Data Award

Персонализация финансовых продуктов становится серьезным конкурентным преимуществом для банков. В розничном сегменте эту задачу невозможно решить без алгоритмов машинного обучения и анализа больших данных. О работе по персонализации предложений розничным клиентам и достигаемых результатах рассказывает Игорь Дойников, руководитель продвинутой аналитики розничного бизнеса Альфа-Банка и номинант на премию Data Award.

- Как Альфа-Банк пришел к персонализации продуктов в розничном сегменте? Какова история и основные вехи этого пути?

Создание моделей машинного обучения или в общем смысле искусственного интеллекта уже давно не ограничивается классическим задачами банковского скоринга, моделями склонности к продуктам и моделями оттока. В банке мы с помощью инструментов машинного обучения стараемся улучшить все этапы взаимодействия с клиентами – привлечения, развития и удержания клиентов. Решаем задачи персонализированного ценообразования для кредитных продуктов, персонализации для программы лояльности, задачи геоаналитики, персонализации партнерских предложений и многое другое.

Благодаря современной промышленной инфраструктуре и большим данным мы можем внедрять модели, которые действительно дают новые возможности для бизнеса.

- Расскажите о наиболее показательных направлениях работы.

Первым из значимых кейсов, приносящих банку ощутимый результат, является персонализация в категорийном кэшбеке. Это неудивительно: у многих банков категорийный кэшбек является одним из ключевых проектов по привлечению и удержанию клиентов. Персонализированная программа лояльности, реализуемая нами, нацелена на увеличение доли клиентов, для которых «Альфа» станет основным банком для совершения транзакций. Кроме того, она влияет на снижение оттока, повышение лояльности клиентов и увеличения их ценности.

Эта программа была реализована и запущена в 2023 году, «под капотом» – комплекс из нескольких моделей машинного обучения. Система моделей работает на действительно больших данных, и ее суть состоит в персональном подборе категорий для клиента таким образом, чтобы с одной стороны категории удовлетворяли потребности клиента, а с другой стороны – вписывались в бюджет банка. Модели переобучаются каждый месяц на новых данных. Так, для подбора категорий кэшбека каждому клиенту ежемесячно перебирается более 100 тыс. комбинаций категорий кэшбека, при этом используется 1,5 Тбайт памяти и 350 ядер процессора.

- Вероятно, второе направление связано с кредитами…

Да, другая важная задача по персонализации кредитных предложений опирается на модель прогноза дохода клиента, ценность которой в том числе понимает регулятор – ЦБ РФ.

Задача расчета прогнозного дохода клиента имеет особенное значение. Эта информация помогает точнее и более релевантно подбирать продукты и условия их приобретения, что в свою очередь вносит существенный вклад в прибыль банка. Помимо ценности для банка, оценка дохода является регуляторным требованием ЦБ в части расчета предельно допустимой кредитной нагрузки (ПДН) для клиента.

Для подобного расчета полезна любая информация, хотя бы косвенно отражающая уровень дохода. Для разработки модели использовались внутренние и внешние данные. В «лонг-листе» находится около 4 тыс. признаков: транзакционная активность, социально-демографические признаки, активности в мобильном приложении и т.д., а также внешние источники данных – оценка дохода, проведенная билайном, данные из бюро кредитных историй по кредитной нагрузке, просрочке, лимитам.

В новой версии модели добавились признаки из цифрового профиля клиента, в которых содержится детализированная информация из госcтруктур: о начислениях в пенсионный фонд, данные по уплате налогов, электронная трудовая, сведения о транспортных средствах и т.д. В кратчайшие сроки проделана большая и слаженная работа по формированию признаков, тестированию моделей и выводу в промышленный контур. В финальную модель вошло 134 признака, и модель существенно улучшилась по качеству прогнозирования.

Модельный подход по оценке дохода официально утвержден ЦБ в 2023 году. Альфа-Банк стал одним их трех банков (помимо «Сбера» и ВТБ), кому регулятор первым одобрил применение модельного подхода при расчете ПДН.

- Какой именно математический аппарат используется при построении моделей?

Мы применяем самый современный стек технологий (так называемый state of the art), в основном состоящий из решений категории Open Source.

Для моделей используем модели градиентного бустинга, в основном библиотеку в реализации «Яндекса» (catboost) для табличных данных. Также используем нейросети. Нейросети позволяют усиливать бустинговые модели, когда есть больщой набор сырых последовательных данных – например, транзакции клиентов. Здесь используем библиотеку Pytorch.

- Как появление новых подходов повлияло на процессы банка? Приведите несколько примеров.

Расскажу пример из другого кейса – оплата чеков в ресторанах аэропортов для клиентов Премиум Alfa Only. Здесь используются модели геолокации. Клиент может воспользоваться любым рестораном на территории аэропорта, банк это увидит и через мобильное приложение предложит клиенту вернуть деньги. Без моделей ранее такой автоматический сервис в принципе был бы невозможен.

- Какие бизнес-результаты были получены?

Если говорить о персонализации кэшбека, то POS-оборот (сумма всех платежей, совершенных с использованием банковской карты в точках продаж) каждого клиента, выбирающего категории, увеличивается до 40% на горизонте полугода. Масштабирование категорийного кешбэка принесло банку около 400 млрд POS-оборота в 2023 году. Количество целевых клиентов (триггером считается выбор категорий) увеличилось с 800 тыс. до 3,6 млн человек в течение года.

Эффект от внедрения новой модели дохода клиентов заключается в росте количества новых офферов, а также увеличении суммы выдачи по кредитам наличными. Точный эффект не готов озвучить, но речь идет о дополнительных десятках тысяч выдач кредитных карт и миллиардах дополнительных выдач кредитов наличными в месяц.

- В чем роль таких проектов для банка?

Это взаимовыгодная история для всех участников рынка. Клиенты получают кредиты с более привлекательными лимитами и суммами. Банк может предлагать клиенту персонализированные банковские продукты, одобрять больше кредитов добросовестным заемщикам и просчитывать риски невозврата. Банк России, в свою очередь, активно следит за закредитованностью населения, и модели машинного обучения помогут меньше одобрять кредиты для заемщиков, которым сложно их оплачивать. В итоге снизится уровень показателя долговой нагрузки населения.

- Каково будущее персонализации банковских сервисов? В каком направлении вы будет двигаться?

Как уже говорил, на любом из этапов взаимодействия с клиентов – привлечение, развитие, удержание – мы будем стараться персонализировать наши предложения, персонализировать параметры продуктов, контент под каждого клиента, чтобы сделать продукты банка наиболее привлекательными. Одна из будущих фундаментальных концепций при принятии решений – это концепция ценности клиента на всем этапе взаимодействия с ним (customer lifetime value, CLTV). Для того, чтобы повышать CLTV, банк должен угадывать потребности клиента, своевременно предлагать ему продукты, предлагать безупречный сервис, персонализированную программу лояльности и при этом не докучать лишними коммуникациями. Сам по себе расчет CLTV для каждого клиента невозможен без алгоритмов машинного обучения и больших данных – потому что в первую очередь это оценка будущего взаимодействия с клиентом. Но это уже другая история.

Сеть «Магнит» создала платформу управления данными. Среди целей проекта – оптимизация работы дата-сервисов и повышение прозрачности информационных активов, чтобы обеспечить доверие пользователей к предоставляемой аналитике. О масштабах проекта, его реализации и роли для развития компании рассказывают Павел Шорохов, директор департамента по работе с данными «Магнит», и Олег Молчанов, руководитель направления по метаданным и качеству данных, — номинанты премии Data Award.

- Что привело компанию к реализации проекта платформы управления данными?

Павел Шорохов: В компании около 10 тыс. пользователей данных. Они используют многоуровневую платформу, содержащую более 1 Пбайт данных (5 Пбайт с учетом кластеров Data Science). Более 2 тыс. пользователей обращаются напрямую к центральному элементу платформы – корпоративному хранилищу данных, – которое развивается уже 12 лет и содержит 420 Тбайт данных.

За это время система стала сверхсложной: в нее интегрировано чуть больше 200 систем-источников данных, а пользователи обращаются к 5 тыс. витрин данных. Такое количество разработанного функционала требует продвинутых возможностей для поиска нужной информации. А так как бизнес самостоятельно работает в пользовательских областях (так называемых «песочницах»), которых сейчас около 80, то потребовалось также повысить переиспользуемость объектов данных (информационных активов).

В середине 2022 года мы приняли решение об одновременном внедрении полного стека инструментов Data Governance & Data Quality и методологии работы с ними. Начав в ноябре, мы за полгода разработали, внедрили и опубликовали для целевой аудитории такие инструменты, как бизнес-глоссарий, каталог данных, автоматизированную систему контроля качества данных и виртуального дата-помощника.

- Какие задачи требовалось решить?

П.Ш.: Самое главное – требовалось оптимизировать работу дата-сервисов. Во-первых, ускорить поиск данных. Регулярно проводя опросы наших сотрудников, мы видели частые ситуации, когда пользователь не мог самостоятельно найти необходимые данные, которые есть в компании. Ему необходимо было пользоваться разрозненными сервисами, которые предоставляли отдельные подразделения. В итоге слишком много времени уходило на такие рутинные задачи, как отправка запроса на поиск данных, ожидание начала работы над таким запросом, собственно работа над запросом и другие дополнительные коммуникации. Большинство из этих задач можно и нужно было автоматизировать.

Во-вторых, было важно сократить время на разбор происхождения данных и анализ влияния изменений в данных, ускорить внедрение изменений. Дело в том, что системные аналитики, чей фокус в основном на развитии хранилища, в зависимости от задачи могли тратить на «ручной» разбор зависимостей от 2 до 16 часов, что имело негативное влияние на поставку изменений. Учитывая, что вся нужная информация уже существовала где-то в метаданных, мы понимали, что наша задача только организовать их удобное хранение и анализ.

Требовалось и уменьшить время запроса на доступ к данным. В среднем у наших сотрудников уходило около получаса на один такой запрос, что с учетом количества наших пользователей мы считали недопустимым. Необходимо было разработать более эффективный процесс и автоматизировать его.

Кроме того, было важно снизить расходы на поддержку существующих аналитических данных за счет выстраивания правильного пользовательского пути: сначала – self-service для поиска и понимания данных, а уже в случае возникновения вопросов — обращение к эксперту по данным в бизнесе или ответственным за реализацию. Также планировали снизить расходы через создание условий для переиспользования существующих наработок и сдерживания расширения «теневого ИТ».

Наконец, требовалось повысить качество данных за счет внедрения ответственности за данные и запуска операционной модели управления качеством данных. Но как повысить качество, если мы его даже не измеряли на тот момент? Поэтому сначала необходимо было обеспечить прозрачность информационных активов и знаний о них.

Таким образом, мы в целом планировали повысить доверие к существующей аналитике и оптимизировать способы ее получения, что является фундаментом развития data-driven культуры в компании.

- Какой подход был выбран?

Олег Молчанов: В процессе реализации инициативы применялись смешанные подходы как проектного управления, так и внедрения самого продукта со всеми релизными историями, приоритизацией бэклога и т.п. Но здесь хотелось бы выделить две ключевые организационные особенности, которые, на наш взгляд, имели эффект.

Внедрение методологии управления данными, включающее проектирование операционной модели (какие роли и за что отвечают) и регламентацию низкоуровневых процессов управления метаданными и качеством данных (как эти роли взаимодействуют), проходило нога в ногу с внедрением самих инструментов. По опыту внедрения таких решений ранее мы были уверены, что без методологической базы и четкого понимания пользователей, как и зачем им работать в предложенных инструментах, система не будет востребована пользователями, а значит в полном объеме заявленных эффектов не получить.

При внедрении крупных изменений очень важно создать коалицию: найти группу людей среди внутренних заказчиков, которые будут вести за собой остальных. Мы так и сделали, заручившись поддержкой одного из ключевых бизнес-блоков. Совместно с ним проходило обсуждение разрабатываемых процессов и обкатка всех первых наработок во внедряемых инструментах: процесс ведения бизнес-глоссария, выбор систем для каталогизации метаданных, валидация полноты и достоверности результатов сканирования метаданных, реализация первых проверок качества данных. Это помогло нам сделать коллег неформальным заказчиком проекта, заручиться их поддержкой и «живым примером» для дальнейшего тиражирования. Главный вывод – не внедряйте инструменты и процессы Data Governance & Data Quality в отрыве от реальности.

- Какие инструменты использовались?

О.М.: Мы использовали решения, продвигаемые DIS Group: бизнес-глоссарий, каталог данных, система управления качеством данных. Виртуальный помощник реализован с помощью собственной разработки. И в соответствии с нашей стратегией cloud first мы использовали инфраструктуру «Яндекс.Облако».

Созданная в результате платформа управления данными охватывает все промышленные данные компании, использующиеся в корпоративном хранилище данных и корпоративной отчетности.

- Что представляет собой созданное решение?

П.Ш.: Созданное решение — это единый портал пользователя данных, который можно условно разделить на несколько частей.

Во-первых, это портал для поиска данных и запроса доступов к ним. Одним словом – все, что нужно пользователю, когда он знает, зачем пришел. В этом случае ему нужно только помочь понять, где это находится, и получить доступ.

Далее, в портал встроен бизнес-глоссарий – своего рода «Википедия» про данные, где можно лучше понять значение найденных данных: изучить описание информационных активов, их место в корпоративной архитектуре данных, узнать, кто владеет данными и тому подобное. Теперь, когда пользователь обладает доступом к нужным ему данным, он хочет понять, насколько они соответствуют его ожиданиям – для этого существует модуль качества данных, который содержит дашборды и отчеты по качеству информационных активов.

Наконец, так как нашим порталом пользуются тысячи пользователей с самым разным уровнем подготовки, мы встроили в него обучающие материалы и дополнительно проводим семинары и публикуем вспомогательные материалы по работе с внедренными инструментами.

- Что такое виртуальный дата-помощник, какова его роль?

О.М.: Это чат-бот, «прикрученный» ко всем страницам платформы управления данными. Мы его с некоторых пор «забрендировали» и стали называть Data Assistant. В прошлом году о первых версиях и «внутрянке» продукта мы рассказывали в статье: Как устроен виртуальный помощник для дата-сервисов в «Магните».

Сейчас через Ассистента можно решить полный перечень вопросов, связанных в данными. Он поможет сориентироваться в том, что вообще доступно: какие есть порталы и инструменты работы с данными (например, наш собственный BI-инструмент – «Магрепорт»), найти основные статьи из базы знаний, найти своего дата-партнера, вступить в дата-комьюнити и многое другое. С его помощью можно сформировать из чата запросы на информацию, сообщить об инциденте, запросить доступ к данным или инициировать изменения ролевой модели. Еще одна функция – найти данные и связанные информационные активы по ключевым словам. Бот, в основе которого лежит простенькая ML-модель, сам подберет соответствующие вашему запросу витрины данных, аналитические отчеты, показатели и аналитики из глоссария, бизнес-процессы и информационные системы.

Важно, что этот помощник всегда под рукой: в платформе и в корпоративном мессенджере. В частности, он является связующим звеном для всех описанных ранее компонентов платформы Magnit Data. Через него же можно сообщить о проблемах с платформой, задать вопрос или предложить доработку.

- Что в ходе проекта было самым сложным? Какие уроки для себя вы извлекли?

O.М.: Самое сложное, как и всегда, – это люди. Точнее, изменение и дополнение существующих устоявшихся бизнес-процессов, по которым они привыкли работать. На первых этапах очень важно было суметь показать пользу от внедренных изменений и доказать, что потраченные усилия позволят сократить трудозатраты на рутинные задачи по работе с данными.

Главный урок – в таком проекте следует как можно раньше начинать обсуждать методологическую составляющую и договариваться об изменениях и зонах ответственности. Важно как можно больше рассказывать сотрудникам на всех уровнях про то, как меняются процессы, и почему это важно. Доносить, какую проблему решаем, и показывать, как повлияют изменения на производственный процесс. Конечно, все это нужно делать с использованием детально продуманных и визуально понятных материалов, а не только через объемный бизнес-процесс, описанный по стандартам компании.

- Что удалось лучше всего, а над чем еще предстоит поработать?

О.М.: Я считаю, что у нас хорошо получилось позиционировать новую платформу как экосистему по управлению данными для каждого, кто работает с данными и аналитикой. Для этого, помимо самого внедрения инструментов и связанных процессов, был исполнен огромный коммуникационный план: демонстрации в разных форматах для разной целевой аудитории, регулярные письма в корпоративной почте, мессенджере и других внутренних площадках о новом контенте, новой функциональности системы или новых бизнес-процессах.

Отдельный блок работ был посвящен омниканальности, где ссылки на нашу платформу появлялись во всех логичных для этого местах, чтобы создать продолжение пользовательского пути и дать определенную рекламу ресурса. Это ярлыки на рабочих столах у целевой аудитории, наличие ресурса на популярных сайтах в корпоративном браузере, автоподписи сотрудников нашего департамента, ссылки из корпоративной системы техподдержки, ссылки из архитектурного репозитория, когда речь идет о бизнес-сущностях и многое другое. Нам удалось научить смежные подразделения говорить словосочетание Magnit Data чаще, чем мы его произносим внутри команды.

Если говорить о том, чем еще предстоит заняться, то, безусловно, мы продолжим наполнять контентом бизнес-глоссарий и контролировать полноту и качество этого контента. Говоря простым языком, будем делать описание показателей, аналитик, сущностей по всей группе компаний и всем предметным областям. Это очень объемный труд, в который мы вовлекаем бизнес. Этот фронт работ мы планируем добить в 2024 году.

- Какие результаты достигнуты и ожидаются?

П.Ш.: План проекта на 2023 год был выполнен полностью. Все системы, а именно четыре компонента платформы – бизнес-глоссарий, каталог данных, автоматизированная система контроля качества данных и виртуальный дата-помощник – с полной функциональностью были поставлены бизнесу даже быстрее запланированного. Я считаю, что это получилось сделать во многом благодаря хорошо проработанному коммуникационному плану и вовлечению бизнеса, за что коллегам огромное спасибо. Для нас важно, что внутренняя команда «Магнита» приступила к самостоятельному развитию функциональности и наполнению контента сразу же после выхода системы в промышленный контур.

Инструменты уже востребованы: мы получили ежемесячную базу пользователей новых инструментов в размере 1 тыс. сотрудников, которые ежемесячно создают более 5 тыс. запросов на поиск данных. Мы ожидаем, что общая база наших пользователей составит примерно 3 тыс. сотрудников, и мы будем стремиться к тому, что со временем 80% из них будут посещать портал минимум раз в месяц.

Если говорить о контенте, то мы отсканировали и каталогизировали справочники MDM, витрины основного хранилища данных и двух дополнительных хранилищ. К каталогу данных для автоматического забора метаданных по расписанию подключено 12 систем. По ним теперь можно анализировать происхождение данных и проводить анализ зависимостей. Дополнительно пользователи получили более 7 тыс. описанных информационных активов.

На начало февраля 2024 года в системе автоматизировано более 110 проверок качества данных, которые вовлекли в процессы управления данными более 70 сотрудников на стороне бизнеса – владельцев данных, экспертов по данным, поставщиков данных. Инструмент вместе с внедренной операционной моделью и опубликованными бизнес-процессами систематизировал работу с данными в компании.

Система продолжает развиваться, растет количество пользователей и сценариев использования, подключаются новые системы-источники метаданных.

- Какое влияние это оказало на ежедневную работу сотрудников?

П.Ш.: Приведу несколько примеров изменений, произошедших после публикации портала.

Например, в 10 раз снизилось время, которое тратит сотрудник на запрос доступа к данным. Сейчас пользователь тратит менее минуты за счет выстроенного пользовательского пути в виртуальном помощнике и прозрачности ролевой модели в связке с описанными данными.

На 15% снизилось количество запросов на информацию, поступающих к централизованной команде развития корпоративного хранилища. Это достигнуто за счет доступного описания данных и сценариев самообслуживания в Magnit Data. Соответственно, мы оптимизировали трудозатраты на анализ и консультации дорогостоящих специалистов – системных аналитиков.

В среднем на 15% выросло количество активных пользователей корпоративного хранилища и нашей BI-системы «Магрепорт» за счет популяризации использования данных, снижения порога вхождения в инструмент и увеличения доверия к данным через визуализацию их «здоровья». Это косвенно говорит о росте data-driven культуры в компании.

Наконец, вдвое снижено время поиска данных за счет создания центрального интерфейса из нескольких компонентов: бизнес-глоссария, площадки данных и каталога данных. Этот расчет сделан на основании точечных замеров кейсов и опроса пользователей.

- А если говорить про работу дата-команды?

О.М.: Время реагирования на снижение качества данных уменьшено до одного часа, это очень серьезный результат. Ранее выявление проблем происходило по факту работы пользователей с данными, затем о проблеме сообщалось через внутренние системы к централизованной команде, а далее на поступившие инциденты реагировали в течение четырех рабочих часов на первой линии, плюс время на работы других участников процесса. Теперь же об отклонениях известно сразу всем участникам процесса одновременно: аналитикам КХД, экспертам по данным, поставщикам данных. Еще до начала рабочего дня они получают оповещения за счет автоматизированной системы контроля качества данных. Выстроены и регламентированы процессы реагирования на инциденты.

На 15% снижены трудозатраты аналитиков, занимающихся развитием и сопровождением КХД, на проведения анализа происхождения данных и анализа зависимостей при проектировании изменений в объектах данных.

- Пытались ли оценить эти эффекты в деньгах?

П.Ш.: Да, и если эффект, связанный с сокращением трудозатрат, легко считается (у нас есть стоимость человеко-часа и понимание того, насколько мы оптимизировали работу более 1 тыс. сотрудников), то интересней влияние на скорость и верность принятия решений. Менеджер теперь получает свой управленческий отчет раньше, а благодаря повышению качества данных повышается и качество управленческих решений, основанных на данных. Этот эффект посчитать сложнее, но очевидно, что в масштабах организации с более чем 360 тыс. сотрудников важность доверия к аналитическим данным сложно переоценить.

- Какую роль играет этот проект в развитии компании?

П.Ш.: Реализованный проект является фундаментом для другой стратегической ИТ-инициативы компании по импортозамещению технологий, на которых построена корпоративная платформа данных. При миграции на новую платформу важно понимать зависимости в исторически сложившемся хранилище, требования бизнеса к качеству данных, используемость данных. Создание новой платформы должно сопровождаться инструментами, обеспечивающими прозрачность новых информационных активов, и контроль качества данных на всех этапах жизненного цикла данных.

Также платформа управления данными Magnit Data является движущей силой внедрения операционной модели и процессов управления качеством данных компании.

- Каковы планы по развитию проекта?

О.М.: Фокус в первом квартале 2024 года – на стабилизации работы решения, отработке критичных для наших пользователей багов, автоматизации мониторинга работоспособности всех компонентов системы, выстраивании внутренних процессов реагирования на них. После «взрывного» внедрения и гонки во всех направлениях под конец прошлого года мы решили позволить себе такую паузу. Количество пользователей системы значительно выросло, а значит выросли и ожидания публики, и наша ответственность.

В целом на 2024 год планируется работа по нескольким направлениям. Это наполнение качественным контентом бизнес-глоссария в сопровождении связки концептуального, логического и физических уровней, а также контроль бизнес-процесса ведения бизнес-глоссария. Это разработка новых проверок качества данных для критических элементов данных по требованиям бизнеса – потребителей данных и владельцев данных. Будем проводить каталогизацию метаданных по строящейся у нас Корпоративной платформе 2.0 на новых технологиях. Планируется детальное изучение сценариев работы целевой аудитории, работа с продуктовыми метриками и обратной связью пользователей. Наконец, планируем разработку центрального упрощенного интерфейса для поиска информационных активов, рассчитанного на максимально широкий круг пользователей.

В «Северстали» использовали передовые практики управления данными для области технологических данных. В рамках проекта решена задача сбора технологических данных с датчиков и обогащения их метаданными: технические места, единицы измерения, связи с проектами, владельцами данных. Наличие полной информации о них помогает сэкономить время на коммуникации и поиски в ходе дата-проектов. О роли достоверных и прозрачных технологических данных для компании рассказывает Евгений Курильщиков, владелец продукта «Управление данными» «Северстали» и номинант на премию Data Award.

- Почему управление технологическими данными было выделено в отдельное направление, которое требует дополнительных усилий?

Безусловно, технологические данные – это тоже данные. В классическом подходе мы оперируем метаданными, а сами данные рассматриваем только в контексте их качества. Нас интересует тип данных, в каких базах данных и таблицах они лежат, их происхождение и связь с терминами бизнес-глоссария. Здесь же объектом является физическая величина, которую мы получаем с датчика, и нам важны атрибуты этого сигнала, а не информация, в какой таблице мы его храним. Из непрерывного потока информации с датчиков мы извлекаем метаинформацию о сигналах, и сохраняем ее в каталоге, обогащая необходимыми атрибутами.

- В чем заключается особенность решаемой задачи?

Она заключается в огромном массиве данных. Нам нужно было не только организовать сбор метаданных в онлайн-режиме, но и провести большую работу с историческими данными, чтобы понять, что мы собирали раньше и что перестали, какие изменения произошли. То есть мы начали не с чистого листа, у нас уже был большой объем информации, в котором нужно было навести порядок.

- Почему это важно для «Северстали»?

Здесь нам поможет Льюис Кэролл: «Ну а здесь, знаешь ли, приходится бежать со всех ног, чтобы только остаться на том же месте. Если же хочешь попасть в другое место, тогда нужно бежать по меньшей мере вдвое быстрее!». Чтобы быть конкурентоспособными, нужно быстро принимать решения о том, как улучшить производительность, повысить качество, сократить незапланированные простои. Мы уже реализовали много проектов, используя технологические данные, и понимаем, что при реализации проекта уходит много времени на поиск тех самых 10-20 параметров работы оборудования, которые необходимы для реализации ML-модели. Имея хорошо описанные данные, мы сокращаем время разработки дата-продукта.

- С определением владельца других данных бывают проблемы, вплоть до назначения в приказном порядке. С технологическими данными все еще сложнее?

Да, я бы сказал, что здесь все еще сложнее. Ведь владельцем технологических данных является производственный персонал, так как операторы обеспечивают появление этих данных, знают все о конкретном датчике: где он установлен, как откалиброван, в каких единицах измерения снимает показания и т.д. Безусловно, инженеры являются специалистами высокого уровня, но их не обучали тем навыкам, которых мы сейчас от них требуем. А мы хотим, чтобы помимо сбора измерений они еще и описывали эти сигналы в нашей системе. Поэтому приходится дополнительно объяснять, зачем это нужно и каким образом нужно проводить это описание.

- Кто может быть владельцем технологических данных?

Как показывает практика, это технологический персонал: инженеры АСУТП, КИПиА, специалисты по ремонту и техническому обслуживанию – то есть сотрудники, которые занимаются обслуживанием оборудования, установкой и настройкой сбора данных в технологической сети.

- Как определяется политика сбора и хранения данных?

Изначально мы собирали все данные, с запасом на будущее – вдруг пригодятся. Но начав работы по описанию и каталогизации сигналов, которые собирали долгие годы, пришло понимание, что не все сигналы несут полезную нагрузку. Например, нет смысла хранить данные по оборудованию, которое уже списано или модернизировано. Мы определили для себя, что такое полезный сигнал, и на этапе считывания данных с контроллеров технологического оборудования начали их фильтровать.

- Что было сделано в рамках проекта?

В инструменте управления данными была реализована карточка объекта «тег» и «техническое место». Настроены процессы сбора метаданных и разработан регламент описания, определены обязательные и необязательные атрибуты, которые нам необходимы. По мере работы с огромным массивом информации мы начали выявлять отклонения от ожидаемого процесса. Скажем, в исторических данных могло быть пропущено один-два месяца, и сегодня уже никто не знает почему. Или, например, мы выявили случаи, когда на уровне оборудования сигнал изменял физическую сущность. Это могло произойти, если датчик меняли и на контроллере в порт подключали измерение с датчика напряжения вместо датчика тока. Подобные открытия подвели нас к проверке качества данных, которые мы собираем.

- Как боретесь за качество данных?

Для себя мы определили критерии качества, которые предъявляем к сигналам, и настроили ряд проверок. В настоящее время дата-стюарды отслеживают параметры качества, связанные сигналами, и в случае обнаружения аномалий предпринимают корректирующие действия. Наша задача – предоставить дата-инженерам качественное описание данных и быть уверенными, что описание соответствует фактически измеряемой величине, что сигналы привязаны к правильному узлу оборудования. Также на текущий момент мы отслеживаем изменения метаданных сигналов, которые используются в различных моделях машинного обучения или других инструментах. Ведь изменение сигнала, на котором строятся те или иные технологические процессы, может привести к некорректному поведению модели.

- Каковы результаты?

Нашей задачей была, в первую очередь, минимизация времени поиска необходимых сигналов, сократив время разработки моделей и увеличив производительность дата-команд, а также обеспечение доступа к этим данным большему кругу пользователей.

Нам удалось выстроить процесс сбора метаданных, решить вопрос с определением и назначением владельцев данных, создать команду дата-стюардов, которые помогают владельцам данных в описании и обогащении данных. Также, проанализировав накопленные данные, мы поняли, что есть ресурс для оптимизации хранилища, так как иногда собираются избыточные данные. Поэтому мы определили четкие критерии, определяющие, какие данные нужно собирать, а какие нет.

Также в процессе работы мы определили критерии качества к собираемым сигналам и приступили к разработке инструмента проверки качества промышленных данных, особенно тех, которые используются в моделях или технологических процессах.

Несколько проектных команд используют наш каталог как единственный источник данных об оборудовании и датчиках, которые на нем установлены. В настоящее время описано более 10% из более чем 500 тыс. активных сигналов.

- Какова роль проекта для компании?

Основная цель проекта для бизнеса – сформировать новую культуру работы с данными и сделать еще один шаг к принятию решений на основе данных. Мы пытаемся вовлечь в процессы управления данными как можно больше подразделений и сотрудников, сформировать привычку нести ответственность за данные, которые мы создаем и используем в ежедневной работе. Также данный проект даст целостную картину о параметрах работы всего оборудования и позволит реализовать проект цифрового двойника предприятия.

- Каковы дальнейшие направления развития?

Основная задача – распространить практику описания сигналов на все цеха и агрегаты. Это и даст возможность перейти к созданию цифровой копии комбината.

- Как проект отразится на дальнейших дата-проектах «Северстали»?

Я считаю, что по мере описания сигналов, дата-проектов станет больше, а их реализация будет занимать меньше времени. Дата-инженеры будут избавлены от необходимости проводить изыскательские работы по поиску сигналов, которые собираются с оборудования, и проверять, насколько этим сигналам можно доверять.

Платформа речевой аналитики является важным инструментом контроля качества коммуникаций с клиентами. Компании ЭНКО – крупнейшему девелоперу Тюменской области – за счет внедрения платформы Voice AI в процессы взаимодействия с клиентами удалось достичь лучшего понимания их потребностей и повысить эффективность продаж. О реализации этого проекта рассказывает Максим Иванов, директор по искусственному интеллекту OOO «Сбер Бизнес Софт» и номинант на премию Data Award.

— Как компания ЭНКО пришла к необходимости реализации этого проекта?

ЭНКО не только возводит новостройки, но и занимается их дальнейшим обслуживанием. Сотрудники восьми отделов общаются по телефону с клиентами – потенциальными покупателями недвижимости и с теми, кто уже приобрел свое жилье. Они помогают выбрать квартиру, обеспечивают выполнение гарантийных обязательств, контролируют качество услуг управляющей компании и решают другие вопросы.

Чтобы понять, насколько эти коммуникации эффективны, девелопер долгое время проводил оценку звонков вручную. Однако специалисты по контролю качества успевали обработать не более 12% всех диалогов. При этом проверки обходились компании довольно дорого, а их результаты часто были субъективными.

— Какие задачи требовалось решить?

С помощью платформы речевой аналитики в ЭНКО рассчитывали решить сразу несколько бизнес-задач. Во-первых, требовалось улучшить качество коммуникаций с клиентами и жителями. Кроме того, хотели оценивать все звонки без исключения, а не 12%, при этом снизив расходы на их обработку. Наконец, было важно повысить эффективность продаж недвижимости и дополнительных сервисов.

В целом, застройщик хотел достичь главной цели – лучше понимать потребности и ожидания клиентов в настоящий момент, получая эту информацию автоматически, без дополнительных усилий.

— Какое решение было выбрано?

Один из продуктов «Сбер Бизнес Софт» – платформа речевой аналитики Voice AI. Это решение аккумулирует, обрабатывает и глубоко анализирует устные и письменные диалоги, поступившие из любых каналов, – будь то чаты, звонки или аудиобейджи. Благодаря использованию решения бизнес может качественно контролировать уровень коммуникации с клиентами. Платформа давно используется внутри «Сбера» и доказала свою способность стабильно работать под высокой нагрузкой и обрабатывать сотни тысяч коммуникаций ежедневно.

При разработке решения приоритет был отдан тщательной работе с данными: критически важно, чтобы они не терялись и не дублировались, а также чтобы система умела повторно обрабатывать ошибочные загрузки. Платформа сводит большой объем данных в различных форматах из разных источников в единое место и проводит к общему виду. Чтобы бизнес не нес лишних затрат на хранение данных, в решении реализован функционал настройки времени хранения аудиофайлов и текстов.

— Что собой представляет решение?

Voice AI использует технологию обработки естественного языка (Natural Language Processing, NLP) и понимает речь так же, как и люди. Чтобы научить платформу находить нужные сообщения, были созданы специальные словари – в частности, словарь выражений, которые оператор контакт-центра использует для выявления потребностей клиента.

Чтобы позволить девелоперу точечно оценивать влияние тех или иных изменений на бизнес-показатели, для Voice AI разработали собственный конструктор отчетов, позволяющий агрегировать данные по интересующим метрикам. Статистика отображается внутри платформы речевой аналитики в виде таблиц и в формате интерактивных отчетов.

Обучение искусственного интеллекта – непрерывный процесс, поэтому Voice AI продолжает дорабатываться и получать новые данные. Ключевые сотрудники отдела продаж и контакт-центра ЭНКО вносят обратную связь о работе платформы, чтобы улучшить результаты ее работы.

— В чем заключались главные проблемы, как их решали?

Внедрение системы осуществлялось поэтапно, и в ходе проекта ЭНКО перешла на новую систему телефонии, при том, что уже была выполнена интеграция с предыдущей. Это повлекло за собой необходимость срочно настраивать интеграцию платформы с другим источником данных. Также в ходе детальных обсуждений проекта с ИТ-отделом компании выяснилось, что взаимодействие с облачной версией нейросети для распознавания голоса для части решения не подходит. Чтобы реализовать проект, потребовалась установка отдельного сервиса автоматического распознавания речи (Automatic Speech Recognition, ASR) в контур компании, что повлекло дополнительные работы с точки зрения инфраструктуры.

— Как новое решение было воспринято сотрудниками (в том числе теми, чьи разговоры контролируются) и руководством компании?

Руководством компании были созданы все условия, чтобы сотрудники позитивно восприняли нововведения. Очевидно, что полученная в результате обработки всех диалогов обратная связь может помочь выявить точки роста. Это, в свою очередь, ведет к повышению уровня профессионализма операторов и сказывается на эффективности их работы. Руководство же получило современную и удобную платформу речевой аналитики, благодаря которой можно контролировать процесс всех коммуникаций с клиентами, лучше понимать их ожидания и повышать качество клиентского сервиса.

— Какие результаты достигнуты в результате проекта?

Использование системы речевой аналитики помогло ЭНКО довести показатель оценки звонков до 100%. При этом удалось сократить расходы на контроль качества коммуникаций и получить полезные данные, которые компания применяет для увеличения лояльности клиентов, а также для повышения эффективности бизнеса.

Так, например, по результатам аналитики компания приняла решение о коррекции цен на вторую очередь одного из строящихся жилых комплексов: до официального старта продаж компания получила почти 900 звонков, в которых потенциальные клиенты интересовались условиями. Voice AI не только собрала вместе все эти диалоги, но и позволила команде выделить из них ценовые ожидания потенциальных покупателей.

— В чем роль проекта для компании?

Более глубокое понимание потребностей клиента позволяет компании предоставлять персонализированные предложения и повышать лояльность покупателей и жителей уже построенных домов, корректировать бизнес-процессы и увеличивать их эффективность. Также использование платформы для оценки коммуникаций помогает не привлекать большое количество сотрудников для выполнения рутинных операций, тем самым сокращая расходы компании при масштабировании бизнеса.

— Каковы перспективы развития проекта речевой аналитики в ЭНКО?

В ЭНКО планируют расширить использование речевой аналитики и внедрить ее в офисах продаж. Voice AI будет получать записи с аудиобейджей – небольших диктофонов, которые сотрудники носят в течение рабочего дня, переводить разговоры в текст, проверять их на соответствие правилам, анализировать и находить закономерности.

В Альфа-Банке запущена универсальная экосистема для разработки и внедрения моделей машинного обучения. С ее помощью удалось за короткие сроки радикально ускорить процессы создания и запуска моделей, что повысило показатели банка. О реализации проекта рассказывает Павел Николаев, начальник управления технологий машинного обучения Альфа-Банка и номинант на премию Data Award.

- Что привело к необходимости перевести работу с ML-моделями на промышленные рельсы?

Наличие ручных процессов и разнообразие подходов не позволяли создать универсальное решение. Технологии моделирования постоянно усложняются и требуется одновременное применение разных моделей и быстрое их внедрение в бизнес-процесс.

- Почему это важно для Альфа-банка?

Чем быстрее происходит внедрение моделей в бизнес-процесс, тем быстрее банк начинает получать прибыль.

- Какой подход был выбран?

Мы создали централизованные общебанковские платформы разработки моделей (MDP) и исполнения моделей (СИМ). Доставка моделей между ними автоматизирована, с несколькими стадиями проверок на тестовых средах, идентичных промышленной. Кроме того, мы разработали систему быстрой доставки данных для этих моделей – Feature Store. Важно отметить, что системы дорабатывались параллельно и при этом активно эксплуатировались.

- Что представляют собой созданные решения?

Среда исполнения моделей (СИМ) – универсальная гибкая система, позволяющая внедрять модели любой сложности в промышленном режиме и с высочайшей отказоустойчивостью. Система позволяет внедрять нестандартные и сложные модели, работающие как в онлайн-режиме, так и в потоковом режиме (stream-модели). Отдельно можно выделить появившуюся возможность пакетного (одновременного) вывода моделей, с помощью которой было выведено более 140 моделей, посвященных ценности клиента и доходу. При этом СИМ не только быстрая, но и сверхнадежная система: ее стабильность для наиболее критичных моделей составила 99,98% в 2023 году.

Среда разработки моделей – это единая платформа для разработки и обучения моделей, в которой разрабатываются все модели Центра продвинутой аналитики (ЦПА). В MDP регулярно работают более 100 специалистов, из них 20% не дата-сайентисты.

Платформа объединяет в себе все современные, привычные для специалиста data science инструменты в единой среде. Разработанные модели развертываются в online, batch, stream и каскадных режимах, что позволяет полностью протестировать все аспекты модели до перехода ее на интеграционное и нагрузочное тестирование.

Наконец, Feature Store — это система для непрерывной доставки данных для разработки моделей. Доставка факторов для моделей превращается в удобный и быстрый онлайн-супермаркет, а сами данные могут переиспользоваться разными командами. В результате снижается время и стоимость разработки моделей, а также риски, связанные с работой с некачественными данными.

- На каких ИТ-платформах (крупными мазками) базируются эти решения?

Использована аналитическая система Hadoop Datalake, а также Kubernetes, Kafka и т.д.

- Как изменилась жизнь специалистов, занимающихся разработкой моделей?

Процесс внедрения моделей стал понятным и удобным, сократилось время, затрачиваемое на внедрение моделей

- Какие результаты достигнуты?

Благодаря масштабированию и развитию наших систем в прошлом году мы сократили время внедрения моделей более чем вдвое. Теперь онлайн-модели внедряются в среднем за 2,5 недели. Параллельно выстроили промышленные процессы поддержки моделей и реагирования на инциденты – например, итоговая доступность онлайн-моделей в 2023 году составила 99,98%.

Благодаря промышленным процессам разработки удалось внедрить в эксплуатацию в 15 раз больше моделей, чем в прошлом году, доведя долю внедрений моделей в целевую инфраструктуру до 80%.

В среде разработки моделей количество пользователей увеличилось в 2,5 раза. За счет нашей передовой инфраструктурной доработки Spawner JupyterHub мы экономим значимую часть вычислительных ресурсов в среде разработки моделей (без этого потребовалось бы в 2,5-3 раза больше вычислительных ресурсов). При этом пользователи получают гарантированные выделенные ресурсы: CPU, RAM, диски, GPU. Высокие стандарты поддержки разрабатываются – что нетипично – и на среду разработки, среднее время реакции на инцидент в среде разработки моделей составляет менее одного часа.

Количество факторов для моделей в Feature store за год увеличилось более чем в два раза, теперь Feature Store включает в себя данные всех основных бизнес-линий, использующих модели машинного обучения. Реализован полноценный CI/CD процесс по разработке и доставке алгоритмов формирования факторов моделей из среды разработки в среду применения. Факторы бесшовно внедряются для пакетных моделей и онлайн моделей, использующих внутренние данные посредством интеграции с горячим онлайн хранилищем.

- А с точки зрения финансового эффекта?

В результате снижается время и стоимость разработки моделей, а также риски, связанные с работой с некачественными данными.

- В чем роль проекта для развития банка?

Система СИМ уже востребована среди подразделений банка и интегрирована со всеми системами принятия решения по розничному, малому и среднему бизнесу. В скором времени она охватит и крупный бизнес. Она помогает внедрять модели машинного обучения, которые призваны автоматизировать процесс выдачи кредитов, оптимизировать бизнес-аналитику в подразделениях банка и уменьшить количество времени, затрачиваемое на тот или иной бизнес-процесс.

Среда MDP ускоряет время разработки моделей, что позволяет быстрее запускать их, повышает качество моделей, централизует и стандартизует подходы, экономит вычислительные ресурсы.

Feature Store организует централизованную работу с фичами, чтобы гарантировать повторяемую логику их сбора для обучения разных моделей разными командами, для работы с выверенными данными высокого качества в разных департаментах. Дата-сайентисты могут просматривать все имеющиеся признаки «в одном окне» и подбирать нужные, а не создавать повторно дубли.

- Каковы направления развития проекта?

В этом году у нас амбициозная цель: реализация онлайн Feature Store. Хотим сделать внедрение всех факторов для онлайн-моделей – в том числе для данных, приходящих непосредственно в момент запроса модели бизнес-приложением, – бесшовным, что значительно сократит время на внедрение онлайн-моделей.

Одной из важнейших составляющих «Системы-112» Московской области является аналитическая подсистема. Именно она дает возможность выявлять точки концентрации инцидентов, реагировать на массовые вызовы и контролировать качество работы службы. О реализации решения, построенного на российской BI-платформе Visiology, рассказывает Николай Муравьев, руководитель направления ИАС компании «ПолиАналитика» и номинант на премию Data Award.

- Какие цели стояли перед «Центром 112»? Ради чего затевался проект?

Ключевой целью внедрения аналитической подсистемы Системы-112 являлось повышение качества и оперативности реагирования на инциденты относящиеся к зоне ответственности экстренных оперативных и диспетчерских служб. Кроме того, было важно исключить ручное формирование отчетов и бумажный документооборот.

- Какие задачи решались при создании системы?

Требовалось создать систему аналитической отчетности, которая позволяет решать несколько типов задач. Во-первых, важно уметь определять точки концентрации инцидентов различных типов (инциденты всех типов по определенным адресам, инциденты определенного типа внутри заданного радиуса или в заданном промежутке времени и др.). Во-вторых, нужно иметь возможность оперативно оповещать руководителей региона о массовых вызовах или вызовах, на которые длительное время не следует реакция экстренных оперативных и диспетчерских служб. Кроме того, требуется осуществлять анализ работы операторов и контролировать целевые показатели работы службы в соответствии с утвержденной методологией.

Используя накопленные базы знаний, следовало учесть возможность составления прогнозных моделей вероятностей возникновения происшествий по различным параметрам, связанным с изменениями в погодных условиях.

- Какие принципы пытались соблюсти, формируя решение?

При формировании решения требовалась максимальная производительность при формировании аналитических отчетов с возможностью уточнения критериев анализа без необходимости программирования. Учтена гибкость аналитического инструментария для решения задач силами сотрудников «Системы-112», отсутствие необходимости дополнительного ручного ввода данных и получение информации из различных источников, имеющих не структурированные данные.

- Почему была выбрана именно платформа Visiology?

Аналитическая платформа Visiology была выбрана как раз исходя из принципов, описанных выше. Платформу характеризует отличная производительность и гибкий аналитический инструментарий, что позволяет в максимально сжатые сроки обеспечить решение всех поставленных задач. Важно отметить, что в данном проекте большую роль сыграло то, что у платформы есть собственные наработки по разметке данных и составлению прогнозных моделей. Недавно, в последнем рейтинге TAdviser она вышла на первое место по продажам лицензий, показав максимальную скорость роста в год.

- Какие сроки и ресурсы потребовались на реализацию проекта?

Основные модули были развернуты и настроены за три месяца силами команды из 11 человек, в последующем в рамках развития системы происходило расширение состава анализируемой информации, уточнение методик ее обработки и представления, а также осуществляется регулярное сопровождение.

- Что собой представляет созданное решение, из каких элементов оно состоит?

Каждый входящий вызов фиксируется в «Системе-112». Ему автоматически присваиваются атрибуты: время начала, время окончания, координаты, индекс инцидента, а комментарии и другие детали оператор вводит вручную. После этого данные автоматически попадают в аналитическую подсистему.

В рамках проекта реализованы три типа отчетности. Первая из них связана с оперативным информированием. Оперативная аналитика вместе с модулем оповещения позволяют быстро реагировать на внештатные ситуации – например, массовые вызовы или вызовы с отсутствием реакции. Скажем, если с территории в пределах определенного радиуса поступает больше 5-6 вызовов в час, происходит автоматическая эскалация события: через мессенджеры оповещения передаются руководителям региона.

Вторым направлением стала регламентная отчетность. В целях мониторинга и контроля показателей эффективности «Система-112» должна регулярно готовить около 30-40 отчетов. Аналитическая подсистема помогает сократить трудозатраты на сбор и обработку необходимых данных и автоматически «упаковывает» их в наглядные дашборды.

Третье направление работы – это отчетность, которую аналитики «Системы-112» могут строить по заранее не заданным атрибутам. Они часто не знают, какую именно задачу поставит перед ними руководство, поэтому важно, чтобы система умела гибко сегментировать инциденты в соответствии с их спецификой. Аналитики могут делать выборки по заданным критериям и атрибутам вызовов и получать на карте Московской области наглядный результат. Среди критериев может быть индекс происшествий, муниципальное образование, улица или дом, дата и время или даже ключевые слова в комментариях.

В настоящее время в состав решения входят восемь разделов и модулей.

- Что, по вашим оценкам, получилось реализовать особенно удачно?

Одними из самых интересных, на мой взгляд, блоков стали модули, относящиеся к оперативному реагированию. Решение данной задачи позволяет своевременно реагировать на различные инциденты, повышая тем самым уровень комплексной безопасности региона и удовлетворенность жителей работой экстренных служб в таком непростом и густонаселенном регионе.

Важно отметить, что модуль по анализу работы операторов позволил на основе данных из интегральный оценки сделать нагрузку на операторов равномерной. Система была перенастроена так, чтобы вызовы попадали в очередь к операторам с наименьшим количеством звонков. Была разработана модель мотивации операторов с хорошими показателями.

- Что в ходе проекта было самым сложным?

Сложности в проекте можно разделить на технические и методологические. В части технических сложностей глубокой модернизации пришлось подвергнуть процессы формирования аналитических витрин данных для того, чтобы уложиться в заданные заказчиком временные ограничения. Методологические сложности сводятся к постоянному улучшению и поиску оптимальных алгоритмов выявления инцидентов, в том числе и инцидентов, ранее не анализировавшихся службой – таких, например, как «прилеты» БПЛА. Следующим направлением развития методологии станет решение задач превентивного реагирования, то есть выявление взаимосвязей различных факторов – скажем, погодных условий и числа ДТП или перерывов в электроснабжении.

- Каких результатов удалось достичь?

До момента внедрения аналитической подсистемы операторам «Системы-112» приходилось вручную формировать выборки инцидентов для формирования отчетности под запросы руководителей и фактически в ручном режиме отслеживать, как массовые вызовы, так и выявлять точки их концентрации. В настоящее время разработанные модули запущены в промышленную эксплуатацию и не только экономят время специалистов службы, но и, что самое ценное, позволяют быстрее реагировать на серьезные инциденты в случаях, когда даже минуты промедления могут стоить очень дорого.

- Какую роль играет этот проект для региона?

Значимость проекта выражается в повышении качества клиентоцентричности и оперативности реагирования на экстренные вызовы граждан – это повышает общий уровень комплексной безопасности в регионе.

- Каковы направления развития созданного решения?

Систему аналитики планируется развивать в нескольких направлениях. Во-первых, это прогнозная аналитика. Ее главная задача – выявление взаимосвязей между инцидентами, проблемами ЖКХ и погодными условиями. Например, предсказание рисков возникновения ДТП во время гололеда и зон подтопления в паводкоопасный период и действие на опережение. Кроме того, планируется развитие существующих и создание новых аналитических отчетов на базе инструментов голосовой аналитики, применения технологий искусственного интеллекта, а также инструментария оперативного оповещения по ключевым метрикам.

Сеть «Магнит» разработала собственную платформу для таргетинга рекламы, основанную на данных о своих клиентах. В результате был запущен сервис DMP (Data Management Platform), оптимизирующий расходы на рекламу и обеспечивающий доставку покупателям только интересных для них предложений. Основная цель DMP-платформы – получение максимальной пользы и выгоды от данных программы лояльности «Магнита». Подробностями этого проекта делится Василий Мальцев, руководитель управления по клиентской аналитике сети «Магнит» и номинант на премию Data Award.

- В чем заключалась проблема, почему потребовалось создавать платформу для таргетинга рекламы?

В «Магните» накоплено огромное количество знаний о своих пользователях, и создание собственной платформы для таргетинга стало первым шагом к подходу адресной рекламы собственного промо. Затем мы увидели огромный интерес рынка к этим данным, так как данные ретейлера зачастую уникальны. Это не просто люди, которые что-то искали – например, на тему «сыр», а те, кто точно приобретал данный товар в определенный период времени и в определенных магазинах.

- Как решались задачи таргетинга до сих пор?

У нас была платформа, разработанная совместно с компанией-подрядчиком. Система была запущена в 2020 году, и к 2023 году она существенно морально устарела и требовала доработок. При этом было очевидно, что процесс доработки будет длительным и дорогостоящим для нас, так как у нас были неисключительные права на систему в рамках лицензионного соглашения. Также стоит подчеркнуть, что используемый стек технологий в 2022 году стал слишком чувствительным к происходящим в стране изменениям.

- Каких целей пытались достичь?

Самая главная цель была получить систему, отвечающую новым запросам к рынку данных для проведения таргетированной рекламы. Параллельно с этим мы хотели получить свой продукт и не зависеть от стороннего разработчика в части развития и совершенствования.

- Почему была выбрана собственная разработка?

Собственная разработка позволяет решить целый комплекс задач. Во-первых, это быстрое внесение изменений и интеграция новых «фишек» для наших клиентов. Буквально за пару месяцев после открытия платформы мы добавили возможность таргетировать и пересекать наши сегменты с собственной CRM-базой клиента, добавили функционал таргетинга по фасетным свойствам товара (например, вкус, тип упаковки, размер упаковки и т.п.) В дальнейшем планируем связать возможность таргетинга с запуском не только на цифровых площадках, но и на оборудовании – TFT-панелях, прайс-чекерах, кассах самообслуживания внутри собственных магазинов.

Во-вторых, было важно добиться быстродействия самой системы, расчетов сегментов, графиков. В-третьих, следовало обеспечить безопасность данных вне зависимости от частоты изменения требований информационной безопасности. Наконец, сокращение затрат – как на серверное оборудование, так и на разработку и доработку.

- Какие требования предъявлялись к создаваемой платформе для таргетинга?

С учетом нынешних реалий главное требование очевидно: система должна работать на инфраструктуре поставщиков, которые не подвержены изменениям в стране. Стек технологий должен быть современным, легко доступным. На рынке труда не должно быть проблемным найти разработчиков, готовых качественно разрабатывать продукты на выбранном стеке технологий. И конечно, команда разработки и сопровождения не должна быть слишком большой.

- Какие силы и ресурсы потрачены на создание платформы?

Доработок и пожеланий к функционалу платформы много, и сейчас платформа еще находится на стадии развития. Но текущий функционал полностью закрывает основную потребность. На разработку платформы задействовали минимальное количество персонала, но присутствуют самые ключевые роли: бэкенд и фронтенд разработчики, дата-инженер, DevOps-специалист, дизайнер, владелец продукта, дата-аналитик.

На создание основного функционала ушло 10 месяцев. Еще месяц потребовался для переезда пользователей со старой платформы на новую.

- Что представляет собой созданное решение, кто ее основные пользователи?

Основные пользователи – это собственный маркетинг и рекламные агентства, которые запускают рекламу для поставщиков товаров.

- Что в DMP-платформе удалось лучше всего?

Можно выделить быстродействие, удобство и логичность использования, а также возможность быстрого получения отчетов по результатам рекламных кампаний. Добавили возможность для агентств пересекать собственные сегменты с нашими для более качественного таргетинга.

- Какое время проходит между появлением у вас значимой информации о событии в жизни клиента и возможностью маркетинговой коммуникации с ним?

Около одного-двух дней, но мы стремимся к сокращению этого времени до четырех часов.

- Как у вас появляется информация о покупательском поведении и привычках людей?

Информация формируется на основе математических моделей. В системе собраны данные за два года, а это триллионы транзакций. Благодаря этому мы можем с той или иной степенью вероятности предсказывать, когда человек купит тот или иной товар, будет ли он в магазине на следующей неделе, насколько для клиента важна скидка и цена.

- Какие результаты достигнуты?

В нашей платформе работают более 70 компаний, включая собственный маркетинг. Подключено более 400 пользователей. С начала года с помощью платформы заведено более 400 рекламных кампаний, из которых порядка 300 уже успешно завершены. Платформа принесла компании с начала года уже несколько миллионов рублей прямых доходов.

- Какой из них является самым важным?

Конечно, то, что всего за два полных месяца работы платформы в компанию поступило уже несколько миллионов рублей прямыми доходами.

- Каковы направления развития DMP-платформы?

В дальнейшем мы планируем соединить ее с собственной платформой управления рекламными площадями (Supply Side Platform, SSP), с возможностью таргетирования не только на внешних ресурсах, но и на площадках и приложениях «Магнита», а также на нашем внутреннем оборудовании с автоматическим замером вклада медийной рекламы в фактически совершенные покупки (сейлз лифты).

Кроме того, в будущем планируется переход от платформы DMP к DSP (Demand Side Platform), позволяющей выбирать, где и как будет показываться реклама.

Также платформа будет интегрирована и с другими нашими аналитическими решениями, такими как Customers self service, где результат анализа продаж можно будет собрать в сегмент и запустить на него адресную коммуникацию. Например, клиент, проведя анализ приобретенных и потерянных клиентов или анализ перемены предпочтений, сможет собрать людей в «оттоке» по своему бренду в отдельный сегмент для создания персонального промо-предложения.

Когда речь заходит о некоммерческих организациях (НКО), у многих в сознании всплывают призывы «отправь смс по такому-то номеру» и прозрачные боксы на кассах магазинов для сборов на благотворительность. Однако эти расхожие образы не вполне отвечают действительности. НКО в России недаром называют «третьим сектором экономики», наряду с государственным и коммерческим бизнесом, с достаточно большим оборотом капитала. В благотворительные фонды выделяются огромные деньги и из бюджета, и со стороны частных доноров. Как следствие, у НКО высока потребность в цифровизации и обеспечении прозрачности и эффективности работы.

Бизнес-аналитика и прогнозирование с использованием машинного обучения становятся для НКО хорошим шансом повысить доверие к себе, привлечь большие объемы средств, и в результате помочь большему числу нуждающихся. В благотворительном фонде «Дети-бабочки» с этой целью внедрили BI-систему Analytic Workspace. О реализации этого проекта и его роли для организации рассказывает Михаил Греков, директор по развитию BI-системы Analytic Workspace «БАРС Груп» и номинант на премию Data Award.

- Какую задачу решали в ходе реализации проекта?

Благотворительный фонд «Дети-бабочки» с 2011 года помогает детям, страдающим генными дерматозами – поражающими кожу наследственными заболеваниями. Одна из главных задач фонда – наладить эффективную систему оказания медицинской помощи больным. Для этого в фонде внедрена система «Регистр генетических и других редких заболеваний», поддерживающая базу по подопечным фонда: персональные данные, медицинские показания, информация по оказанной помощи и прочее – более 1 тыс. характеристик.

Основным предназначением аналитического решения является управление процессами и поддержка деятельности некоммерческой организации. В числе прочего, с его помощью рассчитывали улучшить прогнозы по объемам помощи, необходимой подопечным фонда, а также повысить эффективность фандрайзинга и работы с донорами.

- Почему это важно для организации?

Если поднять цифры, фонд «Дети-бабочки» за несколько лет своей работы оказал помощь на 3,5 млрд руб. И поскольку это некоммерческая организация, к ней предъявляются особые требования: все, что есть у фонда, – это его репутация, которую он может монетизировать для того, чтобы собрать деньги с частных доноров и организаций в виде грантов. В связи с этим критически важно прозрачно показывать структуру и отчетность по объему и тратам пожертвований. Внедрение BI в НКО призвано обеспечить максимальную прозрачность отчетности и принятие правильных управленческих решений по распределению средств.

Наши понятия о социальной ответственности вендора совпадают с ценностями некоммерческих организаций, помогающих людям с ограниченными возможностями здоровья, поэтому Analytic Workspace выделяет гранты и придерживается облегченной лицензионной политики для НКО.

- С какими данными ведется работа?

Источники данных фонда представляют собой довольно разветвленную систему. Например, к ним относится регистр генетических и других редких заболеваний. Здесь хранятся данные о подопечных фонда, медицинском персонале и сотрудниках фонда. В фонде накоплена самая большая в мире база результатов генетических исследований заболеваний буллезного эпидермоза и ихтиоза по более чем 2,5 тыс. параметров.

Второй важный источник – система учета взаимоотношений с жертвователями. Сюда поступает финансовая информация из систем CloudPayments, «1C: Бухгалтерии», MixPlat. Наконец, как и в большинстве организаций, есть Excel-файлы, где хранятся архивные и исторические данные фонда.

- Какая платформа была выбрана и почему?

Аналитическое решение создано на базе BI-платформы Analytic Workspace. У нее есть несколько важных особенностей. Во-первых, это развитая функциональность машинного обучения в моделях, позволяющая реализовывать довольно сложные сценарии прогнозной аналитики. Во-вторых, высокий уровень self-service, в том числе автоматические ETL-блоки для самостоятельной глубокой обработки данных. Стоит отметить ролевую модель с разграничением доступа, позволяющую обеспечить высокий уровень безопасности конфиденциальных медицинских данных. Кроме того, имеет значение низкий технический порог входа для пользователей, что обеспечивается дружелюбным интерфейсом. А для некоммерческих организаций предусмотрена облегченная ценовая и лицензионная политика.

- Что представляет собой созданное решение?

Для решения прикладных аналитических задач фонда был создан ряд информационных панелей по четырем основным направлениям: эпидемиология, медицина, социальная информация и фандрайзинг.

Так, информационная панель «Эпидемиология» дает представление о том, какие мутации встречаются в каких регионах страны, в каком возрасте, у людей каких национальностей и т.д. Здесь собраны данные по половозрастной структуре с автоматическим пересчетом данных в динамике времени. Обеспечено распределение подопечных по диагнозам, список которых постоянно расширяется. Реализован drill-down и фильтрация данных друг относительно друга.

Особую задачу представлял учет изменения половозрастного состава подопечных фонда с течением времени. В частности, ранее большинство пациентов не доживало до 18 лет. Информационная панель дает возможность наглядно оценить, каким образом помощь фонда позволила увеличить среднюю продолжительность жизни подопечных. Эта статистика важна, среди прочего, для обеспечения прозрачности данных для обоснования эффективности деятельности фонда.

Информационная панель «Медицина» дает возможность проанализировать все медицинские данные. В частности, каждый подопечный фонда прошел генетический анализ по секвенированию ДНК. Таким образом собрана огромная база данных, визуализация которых дает возможность определить, какова популяционная частота возникновения мутаций, как мутация в определенной нуклеотидной замене влияет на развитие клинической картины заболевания и т.д.

- Что в ходе проекта было самым сложным?

Определенную сложность при работе с медицинскими данными представляет их объем и разрозненность их представления, что потребовало глубокой обработки и трансформации данных на этапе построения логической модели. Analytic Workspace обладает мощным встроенным ETL-модулем на базе связки сервисов Apache Spark и Apache Airflow. Без ложной скромности хочу сказать, что мы добились одной из лидирующих позиций на российском рынке по ETL благодаря разработке и внедрению автоматических ETL-блоков для самостоятельной обработки данных, в том числе блока ML-прогнозирования. Возможности ETL-модуля позволяют решать весьма сложные задачи обработки данных.

Отмечу также, что в Analytic Worksapce имеется возможность обеспечить полную конфиденциальность и безопасность данных, что особенно важно при работе с медицинскими данными.

- Каких фактических результатов удалось достичь?

Уже сейчас аналитика, в том числе предиктивная, помогает рассчитать объем необходимого лечения и финансирования каждого пациента, что позволяет продлить срок и существенно улучшить качество жизни подопечных фонда. Обработка и анализ данных в рамках созданной аналитической системы позволила сделать ряд серьезных выводов, которые привели в частности к созданию терапевтического препарата, который будет помогать детям справляться с симптомами заболевания.

- В чем роль этого проекта?

Благодаря внедрению BI-системы Analytic Workspace с функцией ML-прогнозирования у фонда «Дети-бабочки» появились данные, которые позволяют планировать свою деятельность. Простыми словами – у каждого подопечного фонда имеются определенные проблемы с кожей. Система умеет автоматически предсказывать, какие объемы денежных средств и необходимой терапии потребуются конкретному ребенку, исходя из его клинической динамики и результатов анализов ДНК для достижения максимально благоприятного результата.

Еще один важный момент: ранее среди подопечных фонда было очень много детей-отказников. Представьте себе весь ужас родителей, когда у них рождается ребенок с таким страшным генетическим заболеванием – многие, к сожалению, отказывались от ребенка уже в роддоме. Теперь эта цифра фактически сведена к нулю, поскольку благодаря возможностям прогнозирования заболевания имеется возможность показать маме, что с этим можно жить. При правильном уходе и подобранной терапии такие дети ходят в детский сад и школу, вырастают, женятся и выходят замуж – то есть живут полноценной жизнью.

- Каковы перспективы развития проекта?

Сейчас для нужд фонда проводится внедрение машинного обучения, которое расширит существующую прогнозную аналитику и откроет новые возможности: прогнозирование развития заболевания у подопечного, прогнозирование требуемых объемов помощи, what-if анализ с учетом прогнозной модели.

- А как начет проектов в подобных организациях? Вероятно, их потребности схожи.

Благотворительный фонд «Дети-бабочки» стал нашим первым НКО-проектом. Поскольку он оказался весьма успешным и полезным для решения задач фонда, сейчас BI-система внедряется в других НКО. Так, в благотворительном фонде «АиФ. Доброе сердце» нами вместе с нашим постоянным партнером по работе с НКО компанией «Редермио» реализована сквозная аналитика с применением ML-прогнозирования для повышения эффективности фандрайзинга.

Для демократизации средств машинного обучения (ML) важным шагом должно стать создание self-service инструментов, которые позволяют провести всю работу силами одного аналитика. В «БАРС Груп» создали в своем BI-решении Analytic Workspace готовые автоматические блоки для выстраивания предиктивной аналитики на базе машинного обучения. Об одном из первых проектов – прогнозировании выручки и количества чеков, реализованном в аптечной сети «Губернские аптеки», – рассказывает Александр Кварацхелия, ведущий архитектор BI-системы Analytic Workspace компании «БАРС Груп» и номинант на премию Data Award.

- Какая проблема стояла перед «Губернскими аптеками»?

«Губернские аптеки» — это крупная государственная аптечная сеть, имеющая более 400 филиалов на территории Красноярского края, Республики Тыва и Хакассии. Перед ней ежегодно вставала задача прогнозирования розничной выручки – от его результатов зависит ряд других бизнес-процессов на предприятии. Например, качество прогноза розничной выручки влияет на будущую наценку, товарооборот, KPI для структурных подразделений, формирование бюджета, мотивацию фармацевтов и т.д.

Ранее прогноз осуществлялся в ручном режиме экспертным путем и занимал не менее одного месяца напряженной работы всего аналитического отдела компании. При этом точность прогноза была невысокой и требовала ежемесячной корректировки бюджета в течение года. Это потребовало внедрения современных инструментов для решения задачи прогнозирования выручки и количества чеков по аптекам, аптечным пунктам и ветеринарным аптекам помесячно, с детализацией для каждого структурного подразделения.

- Какой подход вы предложили?

Предиктивная аналитика как возможность заглянуть в будущее открывает перед бизнесом массу перспектив – от прогнозирования и оптимизации процессов до выявления паттернов и предотвращения проблем. Однако до сих пор предиктивная аналитика являлась серьезным технологическим вызовом для BI-систем: внедрение машинного обучения требовало коллективной работы data-инженеров, DevOps-специалистов, системных администраторов и BI-разработчиков самой высокой квалификации.

Мы решили шагнуть дальше и создать готовые автоматические блоки для self-service ML-прогнозирования, которые позволяют провести всю работу силами одного аналитика. Analytic Workspace делает машинное обучение доступным для прогнозирования широким массам пользователей BI.

- В чем его особенность?

Реализация self-service ML-прогнозирования в нашем решении стала возможной благодаря новому подходу к построению ETL-процессов, который основан на создании автоматических программных ETL-блоков, или «блоков-декораторов». Такие блоки представляют собой управляющие скрипты, каждый из которых производит определенную операцию с данными таблицы.

Важно, что библиотека декораторов доступна «из коробки», и пользователь может самостоятельно привести свои данные к необходимому виду без дополнительного программирования. Таким образом, из небольшого количества простых ETL-блоков можно конструировать большие логические модели с неограниченным количеством уровней вложенности для решения самых сложных аналитических задач.

Среди набора ETL-блоков имеются блоки ML-прогнозирования. Например, блок «ML-модель в ручном режиме» выполняет применение модели машинного обучения для обогащения вложенного объекта. «Прогнозирование временного ряда» позволяет построить прогноз вперед или назад на основании исторических данных. «Классификация/регрессия с ML-моделью» выполняет предсказание (классификацию, регрессию) для вложенной в него таблицы на основе ML-модели из внутреннего реестра моделей.

- Какие этапы включал в себя проект?

За основу прогнозной модели для «Губернских аптек» были взяты те ключевые факторы, которые должны определять значения розничной выручки с точки зрения бизнеса. Это исторически сложившаяся динамика выручки и чеков c 2019-го по 2023 год, льготный рецептурный сегмент, вид аптечного пункта и его структура продаж, конкурентное окружение в населенных пунктах присутствия, площадь торгового зала.

Для создания прогнозной модели был выбран ансамбль базовых моделей машинного обучения, каждая из которых имеет свои сильные стороны: нейронная сеть, градиентный бустинг и модель временного ряда. Обучение ансамблирующей прогнозной модели базируется на совокупности выводов базовых моделей.

- Как фактически выглядит процесс создания модели для пользователя?

Процесс работы по созданию модели ML-прогнозирования проходит в три этапа. После подключения источников данных и предварительной ETL-обработки данных во внутреннем хранилище системы, реализованном на базе Clickhouse, формируется датасет (аналитическая витрина данных) для обучения. Затем этот датасет передается на интегрированный интерфейс Jupiter Notebook, где происходит обучение прогнозной модели. Наконец, обученная ML-модель автоматически попадает в реестр моделей системы, после чего она применяется к промышленному набору данных для прогнозирования.

- Что уже успели сделать в рамках реализации проекта?

На первом этапе работы была произведена оценка качества данных, которые используются для обучения ML-модели. Точность прогнозов может быть весьма чувствительной к наличию пропущенных значений за некоторые периоды. В нашем случае такие пропуски были вызваны, например, периодическим закрытием аптек, расположенных на территории роддомов или больниц, в связи с закрытием этих медучреждений на плановую мойку. Восстановление данных было проведено с помощью автоматического ETL-блока «Функция» с использованием библиотеки Prophet. Восстановленных таким образом данных было достаточно для обучения базовой модели временного ряда.

Подготовка данных для обучения моделей «градиентный бустинг» и «нейронная сеть» проводилось путем построения матрицы признаков множественной регрессии также с помощью ETL-блоков внутри Analytic Workspace.

Подготовленные таким образом данные были переданы в интерфейс Jupiter Notebook, где базовые модели обучились по отдельности и были объединены ансамблирующей моделью для повышения точности прогноза, поскольку объем данных был недостаточен для использования какой-либо одной базовой ML-модели.

Затем обученные модели были возвращены в интерфейс Analytic Workspace и применены к данным «Губернских аптек» для построения логической модели данных, включающей прогноз на 2024 год, и последующей визуализации.

- Что было сложнее всего?

При создании self-service решений основную сложность представляет соблюдение баланса между простотой использования инструмента и сохранением достаточной функциональности. Мы решили эту проблему следующим образом. В Analytic Workspace представлен набор автоматических блоков ML-прогнозирования «из коробки», и этот список от релиза к релизу расширяется. С помощью этих блоков можно (даже на бесплатной демоверсии) осуществлять распространенные сценарии прогнозирования.

Однако для сложных случаев мы оставляем возможность создания и обучения модели машинного обучения в интегрированном Jupiter-подобном интерфейсе, который в разных модификациях используют дата-сайентисты и аналитики-специалисты для работы с ML-моделями. Так, для «Губернских аптек» потребовалось применение трех различных моделей машинного обучения и ансамблирующей модели, поскольку объем данных был недостаточным для точного прогноза с помощью какой-либо одной модели.

- Каковы первые результаты?

Уже сейчас получены результаты первого месяца работы компании, которые позволяют оценить точность ML-прогнозирования: расхождение план-факт составляет менее 10% (точность 93,6%), что является отличным результатом.

- Эффект каких масштабов можно ожидать в дальнейшем? Как точность прогнозирования может отразиться на бизнесе?

Что касается конкретного бизнеса, то безусловно очевиден эффект освобождения трудовых ресурсов аналитического отдела от ежегодной рутинной задачи ручного прогнозирования выручки и ежемесячных корректировок бюджета ввиду его недостаточной точности. Будучи уверенным в точности прогнозирования выручки, руководство компании может более эффективно перераспределять трудовые и финансовые ресурсы, принимать взвешенные решения, направленные на развитие компании,

Мы же со своей стороны имеем в планах расширение и развитие функциональности ML-прогнозирования в Analytic Workspace, пополняя библиотеку блоков прогнозирования и моделей машинного обучения, которые могут быть переиспользованы в дальнейшем.

- В чем заключается роль этого проекта?

Задача автоматизации прогнозирования в аптечной сети была успешно решена. Теперь прогнозирование выручки происходит в реальном времени, не требует ручного сбора данных и вообще участия человека.

Помимо этого, прогноз на 2024 год предупредил о некоторых критических точках снижения выручки при существующей структуре аптечной сети, что позволило управляющим заранее принять решения для предотвращения возможных негативных последствий.

Разумным и эффективным способом оптимизации производства молока является подход к учету и кормлению коров в соответствии с их индивидуальной продуктивностью. Разделение животных по группам и предоставление им соответствующего рациона, реализованное в решениях татарстанской компании РИВЦ для агропредприятий, позволяет максимально использовать их потенциал. О решении этой задачи рассказывает Нияз Халиуллин, генеральный директор АО РИВЦ и номинант на премию Data Award.

— В чем заключается суть предлагаемого вами подхода?

Суть предлагаемого подхода заключается в создании в агрохозяйствах системы индивидуального учета молока и ухода за животными, позволяющей адаптировать рационы кормления и ухода для каждой коровы в зависимости от ее продуктивности и потребностей. Он включает в себя анализ производственных данных хозяйства для эффективного разделения коров по группам и оптимизации их кормления. Этот подход позволяет увеличить прибыльность хозяйства за счет максимального использования потенциала каждого животного и снижения затрат на кормление.

— Почему это важно?

Индивидуальный подход позволяет максимально эффективно использовать потенциал каждого животного, улучшая его здоровье, продуктивность и качество продукции. Это также снижает затраты на кормление и уход, повышает производственные показатели и общую прибыльность хозяйства.

— Как родилась идея создания решения, реализующего «индивидуальный подход» к уходу за животными?

Идея родилась из наблюдений за различиями в продуктивности коров в одном стаде и осознания потенциала оптимизации ухода и кормления для повышения их производственного потенциала.

— Как вы вообще оцениваете уровень автоматизации агрохозяйств? К чему они готовы, а к чему – пока нет? Какие решения ими в целом наиболее востребованы?

Уровень автоматизации в агрохозяйствах может быть разным, но в целом сейчас многие хозяйства уже используют автоматизированные системы для мониторинга и управления производством. Они готовы к внедрению решений, которые помогут им оптимизировать процессы ухода за животными и повысить их продуктивность.

— Какие требования и принципы пытались соблюдать при создании системы?

При создании системы мы стремились к точности данных, индивидуализации подхода к каждому животному и удобству использования для пользователей.

— Что собой представляет созданное вами решение? Какие элементы оно включает?

Созданное решение представляет собой комплексную систему учета молока и ухода за животными, включающую модули учета производства молока, аналитики продуктивности, планирования рационов, мониторинга здоровья, отчетности и аналитики. Оно охватывает такие данные, как время и дата, идентификатор животного, показатель удоя, показатели состояния оборудования.

— Что, по вашему мнению, удалось особенно хорошо?

Особенно хорошо удалось оптимизировать процессы кормления и ухода, что привело к увеличению продуктивности животных и снижению затрат.

— Приведите примеры использования решения в агрохозяйствах. Каких результатов удалось достичь?

Ярким примером использования решения может служить хозяйство «Сурнай» в Балтасинском районе Республики Татарстан. Оно внедрило систему индивидуального учета молока и за год сократило затраты на кормление на 10%, увеличило среднюю продуктивность коров на 15% и снизило количество заболеваний на 20%.

Система позволила провести детальный анализ продуктивности каждой коровы, выявив различия в их производственном потенциале. Это помогло оптимизировать процесс кормления и управления животноводством, направленный на максимизацию выработки молока.

Новое решение также позволило взглянуть на эффективность работы персонала, его влияние на производственные процессы и результативность работы с животными. Это помогло выявить сильные стороны и области для улучшения в уходе за животными. Наконец, благодаря более точному учету и управлению производством молока, ожидается дальнейшее улучшение ключевых показателей производства, таких как общий объем произведенного молока, эффективность использования кормов, здоровье и репродуктивная способность животных.

— Какие эффекты можно считать наиболее показательными?

Наиболее показательными эффектами использования решения можно считать увеличение производства молока, снижение затрат на уход и кормление, а также улучшение здоровья животных.

— В чем роль проекта для отрасли?

Предложенный подход к учету и кормлению коров в соответствии с их индивидуальной продуктивностью является разумным и эффективным способом оптимизации производства молока. Разделение животных по группам и предоставление им соответствующего рациона позволяет максимально использовать их потенциал, увеличивая производство молока и снижая затраты на кормление.

Такой подход также способствует улучшению общего здоровья животных и предотвращению возможных проблем со здоровьем и воспроизводством. Путем адаптации рационов под конкретные потребности каждой группы коров можно также снизить риск развития заболеваний и увеличить продолжительность их жизни, что дополнительно способствует увеличению валовой прибыли.

Таким образом, разделение коров по группам и индивидуальное кормление в соответствии с их продуктивностью является логичным шагом для оптимизации производства молока и повышения эффективности хозяйства.

— Какими аргументами можно убедить собственников инвестировать в ИТ?

Главное – показывать потенциальные экономические выгоды от внедрения технологий, демонстрируя успешные кейсы. Повышение эффективности производства и конкурентоспособности является серьезным аргументом.

— В каком направлении будет развиваться решение?

В дальнейшем решение будет развиваться путем улучшения алгоритмов аналитики, интеграции с другими системами управления хозяйством, а также добавления новых функций, например, прогнозирование продуктивности и здоровья животных.