Большие данные

Корпоративный рынок начинает все больше приобретать черты потребительского. Онлайн-сервисы, микросегментация, пред- и постпродажная работа с клиентами, прогнозирование их потребностей – теперь эти задачи актуальны не только для банков и телеком-операторов, но и для многих игроков B2B-рынка. И хотя про большие данные в основном пока речи не идет, специфические ИТ-инструменты для взаимодействия с клиентами и поддержки продаж им требуются все чаще. При этом одни и те же решения могут использоваться в совершенно разных целях. Например, облачную платформу SAP Hybris используют и как непосредственно интернет-магазин, и как аналитическое дополнение к CRM, и как средство поддержки продаж. «КАМАЗ», «Северсталь», а также ТК «Мегаполис», занимающаяся дистрибуцией табачных товаров, работают в разных сегментах рынка, но их объединяет потребность в цифровизации работы с клиентами, хотя к решению задачи каждая из компаний подошла по-своему. 

«Мегаполис» обеспечил смарт-беседы с клиентами

Люди ежедневно сталкиваются с потребительскими сервисами, заходя в парикмахерские, фитнес-центры, автосалоны. Полученный опыт они переносят в отношения В2В.

«Заходя в торговую точку, агент должен быть готов на основе предыдущих покупок клиента сделать ему новое предложение или дать рекомендации. Система способна выступить помощником в смарт-беседе», Дмитрий Лебедев, директор департамента развития традиционной торговли ТК «Мегаполис»

«Наши клиенты стали весьма требовательными. Они оформляют заказы в интернет-магазинах, видят там персональные предложения и хотят точно такого же, но уже в бизнес-среде. Мы не можем не откликаться на предъявляемые требования и решили запустить дополнительный канал продаж», – говорит Дмитрий Лебедев, директор департамента развития традиционной торговли ТК «Мегаполис».

«Мегаполис» – крупный дистрибьютор, эксклюзивный поставщик ряда марок табака. Компания обслуживает не только крупные федеральные сети, но и почти 150 тыс. торговых точек «традиционной торговли». Маленькие торговые точки испытывают очень серьезное давление со стороны известных компаний и при этом не могут похвастаться ни ассортиментом, ни высочайшим уровнем сервиса. Чем им можно помочь, сказать трудно, информация слишком разрозненная. Чтобы иметь возможность «достучаться» до основной массы клиентов и понять их потребности, было принято решение развернуть платформу SAP Hybris.

«Мы дали возможность делать заказ круглосуточно, а не только тогда, когда наш агент приходит в торговую точку. Сотрудник, принимающий решение, может сделать заказ в любое удобное время – например, сидя дома в воскресенье», – отмечает Лебедев. Портал доступен по подписке: торговым точкам выдаются пароли, и их сотрудники работают через личные кабинеты. Очень большое значение имеет мобильная версия портала: люди все чаще делают заказы через мобильные устройства.

В компании надеялись, что с появлением удобного сервиса заказов удастся обеспечить до 10% выручки. Есть и другие очень простые и понятные, но при этом важные сервисы – акты сверок, истории заказов. Их доступность позитивно влияет на лояльность.

Появление нового канала побудило и к более радикальному изменению процессов. Торговые агенты больше не принимают заказы внутри торговой точки: рутинные операции переданы в электронный канал, а сотрудникам отведена более интересная с точки зрения бизнеса роль – мерчандайзинг и разговоры с клиентами об их потребностях.

Сейчас платформа проходит пилотные испытания в Москве, Нижнем Новгороде и Новосибирске.

«Мы были в очень жестких рамках – на проект было отведено четыре месяца. Во многом из-за этого выбор был остановлен на облачном решении, которое позволяло войти в проект без крупных инвестиций, хотя и нельзя сказать, что Hybris стоит дешево», – говорит Лебедев.

Часть запланированных возможностей еще предстоит реализовать. В частности, полную омниканальность. И хотя еще не подведены итоги первого этапа проекта, в течение 2018 года запланирован второй этап развития платформы. В его рамках будет сформирован единый маркетинговый профиль клиентов. И конечно же, данные, собираемые в едином месте, надо будет использовать.

«Заходя в торговую точку, агент должен быть готов на основе предыдущих покупок клиента сделать ему новое предложение или дать рекомендации. Система способна выступить помощником в смарт-беседе», – подчеркивает Лебедев. Персонализированные предложения должны привести к заметному росту продаж и улучшить взаимодействие с торговой средой.

«КАМАЗ» формирует платформы

«Наш продукт инвестиционный и комплексный, и когда клиент принимает решение о его покупке, нам как автопроизводителю важно уяснить, из чего он исходит. Надо понимать, как компания планирует использовать технику в своем бизнесе, насколько автомобили будут эффективны в ее процессах», – рассказывает Эльдар Аминов, руководитель службы развития дилерской сети «КАМАЗа».

«Я пока что не знаю ни одного автопроизводителя, который использовал бы подходы CRM в рамках всей дилерской сети. Обычно ограничиваются внедрением CRM у себя и пытаются работать с клиентами силами своих сотрудников», Эльдар Аминов, руководитель службы развития дилерской сети ПАО «КАМАЗ»

Как у всех автопроизводителей, большая часть продаж «КАМАЗа» проходит через дилерскую сеть. До недавнего времени руководство компании устраивали и ее активность, и объем продаж. Вроде бы все хорошо – доля на рынке в сегменте большегрузных автомобилей свыше 50%. Однако время идет, и клиенты меняются. Для них важны онлайн-мониторинг работы автомобилей, быстрая реакция от производителя. Традиционных подходов (персональные продажи, переговоры и т. п.) уже недостаточно, чтобы понять, чем клиент на данный момент дышит. Поэтому на «КАМАЗе» всерьез озаботились тем, чтобы собирать информацию практически в режиме реального времени. Было крайне важно успеть охватить каждого клиента, установить стандарт работы с клиентами.

«Я не знаю пока что ни одного автопроизводителя, который бы использовал подходы CRM в рамках всей дилерской сети. Обычно ограничиваются внедрением CRM у себя и пытаются работать с клиентами силами своих сотрудников», – говорит Аминов. На созданной же «КАМАЗом» платформе работают именно сотрудники дилеров – независимых юридических лиц, они отражают всю информацию о работе с клиентами. Построение этой информационной цепочки взаимодействия с клиентами было очень важным и непростым решением – фактически требовалось создать систему, в которой было бы удобно работать и самим дилерам.

На «КАМАЗе» используют Hybris в качестве базы для собственных платформ – цифрового клиента и цифрового автомобиля. При этом любое действие сотрудника дилерского центра должно иметь воздействие на рынок и порождать реакцию клиента.

«Мы ориентировались именно на облако, потому что это очень хороший способ быстро войти в тему и запуститься в боевом режиме, в случае же использования традиционной модели компании часто вынуждены вариться в собственном соку», – говорит Аминов. Кроме того, требовалось создать решение, в котором любые изменения сразу отражаются на всех пользователях – сейчас их около 700, а в ближайшее время станет тысяча. Меняться и смещать приоритеты, подстраиваясь под рынок, приходится часто, и все пользователи должны работать в едином информационном поле. Облачное решение удачно вписалось в эти условия.

В результате реализации проекта удалось решить сразу несколько задач. Во-первых, существенно повысилось качество получаемой от дилеров информации, а по любым действиям пользователей системы можно получать необходимую аналитику. Во-вторых, была построена система перепроверки информации, получаемой из разных источников. Кроме того, удалось организовать схему активной работы менеджеров: процессы выстроены таким образом, что система фактически сама толкает менеджера на следующий шаг, подсказывая, куда двигаться дальше. Заметно повысилась активность сотрудников, удалось нарастить клиентскую базу, фактически охватив около 80% потенциальных клиентов.

На следующей фазе проекта подразумевается обеспечить понимание того, что происходит с автомобилем после его продажи. Для этого используются данные регистрационного учета ГИБДД, данные сервисного обслуживания, заказ-нарядов. Вся эта информация помогает понять, как именно клиент использует автомобиль, насколько он доволен и что ему можно предложить для повышения эффективности бизнеса.

«То, что мы сделали, – отнюдь не финальная точка, мы только вошли во вкус, у нас большие планы по развитию системы», – уверен Аминов. Система очень скоро будет распространена на экспортные продажи. Возможно, отечественная практика не найдет широкого применения за рубежом, но наработан хороший опыт для выхода с этим решением и на внешние рынки. Кроме того, платформа Hybris будет использоваться и для электронной коммерции. Накатывающуюся волну игнорировать невозможно – клиенты требуют онлайн-сервисов и максимально оперативного реагирования на свои запросы.

Сейчас при сборе информации о событиях с автомобилем и его истории формируются большие данные, благодаря которым можно предлагать «умные» сервисы – например, рекомендовать клиентам вместо ремонтов профилактическое обслуживание, предупреждая простой техники.

«Северсталь»: путь к активным продажам

Металлургия – весьма консервативная отрасль, в ней все происходит медленно, в том числе и развитие ИТ- и бизнес-практик. К интернет-продажам «Северсталь» подходила несколько раз – и в начале 2000-х, и в 2004-м, и в 2010 году. Как полагает Евгений Черняков, директор по продажам АО «Северсталь Менеджмент», тогда еще не сложились все необходимые условия – и клиенты, и компания еще желали работать по-старому. Зато такие условия совершенно точно создались в течение последней пары лет: конкуренция растет, а клиенты изъявляют все большую готовность к электронным закупкам. Средний возраст закупщиков с 50-60 лет упал до 30, и это тоже сказывается – люди более открыты для новшеств.

«Если бы мы считали исключительно прямую окупаемость ИТ-проектов, то, скорее всего, ни один из них мы бы не запустили», Евгений Черняков, директор по продажам АО «Северсталь Менеджмент»

Было принято решение построить интернет-магазин на платформе Hybris. Однако, несмотря на внедрение облачной платформы, быстрым проект не стал – много времени заняла бизнес-подготовка.

«Запустить облачное решение в металлургии не так просто, многие системы не готовы к этому, нужно привести в порядок и процессы, и данные. Наложить Hybris на существующую систему продаж тоже сложно, необходимы внутренние изменения. На это у нас ушло около года», – поясняет Черняков.

В настоящее время почти 50% российских клиентов «Северстали» уже пользуются интернет-магазином, через него происходит 10% продаж, и их объем быстро растет. Постоянная клиентская база включает около 700 предприятий, осуществляющих закупки, а всего пользователями портала стали более 20 тыс. компаний.

Как отмечает Черняков, площадка уникальна тем, что на ней удалось создать действительно комплексное решение. «Обычно интернет-магазины продают металл, имеющийся в наличии. Мы же делаем по-другому: если требуемого металла нет в наличии, клиент через личный кабинет может оформить заявку и заказ будет готов к указанной дате», – говорит он. Такая смешанная модель пока весьма редка. В этом заключалась основная сложность проекта, так как требуется интеграция различных информационных систем, а вся информация должна быть синхронизирована и унифицирована.

Если «Мегаполис» в ходе первого этапа проекта сделал акцент на работе в поле – поддержке продаж и мерчандайзинга, а «КАМАЗ» – на постпродажном обслуживании, то у «Северстали» на первый план вышел пресейл – поиск возможностей для продаж. Решение стало единым порталом для взаимодействия с клиентом. Металлурги постепенно переходят от традиционной, пассивной модели продаж, когда клиенты сами приходят с заявками, к активной деятельности, когда продажа начинается в момент появления у клиента проекта.

«Узнав о запуске нового проекта, мы начинаем загодя прорабатывать потенциальный заказ, ищем технические решения, что в прежние времена встречалось крайне редко», – подчеркивает Черняков. Очень важно оказаться «внутри» проекта еще на этапе подготовки технического задания, предлагая консалтинговую поддержку. Подрядчики и закупщики не являются металловедами, им часто требуется подсказать, какую марку стали правильнее применять, какое решение будет более эффективным. Чтобы вести такие продажи, нужен совершенно другой подход к модели продаж и совершенно другие ИТ-решения.

«Мы все дальше уходим от необходимости звонить на “Северсталь” и проверять статус заказов – всю требующуюся информацию можно получить онлайн. Эта информация важна и для внутренних пользователей: имея ее, мы понимаем, чем можем помочь нашим продавцам», – резюмирует Черняков. Это позволяет не держать сотрудников в офисе, поощряется их нахождение «ближе к клиенту».

В эффекты можно только верить…

«У меня проект окупается за полтора года. Разумеется, есть экономия на числе торговых агентов, рост за счет количества собираемых заказов. Но на самом деле ситуация – либо делай, либо умри», – уверен Лебедев. Инвестиции идут в сохранение и развитие конкурентных преимуществ, расширяя окно возможностей.

«Я не знаю, какую материальную пользу я получу от улучшения клиентской аналитики и какие выгоды несет персонализация работы с клиентами. Но я точно знаю, что без интернет-магазина ни выгоды, ни пользы никакой не будет», – продолжает Лебедев. Конкретный же финансовый эффект зависит от собственной «крутизны» компании – от того, насколько удастся монетизировать эти возможности.

«Если бы мы считали исключительно прямую окупаемость ИТ-проектов, скорее всего, ни один из них мы бы не запустили», – признается Черняков и добавляет, что обычно период окупаемости составляет несколько лет.

Как известно, ИТ-продукт недостаточно приобрести. Перед началом его использования требуется немалая подготовительная работа, которая сама по себе имеет ценность для бизнеса: улучшение внутренних процессов, повышение прозрачности, приведение в порядок документации, интеграция существующих решений. Из-за этого прямую окупаемость проекта оценить сложно. Поэтому зачастую их реализация скорее зависит не от предъявленных цифр, а от позиции бизнес-руководства – «верю» или «не верю».

Есть решения, обязательные для работы в современных условиях. Системы, позволяющие персонально работать с клиентами, относятся именно к таким – без них компания не в состоянии соответствовать ожиданиям рынка.

России следует сконцентрироваться не на цифровой, а на экспоненциальной экономике, считает Алексей Минин, директор Института прикладного анализа данных «Делойт», СНГ. Обладая такими уникальными активами, как госкомпании, можно добиться значительного рыночного успеха именно в традиционных, а не цифровых областях. Мы поговорили с Мининым о важности такого института, как эксполераторы, о готовности компаний к инновациям, а также о технологиях, которые могут «выстрелить» в ближайшее время. Подробнее его мнение можно будет услышать на VII Всероссийском форуме BIG DATA, который 28 марта 2018 года проведет Издательство «Открытые системы».

– Год назад понятие цифровой экономики вышло на государственный уровень. Что это означает, кроме того, что правительство готово «залить» деньгами запущенную ситуацию?

Сама по себе «Цифровая экономика» – очень правильная программа. Государство открыто признает существующий тренд и призывает обратить на него внимание. Эффективность этой программы – отдельный вопрос. Например, все, что связано с цифровыми госуслугами, на мой взгляд, не должно быть частью этой программы. Да, на дворе XXI век, и перевод процессов в цифру – естественное явление, но это не цифровая экономика, а нормальная работа в нынешних условиях.

Начало нынешнего века ознаменовалось расщеплением экономик на цифровую и экспоненциальную. Все, что может быть дематериализовано – переведено «в цифру», станет предметом цифровой экономики. Следствием дематериализации являются демонетизация и демократизация – общая бесплатная доступность. Поэтому цифровую экономику можно назвать экономикой лишь условно: она не имеет прямой монетизации и не может быть предметом владения отдельного государства, выстраиваясь над экономиками государств.

Экспоненциальная же экономика охватывает материальные объекты физического мира и строится по совершенно иным правилам. Ее название происходит от экспоненциальных технологий: искусственного интеллекта, блокчейна и т. д., – приводящих (при условии их правильного применения) к экспоненциальному росту капитализации компаний. Традиционные отрасли – металлургия, добыча полезных ископаемых, машиностроение – уже начали борьбу за эффективность. В условиях наступающей глобальной конкуренции любой участник рынка должен быть конкурентоспособным по цене и качеству, а для этого необходимы экспоненциальные технологии.

Если бы мы хотели занять хоть какое-то место в цифровой экономике, у нас уже должна была вовсю работать своя Кремниевая долина со множеством акселераторов. Фактически конкуренция здесь уже проиграна, но в этом нет ничего страшного, потому что в цифровой экономике нет простых денег, схемы монетизации очень сложные, а бизнес-модели – неустойчивые. Поэтому я считаю, что нашему государству надо сфокусироваться именно на экспоненциальной экономике, а не на цифровой. У нас есть гораздо более интересные участки, и они как раз в области экспоненциальной экономики. В России имеется уникальная структура активов – госкомпании. Таких компаний, как РЖД, Сбербанк, «Газпром» или «Роснефть», в мире очень немного. Важно научиться их эффективно использовать помимо их прямого назначения, с применением экспоненциальных технологий.

«Сплошь и рядом внедряются проверенные решения. Но сидя в последнем вагоне, не получится обогнать поезд», Алексей Минин

Очевидно, что такие инновации в госкомпании могут прийти только извне. Необходимо создать соответствующие экосистемы, включающие госкомпании, их менеджмент, стартапы и финансирование. Мы назвали их эксполераторами по аналогии с акселераторами – структурами, объединяющими технологии и компетенции и позволяющими преуспеть в цифровой экономике. После получения требуемого эффекта – кратного увеличения капитализации – важно не отдавать стартап в эту компанию. Государство должно «вмешаться», не допустить его поглощения и, следуя логике программы «Цифровая экономика», вывести на глобальный рынок, чтобы монетизировать технологии. Компания, не пришедшая на рынок с сырой идеей, а реализовавшая гигантский проект, будет вызывать определенный интерес. Скажем, после «Роснефти» ей открыта дорога в крупнейшие мировые нефтяные компании.

Одним из барьеров, затрудняющих работу стартапов и госкомпаний, является тот факт, что госкомпании очень любят секретность. Но мы живем в открытом мире, большая часть из того, с чем мне приходится сталкиваться, не имеет никакого отношения к секретам, и технологии и имеющийся опыт вполне могут быть выведены на рынок.

– Действительно ли имеет смысл надеяться на создание государством каких-то благоприятных условий или гораздо больше по-прежнему зависит от бизнеса?

Шанс для государства – именно серьезная модернизация госкомпаний. И здесь без государства обойтись не получится. Экспоненциальные технологии – это НИОКР, и они должны иметь право быть безрезультатными. А в сложившейся практике госзакупок подразумевается, что неудач быть не может: при отрицательном результате могут обвинить в нецелевом расходовании средств. Да, борьба с коррупцией необходима, но тендеры – не лучший способ, есть гораздо более эффективные механизмы. Специальные органы должны проверять наличие экспертизы у участвующих в тендерах компаний, но, если компания допущена к тендеру на проведение НИОКР или внедрение экспоненциальных технологий, абсолютно нормальной ситуацией должно быть неполучение результата. Именно поэтому необходима специальная экосистема, о которой я говорил. Нужно экспериментировать, и 90% экспериментов будут безрезультатными, но 10% успешных окупят все инвестиции.

– Считается, что новые технологии начинают приживаться в России тогда, когда на Западе станут уже общепринятыми. Обычно речь идет об отставании в несколько лет. Готов ли сам российский бизнес войти в цифровую экономику, достаточно ли он зрел?

Полгода назад на одном крупном мероприятии завязалась серьезная дискуссия на эту тему, и я в ней участвовал. Там представители малого и среднего бизнеса заявляли о своей инновационности, а я выражал сомнения в этом. И недавно я услышал подтверждение своей точки зрения: как заявил Герман Греф на недавнем Гайдаровском форуме, аппетит к инновациям на российском рынке крайне низок.

К сожалению, мы очень часто под видом инноваций внедряем то, что уже везде стало нормой. Сплошь и рядом внедряются только проверенные решения. Это уже похоже на специфику менталитета. Но дело в том, что, сидя в последнем вагоне, не получится обогнать поезд. В этом плане показательно сравнение Сбербанка и ВТБ. Сбербанк активно экспериментирует с технологиями, а ВТБ, по признанию его руководства, внимательно смотрит на действия лидера и внедряет самые успешные практики, не разбазаривая ресурсы. Де-факто ВТБ расписывается в том, что его устраивает второе место, и, с точки зрения акционеров, такая позиция вполне допустима. Но двум большим организациям, как мне кажется, было бы интересно побороться за первое место на рынке. Конечно, тут важно, какая стратегия утверждена акционерами, ведь именно они определяют направления в развитии организации на долгосрочную перспективу.

Еще один показательный пример: российские банки усердно борются за удобство интернет-банкинга, регулярно выпускаются соответствующие рейтинги. А в Кремниевой долине прекрасно понимают, что банков в нынешнем виде скоро не останется, поэтому и приложениями мериться бессмысленно. Там сейчас пытаются переизобрести банковскую модель, экспериментируя в различных направлениях. На самом деле интернет-банк должен быть просто нормальным.

Инвестировать следует в более важные направления: переосмыслить себя, применить к своим активам те самые экспоненциальные технологии, понять, что такое «кредитный процесс 2.0» в условиях экспоненциальной экономики, какова может быть реализация продуктов в условиях цифровой экономики, за счет чего можно будет конкурировать на рынке.

Многие думают, что могут продолжать строить свой бизнес на дисбалансе информации между покупателем и поставщиком, когда зарабатывает тот, кто больше знает. Банки всю жизнь играли в эту игру, меняя риски на деньги. Однако в условиях цифровой и экспоненциальной экономики все изменится, информационные дисбалансы будут устранены, поэтому банкам следует серьезно задуматься о своей роли. Скажем, банки смогут выполнять скорее консалтинговую роль, чем быть просто поставщиком денег.

– Данные были провозглашены аналитиками «новой нефтью» еще несколько лет назад. Однако радикальных перемен с тех пор не произошло. В чем причина?

Такое сравнение абсолютно оправданно, хотя я больше склонен проводить аналогию с золотоносной рудой: нефть сама по себе имеет ценность, а данные – нет. В добытом на прииске грунте ценности нет – непонятен выход золота. Первой производной данных является информация, для ее извлечения используются алгоритмы Big Data. Информация – объект дескриптивной аналитики: имея ее, можно описать происходящие процессы. На ее основе формируются знания – объект прогностической аналитики: мы понимаем происходящие процессы и можем предсказывать развитие ситуации. Производная от знаний – опыт, исходя из опыта можно не только понимать и прогнозировать, но и делать выводы, давать рекомендации. В идеале этот процесс должен стать полностью автономным, выполняться без участия человека.

Таким образом, данные лежат в основе всего. Но от данных (руды) до реальной ценности (золота) лежит большой путь. К тому же на рынке реально не хватает данных. Да, транзакционных данных у банков достаточно, а вот много ли у нас данных, например, о состоянии макроэкономики? Мы не можем строить качественные эконометрические модели из-за отсутствия данных. Мы не сможем окончательно войти в XXI век, пока не будем иметь высокочастотные данные о состоянии экономики. Доступные источники данных имеют западное происхождение, что представляется серьезной угрозой – если мы потеряем к ним доступ, существующие модели станут неработоспособными.

– Какие из перспективных технологий (блокчейн, искусственный интеллект и т. п.) могут «выстрелить» в ближайшем году и в каких отраслях?

Разумеется, самой емкой с точки зрения новых технологий является банковская отрасль, и именно потому, что переживает серьезные изменения. Второй по потребности в инновациях сферой является сельское хозяйство. Существует огромный пласт задач, чрезвычайно актуальных в сельском хозяйстве, традиционно страдающем от невысокой эффективности. Здесь востребованы решения на базе Интернета вещей: системы точного земледелия, распознавания болезней растений и умной ирригации, системы планирования. Но главное – есть очень заметный эффект от внедрения, такие проекты явно имеют смысл.

Что касается конкретных технологий, то главной из них в ближайшее время будет умение думать. Слишком много хайпов создается непрофессиональными людьми. Два курса на Coursera не сделают из человека исследователя данных, а посещение нескольких конференций по блокчейну и покупка некоторой суммы биткойнов не сделают из него большого специалиста по криптовалютам.

Несомненным является лишь применение экспоненциальных технологий в контексте искусственного интеллекта. Однако в ближайший год здесь не стоит ждать прорывов, все будут заняты более простыми вещами. Например, сейчас мы видим торжество роботизации процессов (Robotic Process Automation, RPA), и в ближайший год сохранится интерес именно к ней: она позволяет быстро и просто снизить затраты на человеческие ресурсы. Это короткие и понятные проекты с очевидной монетизацией. Что касается систем искусственного интеллекта, то с ними уже необходимо начинать экспериментировать. Будучи правильно примененными, они дают мощный прирост производительности. Но эти проекты – гораздо более сложные и требуют более высокой компетенции у исполнителя.

– О драйверах цифровизации говорят часто. А какие факторы могут быть сдерживающими и не перевесят ли они в итоге?

Да, такое вполне может быть. Более того, отчасти это и происходит. Во-первых, как я уже говорил, нужны данные. Во-вторых, в экспоненциальной экономике важнейшим фактором станет наличие экосистем, а значит, залогом успеха является правильное регулирование. Примером может служить американский подход – изначальное отсутствие регулирования и его появление лишь в случае возникновения проблем, а не попытка зарегулировать «на перспективу». Кроме того, нам срочно нужно менять менталитет в вопросах открытости доступа к данным. Мы исторически находились «в окружении врагов», и поэтому все системы построены на больших ограничениях. Наконец, забюрократизированность крупных компаний. Не стоит упрекать госкомпании в незаинтересованности цифровой экономикой – это не так. Просто у них нет ресурсов – хватает других проблем. Но не заниматься этим нельзя, ресурсы придется изыскивать.

Далее серьезным барьером будет становиться человеческий капитал. Сколько толковых людей остается преподавать в вузах? Основная масса расхватывается компаниями или уезжает за рубеж. С возобновляемостью человеческого капитала сейчас большие проблемы.

Важно понимать, что цифровая экономика делается молодыми энтузиастами, а экспоненциальная – экспертами и инженерами. У каждой из них своя специфика, и препятствия везде свои. Однако наряду с препятствиями существуют и свои уникальные возможности. У нас пока еще высокое качество человеческого капитала, мы видели всплеск его активности в 2010-2014 годах, и еще, я думаю, увидим не раз.

В прошлом году Национальный исследовательский университет «Высшая школа экономики» обнародовал концепцию проекта Data Culture, направленного на обучение технологиям анализа данных студентов бакалавриатов всех факультетов университета. Одним из инициаторов проекта является вице-президент НИУ ВШЭ Игорь Агамирзян.

Агамирзян имеет очень большой и разноплановый опыт работы в ИТ-индустрии. C 2009 по 2016 год, он, возглавляя Российскую венчурную компанию, внес большой вклад в формирование в России экосистемы инновационного предпринимательства. До перехода в ВШЭ сотрудничал с университетом на протяжении 15 лет, участвуя в создании первых технических специальностей в вузе, а сейчас курирует направления по инженерии и computer science (факультет компьютерных наук – ФКН, МИЭМ). Беседа с Агамирзяном, который 28 марта выступит на форуме BIG DATA 2018, не ограничивалась обсуждением проекта Data Culture. Мы говорили о том, каким в целом должно быть высшее образование, чтобы соответствовать задачам цифровой экономики.

– С чем связано появление проекта Data Culture?

Сейчас молодежи, чтобы успешно развиваться в современной социально-экономической структуре, необходим базовый набор компетенций, сильно отличающихся от тех, которые были нужны моему поколению. Это новая культура в широком смысле. У Юрия Лотмана есть прекрасное определение: «Культура – это совокупность генетически не наследуемой информации в области поведения человека». Это то, что приобретается как результат воспитания, образования, жизни в определенной среде. А среда меняется со временем, и сейчас у общества иные потребности, чем 50-100 лет назад, поскольку другой становится его структура за счет изменения структуры экономики, в основе которой изменения технологического ландшафта.

В результате взрывного развития технологий в последние 50 лет, многое для человечества сейчас происходит впервые: постоянное нахождение в ситуации переизбытка информации, возможность мгновенной коммуникации в планетарном масштабе. Это уже приводит к существенным социальным последствиям, и тенденция будет только нарастать.

Что нужно молодым людям в этих меняющихся условиях? Безусловно, культура работы с данными: сегодня ни в одной специальности невозможно существовать без умения ориентироваться в информации. Одна из принципиальных особенностей современной среды – это общедоступность гаджетов, которые являются нашим персональным шлюзом в информационный мир.

Второй элемент культуры XXI века – предпринимательская культура. Экономика, основанная на знаниях, базируется на гораздо более развитой экосистеме создания ценности. Если в традиционной индустриальной экономике производительной силой и объектом производства были материальные объекты – например, завод и автомобили, то в современной экономике основным центром создания добавленной стоимости является не завод, а его конструкторское бюро. Маржинальность производственной части стремится к нулю, стоимость энергетических и физических ресурсов падает, а потому себестоимость единицы продукции при массовом производстве становится ничтожно малой. Драматическое падение цен на электронику это хорошо иллюстрирует. А ценность создается в развитой экосистеме инжиниринга, для существования в которой необходимы предпринимательские компетенции.

И это необязательно стартапы и технологическое предпринимательство. По сути, любая внутрикорпоративная инициатива – тот же стартап, только внутри существующей оргструктуры. Кроме того, проекты на стыке социальных и креативных задач приобретают все большее значение в условиях снижения востребованности многих традиционных профессий, связанных с низкоэффективным физическим трудом. Высвобождающиеся при этом ресурсы переходят в сферу услуг, связанных, например, с туризмом или ресторанным бизнесом.

Чего уже никогда не будет, так это гарантированной занятости, характерной для больших индустриальных обществ. Мы должны быть готовы в ближайшие десятилетия жить в условиях профицита рабочей силы и сильной дифференциации в востребованности квалификаций. Все процессы, связанные с внедрением цифровой экономики, включая цифровые производства, цифровую энергетику, цифровое ЖКХ, интеллектуальный транспорт и т. д., будут приводить к вымыванию кадров средней квалификации. При этом будет сохраняться и, возможно, расти спрос на низкоквалифицированные ресурсы и будет очень небольшой спрос на суперквалифицированных, элитных специалистов. Предпринимательский дух в экономике, для которой характерен профицит трудового ресурса, будет абсолютно необходим.

Я не хочу сказать, что каждый станет предпринимателем, и не думаю, что можно научить предприимчивости – это свойство характера, но можно научить технологиям ведения предпринимательской деятельности.

Ключевой компетенцией для цифровой экономики также является культура проектной работы, причем с точки зрения как управления проектами, так и участия в них. И наконец, для того чтобы заниматься предпринимательской деятельностью, проектной работой, необходима культура коммуникаций. Этому нас никогда не учили, более того, это противоречит традиционной концепции общего образования, которое всегда было индивидуализировано. Уже сейчас очень трудно проверить, решил ли учащийся задачу сам или нашел решение в Google. А когда в ближайшие годы появится специализированный искусственный интеллект, позволяющий для любой задачи моментально получить ответ в смартфоне, система индивидуальных заданий из закрытого списка окончательно перестанет работать. Поэтому необходимы другие подходы, подразумевающие индивидуализированные образовательные траектории и в то же время коллективную работу, результатом которой может быть, например, некая предпринимательская инициатива. При этом надо уметь пользоваться возможностями и избегать рисков, порождаемых переизбытком информации.

– Все это выглядит как колоссальный вызов для системы образования…

Это вызов не только для системы образования, но и для всего общества. Технологическое развитие в первую очередь влияет на экономику, а через экономические изменения – на социальные явления. У меня есть предположение, что на протяжении этого века должно кардинально измениться понятие государства. Социальные структуры всегда строились на коммуникациях, которые были возможны благодаря территориальной близости. Впервые в истории человечества мы оказались в ситуации глобальной бесплатной связности, когда структура общения не зависит от физического местоположения. И это может привести к кардинальным изменениям на глобальном уровне. Традиционные госструктуры вряд ли будут это приветствовать, и пример тому – попытки регулирования Интернета, но противостоять подобным тенденциям бессмысленно.

– Когда мы общались примерно два года назад (см. «Стратегия прорыва», «Computerworld Россия», 29.02.2016), вы высказали предположение, что наука о данных (Data Science) как отдельное направление не сохранится, но будет Data Science в энергетике, Data Science в транспорте, Data Science в ЖКХ и т. д. Программа Data Culture, по-видимому, отвечает этой вашей идее?

Все самое интересное вокруг нас лежит на пересечении информации и физического мира. Цифровое производство, интеллектуальные транспортные системы – это приложение информации и ИТ к вполне традиционным областям человеческой деятельности. Данные имеют смысл только тогда, когда им придана какая-то интерпретация, которая, в свою очередь, задается предметной областью и алгоритмами работы с этими данными. Алгоритмы являются неотъемлемой частью науки о данных, поэтому в проекте Data Culture надо среди прочего развивать алгоритмическую культуру и понимание того, как работать с данными.

– Могу представить, что алгоритмической культуре можно и нужно учить студентов ФКН. А как быть с остальными факультетами, например гуманитарными? Чему и как учат в рамках проекта Data Culture менеджеров, экономистов, филологов, ну и математиков наконец?

Программа кастомизируется в зависимости от потребностей конкретной специальности, но она действительно нужна всем. Вопрос – в степени глубины. Математикам и студентам ФКН, безусловно, проще. Хотя математику называют матерью всех наук, это не наука, а язык, на котором формулируются задачи любой другой науки. В отличие от естествоиспытательских наук, таких как физика или биология, изучающих явления природы, математика и computer science являются, по сути, фабриками артефактов. Будущим специалистам в этих областях присущ конструктивизм, поэтому прививать им культуру работы с данными несложно.

Во многих других областях человеческой деятельности конструктивный подход, связанный с определением новых сущностей, проявляется гораздо меньше. История, филология, философия – это не конструирование нового, а анализ того, что уже существует. Культура работы с данными тоже связана с анализом, но, для того чтобы анализировать данные в цифровой форме, нужно понимать, как выполняется конструирование артефакта в виде алгоритма, программы и т. д. Одно из достижений последнего времени состоит в том, что появились вполне понятные средства программирования с возможностью интеграции в глобальные среды работы с данными.

В проекте Data Culture для каждого конкретного факультета строится своя учебная траектория и набор уровней, которыми могут овладеть студенты с точки зрения использования данных в приложении к своей специальности. Как все это будет выглядеть, определяют специалисты в данной предметной области. Поэтому важнейшей частью проекта является подготовка и обучение преподавателей.

– Не создаст ли это проблем в продвижении проекта, ведь сложившемуся преподавателю может быть трудно воспринимать новое?

Молодежь это очень легко воспринимает, а в Вышке много молодых преподавателей. Но и среди опытной профессуры на удивление много людей, абсолютно открытых новому. И это тоже результат происходящей технологической, экономической, социальной революции – меняется отношение к возрасту. Модель общества, в котором считают, что в 60 лет наступает старость, уже неактуальна. Те, кто продолжает активно работать, учатся всю жизнь.

– Меняются ли российские вузы в ответ на глобальные изменения экономики и общества, связанные с технологическим развитием?

В Высшей школе экономики это несомненно происходит, и ВШЭ входит в число лидеров изменений среди высших учебных заведений в нашей стране. Но я бы не рискнул сказать, что таких университетов много. Большие изменения происходят, например, в питерском ИТМО, где успешно решается задача формирования университета нового типа. Сколтех с чистого листа создавался как такой университет. Его учебная программа включает только магистратуру, но надо сказать, что в ведущих мировых университетах соотношение бакалавров, магистров и аспирантов иное, чем в наших больших вузах, в них магистры и аспиранты преобладают. Знаменитые Стэнфорд и MТИ ориентированы преимущественно на подготовку специалистов с более высоким уровнем образования.

– В связи с падением востребованности среднего слоя специалистов, о котором вы говорите, не изживет ли себя система бакалавр-магистр?

Я говорил о вымывании среднего уровня, но о сохранении или даже росте спроса на низкую квалификацию, под которой необязательно подразумевать только людей, занимающихся физическим трудом. Это могут быть «пролетарии умственного труда», которые умеют работать по регламенту. Так, технология создания программного продукта – это работа по определенному управленческому регламенту, хотя программирование и содержит в себе элемент креативности.

Хороший пример – инженерное ПО. Специалист, который использует AutoCAD для решения конкретных инженерных задач, и специалист, который разрабатывает алгоритмы моделирования, используемые в системах автоматизации проектирования, имеют разные уровни квалификации. Подавляющее большинство инженеров сегодня – это пролетарии умственного труда, применяющие инструменты для решения конкретных задач, как правило, связанных с системной интеграцией. Поэтому современному инженеру культура работы с данными для поиска информации о лучших компонентах для своего решения необходима гораздо больше, чем, скажем, владение сопроматом, который уже «зашит» в САПР.

ИТ оказались мощнейшим инструментом унификации процессов, потому что в ИТ-системах «зашита» значительная доля регламентной работы. Инструментарий и техника работы в разных отраслях стали гораздо более схожими, чем это было в индустриальном мире.

– Если говорить непосредственно о работе с данными, то такими «сборочными компонентами» будут аналитические решения, инструментарий машинного обучения, которые вендоры стараются сделать все более доступными пользователям, не являющимся учеными по данным?

Совершенно верно, в работе с данными все большую роль играет системная интеграция. Без библиотек, без доступного инструментария сделать ничего невозможно. Такое впечатление, что останется несколько компаний в мире, способных писать компоненты, а вся остальная ИТ-индустрия перейдет в разряд высокоуровневых системных интеграторов, которые пишут программный код на уровне использования библиотек от Microsoft, Google, Apple и др.

– Что тогда подразумевает профессия Data Scientist? Это системный интегратор или создатель библиотек?

Data Scientist – это прежде всего постановщик задачи, пользователь всей этой технологической начинки для решения конкретной проблемы в конкретной предметной области. Все известные мне люди, занимающиеся Data Science, очень хорошо понимают предметную область, к которой прилагается наука о данных, но при этом обладают математическими знаниями. В Высшей школе экономики ведутся проекты с самыми разными приложениями. Есть группа, которая работает с ЦЕРН по анализу данных большого адронного коллайдера, а есть группа, которая занимается анализом данных нейросигналов. Понятно, что они могут применять одни и те же или близкие алгоритмы машинного обучения, но если мы перепутаем нейросигналы с событиями в коллайдере, то вряд ли получим что-либо содержательное.

– Есть ли четкое понимание того, как учить этой профессии?

На ФКН такое понимание есть, подготовка уже успешно ведется, и в ней важное место отводится сотрудничеству с индустриальными партнерами. Вообще, одной из особенностей современного образования является то, что университет все больше зависит от партнеров из бизнеса. В частности, потому, что очень часто новые технологические идеи приходят из индустрии, а не из академической среды. До 80-х годов прошлого века в Computer Science развитие шло преимущественно в университетской среде либо в индустрии, но с активным участием университетов. Затем возникла ситуация, когда разработчики персональных компьютеров оказались оторваны от академической среды и потому на первых порах часто изобретали велосипед – то, что было давно и хорошо известно в науке, в индустрии ПК становилось открытием. А потом развитие пошло настолько быстро, что на протяжении 90-х и нулевых годов скорее университетская среда питалась достижениями индустрии, чем наоборот.

Мне думается, что сейчас если не лидерство, то по крайней мере равноправное участие к академической среде возвращается, но уже на других условиях – коллаборативного партнерства. И это хорошо подтверждается на примере факультета компьютерных наук ВШЭ, который был создан и развивается в тесном сотрудничестве с «Яндексом».

Принимая решения об инвестициях в разработку лекарственных препаратов, производители проводят фармакоэкономический анализ, чтобы определить справедливую цену на препарат и популяцию, которую он может охватить. При этом рассчитываются разнообразные показатели соотношения стоимости препарата с его реальной эффективностью и безопасностью.

«Результаты фармакоэкономического анализа больших данных оказывают огромное влияние на принятие инвестиционных решений», – подчеркивает Илья Ясный, руководитель отдела научной экспертизы фонда Pharmstandard Ventures. Улучшению здравоохранения, по его словам, способствует не только выпуск новых препаратов, но и совершенствование применения уже существующих лекарств, и эту задачу тоже помогает решать фармакоэкономический анализ.

Для страховых компаний фармакоэкономический анализ является одним из самых важных факторов, влияющих на принятие решений о том, какие страховые планы предлагать пациентам. При этом регуляторы должны следить за тем, чтобы интересы пациентов не нарушались. А для врачебных сообществ доступ к большим данным крайне важен, чтобы принимать правильные клинические решения и давать правильные клинические рекомендации. При выработке клинических рекомендаций и рекомендаций по ценообразованию не упускается из внимания также качество жизни, обеспечиваемое препаратом.

Конечно, метаанализ медицинских и маркетинговых данных проводился и раньше. Но сегодня отрасли нельзя игнорировать вал разнообразных данных, которые стремительно накапливаются, и соответствующий инструментарий.

Большие данные помогают ответить на вопросы о реальной эффективности лекарств и затрат на здравоохранение, о влиянии страхового плана на здоровье популяции, о поведении потребителя в системе здравоохранения, о путях увеличения эффективности системы в целом и о том, как влияет регулирование цен на лекарства на качество здравоохранения.

Эффект и цена: а есть ли связь?

Большие данные в фармацевтике нужны главным образом для принятия правильных решений о том, кому и какие препараты назначать, и о том, как будет формироваться стоимость препарата.

Вопрос о реальной эффективности лекарств после выхода препарата на рынок очень болезненный для производителей, так как в исследованиях принимает участие ограниченный круг специально отобранных пациентов, а при более широком применении эффект зачастую смазывается и оказывается меньше наблюдаемого в клинике. К тому же выявляются разнообразные побочные эффекты, которые не были замечены на ограниченной выборке пациентов.

Исследования, проведенные в США, показывают, что стоимость лекарств против рака не всегда коррелирует с пользой, которую они приносят. В Европе для оценки реальной эффективности лекарств в сфере онкологии был создан специальный консорциум. Выяснилось, что 68% зарегистрированных и уже выпущенных на рынок препаратов не соответствуют строгим критериям этого консорциума, которые учитывают качество жизни пациентов, эффективность и безопасность.

Ситуация катастрофическая, признает Ясный. Однако большие данные облегчают ответ на вопрос, как ее можно изменить. Определенные надежды связаны, в частности, с прояснением того, каким образом влияют на эффективность приема препаратов так называемые омиксные данные (включающие данные метаболомики, протеомики, транскриптомики) и могут ли они помочь в оптимизации здравоохранения в целом.

К определению стоимости лекарств существуют два базовых подхода: на основе цен на подобные препараты и на основе «ощутимой полезности». В большинстве стран, в том числе в России, применяется первый способ, но его нельзя назвать оптимальным, так как не учитываются реальная стоимость и эффективность средства.

Полезность учитывает второй подход, применяемый в Австралии, Швеции, Германии. «Переход от референсного ценообразования к ценообразованию на основе ценности произошел в Германии буквально на наших глазах, в 2010-2011 годах, и это сразу позволило на 15-20% снизить затраты на здравоохранение без ущерба его качеству», – отмечает Ясный.

Доза дегтя

Главным источником больших данных в отрасли служат базы данных страховых случаев, которые фармкомпании покупают у страховщиков. Эти базы содержат чрезвычайно ценную информацию о реальных затратах на оказываемые медицинские услуги. Их необходимо сочетать с электронными медицинскими картами и прочими источниками данных. Пока крупнейшие медицинские организации мира совершают лишь первые шаги на этом пути. К примеру, в американской клинике Mayo пытаются решить проблему излишнего использования опиатов с помощью гигантского набора данных – около 200 млн записей электронных медкарт.

В отличие от рандомизированных клинических исследований, данные электронных медкарт и базы страховых случаев не отличаются такой же строгостью, поскольку они не обладают подобным уровнем стандартизации протоколов ведения записей, да и собираются они для других целей. Поэтому при их анализе серьезной проблемой становится качество данных.

В перечень источников данных, которые следует привлекать для анализа, входят также реестры пациентов, базы нежелательных явлений, данные биомониторинга, результаты крупных опросов, статистика, базы интернет-поисковиков, пулы сведений о поведении в Интернете, генерируемые в огромных объемах геномные и другие омиксные данные.

Однако при всей заманчивости и потенциальной эффективности применения больших данных, на этом пути немало подводных камней.

Во-первых, дополнительные затраты на сбор и интерпретацию данных далеко не всегда окупаются. Во-вторых, используемые при анализе больших данных традиционные статистические и математические методы часто приводят к обнаружению ложных корреляций там, где их нет, или обнаружению корреляций без понимания причинно-следственных связей. Поэтому для работы с такими наборами данных нужны специальные инструменты.

С одной стороны, массивы, включающие структурированные и неструктурированные данные, таблицы и изображения, довольно сложно анализировать. С другой стороны, перекосы в наборе данных одного типа могут компенсироваться данными другого типа, полагает Ясный.

Яркий пример несовершенства существующих алгоритмов и способов работы с данными – попытки Google на основе анализа запросов пользователей предсказать наступление очередной эпидемии гриппа. Несколько лет наблюдений показывают, что Google чаще ошибается, чем дает правильный прогноз. Межсезонную пандемию гриппа он пропустил совсем, а иногда он принимает начало зимы за начало гриппа. В итоге его предсказания иногда оказываются хуже, чем предсказания Центра по контролю и профилактике заболеваний США (Centers for Disease Control and Prevention, CDC), где вручную экстраполируют накопленные данные наблюдений. Однако если их сочетать, то прогнозы CDC можно улучшить.

«Большие данные не панацея, до их широкого применения еще далеко, здесь еще очень много проблем, но если грамотно сочетать большие и малые данные, то можно уже сейчас улучшить и упростить такую работу», – считает Ясный.

Чтобы получить полную картину для фармакоэкономического анализа, необходимы также данные об исходах лечения. В России в страховых компаниях такие данные искать бессмысленно – по мнению Ясного, их можно обнаружить главным образом в медицинских записях пациентов и, возможно, во внутренней статистике клиник. Поскольку такой поиск крайне сложен, то в большие данные эти источники пока не сливаются. Тем не менее с их помощью вполне можно повысить эффективность анализа больших массивов данных.

Публика весьма настороженно относится к сбору медицинских данных, особенно фармацевтическими компаниями, и отнюдь не все готовы ими делиться, несмотря на обещание деперсонализировать эти данные. Ведь риски использования таких данных не в интересах пациента действительно существуют. Например, по данным геномного анализа страховая компания может обнаружить повышение риска какого-либо заболевания и повысить страховой тариф, несмотря на то что человек может и не заболеть.

Не стоит также забывать о рисках потери и кражи данных.

Кроме того, при сборе данных существует явный перекос в их доступности. Данные населения, которое сильнее интегрировано в цифровую среду, обычно более доступны для анализа, самая же незащищенная часть населения зачастую остается вне поля зрения аналитиков. И значит, наименее обеспеченные получают от анализа больших данных наименьшую выгоду.

Обретение ценности

Реальную ценность данные приобретают лишь в ходе анализа. Основные усилия бизнеса по повышению эффекта от использования больших данных сосредоточены не только на таких традиционных методах их обработки, как деревья решений и марковские модели, но и на более современных: динамическое моделирование, искусственный интеллект, машинное обучение и нейронные сети.

Эти методы анализа и моделирования позволяют перекинуть мостик от больших данных к принятию решений, хотя при этом возникает множество проблем с качеством данных, их сочетаемостью и интерпретацией результатов анализа.

Сегодня уже можно смоделировать, как внедрение новых алгоритмов терапии или систем оплаты улучшит фармакоэкономический результат и здравоохранение в целом. Например, сбор эпидемиологических данных поможет прогнозировать результаты лечения и профилактику эпидемий. Многие наборы данных открыты для публичного моделирования, причем точность его результатов можно оценить со стороны.

Ясный также отмечает потенциал персонализации. «Мы можем попробовать соотнести пациента с большим массивом данных и сформировать для него индивидуальные терапевтические рекомендации», – говорит он. Однако до практического применения персонализированных рекомендаций еще очень далеко, так как они все требуют очень тщательной клинической валидации, причем не ретроспективной, а проспективной.

В том числе и для этого фармкомпаниям остро необходимы данные о реальном применении препаратов, уже выпущенных на рынок. Когда есть информация о применении вместе с другими лекарствами, у пациентов с различными сопутствующими заболеваниями, об изменении приверженности пациентов к лечению, тогда можно получить более точную картину ценности препарата.

И все же примеры рационализации терапии с помощью больших данных и применения ее в клинических рекомендациях уже есть. Так, сегодня уже удается рассчитывать индивидуальный риск сердечно-сосудистых заболеваний и на его основе принимать решение о назначении или неназначении статинов (препаратов, понижающих уровень холестерина). Можно надеяться на то, что в перспективе такие методы будут применяться и для ускорения разработки препаратов и прогнозирования их эффективности.

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.