Директор по данным

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

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

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

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

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

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

- Почему подразделение находится внутри ИТ?

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

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

- Почему создание централизованного подразделения было важно для компании?

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

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

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

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

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

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

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

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

- С какими проблемами столкнулись?

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

- Какие данные используются для решения аналитических задач?

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

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

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

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

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

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

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

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

- Какие наиболее значимые или интересные проекты вы можете выделить?

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

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

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

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

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

- Каких результатов удалось достичь?

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

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

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

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

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

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

- Обязательно ли пытаться встроиться в миссию компании?

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

- Какие возможности для своего профессионального развития вы видите?

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

- В каком направлении будет развиваться ваше подразделение в дальнейшем?

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

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

Консервативность, в которой часто упрекают российский бизнес, не является его уникальной особенностью — зарубежные компании также не горят желанием использовать инновационные технологии. Как отмечает Сергей Золотарёв, генеральный директор Arenadata и член экспертного совета CDO Award, на самом деле российские компании даже быстрее идут на внедрение инноваций по сравнению с западными коллегами. Мы побеседовали с ним о потребностях и проблемах, с которыми сталкивается бизнес на пути к цифровизации, и выяснили, в чем заключается роль CDO.

- Каков типичный портрет компании, кладущей данные в основу своих процессов и становящейся data-driven?

На мой взгляд, к подходу data-driven компании приходят двумя путями. На первый ступают те, кто об этом даже не задумывается, с самого старта выстраивая бизнес на данных. Это может быть какой-нибудь новый сервис или проект, в основе которого лежит работа с данными. Тогда подход data-driven заложен в ДНК таких компаний, и они не испытывают сложностей или проблем в связи с этим.

Второй путь открывается тогда, когда крупная, устоявшаяся компания начинает процесс цифровой трансформации, желая принимать решения, основанные на анализе данных, а не на человеческом факторе. Это гораздо более сложный, но очень интересный случай.

- Какие при этом появляются задачи, перед какими проблемами встают компании?

Всем кажется, что как только компания станет data-driven, она автоматически окажется более прибыльной и успешной. Но не все знают, с чего начать процесс цифровизации. Поэтому чаще всего первым шагом на этом пути становится поиск человека, который имеет за плечами успешно реализованный проект цифровой трансформации, — компания надеется, что он придет и поделится опытом. К сожалению, поскольку область data-driven новая, найти подходящего специалиста тяжело. Да и не каждый опыт, полученный на цифровых проектах, реально тиражировать, ведь он может оказаться нерелевантен.

Однако даже найти подходящего человека — мало. Если бизнес хочет стать data-driven, он должен понимать, что за него это никто не сделает. В процесс должно быть вовлечено первое лицо компании, необходимо создать рабочую группу в каждом ключевом подразделении. Я рекомендую составить некую матрицу, которая покажет, что принесет цифровизация того или иного бизнес-процесса, насколько сложно будет реализовать эту задачу. Тогда вы получите карту приоритизации. Она наглядно продемонстрирует, с чего именно нужно в вашем случае начать процесс цифровой трансформации.

Другой вариант — эволюционный, он актуален для компаний, регулярно выпускающих новые продукты и сервисы. Если сразу проектировать новинки на цифровых принципах, в какой-то момент вся линейка продуктов или сервисов компании станет цифровой. И ей уже не нужно ничего менять, так как «нецифровые» решения отомрут сами собой.

- Как изменяются потребности и запросы компаний в последнее время, какая наблюдается динамика?

Некоторое время назад цифровая трансформация была модным трендом: к ней стремились многие компании, не осознавая, зачем им это нужно. Но ситуация изменилась за последние два-три года — бизнес стал понимать, зачем нужно становиться цифровым. Это заметно даже в отношении консервативного, тяжелого сектора — металлургических и нефтедобывающих компаний. Раньше они жили с позицией, что варить сталь и добывать нефть можно даже без компьютеров, а теперь стоят во главе цифровизации. Те проекты, которые реализуют ведущие российские металлургические и нефтедобывающие компании, — пример для подражания не только в России, но и за рубежом. Тут и компьютерное зрение, и машинное обучение, и искусственный интеллект, и аналитика данных. Они нашли свой путь, как стать цифровыми, и приземлили его на набор практических кейсов.

- Что является драйвером такого интереса компаний?

Я бы в первую очередь назвал желание повысить эффективность работы компании, увеличить ее прибыльность, получить те точки роста, которых не достигнуть традиционными способами. А еще отличным драйвером цифровизации является конкурент, успешно внедривший инновационную технологию.

- Есть ли какая-то особенность подходов к цифровизации, типичная для российских компаний?

Уровень цифровизации некоторых российских компаний гораздо выше, чем западных. Причина кроется в том, что исторически западные компании, особенно те, что существуют продолжительное время, весьма консервативны в вопросе финансовых трат. Если процесс, на внедрение которого были потрачены деньги, окупает себя, его никогда не будут менять ради того, чтобы опробовать новую технологию. Наша «национальная особенность» заключается в том, что российские компании быстрее и охотнее идут на внедрение инноваций. Приятно и то, что этот подход поддерживается на уровне первых лиц государства. Например, уровень цифровизации Москвы на сегодняшний день настолько высок, что с ним не могут конкурировать европейские столицы.

- Каковы типичные ошибки в подходах к управлению данными? Чему компании уделяют много внимания, а чему — недостаточно?

Управление Big Data — достаточно новая область знания. У многих наших компаний накоплено недостаточно комплексной экспертизы в отношении того, как с этим жить. Поэтому, собираясь внедрять новую технологию, компании оценивают ее не всесторонне — видя лишь явные плюсы, которые она принесет, и игнорируя недостатки. Чтобы избежать этой ошибки, важно иметь набор вопросов и задавать их, анализируя необходимость внедрения инновации.

С одной стороны, данные часто несут новый срез знаний о процессе или клиенте, которого раньше не было. С другой, этот актив тяжело эффективно использовать, если не понимать, откуда данные взялись, насколько они чистые, какая информация в них содержится, можно ли ей доверять. Для того чтобы эффективно использовать данные, мало их собрать — нужно их классифицировать, нормализовать и очистить. Это упражнение сейчас называют Data Governance, и оно обязательно к исполнению.

- Как вы оцениваете важность роли директора по данным (CDO)? Как эта роль соотносится с владельцами данных?

На мой взгляд, основная роль CDO как раз в том, чтобы объединить бизнес и технологии. И важность этой задачи будет расти, потому что все компании хотят стать цифровыми, а цифровая компания — это та, которая строит бизнес на основе данных. Поэтому задача CDO — обеспечить все бизнес-инициативы компании правильным набором данных и найти наиболее подходящие инструменты для их реализации.

CDO очень важно выстроить партнерские отношения с владельцами данных, поскольку необходимо точно знать первоисточники, из которых поступают данные, быть уверенным в их достоверности и эффективно взаимодействовать с ними.

- Куда будут двигаться компании, как будут меняться их запросы в обозримом будущем?

Компании будут все больше стремиться работать с данными, поскольку будет расти число источников информации, которые можно успешно использовать для развития бизнеса. Многие из них продолжат стремиться в облако, потому что облачные технологии становятся все доступнее, а количество возражений против их использования уменьшается.

В конце ноября состоялось первое заседание «Клуба CDO», организованного школой по обучению работе с данными Newprolab и позиционирующегося как сообщество профессионалов в области работы с данными, желающих развиваться в вертикальной карьере. В его рамках прошла панельная дискуссия «Роль CDO в организации», в которой приняли участие директора по данным «МегаФона», авиакомпании S7 и онлайн-кинотеатра ivi.

Позиция CDO в компаниях начала появляться два-три года назад. Она относительно новая, и четкого понимания ее сути на рынке пока зачастую нет, поэтому подобные дискуссии, особенно в рамках образовательных проектов, имеют важное просветительское значение.

По мнению присутствующих, роль CDO находятся на пересечении трех областей: инженера данных, исследователя данных, а также и бизнес-аналитика, понимающего, чего компания может достичь с помощью данных. Разумеется, эксперта со столь широкими знаниями найти сложно, поэтому приходится идти на компромиссы.

«Должность CDO в компании появилась при мне, и так получилось, что я сам писал свои должностные инструкции. Но мне не хватает бэкграунда data science, чтобы понимать детали создаваемых моделей», — отметил Никита Матвеев, CDO авиакомпании S7.

Леонид Черный, CDO «МегаФона», пришедший в компанию в марте нынешнего года, также до сих пор ничем похожим не занимался. «У меня проблема – я пришел из бизнеса, технических знаний маловато. И ‘идеального’ CDO пока не встречал, но надеюсь встретить», — признался он. По его мнению, именно бизнес-составляющая компетенций CDO является критически важной: нужно понимать, где находится ценность данных, иначе их сбор и обработка выглядит по меньшей мере странно.

Андрей Уваров: «Мало найти ‘боль’ бизнеса – важно попытаться ее оцифровать, причем желательно в деньгах»

До сих пор в «МегаФоне» данные, по словам Черного, «были запрятаны глубоко в инфраструктуру»: за них отвечали сотрудники, не являющиеся директорами. Требовалось эту ситуацию изменить – всегда наступает момент, когда компания хочет вывести на новый уровень работу с данными. Через операторов связи проходит огромный объем данных, и рано или поздно они должны попытаться сократить отрыв от интернет-компаний в их использовании и наверстать упущенное.

«Я приходил к бизнес-руководителям знакомиться и после первых дежурных фраз спрашивал, чем могу помочь, после чего брал блокнот и записывал бизнес-боли людей», — рассказал Черный. Из таких записей можно создать вполне работоспособный план действий. Пусть он будет плохо укладываться в методику Data Governance, но зато это будет решение реальных проблем бизнеса.

Часто такие проекты оказываются далеко не быстрыми, но само начало движения в этом направлении – большой результат. Сейчас главным направлением работы команды Черного является система отчетности – отчеты различных подразделений до сих пор были недостаточно структурированы и практически не связаны.

«Мало найти ‘боль’ бизнеса – важно попытаться ее оцифровать, причем желательно в деньгах. Часто случается, что ‘болит’ сильно, но финансовый эффект проекта будет совсем невелик», — предупредил Андрей Уваров, CDO компании ivi.ru. Нужно создать «карту боли» организации с ожидаемыми эффектами, а также скоростью и стоимостью реализации проектов.

В идеале Data Governance должна быть неразрывно связана со стратегией компании. Она описывает, как работа с данными поможет компании попасть из текущего состояния в желаемое, и является инструментом достижения цели.

«Наверное, традиционные KPI, используемые в ИТ, вроде числа инцидентов – не то, что должно стимулировать работу CDO», — резюмировал Уваров. Должен быть как минимум еще один набор показателей, отражающий приносимую командой CDO ценность и удовлетворенность бизнеса поддержкой с его стороны. Как согласился Черный, любой человек уровня директора должен иметь среди показателей эффективности результаты компании. Вклад в них и должен стать его основным показателем работы.

Все больше компаний позиционируют себя как data-driven, пытаясь сделать свои процессы более интеллектуальными, подвести под каждое решение объективный фундамент. Не случаен и рост популярности такой позиции в штате, как директор по данным. Мы побеседовали о подходах компаний к организации работы с данными, их успехах и проблемах с Александром Тарасовым, управляющим партнером DIS Group и членом экспертного совета CDO Award.

- Компании все больше заинтересованы в реальной работе с данными, пытаются извлечь из них пользу. Что изменяется в их подходах? Как вы оцениваете их успехи?

Российские компании осознали необходимость системной работы с данными — это бесспорно. Другое дело, что в зависимости от отрасли уровень зрелости компаний весьма разнится. Исходя из личных контактов, могу сказать, что директора по данным (Chief Data Officer, CDO) уже появились не только в финансах и ретейле, но и в медицине. Есть очень много интересных инициатив в промышленности, связанных с большими данными и созданием института data science.

В качестве позитивного изменения можно отметить, что уже не приходится слышать: мы назначили CDO, что ему делать? С таким приходилось сталкиваться два-три года назад. Зачем компании нужно управлять данными, объяснять уже тоже не надо. Более того, сложился рынок CDO, появились первые их переходы из одной компании в другую.

Другое дело, что некоторые компании находятся на этапе зарождения этой функции, пытаются ее определить, нащупать ее место в компании. Другие относятся к этому уже весьма осознанно, и стратегия управления данными не является для них пустым звуком, а у многих это становится нормой.

Стоит отметить главное: рынок приходит к пониманию того, что данные — ценнейший актив, как бы ни была заезжена эта фраза. Когда компания начинает относиться к данным как к активу, то есть собирается на них заработать, многое меняется и становится на свои места: компании прекрасно знают, как работать с активами, и хорошо это умеют. Например, актив не может быть без ответственного за него, он должен быть охвачен процессом классического цикла управления Деминга (PDCA) — планироваться и подчиняться целям компании.

- А каков внешний показатель того, что компания фактически стала относиться к данным как к полноценному активу?

Можно разделить компании на две большие группы: клиентоцентричные и продуктоцентричные. Продуктоцентричным — например, нефтяным или металлургическим компаниям — важно создание цифровых двойников их производственных активов. Их интересуют проекты по оптимизации процессов эксплуатации, повышению надежности, охране здоровья и окружающей среды. Маркером этого являются работы, связанные с созданием озер данных.

У клиентоцентричных компаний — банков, телекома, ретейла и т. п. — фокус направлен на клиента: его действия, социальное окружение, интересы. Здесь маркером является персонализация предложений для клиентов, а в качестве показательных можно выделить проекты с применением технологии Customer 360. В эту историю пока готовы идти далеко не все, и в будущем можно ожидать роста именно в этом направлении.

- Видите ли вы какие-то «национальные особенности» в развитии подходов к управлению данными у нас?

Похоже, особенностей нет. Надо признать факт: наша страна уже давно является одним из мировых лидеров — как в области технологий, так и в целом по уровню цифровой зрелости. Это подтверждают и в McKinsey, поместив Россию в пятерку лидеров в области цифровизации. Например, недавно у нас завершился перевод телевидения на «цифру». Ни в одной стране мира такого еще нет, а с учетом наших гигантских масштабов можно только предполагать, какая за этим стоит инфраструктура. И общаясь с нашими компаниями, я не вижу разницы в их готовности к цифровизации по сравнению с западными.

- Но ведь выход новых технологий на российский рынок традиционно запаздывает на пару лет…

Интересный момент: советский запас в подготовке кадров и обучении специалистов огромен. Наши программисты побеждают в олимпиадах и крайне высоко котируются в мире. И наш технологический рост опирается на фундаментальную базу. Это дает нам возможность проходить западный путь в разы быстрее, и время отставания постоянно сокращается. То, насколько быстро российские компании проходят историю, связанную с Data Governance, поражает.

Клиенты часто просят нас организовать референс-визиты в Европу. Зная уровень компаний и их запросов, интересные варианты найти очень тяжело, и с каждым разом все сложнее. В управлении данными дистанция нашего отставания сильно сократилась: мы идем практически вровень.

У нас традиционно принято принижать себя и с уважением смотреть на Запад. Но CDO наших ведущих компаний скоро можно будет посылать за рубеж с лекциями, особенно о выстраивании процесса управления изменениями данных в крупной компании. На мой взгляд, наши компании более динамичны. Ключевое отличие наших CDO от западных заключается в том, что они умеют действовать в условиях неопределенности (постоянного изменения целей и задач), попутно с успехом продавая свои проекты бизнесу и зачастую договариваясь с теми, с кем договориться практически невозможно. Они сдвигают с места нерешаемые задачи.

- Может быть, вы работаете с лидерами, а «в среднем по больнице» ситуация гораздо хуже?

Внедрение новой парадигмы никогда не начинается массово, всегда есть лидеры. Кто-то изначально имеет большую зрелость, а кого-то просто заставляет меняться жизнь. У нас лидерами стали финансы и телеком — это изначально data-центричные отрасли, там невозможно обойтись без культуры работы с данными. Сейчас эти подходы быстро охватывают средний сегмент, и специалисты из таких компаний задают вполне зрелые вопросы.

- Должность директора по данным до сих пор не стала массовой. Она нужна не всем или не все созрели?

Сейчас вопрос о том, нужно ли управлять данными, больше не стоит: мы уже находимся в цифровом мире. И сейчас многие проекты реализуются не ради автоматизации процессов, а с целью получения и сбора данных.

Поэтому говорить о том, что директора по данным не нужны, нельзя. Другое дело, что такая позиция пока есть не у всех, и я это связываю с недостаточной зрелостью. Во многих компаниях люди, занимающиеся данными, находятся на более низких позициях, но они все равно есть.

Почему нужен именно «директор»? Потому что, если собираемся на данных зарабатывать, необходима должность директора в его управленческом смысле — с бюджетом, штатом и полномочиями.

- Что мешает эффективной работе с данными? Какие вы видите барьеры?

Один из барьеров — недостаточное законодательное регулирование области управления данными. Кстати, я абсолютно уверен в том, что в скором времени во всех без исключения компаниях будет введен институт compliance-директоров, занимающихся соответствием регуляторным требованиям и требованиям по работе с данными.

А если взглянуть внутрь компаний, то далеко не все собственники понимают, зачем нужно управление данными. Есть и технологии, и кадры, и опыт — вопрос лишь в их востребованности. К сожалению, иногда топ-менеджмент компаний с трудом перестраивает мышление и еще не до конца осознал масштаб изменений. Многие воспринимают большие данные как модное увлечение молодежи.

- Очень многие говорят о специфической культуре, без которой компания не станет data-driven. Насколько она важна и какие изменения подразумевает?

Обсуждая проблему культуры работы с данными, иногда маскируют отсутствие процесса управления качеством данных. Когда данным не верят, нет и стремления их использовать.

Я не склонен верить в специфическую культуру. Важно понимать, что человек просто так меняться не будет — так уж мы все устроены. Мы постоянно куда-то торопимся, и у нас не хватает времени на то, чтобы хотя бы решить собственные проблемы — тут не до изменений к лучшему. Я верю в лидерство и личный пример: большинство изменений должно идти от руководства компаний через выставление требований к подчиненным.

- Что можно посоветовать компаниям, пытающимся поставить данные в основу своего бизнеса?

Не бояться это делать. Сейчас крайне важна готовность к экспериментам и переменам, готовность выделять бюджеты на инновации. Именно это отличает западные компании: их подход к управлению инновациями является ключевым корпоративным процессом, они тратят бюджеты на инновации в поисках «золотой жилы». Это основа венчурного финансирования — тратить часть прибыли на эксперименты и быть готовым к неудачам.

В прошлом году мы учредили независимую премию CDO Award, адресованную директорам по данным. За время работы над проектом мы убедились, что тема вызывает большой интерес. Все больше компаний теперь воспринимают данные не как побочный продукт своей работы, а как полноценный актив, который может приносить пользу. Поэтому в их штате появляются руководители, отвечающие за максимально эффективное использование такого актива. Причем изменения не ограничиваются формальными действиями. Происходят сдвиги в корпоративной культуре — компании действительно становятся data-driven.

«Технари» и «бизнесмены»

Физики и лирики, теоретики и практики, ударники и борцы — видимо, такое разделение будет всегда, даже когда дело касается вполне конкретной дисциплины. Подводя результаты дебютной премии для директоров по данным CDO Award 2019, мы увидели четкое расслоение номинантов на «технарей» и «бизнесменов». Вторые ожидаемо вызвали гораздо больший интерес и у экспертного совета, и у сторонних наблюдателей. И это неудивительно: большинству из нас узнавать про достигнутые финансовые результаты и новые бизнес-модели всегда интереснее, чем читать про «кухню» Chief Data Officer — например, про проблемы с доступностью данных и их качеством, а также про изменения в корпоративной культуре, без которой компания никогда не станет data-driven.

Расслоение неслучайно: во-первых, формальной должности директора по данным во многих компаниях пока нет, во-вторых, даже при ее наличии фактические роли CDO могут существенно различаться. Место CDO в бизнесе компании и круг его обязанностей становятся предметом обсуждения во многих дискуссиях, так или иначе связанных с тематикой управления данными. В последнее время уже практически все соглашаются с тем, что CDO должен не только отвечать за технологии, но и активно участвовать в бизнес-деятельности, хотя ответственность за наличие и качество данных, необходимых бизнесу, никто с него снимать не собирается. От директора по данным теперь ждут конкретных, сугубо практических результатов, причем они нужны «вчера».

В Gartner также недавно подчеркнули, что нынешний директор по данным не просто становится более бизнес-ориентированным. От прежней направленности на бизнес-проекты и программы он должен смещаться на конечные продукты, имеющие «интеллектуальную начинку». Логика понятна: если CDO «первого поколения» был сосредоточен исключительно на управлении данными, то CDO 2.0 добавил к своим компетенциям аналитику. Если CDO 3.0 занялся вопросами цифровой трансформации, то директор по данным четвертого типа, продолжая развитие, не должен ограничиваться одним лишь руководством проектами в области данных и аналитики — он должен быть ориентирован на продукты и извлечение из них прибыли. Можно лишь добавить, что CDO все в большей степени становится политиком: для реализации проектов ему нужны союзники и «спонсоры инициатив».

Взгляд назад

Когда мы обсуждали номинации CDO Award 2019, то в качестве одной из главных рассматривалась номинация «За создание новой бизнес-модели, основанной на данных». Именно она больше всех отвечает духу премии и самой идее цифровой трансформации. Однако компаний, готовых продемонстрировать столь радикальные изменения в своем бизнесе, оказалось не так уж и много. В результате победителем в этой номинации стала «Почта России» — неповоротливый динозавр, выведший на рынок услугу директ-мейл (адресную рассылку на основе своих «знаний о почтовых ящиках» — потребностях домохозяйств, находящихся по конкретному адресу). Разумеется, в ходе обсуждений этого проекта в Сети звучали высказывания о том, что почтовому оператору стоило бы сначала разобраться со своим основным бизнесом (кстати, на мой взгляд, изменения к лучшему здесь бесспорны), но победа вполне заслуженна.

В номинации «Реализация инновационной идеи» экспертный совет был покорен стартапом Sever.AI, направленным на роботизацию процессов рекрутинга, а также искусственным интеллектом НЛМК, применяемым в производственных процессах. А ведь среди номинантов был очень яркий проект «корпоративного Гугла», реализованный в «Газпром нефти».

Наибольшая конкуренция наблюдалась в номинации «За повышение эффективности бизнеса» — компании ожидаемо были готовы делиться тем, как с помощью интеллектуальных сервисов повысить эффективность существующих процессов. Более того, именно здесь произошло столкновение гигантов, каждый из которых мог претендовать на победу. МТС и НЛМК оказались среди лауреатов в конкуренции с не менее впечатляющими кейсами «СИБУРа», «Уралсиба», X5 Retail и «Бургер Кинга».

Борьба была честной. Разумеется, в любых конкурсах присутствует человеческий фактор, но я считаю большим достижением то, что нам удалось не только найти достойных кандидатов с интересными проектами, но и собрать мощный экспертный совет — строгий, но справедливый.

Культура и качество

Несмотря на всю магию выраженного в цифрах экономического эффекта, не стоит забывать, что элементарное наведение порядка в информационном хозяйстве нередко дает больший результат, чем внедрение самых навороченных технологий. Именно поэтому мы решили добавить в нынешнем году номинацию «За обеспечение качества данных». Как известно, успех цифровых инициатив на 70% зависит от достоверности и доступности данных. Более того, из шести главных проблем, приведших к провалу проектов искусственного интеллекта, пять связаны именно с данными. И потому эта дополнительная, сугубо «технарская» номинация призвана дать шанс тем участникам, которые лишь начинают путь к data-driven-организации и пока не могут похвастаться яркими результатами. Кроме того, мы гораздо больше внимания намерены уделить вопросам культурной трансформации, она станет важным критерием оценки успехов компаний.

Мы рады объявить о старте премии CDO Award 2020. Наш прошлогодний дебют был успешным, и мы готовы развивать этот проект, делать его еще лучше. Нам интересны не только достигнутые результаты, но и то, с какими проблемами вы сталкиваетесь и как их решаете, и еще более интересно, как происходит трансформация компании.

Заявки принимаются до 31 января 2020 года, а объявление итогов и награждение лауреатов намечены на середину марта 2020 года. В рамках форума BIG DATA 2020, который состоится 25 марта, можно будет услышать выступления лауреатов премии.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

- С какими ключевыми проблемами управления данными вы сталкиваетесь?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Или сделать работу сотрудников более продуктивной.

Или улучшить качество обслуживания клиентов.

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

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

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

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

Создайте культуру данных

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

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

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

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

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

Сформируйте среду

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

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

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

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

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

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

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

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

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

Научите бизнес видеть выгоду

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

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

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

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

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

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

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

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

Полтора года назад компания Mr. Cooper запустила интеллектуальную систему рекомендаций для своих агентов по обслуживанию, которая должна была помочь в решении проблем клиентов. (Компания, ранее известная как Nationstar, — крупнейший игрок рынка небанковского ипотечного кредитования в США с 3,8 млн клиентов.) Казалось, проект сэкономит предприятию огромные деньги. Потребовалось девять месяцев, чтобы выяснить, что агенты не использовали его, признает ИТ-директор компании Шридхар Шарма. И еще полгода, чтобы понять, почему.

Рекомендации, которые предлагала система, не были релевантными, обнаружил Шарма. Но проблема заключалась не в алгоритмах машинного обучения, а в том, что обучение полагалось на данные, основанные на технических описаниях проблем клиентов, а не на том, как клиенты описывали их своими словами.

«Мы проделали недостаточно хорошую работу, поэтому не поняли того, что суть проблемы пользователей кроется в словах, которые употребляют именно они, – сказал он. – Мы же в своей программе использовали только те термины, которые сами используем внутри компании».

Кроме того, механизм обратной связи, в котором агенты записывали результаты звонков, имел перекрывающиеся категории проблем, что, по словам ИТ-директора, еще больше усугубило проблему. Шарма отказался сообщить, во сколько проект обошелся компании.

Такая неудачная «вылазка» Mr. Cooper в область искусственного интеллекта — не аномалия. Согласно недавнему опросу IDC, только около 30% компаний сообщили, что 9 из 10 их проектов, связанных с искусственным интеллектом, были успешны. У большинства провальны около половины подобных проектов; 3% опрошенных заявили, что более половины их проектов искусственного интеллекта потерпели неудачу.

В качестве основных проблем более четверти респондентов назвали нехватку квалифицированного персонала и нереалистичные ожидания в отношении этой технологии. Еще 23% заявили, что их проекты потерпели неудачу из-за отсутствия необходимых данных.

«При первых признаках неудачи все пытаются приложить дополнительные усилия, чтобы "вытащить" проект, – говорит Шарма. – Но если вы ввязываетесь в это, то вы обречены».

Mr. Cooper вернется к проекту в области обслуживания клиентов в следующем году в рамках общей перезагрузки своей системы CRM; компания по-прежнему настроена иметь дело с искусственным интеллектом. Ее последний проект машинного обучения, который включает в себя анализ неструктурированных данных, уже имеет положительный бизнес-эффект и помогает готовить лучшие данные для обучения.

«Эти уроки недешевы», – признает Шарма, добавляя, что требуется вовлеченность генерального и финансового директора: они должны быть в курсе, если что-то идет не так.

Нехватка данных

Проблемы с данными — одна из главных причин, почему проекты искусственного интеллекта не оправдывают ожиданий. Согласно докладу, опубликованному McKinsey прошлой осенью, две из самых больших проблем, ограничивающих применение технологий искусственного интеллекта, связаны именно с данными.

Во-первых, подобно Mr. Cooper, многие компании испытывают трудности с получением правильно размеченных данных для обучения алгоритмов машинного обучения. Если данные не классифицированы должным образом, нужно время, чтобы разметить их, что может задержать работу или вообще привести проект к провалу. Вторая проблема с данными – это отсутствие нужных данных для проекта.

«У компаний часто нет необходимых данных или же они не могут строить модели с данными, поскольку те не размечены», – говорит Ананд Рао, партнер и глобальный лидер по искусственному интеллекту в PricewaterhouseCoopers.

Национальное Одюбоновское общество использует искусственный интеллект, чтобы защитить диких птиц. Так, в июле организация опубликовала результаты анализа того, как изменение климата повлияет на 38 видов луговых птиц.

«Если мы ничего не сделаем, чтобы замедлить изменение климата, то 42% видов луговых птиц окажутся очень уязвимыми, – говорит Чад Уилси, вице-президент по исследованиям в области сохранения видов. – Но если мы сможем принять меры, то уменьшим этот показатель до 8%».

Не все аналогичные проекты Одюбоновского общества были столь же успешными. Прошлым летом в организации попытались использовать машинное обучение для подсчета количества коричневых пеликанов и черных водорезов на пляжах. Пилотный проект был основан на наборе изображений, собранных добровольцем, который запускал дрона над островом у побережья Техаса.

«Нам было интересно понять, как ураган, который прошел над островом, повлиял на популяцию птиц», – говорит Уилси.

По словам Уилси, потребовалось 2 тыс. размеченных изображений коричневых пеликанов, прежде чем точность системы была достаточно хороша для их нужд. Но изображений черных водорезов было недостаточно. «Для других приложений компьютерного зрения вы можете использовать то, что доступно в Интернете, – говорит он. – Но в данном случае, образы птиц очень специфичны».

Так, большинство доступных фотографий птиц сделаны людьми, которые находятся на уровне земли, а не дронами, «смотрящими» прямо вниз. И поскольку это было пилотное исследование, у Одюбоновского общества не было ресурсов, чтобы продолжить сбор данных и сделать больше снимков.

«Однобокость» данных обучения

Другим примером проекта, которому помешала нехватка данных, является попытка Fritz Labs создать модель для идентификации волос на фотографиях людей. Fritz помогает разработчикам создавать модели, которые могут работать непосредственно на телефонах, без необходимости отправлять данные на центральный сервер для обработки.

«Мы хотели создать функцию, которая будет "обнаруживать" волосы в живом видео и прямо в нем изменять их цвет», – сказал Джеймсон Тул, технический директор компании.

Сначала все выглядело хорошо, говорит он, но у алгоритма обнаружился существенный изъян, который привел бы к очень серьезным проблемам, стань приложение публичным.

«К счастью, мы много тестировали функцию на самих себе и с людьми, которых привлекли специально для этого, и обнаружили, что функция работает не очень хорошо для определенных этнических групп, – отметил Тул. – Мы еще раз просмотрели исходные данные — и, конечно же, среди них не было изображений представителей этих групп».

По его словам, для обучения доступно множество наборов изображений, как бесплатных, так и коммерческих. Но необходимо убедиться — достаточно ли тех данных, которые нужны.

«Требуется время и усилия, чтобы сформировать собственный набор тестовых случаев, который исчерпывающим образом представляет пользовательскую базу вашего приложения», – подчеркнул Тул.

В Fritz Labs собрали недостающие изображения и разметили их вручную. «Это, безусловно, подчеркивает тот факт, что в подобных системах может легко случиться какой-то перекос, когда вы ограничены данными, которые у вас есть», – добавил он.

Согласно недавнему опросу PricewaterhouseCoopers, более половины компаний не имеют формального процесса оценки данных приложений искусственного интеллекта на «необъективность» данных. Кроме того, только 25% опрошенных заявили, что будут уделять приоритетное внимание этическим последствиям проектов искусственного интеллекта перед их реализацией.

Проблемы интеграции данных

Иногда проблема заключается не в недостатке данных, а в том, что их слишком много и они – во многих местах. Так было в одном глобальном банке, по словам руководителя отдела искусственного интеллекта и аналитики данных розничного подразделения банка, который не уполномочен говорить об этом «под запись».

По его словам, если бы он мог вернуться назад во времени, банк бы раньше начал собирать данные из разных каналов: «Мы этого не делали, и это было большой ошибкой. Наши данные были разрозненны, и как следствие у нас не было полного представления о наших клиентах».

Это ограничило возможности банка генерировать эффективные маркетинговые предложения и привело к снижению доходов; теперь банк переходит к многоканальному представлению данных клиентов, включая онлайн, мобильные и личные взаимодействия.

«Мы все еще не добились этого, – признал он. – Изолированные данные – одна из самых больших проблем, которые у нас были и есть».

Проблема не столько техническая, сколько деловая; первый шаг – соблюдение требований и регламентация: «Есть определенные типы данных, которые мы не можем смешивать».

Другой вопрос связан с приоритетами компании. «Есть так много других проектов, которые работают. И кто заплатит за объединение данных? Это само по себе не является добавочной стоимостью для банка», – указал он, добавив, что с подобными проблемами может столкнуться каждый банк.

Однако приступать к интеграции данных необходимо тогда, когда стартует первый проект в области искусственного интеллекта. «Не думаю, что мы когда-нибудь будем готовы полностью, ведь есть так много источников данных, – резюмировал он. – Я не думаю, что есть компания, которая к этому полностью готова».

В банке рассчитывают, что основные источники данных будут подключены в ближайшие полтора-два года. Сейчас в данном направлении выполнено лишь 10-15% работы.

«Дрейф» данных

Еще одна проблема для проектов искусственного интеллекта заключается в том, что компании полагаются на исторические данные вместо активных транзакционных данных для своих учебных наборов. Во многих случаях системы, обученные на статических исторических снимках, не очень хорошо работают при переходе на данные реального времени, отметил Андреас Браун, который возглавляет работу с данными и искусственным интеллектом в европейском отделении компании Accenture.

«Вы выгружаете некие данные, тренируете модель и получаете довольно хороший результат в лаборатории. Но как только вы запускаете это в работу, начинаются проблемы», — сказал он.

Существует значительная разница между историческими выборками данных и данными, поступающими через живую систему, например, для обнаружения фрода в реальном времени или выявления случаев отмывания денег, потому что модели оказываются не обучены улавливать небольшие изменения в поведении.

«Если вы копируете данные в какой-то момент времени, скажем, ночью, или в субботу или воскресенье, то "замораживаете" ситуацию, – отметил он. – Это делает аналитику в лаборатории очень легкой. Но когда модели машинного обучения встраивают в живую систему, они работают намного хуже».

Решение, по мнению Брауна, заключается в том, что аналитики данных не должны сидеть в бункере, отрываясь от реального бизнеса. Когда модели строятся с использованием «живых» данных, интеграция моделей в производственные среды происходит намного быстрее: «И успехи гораздо, гораздо лучше. Это полностью меняет игру».

Забытые неструктурированные данные

Согласно недавнему опросу Deloitte Consulting, 62% компаний по-прежнему обходятся электронными таблицами и только 18% при анализе используют неструктурированные данные — изображения продуктов, аудиофайлы разговоров с клиентами или комментарии в соцсетях.

Кроме того, многие исторические данные, которые собирали компании, оторваны от контекста, который должен быть полезен для решений искусственного интеллекта, или хранятся в сводной форме, полагает Бен Стиллер, руководитель стратегической и аналитической практики в области розничных и потребительских продуктов компания Deloitte Consulting. Ограниченность в данных, безусловно, может с самого начала приговорить проект к неудаче.

Компании, которые используют неструктурированные данные, например, Mr. Cooper, согласно опросу, на 24% чаще добиваются своих бизнес-целей.

«То как вы работаете с данными, действительно требует фундаментального пересмотра», – считает Стиллер.

Mr. Cooper, например, владеет огромными объемами неструктурированных данных – около полутора миллиардов документов клиентов. В результате агенты по обслуживанию клиентов тратят слишком много времени на поиск нужных документов, и иногда, не находя их, бывают вынуждены перезванивать клиентам.

Поэтому компании пришлось отсканировать все 1,5 млрд документов и с использованием технологии машинного обучения внимательно проанализировать набор из 150 млн документов, которые попали в число двухсот самых используемых типов.

«Этот проект на базе машинного обучения, который действительно приносит пользу, нашел реальное применение», – говорит Шридхар Шарма из Mr. Cooper.

Мало того, что обзвон клиентов стал быстрее, анализ документов помогает создать лучший словарь для будущего использования, когда компания вернется к своему ранее проблемному проекту обслуживания клиентов с использованием искусственного интеллекта.

Культурный вызов

Не только проблемы с данными, но и организационные вопросы вставляют палки в колеса проектов искусственного интеллекта.

Например, Шарма признался, что если бы он вернулся назад во времени, то начал бы работать с языком, который клиенты используют при объяснении своих проблем, и связал бы экспертов по предметной области с разработчиками приложений искусственного интеллекта: «Людей из бизнеса надо объединить с технологическими группами, чтобы контекст всегда был во главе угла. Вы должны заставить их сидеть вместе весь рабочий день».

И если не учиться на такого рода ошибках, шансы на то, чтобы извлечь выгоду из искусственного интеллекта, могут сократиться: неудачные проекты не только отпугивают тех, кто распределяет финансовые средства, но и негативно влияют на удовлетворенность сотрудников и клиентов.

Из-за ранних провалов проектов инвесторы теряют значительные средства, не получая никакой отдачи, а предприятие рискует начать отставать от конкурентов.

Все начинается сверху. Как показывает опрос Deloitte, участие высшего руководства для проектов искусственного интеллекта жизненно важно. «Если проект спонсирует генеральный директор, шансы достичь целей повышаются на 77%», – говорит Стиллер.

Не позволяйте неудаче ослабить вашу приверженность технологиям искусственного интеллекта — долгосрочный подход окупится, уверен он: «Чем больше проектов вы с течением времени вы делаете, тем выше становится их ROI».

С увеличением масштабов использования на предприятиях данных и аналитики менталитет директора по данным (chief data officer, CDO) от направленности на соответствующие проекты и программы должен смещаться в сторону ориентации на продукты, говорится в свежем докладе Gartner Research Board.

«Мы считаем, что речь идет о появлении руководителя нового типа – CDO 4.0, – указывает вице-президент и программный директор Gartner Research Board Марио Фариа. – CDO 1.0 был сосредоточен исключительно на управлении данными. CDO 2.0 добавил к своим компетенциям аналитику. CDO 3.0 проводил политику цифровой трансформации и принимал активное участие в этом процессе. Директор по данным четвертого типа ориентирован на продукты и управление прибылью и убытками, не ограничиваясь одним лишь руководством проектами и программами в области данных и аналитики».

Представленный исследовательским советом Gartner Research Board доклад "Global Chief Data and Analytics Officer (Global CDAO)" освещает роль CDO 4.0.

Марио Фариа: "Перейти от проектного менталитета к ориентации на продукты смогут не все"

Традиционно инвестиции в технологии структурировались в рамках пула затрат, поддерживающих бизнес, и отдельного портфеля дискретных капитальных проектов, которые имеют четко определенное начало и конец. Но сейчас организации начинают увязывать финансирование, выделяемые на разработку ресурсы и поддержку управления с набором имеющихся продуктовых семейств. В Gartner ожидают, что 72% организаций будут придерживаться в этом году модели, ориентированной на продукты.

Переход к организации, ориентированной на продукты, должен проходить в тех областях бизнеса, где есть пространство для инноваций и поддерживается новая модель бизнеса, подчеркивает Фариа. Подходы, ориентированные на продукты, упрощают быстрое внедрение инноваций и предполагают итерационный метод, поскольку во главу угла здесь ставится восприятие пользователей, совершенствование требований и стратегическая дифференциация поставок.

Однако для этого нужны новые компетенции, роли, инвестиционные модели и соответствующая культура. В формировании директора по данным, нацеленного на продукты, Gartner Research Board выделяет три этапа.

1. Продумывание платформы

Решая задачу создания продукта, директор по данным прежде всего должен спланировать процесс создания платформы данных и аналитики, а затем продумать план выпуска и основные его этапы. После этих важных шагов можно приступать к формированию команды, которая будет осуществлять цикл поставок. По словам Фариа, директор по данным в первую очередь должен думать о данных и лишь затем о сценариях использования, следуя примеру лидеров, начиная с Facebook, Amazon, Google и Apple. Эти компании сумели построить успешные платформы, обеспечивающие сбор и анализ данных с сокращением жизненного цикла между выпуском новых продуктов.

Профессионалы в области данных и аналитики убеждены, что дальнейшие перспективы определяют платформы, однако масштабы и широта охвата зависят от конкретной компании, ее зрелости и уровня инвестиций, напоминает вместе с тем Фариа.

2. Пересмотр инвестиционных моделей

Директору по данным следует поддерживать контакты с руководством предприятия, заботясь о своевременной адаптации инвестиционных моделей, используемых в настоящее время бизнесом. Кроме того, директору по данным необходимо масштабировать использование платформы в рамках всего предприятия.

В модели управления семейством продуктов финансирование осуществляется в соответствии с теми возможностями бизнеса, которые это семейство поддерживает. Общие или разделяемые ресурсы – инфраструктура, технология, данные и аналитика – финансируются в зависимости от предполагаемых совокупных потребностей семейств продуктов, поддерживаемых ими.

3. Использование проверенной методологии управления продуктами

Для успешного роста и масштабирования переход к управлению продуктами должен пропагандироваться ИТ-директором и другими руководителями с широким кругом полномочий. Крайне важно, чтобы роль этого процесса была понятна всем заинтересованным лицам. Основополагающими для определения роли являются ее видение и цели, объем и параметры, особенно параметры перехода к клиенто-ориентированному подходу при внедрении инноваций.

«Перейти от проектного менталитета к ориентации на продукты смогут не все директора по данным, – предупреждает Фариа. – Успеха добьются здесь те, кому удастся внедрить операционную модель, скрывающую детали и ориентированную на более широкое и качественное использование ресурсов данных».

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

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

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

Роль и обязанности директора по данным

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

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

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

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

Директор по данным и главный исследователь данных

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

Кому должен подчиняться директор по данным?

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

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

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

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

Чего ждать от директора по данным

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

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

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

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

Зарплата директора по данным и вакансии

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

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

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

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