при этом более прибыльными.

Мы производственная компания, поэтому нам проще начинать с производства. Если компания учится работать со своим оборудованием, сокращая число простоев, она больше зарабатывает. Если она учится аккуратнее расходовать электроэнергию и пар, она экономит.

Что уже реализовали, каких результатов удалось достичь?

Попробовали мы практически все технологии, которые чаще всего упоминаются в связи с Индустрией 4.0, – дроны, 3D-печать, виртуальную и дополненную реальность и т. п. Ближайшая задача – реализовать на их основе бизнес-сценарии, сделать их прибыльными и добиться того, чтобы они меняли наш бизнес.

Хорошим примером является наш совместный проект с компанией Teradata по оптимизации работы линий производства биаксиально-ориентированной полипропиленовой пленки. На каждой линии иногда происходят обрывы полотна пленки. Это штатные ситуации (не аварии), но производственный процесс приходится останавливать, оборудование простаивает. Проект был направлен на минимизацию таких остановок.

Мы совершенно точно знали, что есть резервы улучшения, но не совсем понимали, где. К этому процессу пытались применять традиционные инструменты аналитики, но они не дали результатов. Было решено попробовать использовать инструменты больших данных. Рассматривались две гипотезы – сырьевая (добиться большей прочности пленки) и событийная (выделить посторонние факторы, влияющие на обрывы). Например, было выявлено, что при открытии одной из дверей в цеху пленка начинает рваться чаще. Оказалось, что дело в сквозняке, из-за которого пленка переохлаждается. Этот пример показывает, насколько много факторов влияют на производство. В результате анализа было выделено несколько управляемых параметров производственного процесса, которые необходимо особо контролировать.

Есть ряд менее амбициозных проектов, в которых новые решения логически продолжают существующие инструменты статистического анализа. Результаты этих проектов не столь громкие, но зато проще реализация и очевиднее польза.

Были достаточно интересные проекты по предупредительным ремонтам, в ходе которых мы научились предвидеть аномалии в работе компрессоров; в другом проекте мы предсказывали состояние химического реактора, обнаруживая паразитные процессы, снижающие его эффективность.

А каковы успехи в отношении дополненной реальности?

Уже появились готовые решения на основе очков и шлемов дополненной реальности, некоторые мы протестировали. Честно говоря, технология еще сыровата. Но эти технические проблемы со временем решатся, а сценарии для их применения вполне просматриваются. Самый очевидный – мобильные решения для поддержки процессов техобслуживания и ремонтов. Когда ремонтник придет на объект, у него как минимум появится инструкция по оборудованию, а в более продвинутых сценариях видеоаналитика поможет найти неисправность. Могут использоваться и планшеты с приложениями дополненной реальности; возможно, это даже более близкое решение, поскольку оно уже хорошо работает.

Кроме того, благодаря использованию дополненной реальности можно будет привлекать удаленных экспертов и тем самым оперативнее реагировать на нештатные ситуации на производстве. В случае недоступности высококвалифицированного специалиста на место проблемы вполне может выдвинуться менее опытный инженер, а «гуру» будет ему помогать удаленно. В конечном итоге такой подход повышает надежность и безопасность.

Какие из результатов можно отнести к условно негативным?

Иногда всплывают технические ограничения. По итогам одного из проектов мы знаем, что технологии больших данных в некоторых процессах не срабатывают – по крайней мере, если их применять «в лоб». Кроме того, иногда выясняется, что даже там, где технологии применимы, они не дают заметного финансового эффекта. Но даже при отрицательном исходе эксперимент можно считать состоявшимся и успешным. Ведь в нашем случае главная его цель – быстро и без особых затрат добыть знания о том, как надо и как не надо делать.

Владимир Чернаткин, куратор проектов больших данных и Интернета вещей холдинга «СИБУР»: «Гибкость, так востребованная бизнесом, глубоко встроена во все новые инструменты. Она позволяет недорого ошибаться, пробовать различные подходы и не бояться того, что конкретный эксперимент окажется неудачным»

С помощью каких решений поддерживается работа с большими данными?

Здесь мы тоже пробовали многое. Нам хорошо помогает такое свойство нынешних инструментов, как платформенность. Оно заключается в том, что необязательно покупать по одному решению под каждую задачу, это всегда очень дорого. Инструменты хорошо масштабируются, и они достаточно мощны. Если найден один инструмент для широкого спектра задач, то тогда серьезно сокращаются и выбор, и затраты. Чтобы правильно выбрать, необходимо познакомиться с инструментами в ходе реализации практических задач – это ровно то, что мы делаем. Выбор конкретных решений комментировать не буду.

Какие из внешних данных могут быть полезными для решения производственных задач?

В бизнесе, связанном с продажами, есть широкое поле для работы с внешними данными, в том числе из Интернета. В производстве это тоже имеет смысл. Например, информация о погоде важна для многих химических процессов с точки зрения поддержания нужных температурных режимов. Более того, если вы подстраиваете свою логистику и производство под потребности клиентов, то приходится учитывать при планировании производства внешние факторы. Если даже просто ограничиваетесь логистикой, то, используя ранее не применявшиеся сведения – например, о погоде на море, можно увидеть многое. Скажем, если корабль задерживается из-за шторма, то вагоны в порту простаивают и позже возвращаются на площадку. Раньше диспетчеру приходилось выглядывать в окно, смотреть на пути и констатировать дефицит вагонов. Теперь у него есть возможность прогнозировать недостаток вагонов за неделю или две.

Является ли целью «СИБУРа» безлюдное производство?

У нас опасное производство, и многие процессы, выводимые из-под руководства людьми, становятся безопаснее. Но само производство от этого не становится безлюдным, просто меняются роли людей, они становятся более аналитическими, творческими. Разумеется, процессы, непосредственно приводящие к инциденту, надо стремиться делать безлюдными. Но аналитическая работа требует присутствия человека, и ее можно автоматизировать лишь частично. Другое дело, что иногда это совсем другой человек, ему не всегда необходимо находиться на производстве, он может работать удаленно.

Мы обсуждали сценарий использования людей, которые не ходят на работу, но доступны по телефону. Общаясь с нашим партнером, одной из производственных компаний, мы узнали, что такое возможно. Когда «что-то идет не так», робот звонит инженеру и объясняет суть проблемы. У инженера есть показатель эффективности – он должен реагировать на звонки и быть способным приехать на производство за определенное время. При таком раскладе человек появляется лишь в том случае, если машина встречается с чем-то незнакомым. Думаю, что полностью безлюдным производство, скорее всего, не будет.

Что сложнее на пути к цифровому предприятию – технологии или изменение культуры?

Да, меняться тяжело. Но у нас есть хороший опыт: мы недавно внедрили новую производственную систему. Люди на производстве уже привыкли к тому, что происходят изменения. Они достаточно открыты, хотя, бывает, иногда скептически относятся к отдельным инструментам. Возможно, нам культурные изменения обходятся легче, чем другим, мы чуть лучше готовы к ним. Поэтому у нас есть возможность сосредоточиться на технической составляющей. А проблемы бывают. Да, что-то можно скопировать у других, однако производственные компании не похожи на банки или ИТ-компании, многое приходится изобретать самим, создавать с нуля.

Благодаря мобильным гаджетам, социальным сетям и развитию Интернета, технологии быстро пронизывают обыденную и деловую жизнь, нас окружают «умные» города и Промышленный интернет. В мире становится все больше компаний, которые сделали данные своим основным ресурсом. Квинтэссенцией осмысления этих тенденций и ответом на задачи, поставленные четвертой промышленной революцией, стала программа «Цифровая экономика», утвержденная правительством РФ 28 июля 2017 года.

Программа должна стать платформой для совместной работы государства, бизнеса и общества. Уже инициирован диалог государства и бизнеса по пяти направлениям: нормативное регулирование; кадры и образование; формирование исследовательских компетенций и технических заделов; информационная инфраструктура; информационная безопасность. По каждому определены центры компетенций и рабочие группы.

Предполагается, что к 2025 году доля цифровой экономики в ВВП достигнет 10%. И крупный бизнес не намерен стоять в стороне от ее формирования. Тем более что зачастую выбор стоит жестко: трансформироваться или умереть.

Цифровая экономика – это хозяйственная деятельность, ключевым фактором производства в которой являются данные в цифровой форме

В главной роли – бизнес

«Цифровизация меняет не только образ жизни людей, но и принципы работы традиционных отраслей: энергетики, транспорта, машиностроения», – отметил председатель правительства Дмитрий Медведев, выступая на форуме «Открытые инновации». Конструкторские бюро обмениваются электронной документацией, новые лайнеры «Сухой Суперджет 100» и МС-21 уже спроектированы в цифре, а авиакомпании планируют сервисное обслуживание и оптимизируют загрузку флота с помощью ИТ.

Между тем в докладе Всемирного банка о глобальном развитии 2016 года отмечается низкий уровень применения цифровых технологий бизнес-структурами в России по сравнению с госорганами и населением. Поэтому основная роль как в выстраивании, так и в реализации программы «Цифровая экономика» отведена бизнесу. Из 600 человек, работающих над планами реализации программы, только 70 – чиновники. «Планы разрабатываются бизнесом, правительство исполняет роль модератора и коллективного интегратора», – утверждает Андрей Белоусов, помощник президента России по экономическим вопросам. И это единственная госпрограмма, выполнение которой оценивает бизнес.

Как подчеркивает Медведев, цифровизация – вопрос конкурентоспособности самого бизнеса. В конечном счете сам бизнес в этом заинтересован.

Крупные компании не скрывают своей заинтересованности. «Если мы сегодня не будем инвестировать в прорывные цифровые технологии, то через полшага проиграем», – убежден Кирилл Комаров, первый заместитель генерального директора «Росатома», где в этом году планируют запустить электронную биржу идей.

«У нас нет ситуации «если не изменимся, то не выживем», но сервисная часть бизнеса точно будет другой», – говорит председатель правления компании «СИБУР» Дмитрий Конов. Из 27 тыс. человек, работающих в нефтехимическом холдинге, непосредственно производством занимаются 18 тыс., но на 9 тыс. остальных сотрудников прорывные ИТ окажут не меньшее влияние, чем, например, в финансовой индустрии.

«В таких тяжелых отраслях, как нефтехимия, глобальной трансформации бизнес-модели не наблюдается, но в каждой функции меняется многое», – свидетельствует Василий Номоконов, исполнительный директор «СИБУРа». И компании, которые занимаются «цифрой», выигрывают, так как производят больше продукции с использованием меньшего количества ресурсов. Меняется и сам корпоративный менеджмент. «Диджитализация впускает венчурный дух в принятие решений, допуская гораздо больше неопределенности, и мы начинаем мыслить не единичными проектами», – заметил Номоконов.

Говоря о том, что тормозит процесс цифровой трансформации, Конов обращает внимание на изменение пропорций между алгоритмом, «железом» и софтом, с одной стороны, и их адаптацией к конкретным условиям бизнеса – с другой. «Адаптация идей и технологий к нашим процессам требует совместной работы тех, кто понимает технологии, и тех, кто понимает процесс, – напомнил он. – Сегодня этот процент усилий для адаптации существенно выше, чем в индустриальных решениях предыдущих поколений, именно это многих останавливает».

Компании, уже родившиеся цифровыми, тоже принимают непосредственное участие в планировании новой экономики. «Мы относимся к этому не как к «серебряной пуле». Построение цифровой экосистемы – это игра вдолгую, это тяжелый труд над сотнями различных инициатив», – пояснил Борис Добродеев, генеральный директор Mail.ru Group. В Интернете, по его словам, экосистема цифровой экономики уже сложилась: несколько российских компаний в открытых конкурентных условиях обыгрывают зарубежных игроков и создают инновации. Основные проблемы этих компаний – потребность в новых рынках сбыта и доступ к капиталу. «Будучи составной частью этой экосистемы, мы хотим влиять на ее развитие», – заявил Добродеев.

Для этого нужны понятная, прозрачная система регулирования, хороший инвестиционный климат, развитая культура предпринимательства и постоянное пополнение кадрового резерва.

Спешить, не торопясь

Государство способно влиять на развитие цифровой экономики через госинвестиции и темп изменения регуляторной среды. Как сообщил Аркадий Дворкович, заместитель председателя правительства РФ, большую часть ресурсов государство намерено выделять на образование в сфере цифровой экономики и на фундаментальную науку. Остальное предполагается делать за счет частных инвестиций.

Существующая нормативная среда не учитывает ключевых свойств новой экономики: высокой ценности нематериальных активов, размывания границ и предельно низких затрат на тиражирование бизнес-модели. Чтобы создать условия для скачка в цифровую экономику, нужно спешить, считает Медведев. Государству предстоит очень быстро создать нормативное пространство для тех областей, которые пока непонятно как регулировать, – так называемые регуляторные песочницы.

По мнению президента Сбербанка Германа Грефа, правительство должно немного отставать, давая бизнесу возможность получить первые результаты в деле развития цифровой экономики, и лишь потом выстраивать регуляторную среду. Президент фонда «Сколково» Виктор Вексельберг с этим мнением не согласен. В числе регуляторных вопросов, которые должны были быть решены «еще вчера», – идентификация субъекта в цифровой экономике, юридическая сила электронных документов, электронные формы государственного контроля бизнеса, применение киберфизических систем, регулирование оборота данных и доступа к ним таким образом, чтобы они были защищены и в то же время доступны для решения различных бизнес-задач. «Как бы правительство ни торопилось, оно все равно опоздает, – сказал Вексельберг. – Уже сегодня ситуация требует появления этих законодательных актов».

Меняй модель

Понимание того, что цифровая экономика – это не просто перевод аналоговых форм в цифру, а изменение бизнес-модели вследствие такого перевода, уже сложилось. «Если цифровая трудовая книжка – это pdf-документ, я, конечно, буду счастлив носить его на флешке, но если она не приводит к формированию моей цифровой траектории, на основании записей которой формируются проактивные сервисы со стороны бизнеса и государства, то это просто ничто», – заявил Максим Акимов, первый заместитель руководителя аппарата правительства РФ. Так и цифровая транспортная накладная должна быть не просто документом, скрепленным усиленной электронной подписью. Она должна дать бизнесу возможность совместного использования (шеринга) промышленного оборудования, избавить его от собственных логистических подразделений, экспедиторов или автопарка. «Перевод процессов в цифру и на блокчейн – это здорово. Но главная цель – это быстрый рост производительности на основании изменения бизнес-моделей», – подчеркнул Акимов. Осталось определить, где же те «кротовые норы», которые приведут к реальной трансформации бизнес-модели.

Экономика партнерства

Программа отвечает на вопрос «что делать?», но не говорит как. Многое будет зависеть от того, что удастся реализовать, в первую очередь в промышленном и торговом секторах. «Цифровая экономика – это не про ИТ, а про данные, про их использование и капитализацию, – говорит Белоусов. – Бенефициарами этой программы станут компании, которые будут использовать цифру как свой основной ресурс». Прежде всего это крупные компании, способные создавать экосистемы, а также компании, работающие с ними на аутсорсинге, cтартапы и нишевые игроки.

Михаил Осеевский, президент «Ростелекома»: «Людям нужны информация, коммуникации и эмоции. Это огромный рынок, где не существует границ»

Наиболее очевидные кандидаты на точки роста цифровых экосистем – инфраструктурные компании. ««Ростелеком» не хочет быть исключительно инфраструктурной компанией, мы хотим быть цифровой компанией и предлагать гражданам, государству и бизнесу конечные решения, которые позволят им больше зарабатывать или меньше тратить, – заявил президент «Ростелекома» Михаил Осеевский. – И для этого мы ищем новые продукты и технологии».

Поскольку готовых решений зачастую не находится, «Ростелеком» намерен стать таким же акселератором, как Фонд развития интернет-инициатив. Цифровая экономика – это экономика партнерства, подчеркнул Осеевский. Только дав возможность десяткам и сотням тысяч компаний двигаться по пути инноваций, в результате можно увидеть «звездочки». Что именно «выстрелит», можно только предполагать. «Людям нужны информация, коммуникации и эмоции, – говорит Осеевский. – Это огромный рынок, где не существует границ, и мировым лидером может стать российская компания, которая предложит человечеству новые эмоции».

В ближайшие годы должно возникнуть много динамичных цифровых компаний, полагает Медведев. Для этого есть хороший потенциал, и этого можно добиться быстро при сравнительно небольших затратах. Речь идет о транспортных и логистических услугах, здравоохранении, образовании, финансах, «умной» городской среде, аграрном производстве и других областях. Удаленные районы, больницы и школы продолжат подключать к Интернету. Кроме того, в ближайшее время начнется создание сети мобильной связи пятого поколения, что должно ускорить развитие высокотехнологичных компаний. «Мы продолжим создавать условия для привлечения инвестиций, для работы венчурных фондов, готовых поддерживать российские стартапы», – заверил премьер.

Пока проблема с привлечением инвестиций в инновационный бизнес не решена. «Ахиллесова пята российских инноваций – сложности с выходом на рынок капитала, – заметил Сергей Горьков, председатель Внешэкономбанка. – Компании либо не получают достаточного финансирования, либо перемещаются за пределы страны». По его мнению, это связано как с тем, что экосистема недостроена, так и с тем, что Россия – недостаточно большой рынок, чтобы позволить себе развивать все инновационные технологии. Поэтому надо создавать фонды, поддерживающие выход на азиатские рынки, и тем самым «разгонять» инновации в России. По оценке Горькова, cоздание в стране центров компетенции мирового уровня вполне возможно. ВЭБ собирается открыть такой центр по блокчейну, хотя это не единственная технология, которая будет менять мир. Необходимо также сформировать в стране позитивное отношение к инновациям, чтобы квантовый компьютер, искусственный интеллект и конвергентные технологии вошли в моду. «Хайп – это тоже важно», – считает Горьков. В текущем году ICO обогнало венчурные фонды по объемам финансирования, так как существующая финансовая система не совсем готова воспринимать новую экономику.

В Сбербанке также рассматривают блокчейн и квантовый компьютинг как крайне перспективные технологии. «Блокчейн – технология, способная изменить сектор, в котором я работаю, просто драматически, – уверен Греф. – Она позволяет автоматизировать практически все процессы, особенно в соединении с искусственным интеллектом».

Пять профессий ИИ в Сбербанке

Среди технологий сегодняшнего дня главную скрипку играет искусственный интеллект, который Греф сравнил с электричеством в начале прошлого века. «Если раньше мы предполагали, что машинное обучение, искусственный интеллект, большие данные – это то, что мы можем использовать в процессе принятия решений, в том числе кредитных, то сегодня фактически нет ни одной области нашего бизнеса, в которой мы не применяли бы искусственный интеллект», – заявил он.

Первое ключевое направление использования ИИ в финансовом бизнесе – интеллектуальные советчики, «персональные финансовые менеджеры» и боты, отвечающие на типовые вопросы клиентов в контакт-центрах. «Через три-пять лет у нас просто не останется на этой функции людей, потому что каждый день искусственный интеллект учится и становится все более и более точным в своих ответах и прогнозах», – сообщил Греф.

По второму направлению – принятию решений на основе анализа больших данных – ИИ применяется как в корневом бизнесе Сбербанка, так и при принятии кредитных решений. По словам главы Сбербанка, без участия человека принимаются примерно 99% кредитных решений по физическим лицам. По корпоративным клиентам доля автоматически принимаемых кредитных решений – около 35%, но уже через три года ее планируется довести до 70%.

Третье направление использования ИИ – кибербезопасность. Анализировать транзакции, количество которых на пике достигает 7-8 тыс. в секунду, можно только с использованием искусственного интеллекта, и машины каждый день учатся бороться с хакерами.

Четвертое направление – анализ конкретных клиентских потребностей, маркетинг и индивидуальная работа с каждым клиентом. «Наш клиент перестает быть усредненным», – утверждает Греф.

И наконец, последняя область использования ИИ – автоматизация всей деятельности банка, начиная от бэк-офиса, бухгалтерии, аудита и заканчивая юридической службой. «Все простые операции будут автоматизированы», – заявил Греф. По его словам, эта ежедневная практика Сбербанка к 2020 году станет обычным делом практически во всех корпорациях.

В большинстве отраслей не заметно роста эффективности от использования накапливаемых сведений. Зачастую причина в том, что компании имеют неверное представление о ценности различных источников данных. Действительно, не все данные одинаково полезны. Компании по-прежнему склонны оценивать то, что клиент сам сообщает о себе, а не ориентироваться на его поведение. Поэтому системы, использующие источники данных нового типа для повышения эффективности бизнеса, все еще редки.

«Уже несколько лет мы экспериментируем с различного рода источниками данных и давно убедились в том, что не всегда «больше данных» означает «больше денег»», – подчеркнул Максим Савченко, руководитель разработки моделей в Центре компетенций исследований и разработки моделей компании «Сбербанк-Технологии», в своем выступлении на конференции «Технологии Больших Данных», организованной издательством «Открытые системы». Ключевым моментом является то, что если говорить о конечных потребителях технологий, то их целью не является игра с данными или моделями – им нужен финансовый эффект. Между тем сам сбор данных и их хранение не приносят компании денег – как раз наоборот. Создание моделей тоже обходится недешево, но модель представляет собой лишь отчет, а отчеты сами по себе денег компании тоже не приносят. О какой-либо выгоде можно говорить только после внедрения моделей в операционный контур.

В любом случае людей, которые имеют опыт построения моделей, гораздо больше, чем тех, кто имеет опыт их внедрения. Кроме того, можно столкнуться с тем, что внедрить модель не позволяет текущая инфраструктура, либо с тем, что внедрение обходится очень недешево.

«Прежде чем начать решать ту или иную задачу, надо ответить себе на два важных вопроса: какая бизнес-польза будет получена и разрешит ли регулятор использовать полученное решение?» – рекомендует Савченко. Компаниям, разрабатывающим такие системы, например, в целях скоринга, приходится иметь дело с массой ограничений, причем в России ситуация еще не самая тяжелая. Если, начиная проект, об этом не подумать, ресурсы будут выброшены на ветер, даже если проект формально окажется успешным.

Отделить зерна от плевел

Источников данных много, но все они делятся на две категории. К первой относится огромное количество общедоступных данных, которые по сути абсолютно бесполезны для решения большинства бизнес-задач. Очевидно, что, например, попытки на основе сообщений на форуме оценить кредитный риск или эффективность человека как руководителя ни к чему хорошему не приведут. В этом случае при построении моделей придется столкнуться с их низкой эффективностью.

Вторую категорию внешних источников составляют полезные данные. Их меньше, и они более структурированы. Однако у этих внешних данных есть как минимум несколько недостатков. Во-первых, ими кто-то владеет, и за обращение к ним придется платить. Но гораздо печальнее то, что многие данные, интересные с точки зрения принятия решений, представляют собой тайну: тайну связи, коммерческую или банковскую тайну. С такими данными надо очень аккуратно работать, необходимы подходы, которые принципиально отличаются от работы с классическими источниками. Нужны схемы, позволяющие получить необходимую информацию, не нарушая законов и не ущемляя ничьих прав.

«Любопытно, что большая часть детальной информации, интерес к которой может вызывать неприятие клиентов, бизнесу и не нужна. Мы не копаем слишком глубоко, не лезем в те подробности, до которых нам нет дела», – подчеркивает Савченко. Типичным примером стал проект скоринга корпоративных клиентов, реализованный Сбербанком. В результате удалось найти определенный баланс между тем, что нужно, и тем, что можно по закону, причем так, чтобы не создавать проблем клиентам.

Требовалось найти источник данных, который был бы, во-первых, дешевым, а во-вторых, исключал перечисленные ограничения. Более того, он должен был быть не заявочным, а поведенческим, отражающим реальное состояние клиента. Таким источником оказались транзакционные данные компаний.

Актуальность и объективность

Максим Савченко, руководитель разработки моделей в Центре компетенций исследований и разработки моделей компании «Сбербанк-Технологии»: «Большая часть детальной информации, интерес к которой может вызывать неприятие клиентов, бизнесу и не нужна. Поэтому мы не копаем слишком глубоко, не лезем в те подробности, до которых нам нет дела»

Поведенческие модели, оценивающие реальное состояние клиента, а не то, что он о себе заявляет и что сотрудники компании о нем думают, существуют уже давно. Главной из них является поведенческий скоринг на основе данных кредитных систем. По сути, все модели Basel II, оценивающие экономический капитал, также строятся на основе того, как клиент платит по своим долгам, и это довольно точно характеризует связанные с ним риски.

Однако при пользовании данными кредитных систем возникает несколько проблем. Одна из них – отсутствие там интересующей организации.

«При попытке оценить клиента, впервые пришедшего за кредитом, но при этом годами пользовавшегося другими финансовыми услугами, возникает интересная ситуация: мы его знаем, но ничего сказать не можем», – говорит Савченко. Более того, по наиболее интересным клиентам информации может оказаться меньше всего. Как известно, обеспеченные люди нечасто прибегают к кредитным услугам.

Вторая проблема – устаревание данных. Ситуация на момент нового обращения может измениться. И именно транзакционные данные являются источником, постоянно сохраняющим актуальность.

Место для алгоритма

По мнению Савченко, важно не только то, какие задачи решаются и какие при этом методы используются. «Если мы хотим механически заменить человека каким-либо алгоритмом, ничего не получится: сильного искусственного интеллекта пока нет, и, несмотря на все заявления, в его появление в ближайшее время верится слабо. Однако от процессов, где человек пока незаменим и где его использование оправданно, вполне можно уйти к тем процессам, где машина уже чувствует себя прекрасно», – подчеркивает он.

Машины доверчивы, как дети, их легко обмануть, предоставив неверную информацию, и на основе этого будут сделаны неверные оценки. Человек же в этом случае вполне может почувствовать неладное, основываясь на своем опыте.

Но ситуация радикально изменяется, если построить модель на основе объективных данных, не требующих ни предоставления каких-либо сведений о себе, ни экспертных суждений.

«Раньше при оценке бизнеса мы смотрели на оценки, полученные экспертами, и предоставленную компаниями отчетность. Это долго и недостоверно. Однако, если посмотреть на поведение бизнеса (изменение числа контрагентов, дебиторскую задолженность, поток платежей и т. п.), можно провести его детальную диагностику», – отмечает Савченко. Таким образом, происходит не замена оценивающего бизнес эксперта на робота, а встраивание алгоритма совсем в другом месте – там, где данных много, где их невозможно подделать, а сами данные точно характеризуют происходящее.

После того как новые методики оценки были внедрены в конце прошлого года для кредитования малого бизнеса, удалось за полгода нарастить портфель кредитов на 10% без ухудшения его качества. С учетом масштабов Сбербанка и непростой экономики, это очень неплохой результат.

Выяснилось, что банк вполне может отказаться от традиционной оценки клиентов. Слово «традиционный» в данном контексте вовсе не несет негативной оценки. Но если банк действительно может обойтись без ставших ненужными справок, этой возможностью нужно пользоваться. В нынешней ситуации это имеет большое значение, ведь самое ценное в любом бизнесе – клиенты, и если совершать действия, неприятные им, ничем хорошим это не закончится.

Большие Данные и средства их анализа способны изменить сложившиеся условия игры, предоставив информацию, которая поможет отбросить конкурентов, сгенерировать дополнительные доходы из новых источников и улучшить обслуживание клиентов.

Вместе с тем инициативы, связанные с анализом Больших Данных, могут обернуться грандиозными провалами, которые приведут к растратам денег и времени, не говоря уже о потере талантливых технических специалистов, оказавшихся жертвами просчетов руководства.

Как избежать провалов, связанных с Большими Данными? Некоторые рекомендации очевидны и касаются основ управления: заручитесь поддержкой людей из числа высшего руководства, обеспечьте достаточное финансирование всех необходимых технологических нововведений, привлеките экспертов и организуйте качественное обучение на местах. Если не решить эти основополагающие вопросы, все остальное уже не имеет значения.

Но предположим, что все основные условия соблюдены. В этом случае успех будет зависеть от того, насколько качественно решаются технические задачи анализа Больших Данных. Перечислим, что можно сделать для успешного завершения таких проектов.

1. Тщательно выбирайте инструменты анализа Больших Данных

Многие технологические провалы объясняются тем, что компании покупают и внедряют продукты, не слишком подходящие для тех задач, которые они пытаются решить. При описании своих продуктов все поставщики с удовольствием оперируют терминами «Большие Данные» и «передовые аналитические средства», пытаясь извлечь выгоду из модных словечек.

Однако продукты существенно различаются не только по качеству и эффективности, но и по своему предназначению. Поэтому, даже если вы выбираете неплохой с технической точки зрения продукт, он может не вписаться в те задачи, которые вам необходимо решить.

Есть базовые моменты, которые присущи почти всем инициативам, связанным с анализом Больших Данных. Они касаются, например, преобразования данных и архитектуры хранения (Hadoop и Apache Spark). Вместе с тем в направлении анализа Больших Данных существует множество различных ниш, и конкретные продукты следует подбирать для ниш, соответствующих вашей технологической стратегии. К этим нишам относятся процессный анализ, прогнозная аналитика, решения, работающие в реальном времени, искусственный интеллект и инструментальные панели для бизнес-анализа.

Прежде чем принять решение о покупке любых продуктов для анализа Больших Данных или платформ хранения, необходимо оценить, какие конкретные задачи стоят перед бизнесом, и выбирать продукты, позволяющие эффективно решать именно эти конкретные вопросы.

«Можно, скажем, выбрать когнитивные продукты Больших Данных – например, средства искусственного интеллекта, – для анализа неструктурированной информации, поскольку обрабатывать большие объемы данных в этом случае очень сложно, – указал руководитель направления Больших Данных в телекоммуникационной компании Vodafone Исраэль Экспозито. – Но не использовать когнитивные инструменты для структурированных и стандартизированных данных. Лучше внедрить какой-нибудь из продуктов, выполняющих качественный анализ и стоящих дешевле. Перед выбором окончательного варианта для рабочей среды имеет смысл проверить принятую концепцию по крайней мере на двух продуктах. А выбранный продукт должен быть интегрирован с вашей корпоративной платформой».

Любой аналитический инструмент для Больших Данных требует разработки модели данных в базовой системе управления предприятием. Это самая важная часть проекта. Здесь необходимо обеспечить тесное взаимодействие системных интеграторов и экспертов основных подразделений. Выделите необходимое время и решите соответствующие вопросы в первую очередь.

Важно помнить, что данные должны быть постоянно доступны и переведены на язык бизнеса, с тем чтобы пользователи четко понимали выходную информацию и могли использовать ее для реализации новых возможностей и улучшения процессов.

2. Убедитесь в том, что инструменты просты в использовании

Большие Данные и современные аналитические средства очень сложны. Продукты же, с помощью которых бизнес-клиенты осуществляют доступ к данным и их анализ, напротив, должны быть простыми в использовании.

Выберите простые и эффективные инструменты для групп Data Discovery, а также для проведения анализа и визуализации.

«Для регистратора доменов GoDaddy поиск правильного сочетания инструментов вылился в очень сложную задачу, поскольку они должны были обеспечивать быструю визуализацию и вместе с тем глубокий анализ, – отметила идеолог направления инструментов бизнес-анализа корпоративных данных компании Шерон Грейвс. – В итоге GoDaddy все же удалось найти продукты, которые помогали бизнес-пользователям легко находить нужные им данные и создавать их визуальное представление. Благодаря этому удалось высвободить ресурсы аналитиков для решения более сложных задач».

Нельзя предоставлять инструменты уровня программиста бизнес-пользователям, не имеющим технической подготовки. Они вызывают у них отторжение и желание вернуться к своим предыдущим инструментам, которые уже не подходят для решения стоящих перед ними задач.

3. Согласуйте проект – и данные – с актуальными потребностями бизнеса

«Еще одна причина провала усилий аналитиков Больших Данных заключается в том, что они начинают искать решение проблемы, которой на самом деле не существует, – указал главный научный сотрудник Лаборатории глобальных данных поставщика информационных услуг Experian Шанджи Сюн. – Вот почему прежде всего нужно очертить круг проблем и потребностей бизнеса, с тем чтобы правильно сформулировать аналитические задачи».

Ключевым условием здесь является привлечение к проекту, уже на начальном этапе, экспертов в предметной области, имеющих хорошую аналитическую подготовку. Совместно с исследователями данных они должны определить существующие проблемы.

Вот пример из собственной практики Experian. При разработке аналитических решений для борьбы с мошенничеством и подменой личности задача, с одной стороны, заключалась в оценке легитимности сочетания персональной идентификационной информации – ПИИ (имен, адресов и т. д.) с номерами социального страхования. А с другой – в оценке того, действительно ли клиент, обратившийся с заявкой на получение кредита, является тем, за кого себя выдает. Возможно, требовалось решить обе эти задачи.

«Первая задача связана с проблемой искусственной, синтезированной личности и требует построения аналитической модели, оценивающей риски создания искусственной личности на потребительском или ПИИ-уровне, – пояснил Сюн. – Вторая задача ­– это выявление мошенничества с приложениями, поэтому критерии оценки рисков необходимо закладывать на уровне приложений. В Experian должны были понять, что это разные проблемы (хотя изначально и могло показаться, что проблема одна, только сформулирована по-разному), и создать правильные модели и аналитические средства для их решения.

Когда набор ПИИ с заявкой на получение кредита представляется в две финансовые организации, обычным требованием является сводная оценка рисков, а для оценки мошенничества в приложении этого обычно не требуется.

Для проведения бизнес-анализа и выдачи точных прогнозов нужно, чтобы правильные алгоритмы применялись к правильным данным. Сбор и включение релевантных наборов данных в процесс моделирования почти всегда важнее тонкой настройки алгоритмов машинного обучения, поэтому главным приоритетом должно стать повышение качества данных.

4. Выстраивайте озера данных и не экономьте на пропускной способности

Большие Данные, как следует из названия этого термина, подразумевают наличие огромных объемов информации. В прошлом лишь очень немногие организации могли позволить себе хранить такие объемы, а возможности для их анализа имелись у еще меньшего числа. Но сегодня высокопроизводительные технологии хранения и крупномасштабная параллельная обработка данных получили повсеместное распространение как в облаке, так и в системах, развертываемых непосредственно на территории предприятий.

Однако одного лишь хранения еще недостаточно. Нужны средства управления различными типами данных, вписывающиеся в вашу концепцию анализа Больших Данных. Гениальное изобретение Apache Hadoop позволило хранить и получать представления огромных наборов разнотипных данных. Такие хранилища часто называют озерами данных. В озере данных находятся данные множества различных типов, поступающие из разных источников.

«Однако озеро данных не должно превращаться в свалку, – указал руководитель направления исследования компьютерных технологий Университета штата Аризона Джей Этчингс. – Необходимо найти разумные способы агрегирования данных и расширения их атрибутов. Данные могут быть разобщенными, но преобразование их для последующего анализа с помощью MapReduce и Apache Spark следует выполнять только с надежно выстроенной архитектурой».

При создании озера данных процессы поглощения, индексации и нормализации должны быть хорошо спланированными компонентами стратегии Больших Данных. Без четкого понимания и выраженной концепции большинство инициатив, требующих интенсивной обработки данных, обречено на провал.

Жизненно важное значение имеет и наличие достаточной пропускной способности. В противном случае данные из различных источников просто не попадут в озеро данных достаточно быстро, для того чтобы быть полезными бизнес-пользователям. Чтобы эффективно оперировать масштабными ресурсами данных, требуются не только быстрые диски, которые способны выполнять миллионы операций ввода-вывода в секунду, но и взаимосвязанные узлы и модули обработки, получающие доступ к данным по мере их генерирования.

Скорость особенно важна для выполнения анализа в реальном времени. И в этом смысле системы Больших Данных унаследовали тенденции маршрутизации трафика от социальных сетей. Так что выстраивайте свои озера данных на базе самых быстрых соединений.

5. Обеспечьте безопасность всех аспектов Больших Данных

Высокий уровень гетерогенности компонентов вычислительной инфраструктуры существенно увеличил возможности организации в части быстрого извлечения из данных полезной информации. Но здесь есть и обратная сторона. Системы стали слишком сложными с точки зрения управления и обеспечения безопасности. Огромные объемы информации и важность большинства систем анализа Больших Данных не позволяют заранее принимать меры к обеспечению их безопасности, что впоследствии может привести к серьезным неприятностям.

Большая часть собираемых, хранимых, анализируемых и используемых компаниями данных представляет собой информацию их клиентов, в том числе персональную и идентификационную. Если такие данные попадут в чужие руки, результаты будут вполне предсказуемы: судебные иски и возможные штрафы со стороны регуляторов приведут к финансовым потерям, повредят бренду и деловой репутации, а также вызовут недовольство клиентов.

Меры безопасности должны предусматривать развертывание основных корпоративных инструментов, обеспечивающих шифрование, когда это возможно, управление идентификацией и доступом, а также сетевую безопасность. Кроме того, они должны включать применение политик и обучение правильному доступу к данным и их использованию.

6. Сделайте управление данными и их качеством своим главным приоритетом

Обеспечение хорошего управления данными и их качеством должно стать неотъемлемой составляющей всех проектов анализа Больших Данных – в противном случае вероятность неудачи сильно возрастет.

Необходимо гарантировать актуальность, точность и своевременность доставки данных. В рамках инициативы Больших Данных компания GoDaddy организовала рассылку менеджерам уведомлений о задержках или аварийном завершении процедур обновления данных. В GoDaddy реализована также проверка ключевых показателей качества данных с рассылкой предупреждений в том случае, если эти показатели не соответствуют ожидаемым.

Эффективность управления данными и их качеством во многом зависит от подбора опытных профессионалов, в том числе директора по управлению данными и других руководителей, которые будут курировать эту область. С учетом стратегической важности соответствующих инициатив предприятия испытывают сегодня реальную потребность в выстраивании эффективных политик и процедур управления принадлежащими им данными.

– Bob Violino. How to avoid big data analytics failures. InfoWorld. August 7, 2017

Большие Данные, включающие в себя информацию о конкретных людях, нуждаются в особой защите, однако правовых норм, регулирующих оборот данных именно этой категории, пока нет, как нет и юридически обоснованного понятия Больших Данных. Такая ситуация чревата рисками для предприятий. При этом ответственность за инциденты с персональными данными обычно несут ИТ-директора и руководители корпоративных служб информационной безопасности. В ближайшей перспективе в нашей стране могут появиться правовые нормы, регулирующие процессы обработки Больших Данных на предприятиях. Но снимут ли они остроту проблемы или добавят ИТ-директорам новых хлопот, пока не ясно.

Интернет-омбудсмен Дмитрий Мариничев: «В отрасли пока нет четкого понимания того, кому, собственно, принадлежат Большие пользовательские данные: государству, бизнесу, гражданам?»

Вопросов по теме хранения, использования и защиты Больших Данных, содержащих персональную информацию, пока больше, чем ответов. Так считают участники дискуссии, которая развернулась на форуме BIG DATA 2017, организованном издательством «Открытые системы». Как отметил российский интернет-омбудсмен Дмитрий Мариничев, в отрасли пока нет четкого понимания того, кому собственно принадлежат Большие пользовательские данные: государству, бизнесу, гражданам? А поскольку уже есть случаи утечки и несанкционированного использования таких данных, то очевидно, что их оборот необходимо регулировать. Однако непонятно, где провести границы госконтроля и как минимизировать нагрузку на бизнес. В значительной степени эта неразбериха объясняется отсутствием консенсуса по базовым понятиям. Если с определением персональных данных ситуация в целом довольно прозрачна (на то есть 152-ФЗ), то с Большими Данными – ясности нет никакой. Некоторые эксперты считают, что сам этот термин еще не устоялся.

«Это скорее технический и маркетинговый термин, а потому Большие Данные нельзя вводить в область правового регулирования. Но из этого не следует, что Большие Данные, как они понимаются многими экспертами, существуют в абсолютном правовом вакууме. Поскольку многие данные, обрабатываемые средствами аналитики, могут рассматриваться как персональные, регулированию они подлежат», – убежден юрист НИУ ВШЭ Александр Савельев.

Другие специалисты вообще отрицают существование Больших Данных как предмета для регулирования.

Заместитель директора по технологическому развитию ФРИИ Сергей Алимбеков: «Никаких Больших Данных нет. Есть просто данные. Какая разница, много их или мало»

«Никаких Больших Данных нет. Есть просто данные. Какая разница, много их или мало. Они есть, и их можно использовать для разных целей», – полагает заместитель директора по технологическому развитию ФРИИ Сергей Алимбеков.

Эту точку зрения разделяет и директор департамента универсальных платформ данных IBS Сергей Золотарев: «Мы давно решили для себя, что Больших Данных нет. Технически мы можем работать сегодня с любыми типами данных и в любом режиме».

Отрицающие само понятие Больших Данных эксперты одновременно поддерживают идею о необходимости регулирования просто данных. Эта необходимость уже перезрела, считает Алимбеков. А Золотарев подчеркивает, что именно вопрос прикладного использования данных сейчас ставится во главу угла и бизнесом, и государством, провозгласившим курс на цифровую экономику.

Владимир Журавлев, заведующий кафедрой УЦ «Информзащита», считает, что вопрос, как отделить Большие Данные от персональных, весьма актуален, поскольку бизнес может попасть под весьма жесткое законодательство. Он напомнил, что всего лишь за несоответствие письменной формы согласия на обработку персональных данных требованиям ФЗ-152 «О персональных данных» организация может быть оштрафована на 75 тыс. руб.

Вероятно, в перспективе вопросы регулирования оборота Больших Данных, содержащих персональные сведения, все же найдут свое решение, а ключевые, но не формализованные на данный момент понятия станут юридически значимыми. Как заявил эксперт по защите персональных данных и информационной безопасности DHL Express Алексей Мунтян, сейчас уже не стоит вопрос, будет или нет регулироваться оборот Больших и персональных данных. Это уже происходит.

Мунтян напомнил, что в январе 2017 года Еврокомиссия опубликовала план подготовки нового документа, посвященного электронным коммуникациям – E-privacy Regulation. И в нем явно и четко поднимается проблема регулирования Больших Данных.

«ЕК предлагает синхронизировать и гармонизировать новый европейский документ по защите персональных данных General Data Protection Regulation, который вступит в силу в мае 2018 года, с актом E-privacy Regulation. В этой связи там впервые обсуждаются такие термины, как метаданные, данные, касающиеся взаимодействия пользовательских устройств и технической инфраструктуры сервис-провайдеров. Фактически ЕС уже стоит на пороге регулирования Больших Данных в сфере электронных коммуникаций. Но этим дело не ограничится – это только первый шаг в регулировании Больших Данных», – заявил представитель DHL.

Российские регулирующие органы о ситуации, конечно, осведомлены, поэтому нам стоит ожидать аналогичных законодательных инициатив, считают эксперты.

Большинство из них приветствуют появление новых правил на строящейся дороге к цифровой экономике, но призывают сделать их эффективными.

Директор Российской ассоциации электронных коммуникаций Сергей Плуготаренко: «Российский рынок не готов к исполнению законов, регулирующих работу с Большими Данными»

Активную позицию заняли компании, оперирующие персональными данными миллионов своих клиентов. Это телекоммуникационные операторы и интернет-компании, опасающиеся излишней зарегулированности оборота данных со стороны государства. Ведь слишком жесткие правила вынудят их инвестировать избыточные средства в инфраструктуру обработки данных. Недавно «ВымпелКом», «МегаФон», МТС, «Ростелеком», Mail.Ru Group и «Яндекс» задумались о создании саморегулируемой организации под рабочим названием «Ассоциация Больших Данных». Представители перечисленных компаний уже ведут соответствующие переговоры. Они также выступают за открытость ассоциации для участников других отраслей – финансовой, страховой и пр.

Директор Российской ассоциации электронных коммуникаций Сергей Плуготаренко считает, что российский рынок не готов к исполнению законов, регулирующих работу с Большими Данными, в случае если они несут в себе какие-то новые ограничения. В интервью ТАСС он заявил, что обсуждать целесообразно лишь подходы к сбалансированному законодательству, стимулирующему переход к цифровой экономике и одновременно способному предотвращать негативные последствия от непрофессиональной или незаконной обработки Больших и персональных данных.

Для принятия таких сбалансированных правил необходим диалог между регулятором и отраслевым профессиональным сообществом. Это позволит заблаговременно донести до властей мнение бизнеса по вопросам регулирования Больших Данных, которые могут быть признаны персональными.

Владимир Тихомиров, который руководит ИТ-департаментом «Ингосстраха» с 2009 года, рассказал о том, как цифровые технологии трансформируют отрасль, бизнес компании и ее ИТ-службу.

Что изменилось в страховом бизнесе под влиянием технологий? Можно ли сегодня говорить о цифровой трансформации отрасли?

Мы стоим на пороге такой трансформации. В прошлом году доля чисто цифровых продаж (без доставки полиса клиенту) начала расти и составила заметную часть в сборах. Например, в туризме онлайн-страхование приносит примерно треть всех продаж. Онлайн окончательно выделился в самостоятельный канал продаж, и в страховых компаниях появились курирующие его бизнес-подразделения со своими планами развития и продвижения продуктов. В отдельное направление электронной коммерции с собственной стратегией оформилось электронное ОСАГО.

Новое поколение потребителей ценит скорость, оперативность и удобство, поэтому выбор продукта и компании определяется в том числе и тем, насколько экономится время на посещение офиса и будет ли удобным взаимодействие в сети. ИТ стали по сути компонентом продукта, так как, помимо страховой составляющей, клиенту важна «упаковка» электронного полиса – удобство покупки, оплаты, доставки и пр.

Владимир Тихомиров Возраст: 57 лет Образование: Московский инженерно-физический институт (1982), инженер-системотехник (специальность «АСУ»), аспирантура Послужной список: 1997 – настоящее время СПАО «Ингосстрах», различные должности, сейчас – директор департамента ИТ 1996 – 1997 РАКБ «Москва», начальник отдела 1994 – 1995 ВАО «Интурист», главный системный программист 1987 – 1993 МИФИ, кафедра АСУ, младший научный сотрудник, научный сотрудник

Вы наблюдаете ИТ-эволюцию «Ингосстраха» вот уже 20 лет. Какие наиболее важные изменения произошли за последнее время?

Прежде всего произошло резкое ускорение изменений всякого рода: технологий, требований бизнеса и рынка. И это является основной проблемой, потому что классические подходы к разработке и внедрению, которые мы использовали до сих пор, перестают работать. Нужно радикально менять подход, внедрять гибкие методологии, причем не только в ИТ, но и во всей компании в целом.

Доля ИТ-составляющей в страховых продуктах резко возросла, рынок пошел в онлайн, и автоматизация достигла такого уровня, что продавать страховые продукты без нее невозможно. Увеличилась и ответственность ИТ-службы за продажи, теперь я ежедневно слежу за тем, что происходит с электронным ОСАГО.

В какие организационные преобразования выливается рост значимости ИТ-службы?

В организационной структуре изменения только назревают, но мы интенсивно растем численно, в отличие от других подразделений. Общее количество сотрудников компании почти не изменилось, а вот ИТ-департамент за пять лет вырос в полтора раза.

Однако рост количества новых задач и проектов опережает увеличение ИТ-штата, а потому нам следует задуматься над эффективностью процесса разработки. Применение принципов гибкой разработки позволяет избежать нестыковок по срокам, затягивания процессов разработки, появляется возможность концентрироваться на конкретных задачах, быстро их внедрять и запускать.

Какая методология гибкой разработки применяется в компании?

Мы не пытаемся внедрить какую-то конкретную методологию, а экспериментируем, ищем подходы. В этом нам помогает опыт наших подрядчиков, которые консультируют и обучают нас.

Уже полгода у нас работают три команды по методике Scrum. Этот вариант, конечно, более затратный, он требует больше персонала, чем традиционный подход, но зато дает резкое сокращение времени вывода продукта на рынок – time to market. По сложным большим задачам мы сократили время разработки в два раза, а по мелким – до десяти раз.

Причем аgile-метод применим не только в ИТ, на уровне компании в целом тоже внедряются новые подходы для решения комплексных задач.

«Аgile применим не только в ИТ. На уровне компании в целом также внедряются новые подходы для решения комплексных задач»

Какие ограничения в применении agile-подхода вы видите?

Быстрое создание и внедрение новой технологии имеет отдаленные по времени негативные последствия – появляются проблемы с архитектурой, непроработанные решения, сделанные на скорую руку. Scrum дает отличный эффект для команды, разрабатывающей ПО с нуля. Когда такой подход масштабируется на большой коллектив разработчиков, который занят комплексной доработкой большой системы, проявляются его минусы, и основной из них – упущение архитектурной проработки. Кроме того, когда разрабатываемое решение обрастает функционалом в течение нескольких лет, на создание нового функционала сил команды уже не хватает. Поправить дело можно, только вводя много Scrum-команд и организуя между ними эффективное взаимодействие. Ну а каждая связь – это расходы, и они с ростом числа вовлеченных людей растут экспоненциально.

Для решения этих проблем существует методология управления большим количеством agile-команд в крупных корпоративных проектах – Scaled Agile Framework, SAFe. Чтобы соблюдалась общая концепция системы, действия команд периодически синхронизируются, вводится бизнес-процесс согласования архитектурных решений и иерархия архитекторов, которые эти решения согласуют.

То есть разработку нужно несколько замедлить, чтобы избежать проблем в будущем?

Нет, скорость не снижается. Но с появлением иерархии и управленцев растут накладные расходы.

Вы примеряете на себя эти нововведения?

Да, будем изучать и постараемся применить. Некоторые процессы сложно внедрить, ведь SAFe ценности для бизнеса не прибавляет. Но заказчик должен понимать, зачем нужны расходы, которые не дают в результате нового функционала, – для снижения отложенных ИТ-рисков.

Против мошенников

Артем Литвин, заместитель директора департамента ИТ компании «Ингосстрах» Фото: Роберт Каримов

Снизить трудоемкость борьбы с мошенничеством в автостраховании и добровольном медицинском страховании «Ингосстраху» помогают экспертные системы.

Как рассказал Артем Литвин, заместитель директора департамента ИТ компании «Ингосстрах», при регистрации договор или убыток автоматически проходит проверку в экспертной системе на основе заданных правил. Практически в реальном времени выявляются подозрительные сведения, которые могут указывать на различные мошеннические схемы. Тем самым значительно облегчается контроль при большом объеме информации.

Кроме того, сотрудники службы безопасности используют для проверки клиентов аналитические инструменты, внешние базы и источники данных. Раньше службы безопасности обменивались информацией об истории клиентов неформально. Сейчас в Российском союзе автостраховщиков создана единая база данных – Бюро страховых историй, куда все страховщики загружают сведения о договорах и убытках по добровольному страхованию транспортных средств. Ожидается, что единая система, после того как в ней накопится достаточно данных, позволит проще и быстрее получать информацию для проверки клиентов.

Для выявления ситуаций, когда поликлиники искажают данные по фактически оказанным пациенту услугам, применяется двухступенчатая проверка. Сначала техническая экспертиза исключает двойные суммы, несоответствия тарифам и т. п., а затем медицинская экспертиза изучает, насколько адекватно поставленному диагнозу оказывались услуги. «С учетом количества лечебных учреждений, с которыми сотрудничает «Ингосстрах», это весьма трудоемкая работа, – отметил Литвин. – А потому в этой области мы также внедряем экспертные системы, которые анализируют счета, автоматически выявляя некорректные и подозрительные записи».

Какого рода задачи решают команды agile?

Сейчас в основном это задачи, связанные с разработкой новых розничных продуктов или дополнений к ним. Но мы планируем распространить данную практику на все участки, где идет развитие существующего функционала системы, включая корпоративное и медицинское страхование.

Уже в текущем году планируем запустить еще семь Scrum-команд, а со временем их будет около 20. Поскольку все они работают над одной информационной системой, им потребуется довольно плотно взаимодействовать. Поэтому нас и заинтересовала методология SAFe, ведь синхронизация трех команд и десяти – это разные управленческие задачи.

В разработке основной ИТ-системы «Ингосстрах» по-прежнему опирается на собственные силы?

Мы опираемся на систему собственной разработки, но развиваем ее не только своими силами, участие подрядчиков примерно равно нашему. Это позволяет более гибко управлять объемом ресурсов, когда появляются срочные внеплановые задачи или начинает расти поток требований бизнеса. Схемы взаимодействия с подрядчиками разные, это могут быть либо проекты разработки комплексных решений, либо передача отдельных задач.

В условиях кадрового голода привлечение подрядчиков часто позволяет быстрее решать срочные задачи. Но мы пробуем и альтернативные варианты: в прошлом году на базе филиалов в Перми и Иркутске открыли два удаленных центра разработки и сопровождения, которые подчиняются ИТ-департаменту в головном офисе. Благодаря более низким расходам на зарплату и эксплуатационные услуги, мы выигрываем 20-30% стоимости разработки. Кроме того, наличие ИТ-специалистов в других городах отчасти решает вопрос расширения времени поддержки пользователей и клиентов.

Аудиторы, помогавшие нам актуализировать ИТ-стратегию, подтвердили, что развитие собственной системы является правильным направлением. В тех областях, где у нас нет глубокой экспертизы, а процессы достаточно стандартные, применяются промышленные решения – например, управление инвестициями, кадровый учет, актуарные расчеты, скоринг.

Технологии доступны всему рынку. А какие из них способны обеспечить компании конкурентные преимущества?

Далеко не каждая компания имеет возможность вкладывать в разработку миллионы долларов. В нашей компании кризисы последних лет не сказались на объеме инвестиций в ИТ, замедлялся лишь их рост. А cейчас объемы вложений в ИТ увеличиваются нарастающими темпами.

Нам важно, чтобы мобильные приложения работали на всех существующих у клиентов гаджетах. Необходимы подходы и технологии для продвижения услуг, повышения конверсии и обеспечения кросс-продаж, а также сервисы, позволяющие привлечь и удержать клиента (сохранение расчетов, рассрочки и рекуррентные платежи, заявление и отслеживание статуса убытка и пр.).

Для многих крупных клиентов становится важным наличие электронного личного кабинета, через который можно управлять всем портфелем своих полисов по разным видам страхования. Это не только удобно, но и ощутимо сокращает обеим сторонам затраты на взаимодействие и пересылку документов.

Молодые покупатели уже не склонны разговаривать с агентом даже по телефону. Поэтому мы развиваем чат-боты, позволяющие выяснить потребности клиента в режиме диалога и прислать ему готовую ссылку для приобретения полиса без заполнения форм на сайте.

Достаточно активно растет направление, связанное с телематикой и определением модели поведения водителя на дороге. Сейчас это уже может быть не устройство, а приложение в мобильном телефоне.

Серьезный шаг для нас – перевод всех агентов розничного направления в онлайн. Система контролирует, что агент продает с мобильного телефона, планшета или ПК в офисе, и эта информация сразу оказывается в нашей базе данных. Это и контроль ошибок и злоупотреблений агентов, и дополнительная защита от мошенников.

При продаже полисов через Интернет затрудняется отсев мошенников. Но технологии обработки Больших Данных, актуарный анализ и соответствующая математика позволяют отсечь потенциально опасных для бизнеса клиентов.

Что этому мешает? Вам нужны специалисты по data science в штат?

Вне всякого сомнения! Это сейчас очень серьезная проблема, найти таких специалистов крайне сложно, так что выращиваем своих.

Каковы основные направления развития ИТ в «Ингосстрахе» сегодня?

Два самых крупных направления – это онлайн и отчетность. Чтобы минимизировать визиты клиентов в офис, мы развиваем онлайн-продажи и онлайн-сервисы как для розничных, так и для корпоративных клиентов, в том числе подачу заявления об убытках, оплату взносов и франшиз через сайт. Отдельно можно выделить e-ОСАГО. У нас заключено уже более 80 тыс. договоров е-ОСАГО.

Надо сказать, что Центробанк все больше обращает внимание на внутренние процессы страховых компаний, в том числе на ИТ и информационную безопасность. Если раньше бесперебойная работа «24 на 7» была лозунгом, то с вводом онлайн-ОСАГО, она стала законодательной нормой. ЦБ требует, чтобы сайты страховых компаний работали с минимальным временем простоев, поддержка осуществлялась круглосуточно, а все действия клиентов на сайте протоколировались.

В 2017 году по требованию ЦБ на страховые компании распространены новые стандарты отчетности и единый план счетов. Существенные изменения учета обязательств и правил взаиморасчетов по договорам потребовали значительной переработки не только бухгалтерского блока, но и страхового. Мы внедрили новый порядок учета с 1 января 2017 года, как требовалось по закону, но доработки будут продолжаться, объем работы колоссальный.

Также активно развиваются решения, связанные с клиентской аналитикой. Это, во-первых, сегментация и скоринг – оценка рисков по клиенту с учетом как внутренних, так и внешних источников данных. Во-вторых, взаимодействие с клиентом – маркетинговые кампании, персональные предложения и кросс-продажи. Мы хотим лучше понять клиента, объединив в цепочку взаимодействие с ним при продаже и аналитику, которую потом получаем.

Каким образом компания намерена монетизировать Большие Данные, накопленные в информационной системе? Используете ли вы анализ данных соцсетей?

Назвать их Большими Данными в полном смысле нельзя, хотя это миллионы застрахованных. Мы используем актуарный анализ, когда благодаря накопленной по множеству клиентов статистике можно обоснованно назначать тарифы тем или иным сегментам клиентов. Бонус клиент может получить только спустя год, но до недавнего времени лучшего способа у нас не было.

Надеемся, что привлечение Больших Данных позволит делать персонализацию тарифов априори (предварительно). В прошлом году мы начали внедрять аналитическую платформу SAS, с ее помощью мы планируем решить ряд задач по сегментации клиентов, оценке и прогнозированию убыточности, выявлению дополнительных тарифных факторов. Например, проанализировав данные кредитных бюро, мы обнаружили зависимость между невозвратностью долгов и убыточностью страхования. Эта часть скоринга уже работает.

Данный проект предполагает также внедрение модуля «обогащения» данных, который позволит получать дополнительные сведения из социальных сетей. На основании Больших Данных мы начинаем заниматься персонализированными предложениями для клиентов. Если обогатить профиль клиента из внешних источников, то в качестве кросс-продаж можно предложить ему что-то действительно интересное – организовав рассылки или отследив его заход в личный кабинет. Но эта работа пока в самой начальной стадии.

Аптечная сеть «Ригла» динамично развивается. Чтобы не сбавлять высокие темпы роста и сохранить устойчивость, руководство крайне внимательно относится к эффективности бизнеса. В ИТ-стратегии компании важное место занимают аутсорсинг и оптимизация: два из трех ИТ-проектов, осуществленных в 2016 году, нацелены на совершенствование бизнес-процессов. «Жизнь меняется настолько быстро, что иногда речь идет даже не о том, чтобы быть инновационными, а о том, чтобы просто не отстать от тенденций в технологиях и коммуникациях. Выигрывать на рынке будут компании, которые сумеют обеспечить себя эффективным менеджментом и технологиями», – говорит генеральный директор «Риглы» Александр Филиппов.

Однако в цифровую эпоху эффективность без инноваций невозможна, и в очередном проекте «Ригла» поставила задачу качественно изменить один из ключевых для развития бизнеса процессов – выбор места расположения новых аптек. Первые шаги уже сделаны.

Оценивая влияние цифровой трансформации на фармацевтическую розницу, заместитель генерального директора по информационным технологиям «Риглы» Вадим Горбунов акцентировал внимание на возможностях технологии Больших Данных: «Появление больших объемов данных и новых способов их обработки позволяет делать ранее невообразимые вещи. Для бизнеса – это повышение производительности и снижение риска инвестиций, для клиента – более комфортный и понятный сервис».

«Хребет» управления

В 2016 году в «Ригле» завершили длительный проект по замене системы бюджетирования и отчетности, которую в компании называют «хребтом» автоматизации управления. Сеть работает под тремя брендами: «Ригла», «Живика» и «Будь здоров!», – что означает три формата торговли и три модели покупателя. Руководству необходимы данные в трех разрезах для принятия решений и постоянного отслеживания уровня рентабельности большого хозяйства. Чтобы максимально оптимизировать результат бюджетирования, требуется четко планировать доходы и расходы, а также сбалансировать все части системы управления: маркетинг, отношения с поставщиками, планирование финансов и открытие новых точек. Нарушение баланса в любой из частей оборачивается неэффективным расходованием капитала.

«Бизнес меняется быстро, и время имеет все большую ценность. Если задуманное воплощать долго, оно устареет, не успев родиться» Вадим Горбунов, заместитель гендиректора по ИТ аптечной сети «Ригла»

Бурный рост объемов информации и правил бюджетирования, связанный с региональной экспансией, привел к тому, что процесс составления стратегического бюджета стал, по словам Филиппова, «мучительно болезненным» и слишком ресурсоемким. Поэтому вместе с системным интегратором Navicon «Ригла» перешла с системы на платформе «1С» на комбинацию решений IBM Cognos TM1 и Microsoft Dynamics NAV. Бюджет 2016 года верстался уже в новой системе. Как рассказал Горбунов, не все прошло гладко: недостаточно зрелые методики внедрения программного обеспечения в сочетании с многоплановыми запросами руководителей компании привели к значительному отклонению от планируемого срока реализации.

Но в итоге благодаря автоматизации бюджетирования появилась возможность с высокой скоростью получать более точные данные во множестве разрезов представленной информации. По той же методике и в тех же разрезах был выстроен финансовый учет, удалось серьезно уменьшить сроки подготовки отчетности и одновременно сократить персонал, который занимается ее формированием.

Теперь в «Ригле» планируют развивать систему, повышая точность и надежность, что позволит менеджменту реализовывать новые задачи. «Есть вещи, без которых нельзя “дышать” сегодня и без которых нельзя будет “дышать” завтра», – говорит Филиппов. По его мнению, автоматизация бюджетирования – это то, без чего компания не смогла бы выжить. А главными заботами завтрашнего дня станут программа лояльности и подготовка аптек к персонализированным отношениям с клиентами.

«Симфония» остатков

Наблюдения за ростом оборачиваемости товарных запасов у конкурентов подтолкнули организацию к поиску эффективного инструмента для планирования потребности в товарах и поставках. Управление снабжением «Риглы» было автоматизировано несколько лет назад на базе программного обеспечения собственной разработки. С тех пор ИТ-стратегия претерпела изменения, сегодня компания интенсивно использует аутсорсинг и стремится покупать эффективные и зарекомендовавшие себя на рынке решения, а также стандартные услуги требуемого качества: техподдержки, веб-разработки, продвижения сайтов, разработки решений для ЦОД. «Наша функция – собрать это вместе и обеспечить результат, – говорит Горбунов. – Нет времени разрабатывать все самостоятельно при таком бурном росте бизнеса. Важно найти ценное, быстро инкорпорировать в нашу систему и получить отдачу».

Одной из находок оказалась платформа Symphony компании Inherent Symplicity.

В организации такого масштаба, как «Ригла», любое неверное движение в управлении снабжением серьезно сказывается на качестве товарных остатков. В фармацевтической рознице стремятся не допускать ситуации, определяемой специфическим термином «дефектура»: когда клиент пришел, а товар закончился. Дефектура измеряется в проценте потерянных потенциальных продаж. Снижать такой процент, увеличивая товарные запасы, нецелесообразно: в масштабе сети это выливается в немалую сумму, которую выгоднее потратить на открытие новых точек или инвестировать в новые проекты. Symphony, которая позволяет прогнозировать продажи каждой аптеки по всему ассортименту и избегать дефектуры, оставляя при этом минимальный товарный запас, помогла найти баланс между уровнем сервиса и размером товарных запасов. Убедившись за три месяца пилотного проекта в том, что поставленные менеджментом финансовые цели достижимы, за полгода систему развернули по всей сети – c апреля 2016 года снабжением аптек «Ригла» управляют с помощью Symphony.

В результате компания добилась сокращения товарных запасов в среднем на 25%, при этом доступность товара для покупателей повысилась. По оценке руководителей «Риглы», это может покрыть годовые затраты на открытие всех новых аптек. Количество сотрудников, формирующих заказы, сократилось до трех человек на всю сеть. Затраты на приобретение системы окупились за три месяца.

Самым сложным в проекте было поверить в его целесообразность и убедить в этом других участников процесса, отметил Горбунов. «Важно, чтобы в проекте работали люди, которым это нужнее других, те, кто доведет работу до логического конца», – добавил Филиппов.

Многофакторный анализ против экспертных ошибок

Идею «калькулятора», который покажет гендиректору, как будет работать новая точка, в компании вынашивали давно. Место расположения аптеки – один из ключевых факторов, влияющих на объем продаж. Открывая ежегодно сотни новых аптек, менеджмент «Риглы» отбраковывает тысячи вариантов их расположения. В каждом случае требуется учесть множество параметров окружения потенциальной торговой точки: магазины, конкурентов, инфраструктуру. Перспективность новой аптеки оценивают эксперты. Если после заключения долгосрочного договора аренды точка работает не так, как ожидалось, промах дорого обходится бизнесу.

Готовых решений не нашлось. По словам Горбунова, Data Mining и BI только «гаечные ключи», помогающие собрать необходимый механизм. Программное обеспечение создали на базовых технологиях с использованием собственных методики и архитектуры в сотрудничестве с несколькими российскими партнерами по веб-программированию и машинному обучению. Подробности в «Ригле» не раскрывают.

Для анализа бизнес-среды было решено реализовать три идеи. Во-первых, собрать максимально полную информацию об окружении потенциальной аптеки еще до того, как сделан первый шаг к аренде площади. Сведя данные, собранные из Интернета, баз данных и маркетинговых агентств, получили доступность информации в момент анализа и принятия решения руководителем.

Во-вторых, систематизировать эту и дополнительную информацию, собираемую на месте – при переговорах с собственником об условиях аренды и при изучении вопроса, сможет ли аптека привлечь ожидаемый поток посетителей. Программное обеспечение позволило поставить требования бизнеса на системную основу так, чтобы специалисты на месте сразу собирали необходимую информацию. Решение выполнили в виде мобильного приложения, заполняя формы которого, эксперты передают данные в центральную систему.

И наконец, третья идея заключалась в поддержке принятия решения на основе собранной информации и использования нескольких независимых алгоритмов ее обработки. В модель «калькулятора» заложили расчет коэффициентов конвертации трафика в число покупателей и включили не только статистику по сети «Ригла», но и множество других наборов данных: потребление лекарств на душу населения, число жителей в близлежащих домах, арендные ставки и даже правила оформления витрин на конкретной улице, которые могут существенно повлиять на объем продаж. Количество факторов, включаемых в модель, приближается к тысяче, сообщил Горбунов. Плотную статистику по такому количеству факторов собрать крайне сложно, так что применить классический подход, измеряя влияние каждого фактора на результат, не получается. Поэтому для выявления зависимостей используются методы машинного обучения, и степень влияния каждого фактора на выручку определяется с помощью нескольких независимых алгоритмов.

«Есть вещи, без которых нельзя “дышать” сегодня и без которых нельзя будет “дышать” завтра» Александр Филиппов, генеральный директор аптечной сети «Ригла»

Исходя из расчетной емкости рынка и примерной доли расходов на лекарства от чека в магазине, ПО ищет схожие по количеству касс, ценовому позиционированию или регионам аптеки и дает прогноз выручки.

Построение модели и сбор данных были самыми сложными задачами в этом проекте, так как далеко не по всем факторам имеется релевантная информация. Данные еще только предстоит накопить, это займет несколько лет. Одновременно произойдет и «тюнинг» модели.

Теперь руководитель располагает более развернутой информацией для принятия решения об открытии новой аптеки и понимает, что предпринять, чтобы аптека оправдала ожидания бизнеса.

«Калькулятор» позволяет уменьшить ошибки в оценке потенциальной выручки, в том числе и ее недооценку. Ведь если продажи резко превосходят ожидаемые, то это значит, что при планировании неправильно учтены требуемая площадь и объем персонала, а следовательно, аптека могла бы приносить больше.

Движение к поставленной цели – повысить точность прогнозирования на 30% – пока только началось, диапазон ошибочных решений сузился, но не очень значительно. Тем не менее после внедрения нормативов, встраиваемых в систему, уже удалось добиться более точного прогнозирования расходов.

Оценив полезность нового инструмента, в компании приняли решение о его тиражировании. После Москвы и Санкт-Петербурга ПО распространят еще на восемь регионов.

В дальнейшем «Ригла» намерена перейти от оценки предложения свободных помещений на рынке к выбору тех мест, где компания хочет присутствовать. Сначала ПО будет вычислять наиболее выгодное местоположение аптеки, и только потом за ним начнут «охотиться».

«В подобных проектах важна четко поставленная и измеримая цель», – подчеркнул Горбунов. Кроме того, в «длинных» проектах следует больше делать акцент на контроле сроков, чем на полноте функциональности. «Бизнес меняется быстро, и время имеет все большую ценность, – отметил Горбунов. – Если задуманное воплощать долго, оно устареет, не успев родиться».

Большие Данные – с этим явлением компания сталкивается, когда поток входящих данных превосходит ее технические возможности по обработке и извлечению полезной информации, а сложность ландшафта превышает возможности технологий по быстрому сбору данных», – высказал мнение Дмитрий Первухин, начальник управления технологий сбора и хранения данных ВТБ24, выступая на форуме BIG DATA 2017, организованном издательством «Открытые системы». В этом случае бесполезно говорить о наращивании мощности, применении каких-либо новых инструментов. Необходимо кардинально менять мировоззрение и тематический подход.

Начальник управления технологий сбора и хранения данных ВТБ24 Дмитрий Первухин: «Технология озер данных позволяет быстро проводить натурные эксперименты с данными. При этом стоимость эксперимента стремится к нулю»

Когда компания «захлебывается» данными, у нее возникают проблемы. Главная – это очень высокая стоимость владения информацией при ее крайне низкой пользе. Чтобы представить эту информацию потребителю, нужно сначала ее извлечь, обработать, обеспечить качество данных, развернуть мощные аппаратные комплексы корпоративного класса, стоимость которых начинается от 30 тыс. долл. за 1 Тбайт. Проекты требуют космических затрат, а пользы от этих данных, как правило, очень мало. Зачастую речь идет об элементарных управленческих отчетах.

Поскольку данные хранятся в разных источниках, различных форматах и между собой никак не согласованы, они недоступны для анализа и моделирования, позволяющих использовать их в процессах прогнозирования и скоринга. Дополнительная проблема – крайне длительное время вывода продуктов на рынок. Разработка внутри банка, интеграция источников, включение их в технологические процессы могут занимать от нескольких месяцев до нескольких лет. Борьба за качество данных превращается в бесконечный и бесперспективный процесс, который обычно ничем не заканчивается.

Data Science – это эксперименты

«Большие Данные» вовсе не означают «много данных». Сама философия Больших Данных предлагает осознать, что «много» – понятие относительное.

«Например, мы работаем с корпоративным хранилищем на платформе Teradata размером 140 Тбайт, но телеком-операторов эти объемы не впечатлят, а есть много других банков, для которых даже этот объем – недостижимая величина», – рассказывает Первухин. Вопрос именно в том, успевает ли организация обрабатывать эти данные, получить от них пользу или они просто занимают место в хранилище. Если с обработкой данных проблем не возникает, то можно продолжать работать по-прежнему, а если сложности появляются, то надо брать на вооружение подходы Больших Данных.

Большие Данные – это набор технологий и методов математической статистики, позволяющий в многообразии данных получить статистически значимые результаты. Все остальное решается стандартными методами. Когда данных становится слишком много, приходится переходить к статистике, обрабатывать ее и получать тенденции, которые можно применять к тем или иным процессам.

К сожалению, использование Больших Данных сильно связано с человеческим фактором. В этом деле многое зависит от знаний имеющихся экспертов, нужны люди, знающие структуру данных компании и способные на основе своих знаний решать определенные аналитические задачи. Эти люди постепенно превращаются в айтишников, заточенных на выполнение конкретных бизнес-функций и превращающих данные в полезную информацию. Простые ИТ-специалисты не владеют бизнес-контекстом в достаточном объеме для решения таких задач.

«Data Science – это всегда эксперимент. Мы хотим сначала посмотреть на данные, оценить их качество и пользу, после чего принимаем решение об их промышленном использовании», – отмечает Первухин.

Расширение, но не замена

Использование Больших Данных требует централизации, построения организованного процесса по сбору и структурированию информации. Есть компании, в которых создают целые службы по управлению данными и их качеством. Зачастую это вполне оправданно: надо осознать, где какие данные лежат, как они могут использоваться. При работе с Большими Данными приходится прибегать к технологии озер данных, когда источник данных становится распределенным.

«Стремление впихнуть все данные в единое хранилище не закончится ничем хорошим. Объем появляющихся данных растет гораздо быстрее, чем способность ИТ дорабатывать техническую часть, обеспечивая попадание данных в хранилище и реальное их использование аналитиками», – объясняет Первухин.

Вместе с тем Большие Данные – это набор технологий, расширяющий, но отнюдь не заменяющий существующие решения. Например, инструмент Hadoop – всего лишь один из способов распределенного хранения данных с определенным образом структурирования. Он удешевляет хранение и позволяет построить аналитическую фабрику, в рамках которой возможно использование инструментов аналитики для построения моделей и проверки предположений. Конечно, это хранилище данных может использоваться в самых разных задачах – от отчетности до расчета кешбэка по операциям клиента, однако такая система в силу распределенности данных не может обеспечить пользователя отчетностью так оперативно, как ему это требуется. Поэтому правильнее применять традиционные решения.

Большие Данные – это набор технологий и методов математической статистики, позволяющий в многообразии данных получить статистически значимые результаты

«Песочница» для аналитиков

«В начале 2014 года коллеги из департамента рисков предложили создать модель, помогающую оценить, как изменения в кредитной политике влияют на бизнес-результаты, – рассказывает Первухин историю создания в ВТБ24 озера данных. – Они предлагали для анализа эффективности кредитной стратегии использовать логи кредитного конвейера». Речь шла об объеме данных из каждой системы 5-10 Тбайт в год (таких систем было семь), выкладывать такой объем в существовавшее хранилище Teradata было долго и дорого.

На одной из конференций специалисты банка заинтересовались платформой Hadoop в реализации Cloudera и начали создавать решение на ее основе. Первыми опытами заказчики остались недовольны: доля информации, полезной для решения их задач, не превышала 5%. Они начали экспериментировать, добавлять в хранилище внешние источники данных, проверяя их ценность, – Пенсионный фонд и другие источники. И, несмотря на то что первый блин вышел комом, вскоре выяснилось, что в результате банк получил весьма ценный своей гибкостью и скоростью разработки инструмент.

«Выяснилось, что технология озер данных позволяет быстро проводить натурные эксперименты с данными. Взять данные из источника, добавить их к имеющимся, проверить гипотезу силами одного аналитика. Стоимость эксперимента стремится к нулю», – подчеркивает Первухин. В случае успешного эксперимента принимается решение о дальнейшем использовании данных с помощью промышленных аналитических инструментов.

Когда источник данных становится распределенным, приходится прибегать к технологии озер данных

В Hadoop полностью копируются данные хранилища; кроме того, там располагаются данные для моделирования, а также «бизнес-песочница» – место, куда пользователи сами выкладывают данные из доступных источников, в том числе внешних. Объем озера данных на данный момент составляет 288 Тбайт на 12 узлах.

«Когда подсчитали, во что обойдется такой же комплекс для экспериментов с данными на решениях корпоративного класса, оказалось, что потребовалось бы от 3,5 до 6,5 млн долл. Hadoop позволил обойтись суммой в 500 тыс. долл.», – отмечает Первухин.

За год работы «аналитической фабрики», по самым скромным оценкам, было получено 1,2 млрд долл. дополнительных доходов, а продажи увеличились на 30 млрд руб. Этого удалось добиться главным образом благодаря точной настройке рисковых моделей – в особенности поведенческих моделей клиентов, на основе которых рассчитывается вероятность дефолта. Если же говорить о моделях, направленных на борьбу с мошенничеством, то эффект от снижения числа операций, ошибочно попадающих в разряд рискованных, посчитать сложнее, но он тоже очень серьезен. К тому же за счет более точной сегментации клиентов на 7% увеличился отклик в маркетинговых кампаниях, и на 5% – средний чек.

Именно благодаря технологиям Больших Данных удалось достичь большей точности, учесть в моделях большее количество факторов. Многократно проводя расчеты, эксперты отбирали действительно наиболее значимые из них.

Нынешний кризис в банковской отрасли связан не столько с падением благосостояния людей, сколько с демографическим кризисом 90-х годов: наблюдаются сокращение экономически активного населения, общее его старение. Роста пока ждать неоткуда, и банкам приходится более активно работать с существующей клиентской базой, а кроме того, учиться эффективнее выявлять сущность и потребности новых клиентов.

Плохой клиент плох во всем

Как согласились участники форума «Розничное кредитование: только для своих или посторонним вход разрешен?», проведенного Объединенным кредитным бюро, к прежнему массовому кредитованию клиентов «с улицы» с его высокими и часто неоправданными рисками финансовый рынок уже не вернется. Будет расти значимость партнерства банков с ретейлом, телекомом и другими отраслями, тем более что в бизнес, связанный с предоставлением данных о клиентах, стремятся войти многие, не говоря уже о появившихся специализированных компаниях.

Алексей Кордичев, председатель правления банка «Восточный»: «Да, мы используем внешние данные, но это, скорее, дань моде. Новые данные лишь подтверждают то, что банк знает и без них»

По словам Алексея Кордичева, председателя правления банка «Восточный», эффективность дополнительных внешних источников данных сильно зависит от того, чем занимается банк. Если он на протяжении многих лет предоставляет стандартные продукты и имеет значительный сегмент повторных клиентов с хорошей кредитной историей, дополнительные данные мало что дают.

«Да, мы используем внешние данные, но это, скорее, дань моде. На Дальнем Востоке каждая третья семья является нашим клиентом, поэтому новые данные лишь подтверждают то, что банк знает и без них», – говорит Кордичев.

Другое дело, если банк обращает внимание на новые рыночные сегменты, о которых не накопил значительных знаний и вынужден их собирать на рынке. Использование новых источников данных может дать эффект лишь при наличии стратегии роста и бесполезно для улучшения действующего бизнеса. На данный момент никакие внешние источники данных не могут полноценно заменить информацию, предоставляемую различными бюро кредитных историй (БКИ). «Вход в наш банк для новых клиентов есть, но с «рамкой» в виде БКИ на входе, которая «пищит» в случае неблагонадежных посетителей», – подчеркивает Кордичев.

Сергей Голицын, директор по рискам МФО «Домашние деньги»: «Мы тестируем огромное количество источников данных и даже получаем неплохие модели. Но как только в них включаются данные БКИ, все остальное становится неактуальным»

«Мы тестируем огромное количество источников данных и даже получаем неплохие модели. Но как только в них включаются данные БКИ, все остальное становится неактуальным», – согласен Сергей Голицын, директор по рискам МФО «Домашние деньги». Данные настолько коррелируют, что совершенно очевидно: отрицательный персонаж плох везде – и в телекоме, и в социальных сетях, и в отношениях с банками. Проблема в том, что владельцы данных, особенно телеком-операторы, продают свои данные гораздо дороже, чем они того заслуживают, – видимо, считая, что на этих данных можно построить фантастическую систему идентификации клиентов. На самом деле это не так, и пока что адекватной альтернативы БКИ нет.

Разочарован той пользой, которую внешние данные приносят для увеличения разрешающей способности кредитного конвейера, и Александр Соколов, директор департамента анализа рисков ВТБ24.

«Я – большой поклонник Больших Данных, романтик риск-менеджмента. Несколько лет назад я надеялся на то, что мы научимся обрабатывать данные социальных сетей и ценную информацию из них встроим в кредитный конвейер, существенно повысив качество модели. Казалось бы, возможности огромны: друзья, круг общения, интересы, членство в сообществах. Но, к сожалению, проводимые нами исследования дают околонулевую эффективность», – признает он. С точки зрения рекламы и демонстрации своей инновационности использование Больших Данных – отличный проект. Однако он не позволяет повышать прибыльность в низкорисковом сегменте, где работает ВТБ24.

Александр Соколов, директор департамента анализа рисков ВТБ24: «Я – большой поклонник Больших Данных, романтик риск-менеджмента... Но, к сожалению, проводимые нами исследования дают околонулевую эффективность»

Гораздо больший эффект ожидался от данных, приобретаемых у телеком-операторов. Разумеется, польза от них существенно выше, чем от работы с соцсетями, но радикально ситуация не меняется. Были большие надежды и на обработку фотографий, позволяющую фиксировать уникальный портрет клиента и составлять их базу, но эти надежды не оправдались. Возможно, если бы шла работа с потоком, в котором 20% составляют мошенники, результат был бы иным, но для низкорискового сегмента эффективность всей совокупности инструментов, созданных ВТБ24, крайне низка.

«Я до сих пор вынужден 10% всего потока заявок – а это сотни тысяч – пропускать через ручной андеррайтинг, – сетует Соколов. – Будущее наступает гораздо медленнее, чем хотелось бы. Несколько лет назад я надеялся, что к нынешнему году у нас не будет ручного андеррайтинга. Теперь понимаю, что этого не произойдет и в два ближайших года».

Сбербанк уходит «в цифру»

Наиболее фундаментальный подход к оценке альтернативных источников данных продемонстрировал Сбербанк. В течение 2016 года им был проведен масштабный пилотный проект, в ходе которого сравнивалась эффективность и сопоставлялись результаты моделей, построенных на данных из множества внешних источников.

Дмитрий Берестнев, начальник отдела моделей оценки рисков розничных клиентов Сбербанка: «Полученные результаты говорят о том, что с использованием внешних данных мы действительно можем глубоко уходить «в цифру»»

«Нам предлагали сотрудничество много разных компаний, обладавших определенными данными, которые могут быть использованы в процессе кредитования. Всегда интересно, насколько они соответствуют нашим транзакционным данным и как соотносятся между собой, какие из них дают наибольший эффект с точки зрения улучшения качества моделей», – говорит Дмитрий Берестнев, начальник отдела моделей оценки рисков розничных клиентов Сбербанка. В ходе проекта партнерам предлагалось либо прислать свою версию скоринговых баллов для предоставленной выборки из 150 тыс. клиентов банка, либо передать в Сбербанк свою тестовую выборку для построения модели. Полученные результаты планировалось сравнить. К проекту были привлечены и зарекомендовавшие себя поставщики данных: сотовые операторы, Mail.Ru, а также профессиональные поставщики Больших Данных – Double Data и MFM.

У каждой компании данные довольно специфичны: мобильные операторы обладают биллингом, Mail.Ru – информацией о поведении в Сети, ретейлеры – данными о покупках. А сами компании используют различные типы источников, чтобы обогатить свои данные, поэтому вопрос их пересечения не является праздным.

При работе с внешними данными важна вероятность того, что нужного клиента удастся там найти, – шанс попадания, так называемый хитрейт (hit rate).

«Если с помощью приобретенных данных удается построить действительно качественную модель, но при этом получается так, что использовать ее можно лишь для нескольких процентов клиентов, итоговый результат будет ничтожным. Это полностью убивает смысл работы с источником данных», – отмечает Берестнев. По оценкам Сбербанка, если компания может обеспечить хитрейт больше 40%, имеет смысл рассматривать ее в качестве поставщика данных и уже затем исследовать качество получаемых моделей. У Mail.Ru этот показатель получился около 40%, у операторов связи колебался от 20 до почти 100%, у Double Data составил 56%, а у MFM – превысил 90%.

Далее аналитики пытались понять, насколько различна получаемая из разных источников информация. Самое простое, что можно для этого сделать, – посчитать коэффициент корреляции между построенными рейтингами. Получилось, что каждая из компаний обладает действительно уникальной информацией. Небольшой всплеск взаимозависимости наблюдался лишь между данными Double Data и Mail.Ru. В целом информация была получена действительно разная и довольно интересная, и имело смысл ее рассматривать.

«Получив модели от поставщиков внешних данных или построив их самостоятельно, мы сделали вывод, что наш внутренний транзакционный скоринг очень эффективен», – отмечает Берестнев. Среди других источников выделился Mail.Ru, показавший высокую эффективность при выявлении социальных дефолтов, и особенно – при идентификации мошенников. Однако у него один из самых невысоких показателей хитрейта – тот самый случай, когда ценность источника данных радикально снижается.

Далее построенные модели добавлялись к уже существующим и работающим в Сбербанке и оценивался достигнутый прирост эффективности. Оказалось, что практически вся информация оправдывает себя при выявлении мошенничества и социальных дефолтов.

«Пока остается вопрос: а каких поставщиков данных мы хотим у себя видеть и в какой комбинации? Например, исходя из соотношения цена-качество, вместо одного хорошего и дорогого источника можно подключить два более простых, но дешевых», – считает Берестнев.

Другая важная и довольно сложная задача – предсказание не только рисков, связанных с клиентом, но и его реальных доходов, а значит, и потенциальной прибыльности. Все люди хотят, получая кредиты, предоставлять минимум информации, да и банки понимают, что излишняя назойливость отпугнет клиентов. Самостоятельный поиск информации о доходах делает кредитный продукт более «цифровым», удобным, привлекательным.

Выяснилось, что ни один из рассмотренных источников данных по отдельности не может точно определить доход клиента. Но объединение данных в рамках единой модели дало совсем другие результаты: удалось с точностью 95% угадывать, что доход клиента находится в пределах заданного интервала.

«С использованием внешних данных мы действительно можем глубоко уходить «в цифру». Возможно, наступит время, когда мы даже откажемся от справок 2-НДФЛ и будем уверены в том, что наши оценки доходов качественные», – заявляет Берестнев.

Персонализация – не только для продаж

Многие банковские сообщества слишком погружены в себя и не замечают того, что делают их соседи – страховщики, особенно те, кто выглядят достаточно медленными, неповоротливыми. Возможно, взгляд с этой стороны несет в себе много синергии, ведь страхование даже на заре своего становления в XVII веке было игрой цифр, а применявшиеся актуарные данные были «большими» для своего времени, недоступными для понимания обычным человеком.

Елена Ладыгина, советник генерального директора по управлению рисками «АльфаСтрахования»: «Не имеет смысла сегментировать клиентов по возрасту или маркам машин и при этом отправлять им стандартные SMS»

«Нам точно так же приходится строить портрет клиента, с абсолютно теми же целями. Мы должны снижать уровень риска, создавать персонализированные продукты, заниматься перекрестными и повторными продажами, предотвращать мошенничество», – говорит Елена Ладыгина, советник генерального директора по управлению рисками «АльфаСтрахования». Пользоваться приходится всеми возможными данными, причем на сегодняшний день в список источников входят телематические устройства, смартфоны, социальные сети, камеры. Никого не удивляет, когда страховщики сельхозурожая пользуются спутниковыми фотографиями, оценивая ход посевной кампании и наблюдавшуюся погоду.

Внешние источники данных часто дают больше информации, чем стандартные подходы. Они позволяют предложить не только более интересную цену, но и подстроить продукт под клиента, а также выбрать для взаимодействия с ним наиболее подходящий канал.

«Не имеет смысла сегментировать клиентов по возрасту или маркам машин и при этом отправлять им стандартные SMS. Вполне возможно, что клиент не отреагирует на почтовое или SMS-сообщение, но обратит внимание на твит с информационного ресурса, на который подписан», – подчеркивает Ладыгина.

В автостраховании на смену стандартным вопросам из анкеты приходит телематика. Согласно прогнозам, к 2020 году доля «умного» страхования в США достигнет лишь 25%. В России похвастаться также нечем – разные компании заявляют об 1-5%.

В настоящее время в автостраховании предлагается два вида «умных» контрактов – Pay as you drive и Pay how you drive, основанные соответственно на фактически проезжаемой дистанции и стиле вождения. Второй вариант дает массу возможностей для анализа и работы с клиентами, попутно выполняя важную социальную функцию – повышение безопасности на дорогах. «Умное» страхование открывает для компаний пласт молодых водителей, которые не являются любимчиками страховщиков. Телематика показывает, что многие из них могут быть хорошими водителями, как, впрочем, могут неожиданно для банков оказаться и хорошими заемщиками.

«Было бы интересно посмотреть на взаимосвязь между качеством вождения молодых клиентов и качеством обслуживания ими своего долга», – говорит Ладыгина.

Очень интересным оказалось использование Больших Данных в страховании жизни и здоровья – здесь действительно есть где развернуться. Ключевую роль играют транзакционные данные с кредитных карт о том, что, где и в каких количествах покупает клиент, как он относится к фастфуду, есть ли в его продуктовой корзине фрукты и овощи.

Кроме того, все большее применение находит информация, получаемая от «умных» часов и браслетов. У компаний вызывает интерес информация о физической активности и качестве сна. Согласно исследованию Accenture, треть американских страховщиков предлагают клиентам вместе со страховкой бесплатные браслеты. Предусматриваются серьезные скидки, если выполнены простые условия: 10 тыс. шагов и не менее 7-8 часов сна в сутки.

Социальные сети также помогают отслеживать физическую активность людей: много кто публикует в Instagram и на других ресурсах свои фотографии после тренировок и маршруты своих пробежек. Самое интересное, клиенты охотно делятся такой довольно личной информацией.

«Мы работаем на одном поле с банками и вполне можем использовать данные друг друга. Наша дорога привела нас к кредитным бюро: если человек хорошо платит, то он зачастую хорошо водит машину, правильно питается, укрепляет здоровье», – констатирует Ладыгина.

Что касается исследования данных из социальных сетей, то специалисты «АльфаСтрахования» были разочарованы: в отрыве от кредитного скоринга такие данные показали себя неинтересными. Единственным ценным зерном в них оказались связи мошенников с различными социальными группами. Например, членство в группе стритрейсеров увеличивает убыточность клиента в несколько раз, а наличие в друзьях автослесарей и продавцов запчастей повышает в десятки раз вероятность подозрительной аварии или угона.

«Это не значит, что если у потенциального клиента одноклассник является автоюристом, то мы его не будем страховать. Но если он придет с убытком, то, видя столь интересное окружение, мы будем уделять ему особое внимание», – подчеркивает Ладыгина. Это другая сторона персонализации взаимодействия с клиентом: она имеет значение не только при продажах, но и в остальных процессах.

***

Все больше финансовых организаций говорят о необходимости выхода в онлайн-пространство и работе с клиентом там, где ему удобно. Регулярно приходится слышать, что тот или иной крупный банк включил в свой арсенал работу в электронных каналах. Это направление для многих по-прежнему является Terra Incognita, потому что полностью нарушает привычный цикл работ. Но взаимодействие с клиентом начинается еще до его идентификации.