Большие данные

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

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

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

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

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

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

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

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

В какие организационные преобразования выливается рост значимости ИТ-службы?

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

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

Какая методология гибкой разработки применяется в компании?

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

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

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

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

Какие ограничения в применении agile-подхода вы видите?

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

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

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

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

Вы примеряете на себя эти нововведения?

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

Против мошенников

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

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

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

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

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

Какого рода задачи решают команды agile?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Каковы основные направления развития ИТ в «Ингосстрахе» сегодня?

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

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

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

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

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

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

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

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

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

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

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

«Хребет» управления

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

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

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

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

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

«Симфония» остатков

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

Одной из находок оказалась платформа Symphony компании Inherent Symplicity.

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

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

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

Многофакторный анализ против экспертных ошибок

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Data Science – это эксперименты

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

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

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

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

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

Расширение, но не замена

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

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

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

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

«Песочница» для аналитиков

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

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

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

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

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

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

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

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

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

Плохой клиент плох во всем

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

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

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

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

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

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

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

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

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

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

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

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

Сбербанк уходит «в цифру»

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

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

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

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

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

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

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

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

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

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

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

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

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

Персонализация – не только для продаж

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

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

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

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

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

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

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

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

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

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

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

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

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

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

***

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

Во многих финансовых организациях роль директора по данным (chief data officer, CDO) меняется по мере того, как регулирующие органы начинают уделять данным все более серьезное внимание. На приведение ситуации в соответствие новым нормам уже затрачено очень много денег и сил, а вот ощутимая выгода для бизнеса растет не так быстро, чтобы оправдать дальнейшие инвестиции.

Раньше актуальность должности директора по данным зачастую вызывала сомнения. Теперь же в организациях все чаще начинают переосмысливать его роль и ориентиры. Педантичность и требовательность регулирующих органов стали одновременно благом и проклятием, заставив организации выделить соответствующие финансы, но породив при этом и успокоенность на достигнутом. Настроение это мешает директорам по данным вносить реальные и устойчивые изменения в культуру, используя данные в качестве источника роста и инноваций.

В ходе опроса директоров по данным, проведенного компанией KPMG, респондентов попросили указать степень влияния каждого из факторов – регулирования, роста и стоимости – на их нынешние усилия и перспективы предполагаемых изменений в течение ближайших двух лет. И если в части затрат перемены ожидаются незначительными (+3%), то фактор регулирования (–23%), по мнению опрошенных, будет вытесняться фактором роста (+20%), который к 2018 году начнет оказывать основное влияние на инициативы, связанные с данными.

В прошлом успехи или неудачи организаций, где была введена должность директора по данным, во многом зависели от умения абстрагироваться от текущих целей по выполнению требований регулятора. Предстояло найти ответ на вопрос, какую роль данные будут играть для расширения и роста бизнеса. Ведь если организации хотят использовать преимущества передовых технологий и открывающиеся возможности, чтобы увеличить оборот, им нужно определить новые реперные точки для ценностей бизнеса.

Общих универсальных ответов или идеальной модели, подходящей для любого поставщика финансовых услуг, в природе не существует. Поэтому подразделение Single Family Business Unit, на которое приходится около 80% сделок крупнейшего ипотечного агентства Freddie Mac, сформулировало свое видение роли директора по данным, состоящее из шести ключевых принципов.

1. Встраивание в бизнес. Чтобы процесс создания ценностей был устойчивым, нужна, наряду с соответствием требованиям регулятора и решением технологических вопросов, четкая связь со стратегией бизнеса. Вице-президент Single-Family Business по данным Джоди Мортон подчиняется непосредственно главе крупнейшего подразделения Freddie Mac, а не руководителям, отвечающим за управление рисками или ИТ. Это позволяет ей быстрее реагировать на изменяющиеся потребности бизнеса. В противном случае бизнес будет развиваться без учета необходимости принятия новых стандартов и внедрения новых функций управления данными, имеющих критически важное значение для всей организации. Мортон осуществляет управление путем взаимодействия и согласования, основное внимание в своей работе она уделяет «цепочкам поставок данных» и платформам, в отношении которых она выступает в качестве бизнес-спонсора.
2. Установление прочных партнерских связей. Взаимодействие с ИТ-службой, в том числе с направлением архитектуры и внедрения ИТ, является основой программы директора по данным с точки зрения как проектирования, так и реализации. Ведущая роль ИТ-службы особенно заметна при внесении корректив в формирование отчетов в интересах бизнеса, а также при совместном укомплектовании больших ЦОД всем необходимым для внедрения передовых аналитических технологий. Важное место здесь занимает и сотрудничество с независимыми организациями. Вице-президент по данным привыкла ускоряться и получать преимущество в самом начале пути, не тратя времени на «пробы и ошибки», которых ее подчиненным наверняка не удалось бы избежать при самостоятельном решении сложных вопросов.
3. Ориентация на стратегические ценности. Хотя контроль над данными и управление ими считаются одним из столпов отчетности, во Freddie Mac с самого начала ориентировались на создание функций, которые позволили бы бизнес-подразделениям получать оперативный доступ к разнообразным типам высококачественных данных. Это помогает заинтересованным сторонам внедрять инновации и в конечном итоге принимать решения, будучи более информированными. При таком подходе положительный эффект от инвестиций в данные виден гораздо лучше.
4. Изучение всей «цепочки поставок данных». Во Freddie Mac стремятся упростить и повторно использовать источники данных в интерфейсных системах, через которые данные попадают в модели, отчеты и к аналитикам. Однажды захваченные и подвергнутые проверке данные затем используются снова и снова. Это позволяет уменьшить затраты, сократить время разработки и способствует повышению уровня доверия со стороны бизнеса.
5. Постоянное и согласованное общение в процессе преобразований. При организации внутренних процессов во Freddie Mac придерживаются принципов предоставления нужных полномочий, упрощения, повторного использования данных и контроля. В ходе общения и обучения такой подход ставится во главу угла, заставляя сотрудников задумываться о данных и их роли с позиций как производителей, так и потребителей данных. Этот метод облегчает управление ожиданиями бизнес-подразделений, помогает находить точки соприкосновения между группой Мортон и ценностями бизнеса. Как свидетельствуют результаты недавнего опроса сотрудников, усилия вице-президента по данным начинают приносить свои плоды. Подавляющее большинство из 300 аналитиков и разработчиков моделей не только знают, что такое метаданные, но и понимают их стратегическую ценность для сокращения времени при поиске в сети Freddie Mac и выборке требуемых для отчетов данных. С учетом важности всего этого на планирование взаимодействия и реализацию у подчиненных Мортон уходит примерно 50% рабочего времени, а у нее самой – 30-40%.
6. Программа «Сто достижений за сто дней». С самого начала в агентстве Freddie Mac признавали, что эффективность работы будет оцениваться на основе достигнутых результатов. Выигрыш может проявляться очень по-разному – при принятии решений, внедрении новых функций и улучшении операционных показателей. Подобные программы помогают цементировать культуру, когда каждый сотрудник дает важный импульс всей команде. В процессе трансформации культуры данных есть ряд важных моментов. Празднования по поводу достижений, больших и малых, закрепляют прогресс и привязывают ценности к множеству вех, намеченных на долгом пути.

Ориентация «цепочек поставок данных» на нужды аналитиков и получение необходимых отчетов в отрасли финансовых услуг видны невооруженным глазом. И хотя сегодня усилия по большей части направлены на соблюдение требований регуляторов, отрасли нужно переходить к «новому порядку», при котором инвестиции в данные для улучшения их представления в интересах бизнеса, внедрения инноваций и последующего роста имеют не менее важное значение, чем соблюдение нормативных требований.

К инвестициям, выделяемым, чтобы обеспечить соблюдение требований регуляторов, нужно добавить небольшие средства, которые должны будут пойти на создание ценностей для бизнеса. Это можно считать первым шагом на пути к построению устойчивой культуры данных, ориентированной на ценность.

Весьма скромные инвестиции зачастую приносят неизмеримо более весомую отдачу, формируют осязаемые связи, помогающие бизнесу двигаться вперед к своим целям. Ключевым условием здесь должны стать расширение горизонтов планирования и вывод плановых показателей за рамки обеспечения требований регуляторов. Однако в условиях жестких сроков такое расширение не всегда бывает очевидным.

Важная роль отводится и финансированию. Требуется сдвиг в менталитете наверху, который должен послужить началом к разблокированию новых ценностей для бизнеса.

Стоит отметить, что, как и при любых других крупных преобразованиях, переход к ориентации на данные, приносящие дополнительные ценности, не происходит в одночасье, а потому начинать имеет смысл уже сегодня.

– Джоди Мортон – вице-президент направления Single Family Data Governance and Management в компании Freddie Mac; Роберт Парр – управляющий директор KPMG Financial Services Practice.

(Jodi Morton and Robert Parr. How to build a sustainable, value-focused data culture. CIO. January 19, 2017)

Верное – неново, а новое – неверно

Научное содержание термина «Большие Данные» до сих пор не определено, и это типично для явления из области моды, а ИТ-сфера подвержена моде ничуть не меньше, нежели прочие области человеческой деятельности. В последние годы это понятие превратилось в донельзя растянутый маркетинговый ярлык, наклеивание которого на произвольный ИТ-продукт существенно увеличивает потребительский интерес. Примерно, как «нанотехнологии» в отечественных реалиях недавнего прошлого.

Как сказал Иммануил Кант, «в каждой науке столько истины, сколько в ней математики». Математика в технологиях Big Data, определенно, есть: это математическая статистика как часть теории вероятностей плюс дискретная математика, становление и развитие которой относится еще к XIX веку. Завершение же теоретических разработок предшествует изобретению современного компьютера.

Получается, как в анекдоте: «верное – неново, а новое – неверно». Новое в Big Data относится по большей части к маркетингу, а верное – к старой доброй математике столетней давности.

Важнейшей составляющей маркетинга Больших Данных стал тезис о том, что будущее потребительских сервисов – за персонализацией. Это представляется само собой разумеющимся. Между тем это утверждение неочевидно и даже убедительно ничем не аргументировано. Если отбросить многочисленные статьи в популярной прессе, утверждающие, сколь важна «персонализация», то... мы остаемся без фактов. Иными словами, нет ни одного примера ни в одной отрасли ни в одной стране мира, когда компания получила прочное конкурентное преимущество путем изысканных манипуляций с клиентскими данными. Это миф и иррациональное ожидание очередной бизнес-панацеи.

Получается у банков, не получается у остальных

Области полезного применения Больших Данных можно разделить на две неравные группы: решение четко сформулированных узкопрактических задач и попытки применить аналогичные методы к данным корпоративных учетных систем с целью неопределенно общего улучшения («найди то, не знаю что»). Применение Больших Данных в технических задачах локального характера – от инженерных до медицинских – не составляет сложностей, и углубляться далее в эту сферу нет смысла. Другая ситуация с бизнес-задачами широкого характера. Если банки и финтех применяют технологии Big Data более-менее успешно (например, скоринговая модель), то с реальным сектором все печально.

Поразительный факт: реальный сектор и в России, и в мире до сих пор не смог извлечь ничего полезного, применяя Big Data к огромным массивам накопленных данных.

Если вчитаться в немногочисленные правдоподобные истории успеха Больших Данных в реальном секторе, то они сводятся либо опять-таки к локальной технической задаче, либо к обработке «альтернативных данных». В обоих случаях речь идет о данных, собираемых, хранимых и обрабатываемых вне корпоративной учетной системы.

Жизнь – это не только финансы

Может ли быть, что проблема кроется в информационных системах? Похоже, корень проблемы именно в неудовлетворительном состоянии данных информационных систем компаний реального сектора. По неизвестной пока причине либо эти данные не могут быть обработаны технологиями Big Data, либо выдаваемые результаты обработки не несут практической ценности.

Но почему же данные банковских систем не страдают от этого? Чем банки принципиально отличаются от компаний реального сектора? Ответ кроется во внутренней сложности процессов: если деятельность банка заключается в жонглировании всего тремя сущностями – деньгами, сроками и вероятностями, то бытие реального сектора гораздо разнообразнее. По большому счету, деятельность менеджмента законопослушного коммерческого банка заменяется несложным алгоритмом, балансирующим параметры фондирования и размещения, включая автоматическую подстройку скоринговых кредитных моделей и автоформирование условий депозитного привлечения. Потребности такого «примитивного» бизнеса (да простят нас обидчивые банкиры) вполне удовлетворяются «примитивными» банковскими системами, а вырожденная модель данных позволяет «лобовую» обработку средствами Big Data.

Посмотрим теперь на представителя реального сектора. Например, типичный ретейлер работает не с тремя параметрами, а с десятками и сотнями тысяч позиций товаров. Зависимости их продаж запутанны и стремительно меняются: есть на складе смартфон А – смартфон Б не продается; наличие чехла к смартфону Б увеличивает вероятность его продаж и тем самым сокращает продажи чехла для смартфона А. Ну а теперь представим, что таких смартфонов десятки, а чехлов сотни. Вспомним также, что мода и спрос на смартфоны и аксессуары меняются по несколько раз в месяц вместе с ценами.

В ассортименте крупного ретейлера, как правило, сотни товарных групп. Они могут быть как совершенно не связаны друг с другом (смартфоны и газонокосилки), так и наоборот: планшет, к примеру, не является прямым конкурентом смартфону, но часть потенциального спроса взаимозаменяема. И перечисленное — лишь малая доля практической проблематики типового ретейлера.

Если банк можно представить как объект, существующий в привычном плоском пространстве трех измерений, то вселенная, в которой обитает реальный сектор, сложна: она бесконечно многомерна, изменчива и негостеприимна. Согласитесь, нелегко представить себе мир, в котором четыре миллиона только координатных осей.

Корень зла – в ERP?

Напрашивается вывод: проблемы применения Big Data в реальном секторе – следствие несоответствия информационных систем требованиям современного рынка. Выглядит правдоподобно. Но в чем же заключается проблема современных корпоративных систем? Как правило, они строятся на базе ERP-решений, чей функционал по необходимости наращивается интеграцией внешних модулей (CRM, WMS и т. д.) Такая схема удобна: нужен дополнительный функционал – покупаем соответствующий модуль и интегрируем его с общей ERP.

Однако модульная архитектура корпоративной системы имеет множество недостатков. Главный из них в контексте Big Data – это принципиальная несогласованность и противоречивость данных. Модульность архитектуры неизбежно приводит к тому, что каждый модуль системы располагает собственным хранилищем данных, независимым как от ERP, так и от других модулей. Теоретически данные регулярно «синхронизируются». Но, даже при условии идеального качества синхронизаций (недостижимого в реальности), в промежутках между синхронизациями данные системы недостоверны: например, в модуле продаж долг контрагента составляет 100 долл., а в финансовом модуле – 4 млн тенге. И невозможно мгновенно выяснить, какое из значений истинно, да и является ли истинным хоть какое-то.

Таким образом, недостоверные данные ERP не могут служить источником для средств Больших Данных. В качестве паллиатива обычно предлагается провести подготовительные процедуры, например «фильтрацию» и «нормализацию». Наукообразность названий здесь призвана скрыть научную несостоятельность. Фильтрация и нормализация принадлежат классу герметических искусств типа: «эти данные нравятся, а те – нет», «я художник, я так вижу». На практике обработка первичных данных дополнительно портит и без того мусорные данные, выгружаемые из ERP. Что на выходе? Ответ один: ничего полезного. В реальности так и есть.

Несоответствие нынешних ERP-систем современным условиям рынка (и нестыковка с методами Больших Данных в частности) – неустранимые следствия фундаментальных ограничений модульной архитектуры. Решение проблемы полезной применимости Big Data в реальном секторе станет побочным следствием, которым будет сопровождаться тектонический сдвиг парадигмы автоматизации бизнес-процессов от классических ERP к чему-то принципиально новому.

– Алексей Галущенко, директор Ultimate humanless enterprises, в 2008-2010 годах – сооснователь и евангелист компании «Юлмарт»

Вы завалены работой? Это еще цветочки: в нынешнем году забот у ИТ-специалистов станет куда больше, когда широкое применение получат блокчейн, Интернет вещей, а также приложения дополненной и виртуальной реальности.

Интернет вещей – теперь всерьез

Возможно, «год реального запуска рынка Интернета вещей» кто-то все еще считает традиционной отраслевой шуткой, вроде «победы Linux на настольных компьютерах» или «абсолютной защищенности Java». Но, так или иначе, 2017-й действительно способен стать годом, когда маркетинговый ажиотаж вокруг Интернета вещей утихнет, сменившись реальным развитием рынка.

Идея «соединенных» устройств – вещей, которые исторически не имели соединения с Интернетом, а потом обзавелись такой функцией, далеко не нова. Но ее нынешние применения – умные автомобили, дома и радикальная оптимизация управления промышленными процессами – являются по-настоящему революционными, заставляющими поверить, что будущее уже на пороге.

Главной проблемой еще с тех времен, когда Интернет вещей был только замыслом, остается безопасность. Общепринятых стандартов защиты устройств Интернета вещей пока практически нет, хотя кандидатов хоть отбавляй, и производители, похоже, не стараются заботиться о безопасности соединенных вещей, так же как и более традиционных оконечных устройств вроде ноутбуков и смартфонов.

Естественно, безопасность от этого серьезно страдает. Пусть даже взломанное устройство Интернета вещей само по себе большой угрозы не представляет, его весьма просто подключить к огромному ботнету, что недавно продемонстрировали создатели зомби-сети Mirai, в которую объединили цифровые видеорегистраторы, камеры наблюдения и другие слабозащищенные IoT-устройства. Эта армия ботов сумела обеспечить перебои с доступом к Интернету по всем Соединенным Штатам путем атаки на регистратора доменных имен Dyn.

Для предотвращения подобных инцидентов нужно решить непростые задачи, отмечает аналитик Зевс Керравала: «Для защиты IoT необходимы развитые средства контроля сетевого доступа, действующие в режиме реального времени системы слежения за работой приложений, механизмы защищенной аутентификации наподобие PPSK, поддержка детализированных политик безопасности для граничных устройств, а также интегрированные инструменты отчетности и мониторинга».

Аналитики Forrester Research прогнозируют, что в 2017 году будут скомпрометированы более 1,5 млн устройств Интернета вещей.

Интернет вещей – как платформа для множества новых технологий или как инструмент совершения новых разрушительных кибератак – неизбежно «встряхнет» индустрию ИТ.

Читайте далее: Бурное развитие дополненной и виртуальной реальности

Большие Данные рассматриваются отраслевым сообществом как один из ключевых инструментов цифровой трансформации предприятий и организаций. Этот инструмент предоставляет им огромные возможности для обогащения «сырой руды» данных и превращения ее в знания, помогающие совершенствовать деловые и организационные процессы, повышать эффективность бизнеса и конкурентоспособность. Но у каждой продуктивной идеи есть свои ограничения, и применить означенные возможности на практике не так просто, а иногда эти усилия сопряжены с риском компрометации важной информации.

Цифровой дуализм

По мнению Алексея Лукацкого, эксперта Cisco в области информационной безопасности, Большие Данные – это и благо, и зло для любого предприятия, ступившего на путь их освоения. Благо – потому что Большие Данные при должном умении действительно могут дать доступ к таким сведениям, которые нельзя получить при традиционной обработке информации. Зло – потому что мало кто умеет работать с такими данными и извлекать из них ценность.

«Неверные выводы, которые можно сделать на основе Больших Данных, – вот основная проблема при их использовании. И угрозы информационной безопасности обычно уходят в такой ситуации на второй план. Вообще, каких-то особых и новых угроз для Больших Данных нет. Красть такие данные, не имея представления о том, как их можно использовать, смысла нет (да и красть колоссальные объемы данных довольно проблематично). Вносить в них изменения? При условии неопределенности принимаемых на их основе решений – тоже бессмысленно», – рассуждает Лукацкий.

Но это, скорее, концептуальный взгляд на проблему. В реальности же злоумышленники, получив доступ к Большим Данным, могут нанести очень серьезный ущерб их владельцам. Вот, например, какой случай описывает в своей статье известный архитектор встраиваемого программного обеспечения, инженер-консультант компании Emulex Тим Джонс (статья размещена на сайте IBM). Дело было в 2006 году. Тогда компания Netflix в рамках конкурса по совершенствованию рекомендательного сервиса выбора кинофильмов предоставила разработчикам большой пакет данных. Это было нужно для совершенствования поисковых алгоритмов сервиса. В пакете содержались внутренние данные Netflix, из которых предусмотрительно была удалена информация, позволяющая точно идентифицировать клиентов компании. Однако разработчики смогли легко выявить всех клиентов по их идентификаторам в базе данных Netflix, сопоставив анонимные рецензии в предоставленном Netflix пакете и рецензии, опубликованные на одном из специальных сайтов.

«Этот случай наглядно показал, что даже анонимные данные можно отследить вплоть до истинных пользователей, установив взаимосвязь между имеющейся информацией из базы данных и сведениями из других общедоступных источников», – подчеркивает Джонс.

Берегите базы данных

Дмитрий Частухин, директор департамента аудита SAP в компании Digital Security, подтверждает наличие подобных рисков: «Конечно же, основные проблемы у крупных предприятий, реализующих концепцию Больших Данных, начинаются тогда, когда атакующий получает доступ к базам данных и происходит, собственно, нарушение целостности, доступности, конфиденциальности информации. Можно представить, какой простор возможностей по монетизации атак открывается для злоумышленника, например, получившего доступ к данным о работе крупной корпорации за последние десять лет или к предпочтениям людей в выборе продуктов питания».

По словам Частухина, атакующий может реализовывать множество сценариев нападений на Большие Данные, ведь схемы компрометации инфраструктуры, работающей с ними, мало чем отличаются от тех схем, которые применяются во время атак на общую инфраструктуру предприятий. Социотехнические атаки, уязвимости в программном обеспечении, неверно разграниченный доступ и другие уязвимости – все это в конечном итоге может привести к тому, что данные, бережно накапливаемые и хранимые компанией для анализа, окажутся доступны третьим лицам.

Лукацкий же считает: основная проблема в контексте информационной безопасности, встающая перед владельцами Больших Данных, – это приватность. Он приводит в пример известный случай, когда крупный американский магазин сделал вывод о беременности своей покупательницы только по анализу ее поведения в онлайн-магазине.

Впрочем, собираемые по отдельности сведения о человеке могут не представлять большого интереса ни для него самого, ни для злоумышленников. Владелец таких сведений, поскольку считает их малозначащими, может даже не заботиться о защите.

«Только в комбинации с множеством других малозначащих данных они превращаются в мощное оружие (если его умело использовать). И как бороться с нарушением приватности, пока никто не знает. Где та граница, за которой разрозненные данные становятся Большими и важными? Как соблюсти баланс между бизнес-потребностями и предотвращением вторжения в частную жизнь гражданина? Эти вопросы задают сегодня многие специалисты по праву, информационной безопасности, ИТ. И ответа пока что нет. Каждый руководствуется принципом целесообразности, а целесообразность у всех своя», – таков взгляд на проблему эксперта из Cisco.

Опасная масштабируемость

На прикладном же уровне безопасность Больших Данных во многом определяется защищенностью того, что называют их «столпом», а именно – инфраструктурой Hadoop.

Специалисты проверили наиболее распространенные Hadoop-окружения и нашли ряд критичных уязвимостей, способных омрачить репутацию Больших Данных как продуктивного инструмента цифровой трансформации

Якуб Калюжный, старший консультант по ИТ-безопасности компании SecuRing, рассказал на международной конференции ZeroNights, что их специалисты проверили наиболее распространенные Hadoop-окружения и нашли ряд критичных уязвимостей, способных омрачить репутацию Больших Данных как продуктивного инструмента цифровой трансформации. По его словам, злоумышленники могут попытаться скомпрометировать данные, атаковав как внешние, так и внутренние интерфейсы в экосистеме Hadoop, а также ее отдельные элементы, включая каналы связи с базами данных, системы администрирования и т. д. Так, одно из главных преимуществ Hadoop – почти неограниченная масштабируемость – является и одним из главных источников угроз для безопасности. Ведь масштабируемость Hadoop обеспечивается тем, что данные размещаются на множестве узлов обработки, объединенных в кластер. Это серьезно осложняет и администрирование доступа к данным, и их защиту от потерь путем резервного копирования.

Учитывая сложность и масштаб систем на основе Hadoop, можно говорить, что поддержание безопасности в них само по себе является сложнейшей задачей и защитная система, чтобы обеспечить безопасность на надлежащем уровне, должна быть интегрирована со всей инфраструктурой Hadoop, а у нее есть свои природные слабости, подчеркивает Тим Джонс.

В частности, файловая система Hadoop Distributed File System реализуется поверх другой файловой системы (например, ext3). И средства контроля доступа для Hadoop реализуются с использованием разрешений на основе файлов, соответствующих модели разрешений UNIX. Эта модель предоставляет разрешения на уровне файлов в рамках HDFS, однако ей не хватает детализированных средств управления доступом. Недостаточная эффективность системы управления доступом чревата серьезными последствиями для безопасности.

Приоритет – комплексность

Частухин дополняет перечень угроз, специфичных для концепции Больших Данных: «Например, могут быть предприняты атаки на нейронные сети или классификаторы. Не секрет, что Большие Данные обычно хранятся неструктурированными и для работы с ними могут применяться разного рода алгоритмы. Скомпрометировав методы обработки Больших Данных, можно нанести ущерб компании, изменив, допустим, алгоритмы, принимающие решения о выдаче кредитных займов или закупках тех или иных товаров».

В Digital Security полагают, что большинство атак на инфраструктуру Больших Данных имеют направленный характер, преследуют конкретные цели, в основном – преступным путем заработать деньги. Для того чтобы атаковать такого рода системы, злоумышленникам все же необходимо обладать специальными знаниями, впрочем, как и для успешных атак на системы ERP и SCADA. Тем не менее подход к защите Больших Данных должен быть комплексным. Поставив перед собой цель скомпрометировать данные, злоумышленник будет использовать для атаки самые незащищенные элементы системы. Это могут быть программное обеспечение или человеческие ресурсы. Именно поэтому одинаково важно применять на практике как организационные, так и программные механизмы обеспечения безопасности, утверждают эксперты.

Что, если бы у кадровой службы появились сведения, позволяющие не только следить за вовлеченностью персонала в трудовой процесс, но и предугадывать, когда ценный специалист собирается покинуть компанию? Именно такие возможности обещают в компании HighGround, разработавшей сервис мониторинга вовлеченности служащих. Он анализирует сведения, которые поступают непосредственно от самих сотрудников, и непрерывно предоставляет руководству точные сведения о рабочей обстановке в компании.

Использование Больших Данных для оценки эффективности персонала дает возможность анализировать информацию в реальном времени, а не только сведения из отчетов о ежегодных аттестациях. При оперативном анализе проще получить общее представление о том, насколько довольны и вовлечены в трудовой процесс служащие по всей организации. По мнению генерального директора HighGround Вида Сандхира, отчеты о ежегодных аттестациях нередко приукрашены, так как при выставлении оценок может проявиться и личностный фактор.

«В компаниях в их повседневной работе не слышно голоса служащего», – полагает Сандхир. Простая интерактивная ежедневная оценка степени удовлетворенности сотрудника дала бы предприятиям возможность эффективнее выяснять источники проблем и снизить текучесть персонала.

Предлагаемая платформа позволяет начальникам и подчиненным взаимодействовать на непрерывной основе. К примеру, система в течение недели может несколько раз поинтересоваться вашим самочувствием или настроением, таким образом создавая непрерывный диалог со служащим.

Минимизация риска «побега»

Удерживать ценных специалистов в компании непросто, а еще сложнее – когда такой специалист недоволен условиями труда. Недовольство служащих может обернуться высокой текучкой, которая, в свою очередь, негативно сказывается на всех аспектах бизнеса. Компании Echo Global Logistics сервис HighGround помогает снизить риск «побега» – текучесть персонала уменьшилась на 5%, что привело к повышению продуктивности, а также к улучшению условий, способствующих сохранению клиентуры и экономии затрат.

По мере появления в компании новых руководителей и специалистов, внедрения новых методик и получения откликов, система обучается, становясь инструментом двустороннего общения между начальником и подчиненными, ключом к получению знаний об общем успехе компании от каждого сотрудника. Программные средства такого рода способствуют налаживанию активного диалога, помогающего бизнес-руководителям и топ-менеджерам быть в курсе общей ситуации в компании.

К примеру, в одной розничной сети систему контроля вовлеченности установили во всех магазинах, чтобы ежедневно получать сведения о настроениях работников. И в одном из магазинов наблюдалось следующее: работоспособность долгое время держалась на одном уровне, а потом за очень короткий промежуток времени настрой сотрудников вдруг ухудшился. Исследование показало, что резкая перемена была обусловлена приходом нового начальника.

По свидетельству сотрудников Echo Global Logistics, новый сервис помогает руководителям и их подчиненным выражать взаимное признание за проделанную работу. В компании отмечают, что это имело особое значение в период быстрого роста бизнеса. Чтобы избежать нежелательных последствий стремительного расширения, руководители компании старались сохранить ощущение общности и единство корпоративной культуры.

«С помощью сервиса начальники могут удостоверяться в том, что подчиненные на самом деле ценят их работу, – в системе есть возможность оперативно выразить благодарность практически за что угодно», – поясняет Шерил Джонсон, вице-президент по кадрам Echo Global Logistics.

Обратная связь с клиентами помогает обучению персонала

Зайти в систему, чтобы выразить благодарность, могут не только служащие – свои отклики могут оставлять и клиенты. Их отзывы помогают в обучении персонала, улучшают вовлеченность и позволяют руководителям быть в курсе, в каких направлениях дела в компании идут как надо, а где нужны улучшения.

С помощью откликов сервис позволяет выявлять и слабые места организации. Это помогает определить причину недовольства сотрудников отдела или более крупной структурной единицы, а значит – предотвратить уход сотрудников, не желающих контактировать с теми, кто их не устраивает. Подобные проблемы можно решать в индивидуальном порядке, экономя время, энергию и, в конце концов, деньги.

Вовлеченность персонала оказывает не только внутреннее влияние на компанию – она сказывается и на внешней бизнес-деятельности, ведь вовлеченность служащих и удовлетворенность клиентов тесно взаимосвязаны: если ваши подчиненные довольны, то и клиенты тоже будут довольны. А получаемого лишь раз в год приукрашенного отчета о рабочем настрое сотрудников явно недостаточно, чтобы можно было обнаруживать проблемы до того, как они начнут приносить вред.

Итак, в теории системы контроля вовлеченности – отличное новшество, но после внедрения еще нужно позаботиться о том, чтобы сотрудники начали им пользоваться. По словам Джонсон, осваивать систему HighGroun легко, поскольку ее сделали максимально доступной и простой в использовании. Служащим достаточно установить на телефон приложение, которое по простоте не уступает клиенту Facebook. Сотрудники быстро осваивают сервис и начинают понимать преимущества персональных отчетов.

В Global Echo Logistics добились не только улучшений в плане вовлеченности и формирования единой корпоративной культуры. По словам Джонсон, реальных преимуществ оказалось больше: система позволила выявить в организации скрытые таланты и получить много откликов от клиентов.

С учетом того, как изменился современный бизнес благодаря технологиям, совершенно логично появление технических средств, позволяющих по-новому организовать контроль за вовлеченностью служащих в рабочий процесс. А традиционные способы оценки персонала – это нечто вроде замкнутого круга: диалога нет, есть лишь мнение руководителя, и если имеет место предвзятость, она обязательно найдет отражение в оценке. «Ключ в том, чтобы дать служащим возможность безбоязненно выражать свое мнение с гарантией того, что их голоса будут услышаны и учтены», – подчеркивает Сандхир.

– Sarah K. White. How big data can drive employee engagement. CIO. Jan 18, 2016

Вокруг рынка Больших Данных до сих пор витает некий ореол загадочности. «Говоря о пользовательских данных, люди часто словно что-то недоговаривают и выглядят так, как будто они знают то, о чем не принято говорить вслух», – считает Константин Круглов, генеральный директор Data-Centric Alliance. Все это по сути идет от непонимания того, как на самом деле работает рынок данных – ведь эта область действительно весьма сложная и непонятная для неподготовленного человека. А непонимание порождает страх. По этой причине наблюдается дефицит качественных данных, которые компании опасаются отдавать на рынок.

«Big Data – волшебное словосочетание, на которое можно списать что-то сложное и непонятное, – согласен Кирилл Малев, директор по данным компании Merku. – Тем не менее мы собираем, покупаем или получаем на правах партнера доступ к различным источникам. И сейчас, в 2016 году, вопрос даже не в том, где взять данные, а как понять, что именно клиенту нужно и что применимо». Есть множество открытых наборов данных, которые могут быть использованы для анализа при решении задач компаний. Например, речь может идти о динамике цен на аренду и покупку квартир вблизи торговых точек.

По мнению Малева, в целом для заказчиков проектов Больших Данных никаких проблем нет. Компании, которым нужно провести исследование, построить математическую модель или сделать что-то трудоемкое с точки зрения машинного обучения, спокойно найдут поставщика, способного выполнить поставленную задачу.

Проблема «яйца и курицы»

Константин Круглов, генеральный директор Data-Centric Alliance:  «Все хотят сервисов на базе данных, но мало кто готов за это нормально платить. А раз нет денег, то трудно достать хорошие данные в достаточном объеме»

«Все хотят информационных сервисов, основанных на данных, но мало кто готов за это нормально платить. А раз нет денег, то трудно достать хорошие данные в достаточном объеме», – говорит Круглов. Компании понимают, что новые неявные знания о потребителях, которые могут быть добыты с применением технологий Больших Данных, должны увеличить эффективность многих процессов – привлечения клиентов, вторичных продаж, персонализации предложений, оценки рисков и т. п. Однако в условиях дефицита информации о реализованных проектах потенциальный эффект оценить трудно. По этой причине многие компании, даже большие и богатые, не хотят рисковать, боятся переплатить и играют с поставщиками сервисов Больших Данных в игру «найди дно». Они загоняют провайдера в условия, когда он вынужден работать либо себе в убыток, либо вообще бесплатно в рамках пилотных проектов. И чем крупнее и богаче компания, тем выше у поставщика вероятность попасть на бесплатный пилот. «В больших компаниях подобными инновационными проектами редко занимаются люди с волей, достаточной для инициализации их финансирования. Сделать же такой проект за счет небольшого ИТ-стартапа всегда приятно», – констатирует Круглов.

Компании понимают, что новые неявные знания о потребителях, которые могут быть добыты с применением технологий Больших Данных, должны увеличить эффективность многих бизнес-процессов

Все это убивает желание вкладываться в проект по полной и приводит в целом к тому, что провайдер начинает недоинвестировать в развитие технологии и приобретение необходимых знаний о потребителях. Как следствие, результаты пилотных проектов могут получиться не такими ощутимыми, какими могли бы быть.

«Получается замкнутый круг, типичная ситуация с “курицей и яйцом”. В данном случае первый шаг должны сделать все-таки большие и богатые», – продолжает Круглов. Тот, кто первый в достаточной мере проинвестирует эту тему, получит серьезное преимущество перед конкурентами. А отрасль, в свою очередь, получит кейсы, на базе которых будут финансироваться и взрослеть технологии.

Бизнес с учетом эпидемий и погоды

Примером растущего интереса бизнеса к технологиям Больших Данных может служить проект, реализованный крупной аптечной сетью, включающей более 650 аптечных пунктов в трех регионах России. В кризисных условиях повышение эффективности торговых точек является критически важной задачей. Решить ее без продвинутых аналитических технологий и использования внешних данных было нереально.

Часть торговых точек сети в последний отчетный период показали низкую рентабельность, а некоторые даже стали убыточными. На протяжении трех месяцев продажи в 108 аптеках упали до критичного минимума. Кроме того, на региональные рынки вышли крупные федеральные игроки, открыв аптечные пункты в пешей доступности от торговых точек сети. Наконец, наблюдаются устойчивый рост спроса на более дешевые препараты-заменители и, соответственно, снижение продаж ряда торговых марок. Это потребовало от руководства компании мер по стабилизации бизнеса.

Главным лицом, заинтересованным в реализации проекта, стал директор по маркетингу. Перед ним встал вопрос, что же влияет на продажи в конкретных точках, так как версия о снижении общей покупательской способности не подтверждалась продажами в относительно благополучных аптеках.

Из-за отсутствия у компании доступа к внешним данным, характеризующим актуальную ситуацию на рынке, возник интерес к поставщикам услуг, способным провести такой анализ. Целью при этом стал прогноз ежедневных продаж для проблемных точек на шесть недель с использованием собственных данных аптечной сети, планов о промоакциях, информации о конкурентах и внешних данных.

Гипотеза была вполне очевидной: продажи находятся под влиянием множества факторов – промоакций, поведения конкурентов, государственных праздников, сезонности, местоположения торговой точки. Обычно каждый управляющий торговой точки прогнозирует продажи на основе своей конкретной ситуации. Однако ограниченность данных снижает точность прогнозов, негативно влияя на результаты всей сети.

Уточненный прогноз продаж должен был определить, какие товарные группы будут пользоваться повышенным спросом, а какие «просядут» в ближайшее время, и помочь разработать промоакции, позволяющие сбыть товар в кратчайшие сроки. Кроме того, менеджеры торговых точек на основе прогноза имеют возможность оптимизировать расписание, которое повысит эффективность и мотивацию фармацевтов.

Аналитика как сервис

Раньше аналитические задачи в таком виде никогда не ставились. Было решено передать их не собственному отделу аналитики, а в аутсорсинг – в компанию Merku. Было понятно, что внутренних данных (фактически только исторических данных по продажам) недостаточно и их необходимо дополнить данными о ситуации на рынке.

Таким образом, к собственным данным, имевшим важное значение для анализа (ежедневному числу клиентов, ассортименту каждой торговой точки, расстоянию до ближайшего конкурента, данным по промоакциям и т. п.), добавились внешние источники. Созданную модель дополнили статистика распространения вирусных и аллергических заболеваний в регионах страны, динамика уровня заработной платы, динамика стоимости коммунальных услуг, температура воздуха и количество осадков, данные о датах начала летнего отдыха и каникул. Привлечение внешних данных позволило выявить большее число факторов, влияющих на продажи в каждой конкретной точке, и благодаря этому увеличить точность прогноза.

Естественно, работа с данными заняла довольно продолжительное время на начальном этапе проекта. Первичная очистка данных, их консолидация и приведение в нужный формат, а также выбор факторов и переменных для построения моделей традиционно занимают большую часть времени при решении аналитических задач.

Как результат проекта руководство компании отмечает рост оборота на 9,7% в охваченных проектом торговых точках за счет корректировки плана промомероприятий и ассортиментной матрицы с учетом моделей потребления в конкретном районе. Важными шагами стали ввод новых товарных позиций, исключение из ассортимента ряда торговых марок и расширение линейки сопутствующих товаров.

Более адекватный прогноз продаж позволил спланировать расписание работы персонала торговых точек, учитывая активность продаж в конкретные дни, в том числе во время проведения промоакций. Количество вызываемых на работу фармацевтов увеличилось в дни роста продаж и сократилось в дни, когда активности не ожидалось. Тем самым торговые точки оптимизировали HR-бюджет и перераспределили мотивационную часть заработной платы персонала с учетом занятости в дни активных продаж. Этот проект стал пилотным. Подобные исследования планируют проводить регулярно, определив задачи долгосрочного сотрудничества.