Директор по данным

Chief data officer (CDO) — позиция относительно новая, но уже ставшая популярной в современных компаниях. От CDO ждут конкретных результатов здесь и сейчас. Однако на практике уровень ожиданий оказывается серьезно завышенным. Сегодня становится очевидно: необходимо внедрять специальные инструменты искусственного интеллекта (ИИ), без которых ни один CDO не сможет справляться с возложенными на него обязанностями.

Цифровая трансформация ставит новые задачи, требует новых ролей и их исполнителей. Именно по этой причине позиция CDO с акцентом на управлении корпоративными данными стала востребованной. Можно говорить, что из нишевой должности в банках и телеком-компаниях она превратилась в общий институт в крупном бизнесе.

Gartner прогнозирует, что к 2021 году CDO в 75% компаний крупного бизнеса станет позицией уровня mission-critical — наравне с ИТ-директором, а также с руководителями финансового и операционного блоков. Однако на практике результаты работы CDO скорее разочаровывают, поскольку не приносят видимого внятного результата. Люди на этой должности в крупных организациях часто меняются, не оправдав ожиданий. Почему так происходит?

Кто виноват?

Во-первых, компании продолжают смешивать две роли — CDO и CDS (chief data scientist), перед которыми стоят совершенно разные задачи. Chief data scientist занимается собственно изучением данных, извлечением из них ценности для бизнеса — тем, что называется монетизацией данных. Задача же «классического» CDO — организовать управление жизненным циклом данных так, чтобы информация нужного качества и в определенном виде предоставлялась нужному адресату (включая CDS) вовремя по всей организации.

На практике такого эффекта пытаются достичь преимущественно организационно-процессными методами, создавая надстройки над соответствующей ИТ-инфраструктурой и системами. Если же организация крупная, со сложной иерархической оргструктурой, то организовать кросс-функциональное взаимодействие ее различных подразделений весьма затруднительно. А оно жизненно необходимо, чтобы данные оставались доступными и качественными на всех этапах своего жизненного цикла. В итоге «озера данных» превращаются в «болота», в которых «никогда нет того, что нужно» и данным в которых никто не верит. То есть работать с данными долго и дорого, их качество низкое и говорить о сколь бы то ни было значимой практической отдаче и той самой монетизации в такой ситуации сложно.

Вторым фактором является то, что хозяйство, которое вверяется в ведение CDO, в любой крупной компании поистине масштабно, носит комплексный характер и охватывает множество смежных областей. Любой бизнес-процесс сегодня автоматизирован, проходит через множество систем, порождает гигантский объем разных данных и к тому же постоянно изменяется. Взять все это под контроль, пусть даже озаботившись только рождающимися данными, и эффективно управлять из единой точки — крайне сложно. Особенно принимая во внимание иерархичность структуры управления. Политической воли топ-менеджеров, регламентов, документации и текущих инструментов уже не хватает для итогового успеха.

В-третьих, появление в штате CDO расхолаживает руководителей и сотрудников, они начинают рассуждать примерно так: «Теперь это не моя забота». Данные рассматриваются как побочная активность, необязательный факультатив. Коллективного энтузиазма обычно хватает максимум на пилотную фазу проекта по внедрению новых подходов к управлению данными в очень ограниченной предметной области.

По нашему практическому опыту можно сказать, что сегодня нет ни одной компании, которая не столкнулась бы с перечисленными проблемами при попытке развернуть полноценную стратегию в области управления данными с выделенным руководителем направления во главе.

Что делать?

Отправная точка CDO в любой компании сегодня — смещение внимания с хранилищ и фабрик данных (где уже «поздно пить боржоми»). Акцент делается на точках зарождения данных (чеки, запросы, входящие документы, карточки клиента и пр.) и на выстраивании процесса от производителя до потребителя. И когда такая работа начинается, выявляется главная проблема: у директора по работе с данными нет адекватных инструментов автоматизации его работы! Он — типичный сапожник без сапог.

ИТ-отрасль в целом проходила через аналогичную фазу в своем развитии. Занимаясь автоматизацией множества разнообразных бизнес-процессов для всех отраслей, ИТ-разработчики не очень заботились об автоматизации собственной работы. Причем такая ситуация начала меняться относительно недавно, о чем и свидетельствует бум спроса на DevOps, Continuous Integration и т. п.

Сейчас CDO находится ровно в том же положении: ему нужен софт, чтобы управлять всеми текущими задачами — контролировать потоки данных на всем тракте, технические и бизнес-метаданные, классификацию данных, модели и структуры, участников процесса в различных ролях и т. д. Но имеющиеся программные средства помогают мало, скорее удлиняют и усложняют рабочий процесс.

То есть ИТ для ИТ появились и успешно развиваются, а аналогичных по качеству ИТ для CDO пока нет. Хотя основные игроки сообщают, что Data Governance 3.0 есть в их дорожных картах. Оговоримся: инструменты для управления потоками данных и контроля их качества, ведения бизнес-глоссария и пр.  существуют. Но, во-первых, между собой они зачастую плохо интегрируются, а во-вторых, они «заточены» под работу с нуля, причем при условии, что она ведется правильным образом: «мы начинаем все описывать, и постепенно формируется единое поле активов под управлением со всеми связями и т. д.».

По факту же CDO приходится работать в среде, где много всего было сделано, но требуются огромные усилия по наведению порядка. Отслеживать в такой ситуации полный цикл работы с данными от источника происхождения до «озера данных», да еще с постоянными изменениями, без помощи продвинутых ИИ-алгоритмов попросту невозможно.

Чем же ИИ так хорош?

Высокая отдача ИИ применительно к задачам CDO обусловливается общей «заточенностью» искусственного интеллекта под решение проблем без заранее известных четких правил. ИИ может обучиться им сам. Компьютер в этом плане обладает необходимым уровнем самостоятельности, находит закономерности и совпадения — либо невидимые человеку, либо обнаруживаемые только в результате вложений тысяч человеко-часов. Если нужно в короткие сроки (а CDO сегодня работают в постоянном цейтноте) понять, как данные о клиенте из 10 разных систем соотносятся с одним и тем же объектом, то искусственный интеллект справится гораздо эффективнее человека. Например, в разных системах одной компании клиент может проходить под разными обозначениями — client, customer, shopper и пр., человеку требуется время, чтобы при классификации данных понять, что речь идет об одном и том же объекте. Машина всё сделает (после определенного обучения) практически мгновенно.

Кроме того, CDO всегда ограничен в ресурсах. Он не может нанимать бесконечное множество помощников и сотрудников под каждые проект и задачу. Отдельной проблемой становится формирование единого поля корпоративных знаний. Эксперты бизнес-подразделений хорошо знают свою предметную область, но требуется извлечь знания у каждого эксперта, свести их в одном месте (бизнес-глоссарии), предоставить доступ к этому массиву, задав корректный понятийный аппарат для всей компании. Это крайне длительный процесс, и здесь возможности ИИ трудно переоценить. Алгоритмы глубинного обучения и продвинутой аналитики могут прочесывать дата-сеты, статистику, метаданные, имеющуюся документацию в текстовом виде или даже картинки-схемы, существенно экономя время и обеспечивая качественные результаты.

Например, в банках, где традиционно оперируют широким набором самых разных документов и форматов, ИИ идеально подходит для систематизации и создания нового понятийного аппарата путем извлечения ценных знаний из уже существующего набора абсолютно разрозненных документов. Традиционными организационно-процессными методами такие задачи решить невозможно, или, по крайней мере, потребуются колоссальные усилия.

Как правило, CDO приходит в организацию с готовой проблематикой и от него ждут результатов работы не позднее чем через 6–7 месяцев. Чтобы уложиться в эти сроки, CDO хотя бы на 50% нужно быть искусственным интеллектом, опираться на эффективные ИИ-инструменты в своей работе.

Перспективы и результаты

Пять лет назад было принято начинать работу с людей: выделить штатную единицу, поставить цели, определить критерии оценки и т. д. Сейчас фокус резко сместился на поиск «правильных» подходов. Чем заниматься CDO в компании, перед кем отчитываться о результатах, с кого спрашивать — в целом ясно. Остается вопрос: каким образом ему достичь результатов в короткие сроки?

Только используя технологии, можно действовать результативно. И самое интересное, что у многих компаний для этого есть адекватный технологический стек. Иногда он даже содержит ИИ-функционал, пусть и базовый. Основная проблема — это низкий уровень локализации применительно к разным странам с их реалиями, глоссариями отраслевых терминов и национальными языками. Чтобы все это «взлетело», необходим творческий подход и понимание, что универсального решения нет.

В качестве примера можно привести решение для обогащения метаданными мастер-системы по оборудованию для крупной производственной компании: при помощи технологий обработки естественного языка из документации к оборудованию и описания технологических процессов извлекаются данные о спецификации для дальнейшего импорта метаданных в соответствующую систему управления мастер-данными компании.Таким образом процесс наполнения мастер-справочника оборудования ускоряется в разы.

Без ИИ соответствующей работой должно было бы заниматься целое подразделение из нескольких сотен человек. С ИИ 80% работ выполняется в автоматическом режиме, тем самым экономятся колоссальные средства и время.

Наконец, еще одна важная деталь: чем больше данных обрабатывают ИИ-инструменты, тем выше качество работы, что полностью отвечает задачам любого CDO сегодня. Кроме того, к этому следует добавить появление новых вызовов, обусловленных массовым переходом к работе по принципам Agile, когда зачастую никакой документации просто не остается. Вывод очевиден: роль ИИ-помощников в деятельности CDO будет расти с каждым днем.

Автор — Лариса Малькова, управляющий директор Accenture Russia, член экспертного совета CDO Award. 

С марта в Утконосе появилась должность Chief Data Officer. Компания считает использование данных во всех бизнес-процессах важным шагом на пути к цифровой трансформации и централизует свои усилия в этом направлении. Мы встретились с Данилой Наумовым, директором по данным онлайн-гипермаркета Утконос, в рамках SAS Forum Russia 2019. Он рассказал о стратегии компании на пути к «цифре», о первых шагах в новой должности и планируемых изменениях в работе с данными.

Скорость доставки, цены, качество продуктов — очевидные конкурентные преимущества любого ретейлера. Где здесь могут пригодиться данные?

Действительно, все это важно. А данные могут понадобиться при решении любой задачи. С точки зрения скорости доставки перед нами стоят проблемы оптимизации логистики, в области цен — вопросы, связанные как с регулярным ценообразованием, так и с промоакциями. И тут нам есть чем похвастаться. Актуальны также задачи ассортиментного планирования, добавления в ассортимент востребованных покупателями товаров и вывода непопулярных. Кроме того, есть возможность создания собственных торговых марок — для этого нужно знать, какими характеристиками должен обладать тот или иной продукт.

А какие еще преимущества могут дать компании сервисы, основанные на данных?

Часто диалоги об аналитике у ретейлеров так или иначе связаны с качеством управления запасами — прогнозированием спроса и оптимизацией товарных запасов, обеспечением их нужного уровня. И это не случайно — вопрос действительно критически важен. Отдельно надо сказать о целевом маркетинге: кластеризации клиентов, прогнозировании отклика на маркетинговые кампании. Разумеется, персональные предложения должны быть релевантными — это требование времени. В противном случае лояльность клиента резко падает. Хорошо показывают себя рекомендательные системы на сайте. Если они правильно построены, то существенно повышается средний чек. Мы постоянно занимаемся оптимизацией складских операций. Например, совершенствуем слоттинг — даем рекомендации, в каких местах следует хранить товар, чтобы процедура комплектации заказов была максимально быстрой, а на складе не возникало пробок.

Все это — внутренние истории. Возможно ли что-то, нацеленное вовне?

Не соглашусь с таким разделением. Наличие товара в продаже напрямую сказывается на поведении клиента, если же клиента не устраивают цены, он пойдет к другому ретейлеру. Потребность в подобной аналитике диктуется рынком. Мы очень долго были не просто лидером, а вообще единственной компанией, занимающейся доставкой продуктов. Наши трансформационные процессы обусловлены именно появлением конкурентов. В сфере онлайн-ретейла крайне тяжело выйти на новый рынок — например, в другой город. Обустройство складов и выстраивание логистических сетей стоит невероятно дорого и требует единовременных инвестиций. Офлайн-ретейлер, в отличие от нас, может позволить себе постепенно увеличивать число магазинов.

Существовала ли до вас в Утконосе должность директора по данным?

Такой должности не было. Но уже функционировал аналитический центр, который занимался BI-функцией, его начали формировать с лета прошлого года. Прежде аналитическая работа велась разрозненно: в каждом бизнес-подразделении были собственные аналитики. Аналитический центр был создан с вполне понятной целью — объединить аналитиков из разных подразделений, чтобы ликвидировать дублирование отчетов. Понятно, что в разных подразделениях аналитики зачастую занимались схожими задачами. Кроме того, параллельно велось несколько проектов, связанных с прогнозированием спроса и построением системы автозаказа. В этих направлениях были существенные наработки. Требовалось их развить и добавить в число используемых технологий машинное обучение и другие современные методы. И поэтому в Утконосе появился директор по данным.

Что появление этой должности фактически означает для компании?

Наша компания идет по пути цифровой трансформации, и мы разделили ее на три составляющих. Первая — переход от традиционной иерархической структуры к продуктовой структуре. Мы создали множество продуктовых команд, в них входят представители бизнеса, data science, бизнес-аналитики, ИТ (ее инфраструктурной части). Вторая составляющая трансформации — привлечение талантов извне, третья — использование данных во всех бизнес-процессах. Все решения должны приниматься на основании данных, а не экспертных мнений. Позиция человека должна подкрепляться объективными цифрами. Моя должность объединила три функции: BI-практику, развитие хранилища данных (data engineering) и применение продвинутой аналитики (data science) в бизнес-процессах. Функции data engineering и data science изначально входят в мою зону ответственности, эти функции мы выстраиваем с нуля. А аналитический центр раньше подчинялся директору по стратегии. Директор по стратегии решил поставленные задачи, должность упразднили и было принято решение функцию BI тоже отдать мне.

Вы пришли в компанию несколько месяцев назад. Какие задачи были поставлены перед вами?

По каждому из трех направлений передо мной поставлены вполне конкретные задачи. На аналитике по-прежнему лежит в первую очередь функция автоматизации отчетности. В data science главные направления, по которым мы начали работать, — это прогнозирование спроса для операционного блока и регулярное ценообразование для коммерческой дирекции. Что касается хранилища данных, то мы приступили к выбору СУБД, средств интеграции данных и уже вплотную планируем построение самого хранилища данных. Хочу отметить, что в отношении выбора инструментов для реализации проектов никаких «религиозных» предубеждений у нашей команды нет. Руководство компании мыслит категориями бизнес-кейсов и финансовых эффектов. Если мы понимаем, что у какого-то конкретного продукта стоимость владения существенно привлекательнее, чем у конкурентов, то наш выбор склоняется в сторону именно этого продукта. Еще одной ключевой составляющей для нас является скорость решения задачи. Например, мы вполне обоснованно выбрали коммерческую аналитическую платформу и отказались от стека решений open source. Важную роль при этом сыграл показатель time to market — время, которое потребуется, чтобы решенная задача начала приносить прибыль.

Как могло отсутствовать направление data science в электронной компании с такой историей?

Каждый блок решал свои задачи по отдельности, с помощью доступных инструментов и методов. Например, строили прогнозы спроса, решали задачи автозаказа, создавали модели прогнозирования оттока клиентов, занимались оптимизацией логистики. Однако есть множество задач, в которых применение продвинутой аналитики даст более существенный эффект, чем традиционные подходы. И эти задачи совершенно точно должны решаться централизованно.

Местные аналитические отделы будут упразднены? Как сейчас осуществляется взаимодействие с ними?

Я вижу два варианта. Первый — оставить решение аналитических задач в рамках «родных» бизнес-блоков. Если задачи решаются качественно и результаты устраивают бизнес, то незачем ломать работающую структуру. При этом было бы правильным при необходимости подключать «Офис данных». Например, когда местным аналитикам на каком-то этапе не хватает компетенций. Второй вариант — переход аналитиков в нашу команду, но здесь важно сделать это так, чтобы бизнес-функция не пострадала и ее задачи продолжали решаться. Далеко не каждому руководителю понравится такой подход, и единственный способ не допустить скандалов — поднять решение прежних задач на новый уровень.

С чего началась работа в новой должности?

Первое — согласование бюджетов с собственником. Согласовали и расширение штата — дополнительно 14 человек, и приобретение новых инструментов, и проведение работ. Сейчас начинается обсуждение, как именно эти средства потратить, а также сравнение ИТ-платформ для решения тех или иных задач. И конечно, естественным следствием расширения штата стал активный поиск персонала.

Что сейчас представляет собой часть ИТ-ландшафта, ориентированная на работу с данными? Какие платформы и решения применяются, каковы планы на будущее?

Разумеется, у нас есть множество источников данных: ERP, WMS, веб-сайт, система управления перевозками, BI-инструменты и аналитические решения SAS. Кроме того, есть инструменты, используемые бизнес-блоками. Мы проведем трансформацию хранилища данных и построим озеро данных. Планируем предоставить инструменты подготовки данных бизнес-пользователям, чтобы наиболее продвинутые могли не только смотреть отчеты, но и проверять собственные гипотезы, выстраивать модели данных. У нас есть пользователи, которые готовы так работать и ждут, когда возможность для этого у них появится.

Используются ли в компании большие данные, и если да, то в каких целях?

Да, большие данные у нас есть. В первую очередь это история покупок клиентов, история активности пользователей на сайте. Мы знаем, каким образом происходила каждая покупка и как клиент оказался на сайте. Все эти данные надо анализировать, чтобы оптимизировать маркетинг — например, оценивать и развивать каналы, по которым к нам приходят люди. Огромный блок данных связан с операциями на складах. Комплектовщики заказов перемещаются по складу с собственными терминалами, и их движение становится источником информации для оптимизации размещения товаров. Есть множество видеоданных, на основании которых принимаются решения о реструктуризации склада.

Насколько эффективно используются эти данные?

Довольно эффективно. Можно ли их использовать еще эффективнее? Безусловно, да.

Обычно выделяют внутренние эффекты от работы с данными (оптимизация, повышение эффективности и т. п.) и внешние (создание новых сервисов, ориентированных на извлечение прибыли). Какие из них приоритетнее сейчас, а какие могут быть значимыми в будущем?

В рамках каждой задачи производится оценка конкретного кейса. На данный момент для нас примерно равнозначны по приоритету оптимизация операций и решение задач коммерческой дирекции и маркетинга. В будущем мы считаем перспективным привлекать стартапы для анализа изображений и голоса, а также для анализа отзывов клиентов и даже просто постов в соцсетях.

У онлайн-гипермаркета гораздо более широкие возможности по работе с покупателями, чем у традиционного ретейлера. Вы видите своих клиентов в буквальном смысле насквозь. Что, с вашей точки зрения, могло бы быть реализовано лучше и как этого добиться?

Здесь может идти речь об углубленном анализе больших данных: активность клиента на сайте, история его запросов в поисковиках, анализ источников, по которым он перешел к нам. Но надо сказать, что у нас намного меньше клиентских данных, чем у банков. Гораздо больше знаний о клиенте нам пока дают все-таки его истории покупок.

Появления каких новых «умных» сервисов могут ждать ваши клиенты в обозримом будущем?

У нас много различных идей. Например, предоставление рецептов и услуг голосового помощника во время приготовления еды. Если сервис Утконоса предложил купить продукты, он вполне может помочь приготовить из них вкусное блюдо. Кроме того, могу назвать интеллектуальные сервисы, которые будут напоминать о покупке.

Как скоро появится возможность «залезть к клиенту в холодильник» — поставить там камеру и реализовать сервис автозакупок?

Технически это вполне можно реализовать уже сейчас. Но потребуются как минимум серьезные инфраструктурные вложения и доработка некоторых «юридических моментов».

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

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

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

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

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

Игра на чужом поле

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

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

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

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

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

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

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

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

1.  
2.  
3.  
4.  
5.  

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

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

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

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

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

Пред.След.

Как заработать на данных?

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

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

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

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

Кому тащить рояль?

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

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

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

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

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

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

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

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

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

О том, что цифровая трансформация во многом зависит от создания в организации соответствующей корпоративной культуры, говорилось много, однако мало кто уделяет достаточно внимания этому аспекту. В «СИБУРе» реализуется полномасштабная программа управления данными, и работа над культурой стала одним из основных ее направлений.

Какие задачи приходится решать организации на пути к data-driven и какая роль при этом отводится работе с людьми, рассказывает Александр Айваз, руководитель функции «Управление корпоративными данными» компании «СИБУР», и претендент на премию CDO Award.

- Как давно компания решила стать data-driven и почему?

Александр Айваз: «Как только сотрудники приходят к значимым результатам, крайне важно об этом рассказывать: успехи коллег мотивируют остальных и подстегивают компанию к дальнейшим инвестициям в данные»

К такому пониманию пришли довольно давно, но не сразу догадались, как к этой задаче подойти, какие нужны инструменты и, главное, как повлиять на сотрудников, чтобы они ежедневно использовали данные вместо экспертных мнений и интуиции. Чуть больше года назад в компании была сформирована функция «Управление корпоративными данными», задачей этого нового подразделения стало внедрение программы управления данными.

В компании всегда уделяли внимание повышению операционной эффективности, минимизации рисков и максимальному использованию возможностей оборудования. Было огромное желание сделать все процессы прозрачными, научиться их анализировать и ликвидировать узкие места. Для этого требовалось правильно видеть и уметь читать свои данные, принимать на их основе решения.

- Что представляет собой реализуемая в компании программа управления данными и внедрения подхода data-driven?

Под программой управления данными мы понимаем движение по нескольким направлениям. Во-первых, это понятное, прозрачное описание информации, которой компания располагает. Это ее сбор, каталогизация, составление методик расчета агрегированных показателей, единообразное понимание методологии расчетов, определение систем — источников информации.

Во-вторых, крайне важно создать эффективную, легкомасштабируемую инфраструктуру для сбора данных. Третье — обеспечение качества информации: автоматизация различных проверок корректности данных в нашей инфраструктуре. Четвертое — централизация основных данных (НСИ).

Пятое направление — система визуализации, отвечающая за эффективность и повсеместное использование инструментов анализа и работы с данными. Это не только централизованные дэшборды, но и инструменты самообслуживания, благодаря которым каждый сотрудник может самостоятельно изучать свои данные, проверять гипотезы, строить предположения и принимать решения.

Наконец, шестое направление — работа с данными. Она включает внедрение культуры управления данными, того, что мы называем созидательным подходом. Мы даем понять, что корпоративные данные — такой же актив, как и оборудование и основные средства. Данные мы должны накапливать, беречь, обеспечивать их сохранность, потому что в дальнейшем они будут использоваться для монетизации.

- Как появилась эта программа?

Существуют выработанные международные подходы к управлению данными, и на их основе мы разработали программу полностью своими силами. Это наше видение того, как можно прийти к желаемому будущему, когда сотруднику абсолютно не придется затрачивать время на то, чтобы получить ответы на свои вопросы. Большую часть времени сотрудник будет тратить именно на интеллектуальные решения, а не на рутину, вручную собирая данные и сводя их воедино.

Мы сформировали достаточно сильную команду из разных цифровых компаний. К нам пришли коллеги из банка «Тинькофф», «Ростелекома», Avito, интернет-компаний.

- Какова стратегия компании в области управления данными и работы с ними?

Самое главное, мы меняем отношение к данным, формируем их восприятие как актива. В использовании данных нам нужно уйти от привычной ролевой модели «заказчик-исполнитель», когда любое функциональное подразделение может заказать что-то у ИТ. Заказчик должен прийти к самостоятельности: теперь он сможет сам строить любую аналитику. Время создания решений (тот самый показатель time to market, за которым все гонятся) радикально сокращается, а сами решения максимально соответствуют потребностям заказчика.

Это перекликается с мощным движением к цифровизации, происходящей в «СИБУРе». В компании есть функция цифровой трансформации, и практически все продукты, создаваемые коллегами, так или иначе используют данные. Если мы не предоставим хорошие данные на входе, то сложно будет создать что-то ценное на выходе.

- Часто считается, что наработанные методы работы с данными — это ноу-хау, которым не стоит делиться…

Что касается знаний и опыта, то наша компания максимально открыта, мы всегда рады дополнительному опыту и очень внимательны к мнениям наших партнеров по отрасли. Например, активно общаемся с коллегами из «Газпром нефти», которые, как и мы, хотят трансформироваться в цифрового игрока рынка. Мы обмениваемся подходами, обнаруженными «граблями», найденными решениями проблем, делимся идеями. На самых первых стадиях проектов мы очень любим обсудить их с коллегами. Так нам удастся допустить меньше ошибок и быстрее прийти к результату.

Очень важно сформировать в стране культуру подобного подхода к цифровизации, к работе с данными. Рынок еще недостаточно развит, на нем крайне мало цифровых специалистов. Популяризируя новые инструменты и подходы, создавая к ним интерес и делясь информацией, мы обеспечиваем себя новыми руками и мозгами. Мы активно участвуем в митапах, хакатонах, отраслевых конференциях.

- Как выглядит инфраструктура для работы с данными?

Мы рассмотрели множество вариантов построения инфраструктуры. От полностью коробочных решений известных вендоров и построения системы под ключ до полного стека open source, когда своими руками с нуля создается инфраструктура. Выбрали золотую середину, умеренный вариант. Мы сформулировали для себя перечень функциональных областей, возложили их на определенные модули. По каждому направлению определили, какие коммерческие продукты в нем представлены, их зрелость и дорожную карту, какие существуют открытые решения. Таким образом выбирали подход, наиболее ценный для нас. Не забывали и о том, как в будущем «подружить» эти продукты.

В результате у нас получилась гибкая, легкомасштабируемая гибридная платформа. Она состоит как из коммерческих, так и из открытых продуктов.

- Обычно исходят из стоимости и требований к скорости работы.

Этот подход был вполне логичен и очевиден некоторое время назад. Сейчас  гораздо сложнее выбрать, что использовать: быстрые аналитические платформы либо более медленный, но дешевый Hadoop. Развитие Hadoop достигло такого уровня, когда появилось большое количество сервисов, умеющих на нем достаточно быстро работать. Каждый раз мы должны ответить для себя, что в данном случае эффективнее и удобнее. У нас довольно большое «меню», из которого мы выбираем наиболее подходящий инструмент под разные задачи и с учетом разного характера данных.

- Процесс каталогизации данных — что он собой представляет, почему запущен и на что окажет влияние?

Данных в любой компании очень много. Вариативность их трактования, понимания той или иной информации может сильно различаться. Задача централизованного каталога данных — предоставить понятный, удобный и доступный интерфейс любому сотруднику компании. Если требуется найти отчет, то можно воспользоваться удобным контекстным поиском по ключевым словам, который вернет ссылку на этот отчет и его описание, имя ответственного за его создание, дату последнего обновления. Если сотрудника интересует, как в компании принято рассчитывать тот или иной показатель, на этом портале тоже можно найти ответ. Если возникла необходимость провести исследование, этот портал подскажет, где найти нужные данные.

Тем самым очень экономится время при поиске корпоративной информации. И, что не менее важно, минимизируется вероятность ошибок при трактовке параметров, предотвращаются действия сотрудников в заведомо неверных направлениях.

- Какие проекты являются наиболее показательными примерами «работы по-новому»?

Самое главное, что многие проекты стали принципиально возможными.

Из глобальных проектов стоит назвать запущенную цифровизацию функции логистики. Было важно обеспечить максимальную эффективность использования своего парка, правильное формирование составов, своевременность ремонтов, оптимальность определения маршрутов. Для этого нужны алгоритмы, умные системы, которые бы подбирали оптимальные решения в зависимости от условий. Чтобы такие решения заработали, необходима информация, причем качественная, достоверная и в цифровом виде. Только когда решена эта задача, становится возможным внедрение цифровых инструментов оптимизации.

Еще можно сказать о небольших проектах. Дело в том, что на наших предприятиях есть огромное число установок. На их работу влияют внешние условия, качество сырья, текущее состояние. В зависимости от этого оператор должен подбирать оптимальные входные параметры для максимизации КПД процесса. Независимо от опыта сотрудников, они действуют не всегда эффективно, есть определенная задержка в принятии решений. Между тем существуют корреляции разных сигналов, которые могут означать будущую поломку, и человеку отследить их не под силу. Мы разрабатываем виртуальных помощников — превентивную модель, которая подсказывает оператору, что может произойти и какие необходимы действия. Итоговое решение принимает сам оператор, но система своевременно сигнализирует о возможных ситуациях.

- Многие аналитики утверждают, что цифровая трансформация невозможна без создания особой, цифровой культуры. Какое место в этом занимает культура управления данными?

Такая культура действительно существует, хотя ее и сложно описать. Мы пытаемся максимально популяризировать свои достижения и ноу-хау. Проводим специальные тренинги, обучаем работе с инструментами, чтению данных, проверке гипотез. В дальнейшем сотрудники сами привыкают к самостоятельной работе с данными. И как только они приходят к значимым результатам, крайне важно об этом рассказывать: успехи коллег мотивируют остальных и подстегивают компанию к дальнейшим инвестициям в данные.

- Какие новые роли возникают в ходе трансформации компании?

Да, вместе с реализуемой нами программой в компании появляются и новые роли. Во-первых, для движения к data-driven-организации у каждого подразделения должен быть свой data-партнер — тот человек, который будет сопровождать на этом пути, вовремя обеспечивать необходимые ресурсы, инструменты, тренинги, а также поддерживать общее информационное поле между разными функциями. Он помогает верно расставлять приоритеты в каждой функции.

Кроме того, можно к этому перечню добавить архитекторов данных, инженеров данных, специалистов по качеству данных, а также BI-разработчиков, которые обеспечивают навыки работы сотрудников с BI-средствами. У нас они не только создают отчеты и дэшборды, но и учат это делать самостоятельно.

Новые роли появляются и в бизнес-подразделениях, в первую очередь это ответственные за качество данных. Крайне важно создавать равную степень вовлеченности партнеров. Когда бизнес начинает беспокоиться о том, что происходит с его данными, он может видеть динамику изменений, рост объема данных, ошибки, возникающие при ручном вводе, подумать, как бороться с ошибками. Это тоже часть формирования культуры данных.

Но самая главная роль — аналитик данных. На первых этапах он получает необходимые навыки для работы с данными, осваивает инструменты, понимает корпоративную модель данных. Дальше он сам проактивно начинает предлагать гипотезы, самостоятельно их проверять и приносит компании очень большую ценность — оптимизацию процессов, эффективные решения рутинных задач. Эти люди также рождаются внутри бизнес-подразделений.

- Откуда взять столько аналитиков?

Потенциал к работе с данными есть практически у каждого. Компания и до нашего прихода тоже работала с данными, а сотрудники решали свои ежедневные задачи, пусть и не так эффективно. Мы учим их решать задачи проще и быстрее, работать с современными инструментами и, главное, рассказывать о своих успехах.

- Что может мешать работе с данными? Какие вы видите барьеры?

Самый главный наш противник — время. Созданная нами определенная информационная среда, популяризирующая наши инструменты и подход,  формирует огромный спрос на наши знания и услуги, создает конкуренцию. При этом важно не потерять контроль над приоритетами и имеющимися ресурсами, правильно выстроить траекторию движения к data-driven-организации.

Для борьбы с отмыванием денег, обналичиванием, фиктивными зарплатными схемами, а также для ведения фрод-мониторинга и выявления подставных лиц и так называемых дропперов, участвующих в транзите обналиченных денег, банки берут на вооружение самые современные средства и концепции работы с данными. Ретроспективный анализ обогащают прогнозированием, встраивая в инструменты бизнес-аналитики технологии машинного обучения. Эту концепцию называют дополненной аналитикой. А когда дополненная искусственным интеллектом BI встраивается во фронт-офисные системы и анализ ведется в реальном времени — это уже концепция непрерывной аналитики. Чтобы эти концепции работали, нужны соответствующие BI-инструменты и специалисты, которые будут моделировать интересующие их явления и встраивать прогностические модели в интерфейсы BI-систем.

Юрий Сирота, старший вице-президент, руководитель департамента искусственного интеллекта и анализа данных банка «УралСиб» и претендент на премию CDO Award, рассказал на примере проекта Anti Money Laundering, как его подразделению удается монетизировать работу с данными.

- Как организована математическая работа с данными в вашем банке?

Исторически математические функции развивались в двух направлениях: в рисках и розничном бизнесе. Но большинство задач, требующих математического моделирования, оставались нерешенными. Поэтому было создано новое подразделение — департамент искусственного интеллекта и анализа данных или Artificial Intelligence and Data Analytics Office (AIDA), призванный развивать аналитическую культуру и реализовывать математические проекты исключительной сложности. В нем сосредоточены функции, связанные с математическим изучением данных, бизнес-аналитикой, искусственным интеллектом и интеллектуальной роботизацией процессов.

AIDA напрямую подчиняется заместителю председателя правления, поскольку руководство банка понимает перспективность этих направлений для бизнеса. Наше взаимодействие с заказчиками строится по принципу партнерства. Тематический лидер приходит от заказчика, а математическая и ИТ-имплементация проекта – задача AIDA.

Cтратегия развития аналитической функции в банке предусматривает ликвидацию барьеров между ИТ, центром аналитических компетенций и бизнесом, разработку подхода для интеграции результатов аналитики в бизнес-процессы, а также инвестиции в инфраструктуру и компетенции.

Основных компетенций три: инженерия данных, математический анализ данных и BI. Подготовка данных для анализа — процесс кропотливый, и в общей трудоемкости его доля составляет порой 90–95%, но иначе невозможно добиться реальных конкурентных преимуществ. Монетизация упомянутых технологий и навыков достигается в основном благодаря внедрению методологий исследования данных (data science).

Традиционно исследование данных применяется банками при оценке рисков, в маркетинге и продажах. Есть много примеров использования математики для сегментации клиентов, определения вероятности их оттока, покупки и кросс-продаж и, конечно, для рискового скоринга. Но этим применение данных методологий не ограничивается. По большому счету, предиктивной математике можно адресовать вопрос, касающийся любой финансовой сущности: куда она движется и как добиться того, чтобы она двигалась туда, куда нам надо? Предиктивное моделирование помогает понять, к примеру, какова будет выручка, как сделать, чтобы прибыль была больше, а отток клиентов — меньше.

- Какие задачи решались в одном из последних ваших проектов — Anti Money Laundering?

Этот проект нацелен на выявление токсичных, то есть совершающих противозаконные транзакции, клиентов. Главным образом это физические лица, малый бизнес и индивидуальные предприниматели с незаконными оборотами. Математические методы использовались, чтобы прогнозировать вероятность токсичности. Проект выполняла кросс-функциональная команда специалистов AIDA и службы финансового мониторинга.

- Почему такая работа важна для банка и отрасли в целом?

Объем токсичных операций контролируется Центральным банком в конце каждого квартала: за очень большие объемы банк могут наказать, и не только штрафом. Санкции предусмотрены достаточно серьезные, вплоть до отзыва лицензии.

Задача определения того, какой клиент токсичен, а какой нет, решается всеми банками, разница только в методах и точности. Если мы сильно «закручиваем гайки», отказываем многим клиентам в открытии расчетного счета, то получается, что «душим бизнес». Если же плохо выявляем токсичных клиентов, тогда через банк проходят токсичные обороты, несущие потенциальные риски. И то и другое — плохо, все банки в этом смысле зажаты между молотом и наковальней. Чаще всего банки идут по пути именно «закручивания гаек» — грубо отсеивают из входного потока клиентов предприятия малого бизнеса и индивидуальных предпринимателей, и это оборачивается ущербом для бизнеса.

- Какой подход выбран в вашем банке?

Чем точнее мы оценим вероятность токсичности, тем больше запустим в банк хороших клиентов и, соответственно, меньше плохих. Вопрос заключается в том, как отличить «хорошего» от «плохого». И этот вопрос — к аналитикам.

Нам удалось разработать достаточно точные предиктивные алгоритмы, которые показывают вероятность того, что клиент будет токсичным. Когда клиент обращается в банк за открытием счета, мы выводим коэффициент, показывающий вероятность его токсичности, по профилю, состоящему из 60 параметров. На основании полученного коэффициента банк принимает решение — открыть счет данному клиенту или отказать ему.

- На основе каких данных рассчитывается этот коэффициент?

Часть данных берется из анкет, заполняемых клиентом. Помимо внутренней базы банка, мы используем также базы ФНС и системы «Спарк» информационного агентства «Интерфакс». Когда клиент заходит в банк, мы уже имеем информацию о его деятельности, оборотах в других банках, взаимодействии с физическими и юридическими лицами, включая как добросовестных контрагентов, так и находящихся в черных списках. Всю совокупность информации обрабатываем, используем для моделирования и отсеивания клиентов в ходе всего их жизненного цикла в банке.

- В чем были основные сложности?

Сложно скомбинировать множество признаков таким образом, чтобы по 60 показателям присвоить клиенту итоговый балл и получить в итоге скоринг по степени токсичности. Слишком большая размерность. А в совокупности на разных этапах жизненного цикла клиента в банке анализируется порядка 320 характеристик. Сопоставить их и превратить множество значений в один-единственный скоринг нелегко.

Но математики с такими задачами справляются лучше, чем эксперты и инструментарий а-ля Excel. По профилям всех клиентов строится математическая модель, алгоритм предусматривает ее самообучение. Процесс обучения модели практически эквивалентен процессу ее создания.

- То есть токсичных клиентов она учится распознавать так же, как Google — котиков?

Да. В отличие от искусственного интеллекта человек не способен мыслить в пространстве 60 признаков, человеческий мозг не справляется с решением задач высокой размерности. Математический алгоритм под управлением человека решает задачу идентификации хороших и плохих клиентов гораздо лучше, нежели человек.

Самая большая проблема — подготовка данных, которые инженеры собирали и раскладывали «по полочкам» в базе данных. Это 90% всех трудозатрат. Затем математики разработали модель, при этом мы используем стек свободно распространяемого программного обеспечения, языки R и Python.

В дальнейшем во фронт-офисные системы банка внедрили шаблоны для заполнения сотрудниками. Из этих шаблонов информация уходит на серверы банка, там обрабатывается, и результат возвращается в офисную систему в реальном времени. Таким образом, при обслуживании в офисах банка каждому клиенту ставится в соответствие некоторая степень токсичности, и в зависимости от полученного результата счет ему открывают или не открывают. Эта модель уже больше года функционирует во всем банке и показала свою значимость.

- Каких бизнес-результатов удалось достичь?

Доля счетов, открываемых малым бизнесом и индивидуальными предпринимателями, выросла в полтора раза. Значительный темп роста малого бизнеса — это огромные прибыли для банка, полученные благодаря точному прогнозированию и разделению хороших и токсичных клиентов. Мы можем увидеть, в каких городах и отраслях доля токсичных клиентов выше, а также насколько она выше в компаниях с упрощенной системой налогообложения и там, где бухгалтер и генеральный директор — одно лицо. Кроме того, налицо очевидная монетизация деятельности крупнейшего департамента банка.

Проект оказал влияние на весь банк. После его реализации предиктивная математика стала применяться и в решении других задач. Число наших проектов растет, и общая стоимость портфеля проектов оценивается числом с очень большим количеством нулей. Это весьма значимый для банка результат, которого добилась небольшая команда математиков и разработчиков в партнерстве с бизнес-заказчиками.

- Что проект дал бизнесу, помимо финансового эффекта? Может ли идти речь о появлении новой бизнес-модели, развитии нового направления бизнеса?

Для любого бизнеса главный эффект — финансовый, притом что степень рискованности не растет. В данном случае степень потенциальных рисков не выросла, а финансовый эффект очень осязаем. Но, естественно, когда растет клиентская база, вполне могут появиться и новые направления для бизнеса.

- Достаточно ли накопленных за год данных, для того чтобы оценить эффективность модели? Может быть, «одобренные» алгоритмом клиенты покажут себя с нехорошей стороны только в следующем году?

Возможно. Ведь у компаний меняются собственники, руководители и, соответственно, меняется поведение. Не исключено, что кто-то неконтролируемо совершит противозаконное действие. Но соотношение риска и доходности значительно улучшилось.

Всё контролировать невозможно, как и выдавать кредиты только клиентам, которые никогда не обанкротятся. Всегда есть доля таких клиентов, но чем меньше эта доля, тем лучше. Бизнес у нас вырос, а риски не выросли.

- Что вас ждет впереди?

Постоянная работа над поддержанием моделей, повышением их точности. Точность достигается как добавлением новой информации, так и применением новых математических методов. У нас появилось много других моделей, которые оценивают информацию от службы безопасности и выявляют токсичных клиентов в ходе всего жизненного цикла в банке. Когда компания достигает порогового значения в неких действиях, мы можем говорить о вероятности того, что данный клиент токсичен. То есть формируется целая экосистема матмоделей, направленная на то, чтобы пресекать противозаконные действия клиентов и в то же время оптимально содействовать развитию бизнеса.

И, конечно, новые заказчики внутри банка, новые задачи и новые модели!

- Как еще вы применяете методы машинного обучения в банке? И какие варианты применения рассматриваете?

Мы изучаем имеющиеся на рынке решения для улучшения операционной эффективности. Применяем искусственный интеллект для анализа данных в продажах и маркетинге, для автоматического прогнозирования котировок на фондовом рынке, для прогнозирования потребности в наличных в банкоматах, кассах и допофисах, для предсказания выхода из строя ИТ-инфраструктуры.

Очень значимое направление — ИИ в работе с должниками, для определения вероятности того, что клиент выйдет в дефолт. Если вероятность высока, с клиентом начинают работать службы банка. Для банкротов рассчитывается вероятность погашения задолженности в течение определенного времени целиком или частично. Для управления воздействием на должника определяется, какая комбинация звонков, уведомлений и выездов повысит вероятность взыскания долга.

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

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

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

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

- Что произошло за последний год?

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

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

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

- Что фактически означало для компании формирование выделенного подразделения?

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

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

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

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

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

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

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

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

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

- Проблема исключительно в кадрах? Откуда брать дополнительные мощности?

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

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

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

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

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

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

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

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

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

- Как архитектурно построена инфраструктура для работы с данными?

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

- Какие работы по цифровизации компании сейчас ведутся?

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

- Это решение будет единым с платформой больших данных?

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Какая стратегия работы с большими данными принята у вас?

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

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

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

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

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

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

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

Какими инфраструктурными решениями поддерживается работа с данными?

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

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

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

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

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

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

Расскажите о нескольких ключевых недавних проектах.

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

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

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

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

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

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

Розница – один из тех бизнесов, где вложения в большие данные и современную аналитику способны дать реальный и немалый экономический эффект. Однако, чтобы раскрыть их потенциал в полном объеме и вовремя, необходима планомерная, сложная работа. Антон Мироненков, директор по большим данным Х5 Retail Group, соискатель премии CDO Award, рассказывает о создании в компании дирекции по большим данным, ее первых достижениях и планах на ближайшее будущее.

- Как и почему в Х5 появилась структура для работы с большими данными?

Год назад в компании по теме больших данных не было ничего, дирекция по большим данным создавалась с нуля. Хотя, конечно, системы аналитики в компании использовались, без них мы не могли бы ежедневно пополнять товарами более 14 тыс. магазинов и платить зарплату 200 тыс. сотрудникам. Но не было централизованного хранилища данных по клиентам, которые можно быстро извлекать в нужных разрезах, обрабатывать и делать на их основе важные для бизнеса выводы. За год удалось создать такое хранилище, внедрить средства работы с ним, включая современные инструменты визуализации, и все это собрать в единую систему.

Антон Мироненков: «В сфере больших данных люди – самый ценный и самый дорогой ресурс»

Все началось с идеи. Мы проанализировали опыт западных ретейлеров по применению аналитики больших данных, в том числе побывали в нескольких компаниях и поняли, что обладание такими компетенциями может стать конкурентным преимуществом. Вместе с консультантами мы описали структуру нового подразделения, какие специалисты нам понадобятся, какая требуется инфраструктура, как выстроить data governance и т.д., и затем начали искать людей и параллельно формировать инфраструктуру.

При этом мы столкнулись с типичной проблемой, которая так или иначе возникает при создании подобных структур: данных в компании много, но прежде чем их можно будет использовать, все они требуют обработки. Их надо чистить и структурировать. Например, мы обнаружили, что данные по программе лояльности и чековые данные о покупках хранятся в разных форматах. Поэтому задача была не просто запустить инфраструктуру, куда можно складывать данные, но и обеспечить, чтобы данные собирались в правильном виде.

Параллельно с созданием инфраструктуры и сбором данных мы стали выяснять, какие потребности бизнеса можем реализовать. Было собрано около 200 кейсов и для тех из них, которые обладали потенциалом принести наибольшие выгоды для Х5, были сформированы продуктовые команды. К настоящему моменту ряд продуктов доведен до стадии MVP (minimum viable product), один запущен в продуктивную эксплуатацию.

- Что это за продукт?

Набор отчетности для переговорных кампаний с поставщиками. Если раньше для анализа поставщика приходилось долго и сложно сравнивать данные из десятков таблиц Excel, то сейчас буквально двумя кликами можно получить исчерпывающую информацию по любому вендору – история взаимоотношений, на каком они уровне находятся в данный момент и где потенциал для дальнейшего развития.

С решением постоянно работают более 100 сотрудников.

- Каким образом выделялись продуктовые направления, которые приносят деньги. Это были ваши гипотезы, результат серьезного анализа или запрос от бизнеса?

Они появились из нескольких источников. Во-первых, лучшие мировые практики. Во-вторых – обсуждение с бизнесом, показавшее, какие из этих практик работают не только на Западе, но и у нас. И в-третьих – идеи, появившиеся в результате мозгового штурма в команде. Затем выявленные направления были приоритезированы. Впрочем, любой, кто в ретейле работает не первый год, скажет вам, что основные деньги в нашем бизнесе приносят правильная работа с ассортиментом, ценообразование, промоактивности. Конечно, эти направления оказались в приоритете и в Х5.

Затем мы стали глубже анализировать каждое из направлений – какие данные используются, что должно получиться на выходе, степень возможной автоматизации. Будет ли это инструмент, который помогает принимать решение, как в случае отчетности для переговорных кампаний, или полная автоматизация определенных процессов так, чтобы человек в них вообще не участвовал. Ведь, как правило, пользователей можно условно разделить на «отличников», «хорошистов» и «троечников». Если в процесс вмешивается «отличник», у него получается лучше чем у системы, по крайней мере на начальном этапе, но если в систему вмешивается «троечник», получается хуже. На большом масштабе автоматизация позволяет в среднем результат подтянуть до более высокого уровня. Это не значит, что люди не нужны. Они теперь системно занимаются тем, чтобы процесс работал правильно, а не улучшением результата процесса на каждом из его этапов, то есть меняют алгоритм вместо того чтобы искать правильные решения в отдельных точках.

- Речь идет о внедрении машинного обучения или пока только автоматизации заданных алгоритмов?

Мы используем различные подходы, в том числе машинное обучение. В некоторых случаях простая линейная регрессия дает хороший результат. Например, в продукте «Ассортимент» статистическими методами на основе чеков строится дерево принятия решения покупателем, а оптимизация ассортимента реализуется с помощью машинного обучения.

Еще один классический оптимизационный инструмент применяется в ценообразовании. На входе он получает большое количество параметров (исходные цены, цены конкурентов, маржинальность товаров, условия по логистике), чтобы на выходе ежедневно генерировать оптимальные цены на товары в магазинах.

При этом мы никогда не зацикливаемся на одном подходе для конкретной задачи, модель должна становиться все более точной со временем. Специалисты из команды data science находятся в постоянном поиске улучшений: если из этого метода мы выжали все, давайте попробуем вместо деревьев решений применить нейронную сеть, а затем добавим к ней дополнительные слои. Наш продукт – это не монолит, а живой организм, который постоянно дорабатывается. Поэтому продуктовые команды работают по принципам Agile – они отвечают за то, чтобы бизнес-результат был лучше и лучше с каждой итерацией.

- Сколько продуктов реализовано за год?

У нас восемь продуктовых команд. Но потребностей у бизнеса больше, и периодически приходится формировать временные девятую и десятую команду, чтобы срочно реализовать ту или иную задачу.

- Какова связь стратегии дирекции по большим данным с бизнес-стратегией компании?

До того, как возглавить подразделение по работе с большими данными, я отвечал за стратегию Х5, поэтому прекрасно представляю задачи бизнеса и могу говорить с ним на одном языке. Это очень помогло в формировании нашей продуктовой линейки. Наш план на текущий и будущий год увязан со стратегией компании в целом и со стратегией каждой торговой сети, входящей в Х5.

Несколько лет назад в X5 было принято решение о децентрализации. Каждая сеть получила достаточную свободу, чтобы развивать собственное клиентское предложение, в чем-то конкурировать, иметь ресурсы для самостоятельного ведения бизнеса. Как следствие, сети различаются и с точки зрения используемых ИТ-решений. Даже данные в анкетах программы лояльности в разных сетях не идентичны, хотя и пересекаются процентов на 80. Поэтому обычно мы не можем сделать одинаковый продукт для всех трех сетей.

Часто бывает так, что мы разрабатываем решение, например, для «Пятерочки», рассказываем о нем в «Перекрестке», и менеджеры сети высказывают желание получить аналогичный продукт. Тогда продуктовая команда делает кастомизацию решения под другую сеть. Происходит миграция знаний и продуктов между торговыми сетями.

- Как организована работа вашего подразделения?

Команды работают по принципам Agile и включают в себя все необходимые группы специалистов – data science, аналитики данных, бизнес-аналитики, менеджеры продуктов, DevOps. Есть и системные инженеры, которые отвечают за инфраструктуру определенного уровня. Базовую инфраструктуру для нас поддерживает ИТ. Но у нас остается возможность разворачивать инфраструктурные слои более высокого уровня, необходимые для наших решений. Это нетипичный подход, но по-другому скорости просто не достичь. Чем больше ресурсов в одном месте сконцентрировано, тем быстрее можно двигаться. А скорость – это наша первоочередная задача.

Процессы data governance реализуются в нашей дирекции и в ИТ. Мы занимаемся контролем качества данных во входных потоках, которые получаем на свой кластер. Но кроме этого необходимо обеспечивать качество данных на источниках, которые расположены в других местах корпоративной архитектуры. За это отвечает ИТ.

Сейчас процессы data governance включают в себя сбор, обеспечение качества, описание собранных данных и формирование требований к конечным витринам. Очень важной составляющей data governance являются также корпоративные политики работы с данными, но здесь мы еще в самом начале пути. Корпоративная политика задает стандарт ввода данных для бизнес-пользователей, тем самым закладывается основа для того, чтобы данные были качественными при всех дальнейших использованиях.

Нам необходимо наладить процесс регламентации ввода данных, и это займет немалое время, поскольку груз проблем в этой сфере за годы существования компании накопился очень большой.

- Какие данные используются для реализации ваших продуктов – внутренние данные компании или вы привлекаете также внешние данные с рынка?

Мы активно обсуждаем с телекомом, с банками, какие решения мы можем сделать вместе, обогащая данные. И пришли к выводу, что те данные, которые есть у нас, гораздо более полезны другим игрокам, нежели нам полезны внешние данные с рынка. Почему? Потому что у нас очень много данных внутри компании, и их, как правило, достаточно для реализации различных идей по улучшению бизнеса. Наша основная задача при работе с данными — наладить процесс получения и постоянной актуализации этих данных, а также сделать так, чтобы данные, которые единожды получены, неважно из какого источника, были доступны всем заинтересованным бизнес-пользователям.

Надо отметить, что в Х5 с большими данными работает не только дирекция больших данных. Наиболее сложные вещи, которые требуют написания кода и ведут к созданию продукта, мы делаем централизованно. Это специализированные задачи, которыми должны заниматься квалифицированные специалисты, а в сфере больших данных люди – самый ценный и самый дорогой ресурс.

При этом от бизнеса постоянно возникает большое количество сиюминутных запросов, поэтому мы обеспечиваем бизнес-пользователей данными, с которыми они могут самостоятельно делать любую аналитику. Причем очень важно, чтобы все было совершенно прозрачно – где взять нужные данные, как их обработать и что делать с результатом. Но если одна и та же задача возникает постоянно, мы берем ее на себя. Мы стараемся освободить аналитиков от рутины, чтобы они могли заниматься более продуктивными задачами.

- Что представляет собой технологическая инфраструктура больших данных в X5?

У нас полный стек необходимых инструментов. «Холодные» данные собираются в озере данных на базе Hadoop, дальше в зависимости от приложения данные перемещаются в более быстрые базы – Greenplum, Qlickhouse. Для загрузки данных используются классические ETL-инструменты, для визуализации – Qlicksense, Tableau.

- Что было самым сложным за этот год?

Самое сложное – наладить работу команды. Наш Agile пока часто «перпендикулярен» тому, как работает остальная компания. С одной стороны, бюджет, оргструктура, регламентированный процесс найма человека, с другой – скорость процессов Agile. Как увязать между собой еженедельные спринты с ежегодной оценкой эффективности сотрудника? Объясняем, договариваемся, где-то меняем процессы в самой компании.

- А что вы можете поставить в заслугу дирекции больших данных?

Главное достижение – скорость. Я очень рад, что удалось меньше чем за год собрать сильную команду. Когда к нам приходят на собеседование специалисты по data science, они спрашивают, с кем будут работать, и быстро соглашаются, когда слышат фамилии. Для меня это показатель качества команды. Второй показатель – то, что за короткий период мы довели несколько продуктов до стадии MVP и один до промышленной эксплуатации и уже получаем много положительных отзывов от пользователей.

Мы построили гибкую инфраструктуру, в которую можно быстро адаптировать дополнительные инструменты, если понадобится. Развернули хранилище из более 80 узлов в кластере, которое удалось быстро наполнить.

Скорость – это главное, к чему мы стремимся. Я постоянно говорю ребятам: «возможно, вы сделаете это гораздо лучше через год, но тогда это уже никому не будет нужно». Меняются потребности бизнеса, технологии уходят вперед, а задачи надо решать здесь и сейчас.

- Не в ущерб качеству?

Это же Agile. Конечно, продукты дорабатываются. Но для этого и нужен постоянный диалог с бизнесом.

- Какой эффект получит бизнес от продуктов на базе больших данных, когда они будут введены в промышленную эксплуатацию? Например, я – постоянный клиент «Перекрестка». Какие я почувствую улучшения?

Возьмем для примера такое решение, как ассортиментный план. Главный результат его применения состоит в том, что, если раньше вы приходили в супермаркет и клали в корзину 7 товаров, то сейчас будете класть 8. Вам не придется обходить несколько магазинов, вы здесь найдете все, что вам нужно. И в целом увеличивается число клиентов сети, когда люди понимают, что могут найти в магазине все необходимое и, возможно, по более выгодной цене, чем у конкурентов.

Другой пример – промоакции. Продукт позволяет правильным образом изучить аудиторию в конкретной локации, понять, какие магазины рядом, как правильно сделать скидку на определенный товар и каким людям из программы лояльности нужно ее предложить. Пилот по этому решению продемонстрировал рост трафика в магазинах на несколько процентов – это очень хороший результат. Лояльность покупателей тоже выросла.

- Ваши планы на будущее?

Главная цель ближайших нескольких месяцев – вывести в продуктив те продукты, которые сейчас находятся на стадии MVР. Это не самая простая задача, поскольку необходимо быстро и без лишних затрат масштабировать успешный пилот с сотни на несколько тысяч магазинов.

В апреле должны быть завершены проекты по ассортименту и ценообразованию. Весной планируется улучшить качество прогнозирования продаж в сети магазинов «Перекресток». Это обеспечит повышение точности заказа товаров на склад, как результат, сократится количество продуктов, которых нет на полках, и это, в свою очередь, положительно отразится на продажах.

Аналитики сходятся во мнении, что рынок вступил в стадию формирования экосистем, в рамках которых все действующие лица будут получать удобные и взаимовыгодные сервисы. Финтех эту стадию уже практически прошел, а остальным направлениям предстоит преодолеть этот путь. Логичным продолжателем пути пионеров становится HR-сфера, включая поиск и подбор сотрудников.

В «Севергрупп» сформирована концепция развития человека, объединяющая технологии в области поиска работы и сотрудников и управления персоналом (HR Tech), образования и повышения квалификации (Ed-Tech) и самозанятости. Речь идет о компании TalentTech: в рамках ее экосистемы будет работать «единое окно» как для компаний, так и для кандидатов. С ее помощью бизнес сможет находить подходящих специалистов, а люди получат понимание, в каком направлении имеет смысл развиваться, какие навыки необходимы, где учиться, куда устраиваться. Sever.AI — один из продуктов этой будущей экосистемы, который отвечает за область рекрутмента на базе искусственного интеллекта и машинного обучения. Над этим проектом сейчас работают чуть больше 20 человек. Рассказывает о проекте Азат Шамсутдинов, директор по цифровым технологиям Sever.AI, — номинант на премию CDO Award, учрежденную проектом CIO.ru и издательством «Открытые системы».

— Что в самых общих чертах представляет собой проект Sever.AI?

Sever.AI состоит из трех основных блоков: поиск и оценка резюме кандидатов; коммуникация (звонок, SMS, электронная почта или чат), чтобы узнать об интересе к вакансии; проведение и оценка видеоинтервью. Прежде всего мы хотим помочь компаниям и HR-специалистам: автоматизировать рутинные, механические процессы в области рекрутмента и организовать быстрый поиск качественных кандидатов. Наша платформа позволяет одновременно и получить доступ ко всем релевантным кандидатам на рынке, и возможность сосредоточиться только на самых подходящих из них — благодаря оценке «подходимости» для конкретной вакансии в конкретную компанию.

Как это работает. Специалист по найму заходит в систему, дает описание вакансии как на сайте для поиска работы (требования, обязанности, местоположение и т. п.), а дальше начинает свою работу платформа Sever.AI. Сначала она находит резюме подходящих под вакансию кандидатов. Каждое резюме получает балл, определяющий его соответствие вакансии. Система интеллектуальна: скажем, если в описании вакансии указано требование «знание Excel», а человек пишет о «знании MS Office», робот поймет, что кандидат подходит по параметру «знание Excel». Наши эксперименты показали, что робот оценивает резюме объективнее, чем человек. Робот, в отличие от человека, не устает, у него не бывает плохого самочувствия или скверного настроения, поэтому он сильно выигрывает, к тому же его работу без проблем можно масштабировать, добавив мощности аппаратного обеспечения.

Результат первого этапа работы — выборка релевантных кандидатов. После робот взаимодействует с выбранными кандидатами — узнает, насколько интересна им вакансия. Общение происходит по телефону, по электронной почте, посредством SMS и мессенджеров. В ходе разговора кандидат может задавать уточняющие вопросы, используя в том числе сленг. Например, вопрос в чате «з/п скок?» робот поймет вполне правильно. Если кандидат подтверждает интерес к вакансии, его приглашают на видеоинтервью — вопросы выводятся на экран, время на подготовку и ответ ограничено.

Затем Sever.AI просматривает видео с ответами, анализируя те же три основных источника информации, что и человек: изображение (внешнее поведение кандидата), звук (его речь, тембр) и текст (содержание ответов). Например, по видеоряду система анализирует изменение микровыражений лица в зависимости от вопросов, считывает реакцию человека. По звуку можно отследить изменение тембра голоса, темп речи и множество других параметров. Смысл сказанного анализируется после перевода речи в текст. В зависимости от вакансии система взвешивает все перечисленные параметры, агрегирует их и выставляет еще одну оценку кандидату. И здесь важно, что по видеоинтервью уже можно определить, насколько человек соответствует не только вакансии, но и профилю компании.

Как Sever.AI видит кандидата

В итоге получается три оценки: по резюме, по коммуникации и по видеоинтервью. Лишь после этого к процесcу подключается живой человек, уже на этапе, когда имеется релевантная выборка кандидатов, заинтересованных в вакансии и подходящих по профилю. Он проводит традиционные очные интервью и принимает окончательное решение. Конечно, человек всегда может вмешаться на любом этапе. Например, просмотреть найденных кандидатов и пригласить на видеоинтервью или даже на очную встречу, если соискатель очень понравится.

— Подобные проекты в первую очередь фокусируются на рутинных задачах HR. Их проще реализовать или они действительно важнее для компаний?

В первую очередь это потребности клиентов. На рутинные задачи крупные компании тратят очень большие ресурсы, особенно это касается массовых позиций с высокой текучестью. Рекрутерам вполне можно облегчить жизнь, сделать так, чтобы они занимались более полезными для компании делами, а не рутиной, просматривая однотипные резюме, задавая одинаковые вопросы и получая схожие ответы. Эту работу вполне можно переложить на роботов.

— Какое влияние окажут подобные сервисы на развитие HR-служб?

Сейчас от HR-специалистов требуется достаточно быстро находить кандидатов, и время закрытия позиции (time to hire) имеет в их работе все большее значение. У многих компаний есть вакансии, не закрываемые годами, недоукомплектованные подразделения. Кроме того, текучесть персонала в последние годы возросла: люди все активнее переходят из одной компании в другую. В России добавляется еще один фактор: демографическая яма 90-х годов. Поэтому повышается потребность в решениях, которые позволяют как можно быстрее находить нужных специалистов.

Как показывает практика, в среднем HR-специалисты приблизительно половину своего рабочего времени тратят именно на поиск кандидатов. Отдав рутину машине, они смогут сконцентрироваться на гораздо более важной задаче — удержании сотрудников. Наконец, появится возможность для более интеллектуального подхода к HR: имея больше исходных данных, можно проанализировать, какие из принятых кандидатов дольше и лучше работали. Удастся вывести всю работу кадровых отделов на качественно иной уровень.

— Sever.AI изначально задумывался как внутренний проект «Северстали», призванный обслуживать внутренние кадровые потребности этой гигантской структуры?

Sever.AI звонит кандидату

Это совсем не так, проект изначально был независимым стартапом. Название не имело никакого отношения к «Северстали», его придумали под впечатлением от сериала «Игра престолов». Именно оттуда рабочее название, связанное с «Севером»: Sever.AI — для российского рынка и North.AI — для зарубежного. Лишь некоторое время спустя произошла сделка с «Севергрупп», ставшей стратегическим инвестором компании.

— Почему робот при просмотре и анализе анкет эффективнее лишь в несколько раз, а не в десятки и сотни раз? Очевидно же, что в такой работе компьютер имеет огромное преимущество перед человеком — «аналоговым» существом.

Действительно, компьютер несопоставимо быстрее человека. Отчасти наше преуменьшение обусловлено тем, что неподготовленный клиент может посчитать неправдоподобным слишком пугающий разрыв в эффективности между человеком и роботом. Кроме того, у некоторых HR может возникнуть страх того, что компьютер способен полностью исключить человека из этого процесса. На самом деле это вовсе не так.

Наши пилотные проекты показывают, что кадровая проблема связана не только с дефицитом кадров, но и со сложностями в поиске именно релевантных для компании кандидатов. Дело в том, что один и тот же кандидат на одну и ту же должность может одной компании подойти, а другой — нет, причем по каким-то внутренним установкам: корпоративной культуре или другим факторам. В результате компании тратят на поиск неоправданно много времени. Чтобы поправить положение, можно нанять больше специалистов по подбору персонала или пытаться использовать новые технологии. Второй вариант перспективнее, так как для бизнеса в ближайшие 10 лет демографическая ситуация не улучшится.

— Уйти от человеческого фактора — это здорово. Но как же опыт и интуиция? Не окажется, что бездушный компьютер пропустит то, что заметил бы опытный кадровик?

На первых этапах работы с кандидатом робот видит ровно то же, что и рекрутер. Именно поэтому люди подключаются лишь на последнем этапе взаимодействия, когда уже имеет смысл применять опыт и интуицию. И, как бы нам ни хотелось верить в обратное, наш опыт показывает, что на первых этапах — при оценке текста резюме и ответов на вопросы видеоинтервью — робот объективнее человека, на него не влияют внешние факторы.

— Почему речь идет именно про массовые позиции? Ведь нанять «правильного» топ-менеджера экономически гораздо выгоднее, чем тысячи кассиров.

Тут все просто. Топ-менеджер оценивается на совсем другом уровне, такая оценка требует более глубокого анализа его опыта, а этот опыт выявляется при личном общении. К тому же роботов надо на чем-то обучать, а данных о топ-менеджерах на рынке явно недостаточно. А значит, ошибка робота-рекрутера в оценках кандидатов топ-уровня будет очень велика.

Однако наше решение вполне можно использовать не только при подборе массового персонала, но и в поиске более квалифицированных специалистов — например, программистов или менеджеров среднего звена. На таких вакансиях роботы будут отрабатывать довольно хорошо. Кстати, совсем недавно мы, отчасти в качестве эксперимента, нашли себе разработчика с помощью Sever.AI.

— Каковы основные проблемы, возникающие в ходе работы над проектом?

Учитывая масштабы «Севергрупп», с данными больших проблем нет — в одной «Северстали» работает более 50 тыс. человек, можно и обучаться на этих данных, и использовать их для оценки качества модели.

В первую очередь проблемой становится соответствие ожиданиям клиентов. Часто они хотят получить готовое работающее решение и не желают включаться в работу по его созданию. А ведь робота нужно сперва обучить, настроить, и все эти процедуры должны проходить с участием заказчиков, требуется понять их внутреннюю кухню. Поэтому приходится объяснять клиентам, что их участие в проекте все-таки необходимо.

Есть две модели подготовки роботов к оценке резюме. Выбранная модель влияет, с одной стороны, на время старта и степень вовлеченности клиента, а с другой — на точность и качество результата. По первой («обучение с учителем») мы отправляем определенное число анкет рекрутерам заказчиков и просим оценить их, обучая робота на их разметке. По второй модели роботу не нужно обучаться на разметке, он анализирует внешние факторы — например, пытается понять, что написано в вакансии, сканирует сторонние сайты, изучает похожие вакансии, усваивает терминологию. Он понимает рынок — видит, какие вакансии появляются, какие уходят, как изменяется портрет того или иного специалиста. Кстати, машина обучается быстрее живого рекрутера. Для обучения с учителем требуются сотни анкет, во втором случае речь идет о десятках тысяч.

Для оценки коммуникации с кандидатами робот учится на различных текстах, книгах и фильмах. Для работы с видеоинтервью система обучается на сотрудниках клиента: они записывают интервью, и робот отсматривает записи. На этом этапе появляется «портрет сотрудника компании», и робот пытается найти людей, соответствующих такому портрету, — тем самым удается добиться не только соответствия требованиям интервью, но и культуре компании.

— О каких объемах данных идет речь?

Сейчас это терабайты. Для работы с социальными сетями понадобятся совершенно другие ресурсы и подходы.

— На каких решениях построена инфраструктура для работы с данными?

Для хранения больших данных у нас используется Hadoop, для обработки данных — Spark, для обработки потоковых данных — Spark Streaming. При дальнейшей обработке применяем разные инструменты, в том числе проприетарные — Tableau, Power BI. Можем использовать внешние базы SQL для тех проектов, где нет больших данных и нужны быстрые доступность и обработка.

Все зависит от потребности и оптимальности. Если за счет коммерческого продукта мы добьемся большей эффективности, то использовать будем его. Если же без особых потерь можно использовать продукты open source, то ориентируемся на них.

— В чем основные проблемы управления данными?

У нас главная проблема — тоже кадровая: трудно найти подходящего человека, который будет отвечать за определенную область, например за хранение или обработку данных. Рынок специалистов крайне узок, их очень мало.

Вторая проблема — динамика рынка. Создавая модели, мы сначала хотели пойти путем обучения на исторических данных — например, имеющихся у клиентов данных о кандидатах. Однако вакансии очень быстро устаревают, требования к сотрудникам постоянно меняются, поэтому модели очень плохо обучались.

Кроме того, данные у всех HR-департаментов разные и их качество далеко от идеала. Люди редко задумываются, что их данные когда-либо могут понадобиться для анализа, и хранят их в виде картинок, текста, почтовых сообщений — в абсолютно разрозненном виде. Далеко не в каждой компании можно сформировать цельную картину для обучения модели.

— В итоге исторические данные стали абсолютно ненужными?

От обучения на исторических данных пришлось полностью отказаться. Но я все-таки верю, что из них тоже можно извлечь ценность, когда поставлены другие цели. Если компания захочет увидеть эволюцию какой-либо позиции — изменение рынка, чтобы спрогнозировать будущее, то без исторических данных не обойтись.

— Какие методы машинного обучения используются в рамках проекта?

Применяются практически все, ведь приходится использовать все виды данных: текст, аудио, видео, картинки. В первую очередь всё, связанное с нейросетями, а также последние наработки по тематическому моделированию, которое неплохо развито в России. Ну и стандартные алгоритмы, которые всеми используются.

— Сейчас решение охватывает всю подготовительную часть работы при рекрутинге. А каковы планы его дальнейшего развития?

Со временем станет все сложнее найти хороших кандидатов на работных сайтах. Важно будет отлавливать соискателей не в момент создания и публикации резюме, а гораздо раньше — когда они только задумались о возможной смене работы и подали соответствующие сигналы. Поэтому в перспективе мы начнем плотнее работать с соцсетями и поисковиками, возможно, с банками и онлайн-ретейлерами — теми, у кого будут такие данные.

Кроме того, планируется доработка той части, которая связана с набором кандидатов: где их взять, откуда пригнать трафик, чем заинтересовать. Потом будем добавлять тесты на профессиональные навыки, возможно в игровой форме. Это позволит минимизировать ошибки. Ведь резюме можно написать очень привлекательное, и даже есть профессиональные услуги в этой области. Из-за этого существует поток нерелевантных кандидатов. Чтобы снизить долю людей, которые ошибочно попадают на стадию видеоинтервью, их когнитивные навыки можно проверить путем тестов.

Далее пойдем в сторону онбординга — адаптации сотрудников, их подбора под определенную команду, а также оценки их лояльности, вероятности увольнения и способов удержания.

— Каких результатов позволяет добиться решение и каким образом?

Робот не субъективен. Кроме того, в поиске подходящих кандидатов по резюме в среднем он эффективнее рекрутера на 20%. Сейчас 9 из 10 найденных роботом кандидатов являются подходящими. Рекрутер же предлагает 6–7 подходящих человек из 10.

Пилоты показали ускорение времени закрытия позиций почти вдвое. Если говорить о бюджетах, то многое зависит от массовости вакансий. В крупных компаниях и при работе с позициями высокой текучести экономия на процессах рекрутмента может составлять до 90%.

Например, в пилотном проекте с розничным банком при показателе текучести 128% экономия за год использования сервиса составила 50%. При больших масштабах и больших показателях текучки персонала эффект будет еще заметнее.

— Каковы сейчас результаты у компаний, которые уже являются вашими клиентами?

В одну из крупнейших российских нефтехимических компаний мы полностью внедрили все разработанные блоки, решение было запущено летом. В этом проекте любопытнее всего показатель конверсии. Как выяснилось, кандидаты охотно разговаривают с роботом — конверсия из найденных кандидатов в отклик составляет около 60%. Более того, с роботом многие общаются охотнее, чем с человеком, потому что могут задать ему вопросы, которые стесняются озвучивать рекрутеру. В результате до этапа видеоинтервью доходит около 20% кандидатов. И это очень хороший показатель — нормой считается 5%. Добиться такого результата получается в том числе благодаря непрерывному взаимодействию с кандидатом, общению с ним. Например, живой рекрутер может забыть напомнить о запланированном собеседовании, а вот автоматизированная система не забудет. Как это ни печально, зачастую робот может обеспечить более «человеческое» отношение к кандидату.

— Способны ли технологии искусственного интеллекта полностью автоматизировать функцию HR и в какой последовательности это будет происходить?

В целом развитие технологий HR накладывается на одну важную вещь — положение самого HR внутри компании. Еще 20 лет назад вышла первая статья про то, что HR, как и ИТ, должен перерасти обслуживающую функцию и превратиться в бизнес-партнера. Ведь, несмотря на огромную важность для бизнеса, HR-директора часто занимают в корпоративной иерархии не самую сильную позицию. И вопрос не только в высоте положения, но и в том, насколько реально они вовлекаются в процессы формирования стратегии компании.

Поэтому развитие HR-технологий будет зависеть от того, насколько компании будут следовать тренду роста значимости HR и насколько сам HR будет готов брать на себя ответственность за управление такими проектами. В сфере HR сейчас вообще довольно низкий уровень проникновения технологий по сравнению с другими бизнес-функциями. Во многом по причине того, что бизнес изначально недостаточно серьезно воспринимал эту сферу и лишь сейчас здесь начинается волна внедрения современных систем. Насколько мы сможем продвинуть технологии и где будет пролегать граница между человеком и роботом, зависит от готовности самих HR уйти от аналогового мира к более эффективным решениям.

— Искусственный интеллект начинает захватывать мир с тех направлений, в которых сотрудники полноценно используют в работе лишь одну свою когнитивную функцию — например, с контакт-центров. Насколько перспективен с этой точки зрения HR?

Разумеется, для нас голос, в отличие от контакт-центра, — не единственный и не главный источник информации. Однако именно тот факт, что робот может оценить кандидата объективно с самых различных точек зрения, делает его в данном процессе более эффективным по сравнению с человеком. Но важно отметить, что, во-первых, рекрутмент — лишь отдельная и весьма обособленная часть HR-процесса. Она исторически более проработана — известна, понятна и хорошо описана. Во-вторых, мы решаем лишь часть задач процесса рекрутмента.

— Не может ли оказаться, что в остальном работа HR слишком «человеческая» и не очень поддается передаче ИИ?

Мы не являемся оголтелыми энтузиастами и прекрасно понимаем, что есть определенные границы. Полностью убрать из процессов человека пока невозможно и неэффективно. Однако применение простейших CRM-подходов к работе с кандидатами и минимальная аналитика показывают, что «человечность» этой сферы преувеличена. Мы видим на своих продуктах, что тандем человека и технологий оказывается в разы эффективнее.

— А клиенты сами готовы к таким переменам?

По большей части готовы. Действительно, часто компании, создавшие инновационное решение, сталкиваются с тем, что рынок не готов воспринять новые идеи. Лет пять назад нас бы не поняли.

HR-департамент одной из телекоммуникационных компаний на встречу с нами неожиданно пригласил своих инженеров по данным — видимо, чтобы «вывести шарлатанов на чистую воду». Нам удалось найти общий язык, эти специалисты оценили правдоподобность наших обещаний. Такое бывает. Однако чаще всего технологический уровень компаний, составляющих нашу целевую аудиторию, вполне адекватен. До середины прошлого года многими нашими коллегами была проделана большая работа по обучению рынка. И конечно, наличие реальной бизнес-боли значительно повышает скорость «созревания» заказчиков.

В последнее время все чаще поднимаются вопросы, кто такой Chief Data Officer, станет ли эта должность массовой и насколько директор по данным на самом деле важен для современной компании – и с точки зрения организации работы с данными, и вообще в организации процессов. В дискуссии «Chief Dаta Officer – в авангарде цифровой трансформации?», в рамках форума Big Data 2018, проведенного издательством «Открытые системы», мы пригласили поучаствовать нескольких руководителей, которых можно причислить к CDO, хотя их должности и звучат по-разному. Как выяснилось, потребность в таких руководителях будет расти, а вот их место в корпоративной иерархии может существенно различаться в зависимости от специфики компании.

Роль зависит от компании

В чем сегодня заключается роль CDO в компании? Это роль, которая требует быть инициатором преобразований в бизнесе, или она больше подразумевает управление данными и их качеством?

«Проработав в нескольких компаниях, я попытался сформулировать для себя роль CDO одним предложением. Прежде всего это создание единого качественного источника информации по оптимальной стоимости. Естественно, в понятие качества входят все классические атрибуты – полнота, своевременность, интерпретируемость», – говорит Сергей Носов, директор департамента управления данными «Ростелекома».

«Роль CDO возникает там, где есть проблемы с доступностью данных. Новая должность появляется не на пустом месте, она продиктована насущными потребностями бизнеса», Анджей Аршавский, директор центра анализа данных и математического моделирования НЛМК «CDO – это должность, которая подразумевает не только знание техники работы с данными, но и понимание экономической и управленческой составляющей бизнеса», Азат Шамсутдинов, директор направления машинного обучения и искусственного интеллекта North.AI, «Севергрупп» (справа налево)

У каждой компании свои потребности и проблемы, которые накопились со временем или появились недавно. Поэтому говорить об универсальности роли CDO не приходится. Например, ассоциация Digital Asset Management (DAM) четко расписывает, кто такой CDO и чем должен заниматься. Естественно, в его обязанности входят основные направления, такие как обеспечение инфраструктуры работы с данными, работа с нормативно-справочной информацией, архитектура потоков данных и множество других смежных тем. Что интересно, в числе прочего указаны и такие специфические теперь вещи, как работа с данными на бумажных носителях.

«На мой взгляд, CDO – это должность, которая подразумевает не только знание техники работы с данными, но и понимание экономической и управленческой составляющей бизнеса. Иными словами, это человек, который ясно видит и понимает стратегию развития компании, понимает ее бизнес-процессы и, самое главное, как это можно реализовать», – полагает Азат Шамсутдинов, директор направления машинного обучения и искусственного интеллекта North.AI, «Севергрупп». Как показывает практика, когда компании принимают решение всерьез заняться данными и намерены пригласить CDO, они на самом деле хотят получить прибыль. Но на собеседовании часто оказывается, что человек очень хорошо понимает техническую часть, а вот коммерческие показатели ему даются тяжело. Иногда самые простейшие вопросы проясняют, насколько слабо человек владеет экономической частью ИТ-проектов. Людей с требуемыми знаниями на рынке очень немного, но, к счастью, их постепенно становится больше.

«Роль CDO нужна там, где есть проблемы с доступностью данных. Новая должность появляется не на пустом месте, она продиктована насущными потребностями бизнеса», – подчеркивает Анджей Аршавский, директор центра анализа данных и математического моделирования НЛМК. Когда и источников, и потребителей данных много, а их запросы зачастую конфликтуют, возникает дезорганизация, и здесь необходима стратегия управления данными (Data Governance). Ее разработкой должен заниматься кто-то достаточно высокопоставленный, кто способен получать бюджеты на создание необходимой инфраструктуры и понимает реальные потребности разных направлений бизнеса.

«Сейчас у нас возникают проекты, основанные на данных, заказчиками которых являются самые разные направления бизнеса. Потребности в данных растут, требования к их качеству кардинально меняются, и роль CDO становится крайне актуальной», – отмечает Аршавский.

По мнению Носова, должность CDO появилась около пяти лет назад сначала в банковском секторе. Примерно два года назад директора по данным стали появляться, как ни странно, в промышленных компаниях, причем с особой миссией – в их букве D смешались Data, Digital и Data Science. В последнее время эта роль все четче прорисовывается и в телеком-компаниях.

«Очевидно, первенство банков было связано с необходимостью извлечения ценности из клиентских данных. Именно на этом был фокус банковской деятельности в последние годы, хотя в ретейле и телекоме эта проблема тоже всегда была актуальной. Сейчас я вижу именно такие запросы со стороны бизнеса – например, когда требуется запустить активные продажи», – говорит Носов.

«На Западе тема CDO стартовала ненамного раньше, чем в России, и особой продвинутости у них нет. Более того, они довольно редко погружаются в бизнес-задачи и обычно ограничиваются техническими проблемами», – делится наблюдениями Олег Гиацинтов, технический директор DIS Group.

Согласно результатам опроса, проведенного Informatica среди французских CDO, 57% из них видят своей главной задачей «демократизацию» данных. Действительно, это распространенная проблема: зачастую подразделения по разным причинам не желают делиться данными со своими коллегами. Примерно 70% директоров по данным имеют бюджеты на стратегические инициативы и видят себя лидерами кросс-функциональных команд, которые объединяют бизнес и ИТ.

Где «припарковать» CDO?

В Gartner полагают, что СDO должен находиться в прямом подчинении у генерального директора, особенно в случае, когда фактически выполняет роль Chief Data Science. Однако эта модель не всегда работает, и тогда приходится решать, в каком подразделении он должен работать. Во многом это связано с влиятельностью различных подразделений компании и их способностью отстаивать свои интересы.

«Позиция CDO сильно зависит от того, как распределены в компании основные потребители данных и те, кто отвечает за их производство», – утверждает Аршавский. Например, совершенно естественно, что в банках главным потребителем данных является финансовый блок, поэтому его влияние сильнее. Однако сейчас потребители данных появляются во всех подразделениях, и так происходит не только в банках, но и в других отраслях. В соответствии с этим мигрирует и место CDO в корпоративной иерархии: важно, чтобы стратегия работы с данными была сбалансирована в зависимости от нужд потребителей. При этом CDO должен видеть и перспективу: как различные подразделения будут потреблять данные через несколько лет – например, по мере развития систем искусственного интеллекта.

«По моему опыту, это всегда была роль между ИТ и финансами, я пока не видел ее в другом месте. Где в идеале эта роль должна быть “припаркована”, зависит от специфики компании», – говорит Носов. Он приводит несколько примеров эволюции места CDO внутри компаний, где работал. Так, в Сбербанке роль CDO изначально создавалась в финансах, но развитие событий привело к тому, что CDO перешел в ИТ-блок, и это всех устроило. Более того, появилось понимание того, что роль CDO должна быть устроена федеративно. И тогда в каждом блоке появился «мини-CDO», который координировал свою работу с основным куратором этого направления. В «Газпромбанке» позиция CDO появилась в ИТ-подразделении, однако быстро возникли трения с финансовым блоком по методологическим и техническим вопросам. В «Открытии» была другая история: Носов пришел на должность CDO в финансовый блок, однако через полгода было принято решение, что это больше техническая роль и ее надо развивать в ИТ. В «Ростелекоме» функция CDO возникла в ИТ-блоке, но сейчас также находится в процессе миграции – руководство ищет оптимальную модель.

От хозяина до стюарда

Сейчас появляется все больше компаний, обозначаемых как data-driven business, когда сервис, построенный на данных, по сути является главным продуктом компании. В этом случае человек, отвечающий за работу с данными, фактически является «хозяином» основных активов. Западные аналитики высказывают мнение, что он имеет все возможности стать первым лицом организации.

По мнению Шамсутдинова, в какой-то степени CDO действительно можно считать «серым кардиналом» – человеком, который в определенных видах бизнеса знает всю бизнес-структуру и все процессы, вплоть до самых низких уровней. Однако такое, конечно, возможно далеко не везде.

Есть большая разница, занимается ли CDO прямым извлечением ценности из данных или приносит пользу опосредованно, обеспечивая доступность данных для бизнес-подразделений. Те, кто извлекает из данных прямую прибыль, как правило, работают в небольших компаниях, созданных специально для этого. Большинство предприятий, особенно производственных, работают по-другому, в них роль CDO все-таки больше сервисная – обеспечение доступности данных и их качества.

***

В завершение дискуссии журнал «Директор информационной службы» (CIO.ru) объявил об учреждении премии CDO Award, призванной отметить успехи компаний по построению бизнеса, основанного на данных, и конкретных CDO в популяризации своей профессии. Результаты будут объявлены на следующем форуме Big Data.