Data Award

В Ростелекоме реализован проект Self-Service Analytics Platform, в результате которого удалось создать платформу для работы с данными, которую можно быстро и без серьезных затрат развернуть в любом достаточно крупном бизнес-подразделении. При этом фактически используется формат франшизы – команда проекта снабжает подразделение всем необходимым для выстраивания функции. О реализации проекта и его роли для компании рассказывает Дмитрий Тарасов, директор центра разработки аналитических решений «Ростелеком Корпоративные Системы» и номинант на премию Data Award.

- Расскажите об истории проекта.

Проект Self-Service Analytics Platform (SSAP) изначально родился как ответ на вызов, связанный с острой потребностью в аналитических решениях и интерактивной отчетности. Он реализовывался для сверхкрупной функции работы с дебиторской и кредиторской задолженностью «Ростелекома» и стартовал более трех лет назад. В силу большого количества процессов, данных и постоянно меняющейся обстановки в процессах, традиционная разработка «в граните и на века», очень плохо ложилась на потребности стейкхолдеров, выглядела крайне дорогостоящей и весьма тяжелой. Усугубляла ситуацию и классическая проблема крупных, слабо централизованных компаний – необходимых данных либо вовсе не было в доступе, либо они были фрагментарные и не сказать, что очень качественные. Выход был найден в создании развитой self-service функции работы с данными и аналитикой, которую пришлось делать значительно более «прокачанной» технически, чем это обычно принято.

- В чем заключалась проблема?

Часто под self-service ограниченно понимают возможность самостоятельно обратиться к готовым данным и сформировать несложный дашборд или выгрузку. В нашем случае все обстояло куда печальнее – нам нужно было упаковать в self-service весь цикл работы с данными: от обследования систем-источников и интеграционных решений до развитого хранилища данных и BI-подсистемы. При этом система должна была остаться гибкой для изменений, обладать сравнительно дешевой стоимостью владения, не требовать сверхквалифицированных специалистов для обслуживания и развития, позволять бизнесу вести классическую self-service аналитику, формировать регламентные отчеты с высоким качеством данных (до четырех «девяток» включительно) и оставаться масштабируемой.

Звучит немного фантастично, но за два года работы мы это сделали: разработали компонентную модель решения и общую архитектуру, подобрали оптимальный стек, выстроили организационную и процессную модель, реализовали всю эту красоту технически, снабдили средствами мониторинга и администрирования, настроили каналы уведомления юзеров и поддержки о проблемах, внедрили автоконтроллинг качества данных, разработали набор метрик самоконтроля эффективности и благополучно «взлетели».

- Успешный «взлет» обычно провоцирует повышенный интерес к решению…

Да, довольно быстро мы поняли, что получившаяся функция работы с данными востребована не только внутри подразделения, работающего с дебиторской задолженностью. Она очень хорошо подходит для всех кейсов, когда разработка «Большого ИТ» или использование вендорских решений не подходит – по финансовым, организационным или политическим причинам. И таких зон в крупной организации много, гораздо больше, чем нам изначально казалось. Максимальная их концентрация, что весьма логично, пришлась на Общий центр обслуживания (ОЦО), как держателя функций поддержки, которые обычно не могут себе позволить тратить слишком много на ИТ-решения. И на этом этапе перед нами встал новый вызов – как масштабировать подразделение, работающее с данными, и его функционал на совершенно новые предметные области, которые еще и по объему данных дадут нам десятикратный прирост.

- Какой подход выбрали к решению задачи?

Нас спасли изначально верно подобранная архитектура, хорошо масштабируемая организационная модель и упаковка решения в контейнеры – в прямом и переносном смысле. Технические решения были виртуализированы почти сразу, для используемых инструментов развернут единый репозиторий, процесс разработки адаптирован под CI/CD поставки параллельных команд, а для команд, работающих над техническими решениями, введена специализация на предметных областях.

Кстати, команды зачастую формировались непосредственно из бизнес-среды вокруг сильного ядра. Например, команда, работающая над задачами аналитики и отчетности операционных подразделений HR, формировалась полностью из аналитиков внутри самого HR. Ребята прошли обучение производственному процессу, подтянули технические навыки, поработали 2-3 месяца с выделенными наставниками и вышли в «свободное плавание». Само собой, соблюдая требования и нормы процесса и оставаясь в зоне контроля основной команды.

Говоря в общем, мы стандартизировали процессы подготовки и развития команд self-service разработки, внутри них внедрена специализация сотрудников: бизнес-аналитик, дата-инженер, BI-разработчик. Были стандартизированы и кодифицированы принципы управления – от формата ведения плана до графика регламентных встреч. При этом мы постарались максимально сохранить сильные стороны self-service: гибкость, отзывчивость к изменениям, низкую стоимость владения, хороший показатель time-to market.

- Что в итоге получилось?

Как итог, мы получили уникальный, как нам кажется, продукт, который позволяет разворачивать функцию self-service работы с данными практически в любых условиях, не имея ограничений на тип источников, сложность интеграций, особенности ИТ-ландшафта. Решение не сильно требовательно к инфраструктуре, не сильно нуждается в «звездах» ИТ. Причем, что важно, мы не ограничиваемся только технической стороной вопроса. В нашем подходе учитываются вопросы подбора, развития, встраивания новой функции в организационную модель, настроенный процесс работы и даже работа с комьюнити в области данных.

Использованный нами технологический стек либо входит в реестр отечественного ПО, либо относится к open source, а процесс легко стыкуется с функцией RPA, развитием Data Science решений и с разработкой средств малой автоматизации.

- Как новое решение отразилось на бизнес-результатах?

За счет внедрения эффективных средств анализа работы с дебиторской и кредиторской задолженностью, своевременного выявления возможных и уже случившихся проблем с оплатой, выявления проблем и ошибок в данных, ежегодный прямой эффект составил более 100 млн руб. С учетом срока полезного использования системы в 10 лет, суммарный эффект превысит миллиард дополнительного денежного потока.

Эффект на оптимизацию резерва на сомнительные долги достигает более 50 млн руб. в год, то есть более 0,5 млрд руб. за срок жизни решения компания получит плюсом в операционный доход до вычета амортизации основных средств и нематериальных активов (OIBDA) и валовую маржу.

Аналитическая платформа работы с качеством процессов уже позволила улучшить ситуацию с качеством внутреннего сервиса на 8-10%, прогнозируется дальнейший рост показателя. Аналитика производительности сотрудников позволила высвободить более 40 FTE (full-time employee — «эквивалент сотрудника с полной занятостью»), и это еще не предел. В ходе внедрения системы выявлялось и исправлялось огромное количество неоптимальностей в процессах, внедрялись цифровые метрики, вводились автоматизированные KPI.

Сроки подготовки отчетности улучшились от 12% до 1000% – часть отчетности и аналитики стала формироваться до 10 раз быстрее. Как пример – если для подготовки отчетности о движении дебиторской задолженности с локализацией проблем до клиента и договора ранее требовалось до 45 дней с момента готовности данных (долгая консолидация данных, медленный анализ, выверка и исправление ошибок), то теперь на это уходит не более двух дней, из которых один – машинное время отработки конвейеров расчета и подготовки данных.

Выросло качество данных за счет постоянного их использования и внимания к результатам в цифрах. Нам удается поддерживать этот показатель на уровне не ниже 99%.

- Как новые технические возможности отразились на корпоративной культуре?

У нас сформировалось устойчивое дата-комьюнити, уже способное решать достаточно серьезные технические задачи. В значительной степени завершен процесс перехода на data-driven модель управления процессами в ОЦО. Фокус внимания аналитических подразделений сместился с бесконечной подготовки данных и формирования полу ручных отчетов на саму аналитику, то есть выявление и исправление проблем и «бутылочных горлышек». Кое-где функция дозрела до полноценной предиктивной аналитики, да и накопленные данные уже позволяют ею заниматься.

Если говорить о внутренних метриках, то за три года количество регулярных пользователей BI-отчетности приблизилось к 5 тыс. человек, а количество просмотров отчетов в месяц перевалило за 30 тыс.

- Какова роль этого проекта для бизнеса «Ростелекома»?

В результате проекта мы создали платформу для работы с данными, которую можно без сверхусилий и без серьезных затрат развернуть в любом достаточно крупном бизнес-подразделении. Это, в свою очередь, позволяет выстроить data-driven культуру работы с процессами, сократить потери, улучшить качество и скорость реакции на изменения. В целом, это позволяет намного лучше управлять процессами и бизнесом.

Аналогично тому, как при франшизе кофейни клиент, соблюдая свод правил, получит работающую кофейню, так и у нас – соблюдая не слишком сложный и адаптированной для развертывания в любой среде процесс и правила, а также пользуясь набором наших инструментов, упакованных в контейнеры и репозитории, удобной базой знаний и поддержкой, клиент получит функцию работы с данными и SSAP.

При этом мы не претендуем на роль «Большого ИТ», наша платформа вполне позволяет уживаться «на одной поляне» и с ним, и с командами бизнес-подразделений, выстраивая тесную координацию и симбиоз. Более того, именно так мы всегда и рекомендуем делать, отдавая в «Большой ИТ» системные и наиболее тяжелые интеграционные решения, а также системы с критической и закритической стоимостью рисков. А командам «на земле» можно оставить функцию классического self-service, отработку быстрых гипотез, ad-hoc задачи и непосредственно анализ.

- Каковы направления дальнейшего развития проекта?

Их несколько. С одной стороны, мы продолжаем натуральный экстенсивный рост, охватывая новые предметные области, процессы и показатели. Исходя из нашего понимания процессов и функций «Ростелекома» на сегодня, мы рассчитываем нарастить охват целевой аудитории до 10 тыс. уникальных пользователей в месяц и «пробить» показатель в 50 тыс. просмотров отчетности ежемесячно уже через полтора, максимум два года. В том числе за счет дальнейшего проникновения функции работы с данными в транзакционные подразделения и подключение новых предметных областей.

С другой стороны, мы планируем и далее развивать нетехнические стороны проекта: внедрить полноценную школу self-service команд, улучшить обучение владельцев продуктов, развивать комьюнити. Продолжаем систематизировать процесс продвижения разработанных продуктов и сервисов, обучение работе с ними для конечных пользователей. Развиваем площадку для кросс-коммуникаций self-service команд внутри компании.

Безусловно, будем уделять время росту качества self-service решений и контролю их соответствия общей ИТ-стратегии «Ростелекома» и стратегии работы с данными. В это отношении уже проделана большая работа, причем мы внимательно следим за балансом, стараясь не допустить излишней бюрократии или избыточного утяжеления процессов разработки.

Ну и наиболее интересным лично для меня направлением проекта является его интенсивное развитие за счет встраивания в функцию работы с данными ИИ-решений и упаковывая их в единый метаконтур работы с данными. Причем как со стороны интенсификации разработок, создания нового качества в процессе, так и для новых продуктов и сервисов, ориентированных на конечных пользователей.

Если же говорить про финансовые и экономические перспективы проекта, то мы смотрим в будущее с осторожным оптимизмом, так как за все время проекта у нас не было откровенно убыточных продуктов и команд – всегда появлялся эффект, позволяющий выводить итог работы команды в плюс.

В условиях динамичного развития инфраструктуры крайне важно контролировать этот процесс, обеспечивая заинтересованных специалистов необходимыми данными. В Сбере с этой целью разработали и запустили «Единую аналитическую систему данных об инфраструктуре», обеспечивающую сквозную аналитику по ключевым процессам жизненного цикла ИТ-инфраструктуры. О реализации этого проекта рассказывает Анастасия Евланова, главный эксперт Управления внедрения технологий защиты инфраструктуры Департамента инфраструктурных решений «Сбера» (SberInfra) и номинант на премию Data Award.

— Что стало причиной создания системы? Какие проблемы требовалось решить?

За последние годы «Сбер» качественно и количественно вырос как в своих прежних банковских продуктах, так и в новых инициативах для клиентов. На каждый продукт, систему, инновацию требуется ИТ-инфраструктура.

Оптимальный жизненный цикл инфраструктуры состоит из четырех основных процессов: планирование, бюджетирование, выдача и эффективная эксплуатация. Именно совместное функционирование этих процессов позволяет эффективно управлять инфраструктурой и обеспечивать внутренние команды ресурсами тогда, когда это необходимо.

До внедрения нашего решения эти процессы были плохо связаны, из-за чего возникали ошибки, так как бизнес-заказчик или другой участник процесса не мог получить сводной информации об инфраструктуре в рамках ландшафта конкретной автоматизированной системы или группы систем.

Идея заключалась в создании системы, обеспечивающей сквозную аналитику по ключевым процессам жизненного цикла ИТ-инфраструктуры.

— Какой выбрали подход, какие требования предъявлялись к создаваемому решению?

Мы руководствуемся мировыми тенденциями внедрения data-driven подхода для принятия решений. В компании уже реализовано не одно решение по сбору и обработке информации, выработаны технические стандарты, но каждый из проектов имеет отдельную бизнес-ценность.

Для нашей системы ключевыми были требования по автоматизации сбора данных из множества внутренних систем, связи этих данных между собой, расчетам метрик и объединении детализированных данных ИТ-инфраструктуры в одном месте – единая система.

Дополнительно, мы сразу закладываем возможность по переходу на self-service аналитику: разовые или неприоритетные аналитические исследования данных важны для конкретных задач, но с ними пользователи могут справиться и самостоятельно после предоставления доступа и обучения.

— В чем суть созданного решения?

«Единая аналитическая система данных об инфраструктуре» решает проблему отсутствия прозрачных и достоверных данных об основных процессах инфраструктуры. В результате получается сквозная аналитика, владелец инфраструктуры может проверить и отследить свое оборудование по всем шагам: заявки при планировании, ее параметры и статус, выделенный бюджет, статус по настройке конкретного оборудования и сроки его выдачи, а также эффективность использования полученной инфраструктуры.

Важно, что данные поставляются оперативно и с гибкими настройками для каждого пользователя – от верхнеуровневых показателей для менеджмента до детальных данных по каждому серверу, ИТ-продукту, приложению и автоматизированной системе.

— Какие данные охватывает система?

Мы получаем данные из внутренних систем, которые собирают информацию о текущем состоянии ИТ-инфраструктуры. К ним относятся данные о загрузке ИТ-инфраструктуры из систем инфраструктурного мониторинга и сбора метрик, данные о характеристиках конфигурационных элементов и их связях с системами банка, информация по управлению этими элементами из системы управления и автоматизации ITIL- и ITSM-процессов банка.

Кроме того, работаем с данными по всему жизненному циклу инфраструктуры. Нами охвачены системы планирования и бюджетирования, система заказа инфраструктуры, система управления внутренним облаком, система управления ресурсными пулами инфраструктуры, система автоматизированного управления ИТ-инфраструктурой.

В хранилище данных построены преобразования данных, расчеты и агрегация в виде витрин в различных временных срезах для отслеживания динамики эффективности использования ИТ-инфраструктуры.

— На какой платформе реализовано решение?

Центром системы стало хранилище для сырых и преобразованных данных на платформе Hadoop, стандартных обвязок с базой метаданных PostgreSQL, сервисами журналирования и мониторинга. Аналитика и визуализация данных реализована на BI-платформе Qlik в виде информационных панелей и дашбордов, логически связанных между собой. Так как конечный пользователь взаимодействует именно с BI-платформой, то ролевая модель с разграничением видимости данных реализована тоже в Qlik.

— Что является «фишкой» решения? Чем можно гордиться?

У нас 16 различных источников данных по ИТ-инфраструктуре, которые мы изучили, связали между собой, рассчитали, автоматизировали сбор, агрегировали, визуализировали и на все это еще и написали документацию. При этом в каждой системе есть свои нюансы, нужно «вычищать» сырые данные от ошибок сканирования или некорректных записей, отлавливать систематические отклонения от процессов и проводить корректировки, понимать и применять методологию расчета, которую нам рассказывают аналитики систем.

Мы смогли разработать витрины, которые показывают данные обо всех аспектах инфраструктуры – утилизация, аллокация на конкретные продукты, финансовые аспекты и прочее – и сделали это не только для облачной инфраструктуры, но и для традиционной legacy. Все это позволяет управлять не только инфраструктурой, но и различными проектами по повышению ее эффективности или отказу от устаревших и высокозатратных решений.

Вызывает гордость и то, сколько людей поучаствовало в реализации этого решения. Мы взаимодействовали практически с каждой командой Департамента инфраструктурных решений: кто-то выступал в роли поставщика требований, другие в роли источника данных, а у кого-то мы были внутренним клиентом.

— Приведите пример того, как изменились работа пользователей благодаря системе.

Во многом у наших пользователей появилась возможность увидеть нужные им данные или витрины. Например, на этапе формулировки требований к отображению инфраструктурного слоя системы контейнеризации приложений на общей ресурсно-сервисной модели и исследования данных владелец продукта нашел проблему в процессе учета и установки конфигураций. После вывода данных на интерфейс он смог контролировать процесс решения этой проблемы в динамике.

— Какие результаты достигнуты и ожидаются?

Мы автоматизировали получение прозрачных и детальных данных обо всех этапах жизненного цикла элементов ИТ-инфраструктуры, начиная от подготовки оборудования до вывода его из эксплуатации, благодаря чему было найдено legacy – неиспользуемое устаревшее оборудование в ЦОДах, а также оптимизировано и перераспределено недостаточно утилизированное используемое оборудование.

Так как данные и соответствующие показатели стали доступнее и прозрачнее для всех участников процесса подготовки новой ИТ-инфраструктуры, то количество выданного оборудования в требуемый срок увеличилось с 58% до 97%.

Благодаря запуску этой системы, банк сэкономил тысячи человеко-часов на трудоемкие ручные выгрузки и расчеты, а менеджмент получил удобную консоль управления процессами.

— Пытались ли оценить эти эффекты в деньгах? И вообще о каких масштабах оптимизации может идти речь?

Мы можем прозрачно оценить влияние оптимизации по внутренней модели тарификации, которую ведут в нашем департаменте. По этой задаче все уже рассчитано: аналитическая система помогла отследить неиспользуемое, низкоутилизированное и неэффективное оборудование, оптимизация которого позволила сократить затраты на новую инфраструктуру на несколько процентов, что в объеме бюджета на ИТ-инфраструктуру – значительные средства.

Объем самой компании «Сбер» колоссальный, для ее функционирования требуется много серверов, систем хранения данных, баз данных. Точные цифры я не могу называть из-за условий неразглашения, но у «Сбера» самый большой ЦОД в России, и при этом он не единственный. И теперь данные об этом оборудовании сведены в одной системе.

— Каковы перспективы развития проекта?

Мы планируем не только дальше увеличивать охват данных и процессов, но и делиться этими данными с другими автоматизированными системами банка по интеграционным взаимодействиям, обеспечивая преемственность методик анализа эффективности бизнес-процессов.

Сейчас смотрим в сторону машинного обучения с целью создания рекомендательной системы по клиентским путям. Внутренние клиенты проходят схожие действия от заявки на сервер до вывода его из эксплуатации. Часть этого пути уже автоматизировано, но вручную найти детали и проблемы остальной части пользовательского пути бывает трудоемко. Поэтому мы решили использовать имеющиеся данные, чтобы сократить трудозатраты и объем ручной работы.

И, конечно, мы планируем перенести BI-платформу на продукт российского вендора или внутренний продукт.

Мобильные робоплатформы способны заменить человека в выполнении рутинных процедур. Они действуют точно и быстро, ограждая человека от работы в опасных условиях. Роботы — колесные, гусеничные, четырехопорные, — могут передвигаться без вмешательства человека, собирать данные и передавать их для решения разного рода задач. Компания 3Logic Group создала ПО «Вектор» для автономной навигации мобильных роботов. Об этом проекте и возможностях интеграции роботов в технологические процессы рассказывает Илья Каинов, руководитель направления роботизированных систем 3Logic Group и номинант на премию Data Award.

- Насколько востребованы робоплатформы нынешними компаниями? Какой портрет типичного клиента?

Мы видим колоссальный интерес к роботизации. Как доказательство — за первые два месяца этого года мы получили больше запросов с рынка, чем за весь 2022 год.

В основном мы работаем с крупными компаниями добывающего сектора. Это зрелые компании с развитым направлением цифровизации и выделенными инвестициями на проекты. Они находятся в поиске решений своих задач совсем на ином уровне инноваций.

- Каковы типичные варианты их использования?

Классическая задача для робота — собирать, анализировать и передавать данные разного формата. В базовых сценариях, без использования дополнительного оборудования роботы фиксируют фото- и видеоизображение, используют средства видеоаналитики.

Если робоплатформа применяется для специфических задач, то на нее устанавливается дополнительное оборудование — лидары (лазерные радары), газовые анализаторы, тепловизоры и пр. Информация с оборудования в режиме реального времени передается оператору, либо записывается на внутренний носитель платформы и обрабатывается после возвращения на домашнюю станцию.

- С какими роботами вы работаете?

Экспертиза нашей команды сосредоточена на мобильных роботах. Это колесно-гусеничные и четырехопорные устройства — робособаки. В ближайшее время в нашем портфеле ожидается пополнение — мы первыми в России получаем робота-гуманоида.

- Что представляет собой созданное вами решение?

Наше ПО для автономной навигации мобильных робоплатформ разработано на основе open source фреймворка Robot Operation System (ROS). Помимо мобильного приложения для контроля активности робота и перевода управления из автономного режима в ручной, оно включает в себя модули навигации в закрытых помещениях и на открытом пространстве. Софт позволяет строить карты территорий, сохранять маршруты движения роботов с необходимыми остановками и длительностью, распознавать препятствия на пути и передвигаться с их учетом. С помощью нейросетей робот огибает ямы, перешагивает барьеры, распознает разноуровневые поверхности и лестницы и адаптирует свое движение к ним.

- Что самое сложное в создании такой системы?

Основная сложность разработки такого ПО находятся в организационной плоскости. Самое трудное это собрать команду узкопрофильных специалистов: программистов по нейросетям, по 3D SLAM, экспертов по локализации, тестированию и пр. Сегодня это «задача со звездочкой». На рынке колоссальный дефицит кадров по робототехнике. В 2023 году Минцифры России оценивало потребность в 200 тыс. специалистов и признавало, что выпускников программ по робототехнике намного меньше.

Вторая трудность заключается в отсутствии не просто бенчмарков, но и референсов как таковых. То, что мы сейчас делаем, не делал никто — ни в нашей стране, ни в мире. Быть первопроходцем увлекательно, но нет опыта, на который можно было бы опереться. По сути, мы сейчас с нуля ищем решение задачи, которой ранее не стояло.

- Насколько серьезно «начинка» аппарата отличается в зависимости от используемой платформы – например, у робособаки по сравнению с гусеничной основой?

Роботы с двумя опорами стабильнее и проще по своей архитектуре. У робособаки четыре опоры, это более сложное с точки зрения навигации устройство. Поэтому бионические модели как минимум в 1,5 раза мощнее по производительности, чем колесно-гусеничные. Производительность зависит еще и от числа датчиков. Например, если устройство использует, помимо камеры и лидара, еще и звуковые датчики, GPS — это также увеличивает требования к объемам оперативной памяти.

- Откуда берутся данные для обучения нейросетей? О каких объемах идет речь?

Роботы учатся на фотографиях из Интернета. Например, чтобы он смог гарантированно открыть дверь рукой-манипулятором, используя дверную ручку, нужно загрузить в нейросеть не менее 1 тыс. фотографий дверных ручек. По аналогичной схеме мы учим роботов «видеть» ямы, лестницы, барьеры, которые можно просто перешагнуть, и пр.

- В чем «фишки» созданного вами решения?

В основном в устройствах, которые предлагаются на рынке, навигация — неотъемлемая часть роботизированной платформы. Наше ПО универсально. Оно успешно применяется на любой известной нам мобильной робоплатформе, поддерживающей определенный набор системных требований.

- Адекватно встроить робота в процессы компании — сложная задача?

Каждый кейс использования робота в технологическом процессе требует интеграции. Как это происходит? В первый раз на объект заказчика с роботом выезжают инженер и программист, чтобы построить карты территории и обучить персонал работать с устройством. Это базовый этап, которой может выявить необходимость в доработке ПО под уникальные условия заказчика.

- Как показывает практика, насколько сильно приходится адаптировать функционал под конкретных заказчиков, «дообучать» роботов?

ПО «Вектор» не может из коробки покрыть все возможные особенности ландшафта и задач заказчика. Они требуют отдельной проработки. Например, если на заводе есть перепад поверхности пола в 10 градусов, то в зависимости от окружения в цеху робот может распознать этот уклон как минус первый этаж. Нельзя спрогнозировать заранее, как устройство воспримет особенности ландшафта своими датчиками. Получается, что каждый проект предполагает кастомизацию решения, а будет ли она незначительной или существенной — зависит от объекта и требований заказчика.

- Какие результаты могут быть достигнуты с помощью применения робоплатформ?

Мобильные робоплатформы имеют большой потенциал использования в промышленности и строительстве — эти отрасли по умолчанию опасны для нахождения человека. Опыт применения роботов в этих сферах уже есть.

Робособаки использовались для проведения геодезических работ на строящихся объектах. Робот под управлением системы «Вектор» проходил заданные маршруты в помещениях стройплощадки. На робособаке было установлено сканирующее оборудование весом 2,5 кг. В отличие от колесных платформ, робособака свободно перемещается по помещениям и лестницам, перешагивает через препятствия. Сканирование пространства проводилось непрерывно, и на получение 3D-модели объекта площадью 2 тыс. кв. м затрачивалось 12 минут. Геодезисту высокой квалификации на выполнение этой задачи требуется порядка трех часов. При этом отклонения в 3D-модели помещения, полученного с помощью робота, не превышали 2 см. Созданная 3D-модель строительного объекта сравнивается с изначальным проектом, и это помогает быстро выявить ошибки и устранить их.

- Приведите другие примеры использования робоплатформ.

Один из кейсов — предотвращение потери металла на металлургическом заводе. Роботы определяют температуру оборудования, которое долго подвергается высокой температуре, и его структурные повреждения. Собранные данные в режиме реального времени передаются оператору. Это помогает предотвращать разрушение оборудования и многомиллионные потери из-за утечки металла. Похожий сценарий связан с диагностикой механических неисправностей в поездах. Робоплатформы проводят мониторинг колесных пар подвижного состава, выявляют перегрев технических узлов и дефекты.

Другое важное направление — охрана труда. Робоплатформа патрулирует производственную площадку и проверяет носят ли рабочие экипировку — каски и спецодежду. В результате одного такого проекта использование средств защиты выросло на 40%. Еще один вариант «полицейских» функций — выявление незаконного строительства. Мобильные роботы обходят заданную территорию и обнаруживают объекты, которых нет на официальных градостроительных планах. Для этого они используют загруженные проектные планы города и соотносят их с реалиями.

Если говорить об использовании специфического оборудования, то показательна история с газодетекцией. На нефтяном заводе мобильный робот используется для обнаружения опасных газов. Территория завода круглосуточно сканируется на утечки метана.

- Как вы видите развитие рынка робоплатформ? Какие направления наиболее перспективны?

Рынок робототехники в нашей стране уверенно развивается. В это направление вкладываются российские технологические гиганты, возникает множество нишевых стартапов. По нашим оценкам, объем рынка промышленных роботов в нашей стране по итогам 2023 года не превышает 1 млрд долл. Мы сейчас на этапе накопления экспертизы.

Потенциал в сегменте огромный. Правительство планирует увеличить на 20% число бюджетных мест для студентов по робототехнике. А эти специалисты могут обучаться только на робоплатформах. Соответственно, в ближайшее время роботы все больше будут проникать в сферу исследования и образования.

Еще одно направление использования мобильных роботов — сервисная сфера. Мы уже начинаем привыкать, что в клиниках, супермаркетах нас встречают роботы-разносчики, и эти проекты — только начало большого тренда.

Логистическая сфера также будет активно осваивать промышленную автоматизацию с помощью роботов. В этой области уже нет необходимости доказывать эффективность роботизированных устройств, они показывают быстрый результат и короткий срок окупаемости.

- Что нас отделяет от того, чтобы использование робоплатформ стало более массовым?

На макроуровне это неопределенность. Внедрение роботов чаще всего происходит в рамках инвестиционного проекта, а они расцветают, лишь когда возможно долгосрочное планирование. Второй барьер проникновения роботов в промышленную и городскую среду — ментальный. Пока поиск решения тех или иных задач происходит в привычной парадигме — например, есть потребность инспектировать территорию — нанимают сотрудника. Но за последнее время этому ходу мышления приходится меняться. Наши заказчики говорят, что им с каждым годом сложнее найти людей на позиции с простым функционалом, не требующим квалификации. Например, инспекторские и охранные вакансии попросту непривлекательны на рынке труда. И роботы как раз могут решить эту проблему.

Доступность всех производственных данных является основой для выстраивания систем управления предприятием. Подход Continuous Intelligence (СI), предлагаемый «Дата-Центр Автоматика» в своих решениях, позволяет решить проблему объединения разнородных данных и оптимизации работы предприятий в реальном времени на их основе. Об этом рассказывает Дмитрий Беренов, директор по инновациям «Дата-Центр Автоматика» и номинант на премию Data Award.

— В чем заключается суть решаемой вами проблемы?

Одной из ключевых проблем в оптимизации работы предприятий является тотальная разнородность данных в производственных цепочках. Например, консалтинговая компания Eckerson Group в обзоре «Continuous Intelligence: связь между интеграцией, аналитикой и эксплуатацией данных» прямо указывает, что информационные системы и операции сильно различаются в зависимости от отрасли и даже компании. Морская платформа для бурения нефтяных скважин требует иных систем, чем автомобильный завод, а коммерческому банку требуются другие приложения, чем розничному продавцу. Более того, неоднородность данных может наблюдаться даже в рамках одной отрасли и одного предприятия. В металлургии процессы выплавки стали и обработки металлов давлением имеют совершенно разную физическую природу, но связаны как передельные цепочки для выпуска готовой продукции.

— Почему это важно для предпприятий?

Данные предприятий должны быть прозрачны и доступны для производственного персонала. Управление производством должно осуществляться на основе данных. Между тем, термин Continuous Intelligence в России малоизвестен и даже не переведен на русский язык. Наша цель – сделать подход CI известным и широко применяемым. Мы даем методологию, инструменты и платформы для достижения данных целей.

Нами разработаны и уже внедрены на крупных металлургических предприятиях платформы для реализации решений СI в промышленности.

— Что было сделано в рамках проекта?

Для внедрения СI нами реализован новый подход к производственным данным, который исключает разделение описания структур данных под отраслевую, физическую и иную предметную специфику. Программное обеспечение платформы Data-Track приводит поток производственных данных к единой консолидированной структуре. На основе единых и консолидируемых данных строятся промышленные CI-системы. Платформа Expert Base отвечает за извлечение информации из единой структуры. Эта система гибких запросов предоставляет интерактивный доступ к данным (без ИТ-специалиста) и дает инструменты для глобального анализа данных предприятия. А платформа Data-Plan – открытая система решений для управления, планирования и оптимизации производства.

Платформы горизонтально масштабируемы и могут быть развернуты в составе цеха, производства, предприятия, холдинга. Также предусмотрен инструментарий работы с большими данными.

— Как это выглядит на практике?

Поясню на примере. Допустим, на фанерной фабрике оператор станка иногда поправляет лист фанеры, и это занимает до двух минут. Эти микропростои накапливаются и снижают эффективность работы. В классическом варианте BI аналитик увидит микропростои и выдаст рекомендацию. В случае же использования CI система Data-Track автоматически в реальном времени зафиксирует снижение темпа, а Data-Plan будет планировать листы этого типоразмера на другой станок, где нет необходимости поправлять лист.

— Есть ли примеры реализации такого подхода в масштабных системах?

В сталеплавильном производстве НЛМК с помощью платформы Data-Track и модуля Data-Plan был реализован цифровой сервис «Гефест», выстраивающий внутрицеховую логистику и диспетчеризацию для сталеплавильного производства.

«Гефест» представляет собой комбинацию систем расчета оптимального плана движения стальковшей и постоянной подстройки математической модели на базе анализа уже совершенных операций. В Data-Track хранятся данные о фактически реализованных сценариях производства, на основе которых в модуле планирования формируется функция целевых коэффициентов оптимизации. Таким образом, планирование производственных процессов всегда опирается на актуальные данные – релевантные и наиболее эффективные маршруты производства по типам продукции, статистические средние показатели длительности обработки по типам продукции и классам агрегатов и т.п.

В частности, определенный технологический маршрут может стать приоритетным для некоторого типа продукции по ряду причин, в том числе связанных с экспертизой эксперта-технолога. Подобные эвристические критерии расставления приоритетов могут оказаться достаточно сложны в формализации и классифицируются как система с нечеткой логикой. Инструменты CI позволяют проводить анализ таких систем и приводить их к фундаментальной структуре с последующим применением широкого спектра методов и алгоритмов математического программирования. Можно сказать, что система постоянно «учится», чтобы при планировании учитывать факторы и решения на уровне эксперта-технолога. Работа происходит, как и требует методология CI, в реальном времени.

— Какие данные и какие платформы для работы с данными используются?

Для построения CI-решений используется весь набор данных предприятия – от данных по заказам до данных, собранных с систем управления агрегатами и отдельных датчиков. Для работы с данными мы используем платформы собственной разработки, как было сказано выше.

— Достижения каких результатов можно ожидать в результате реализации подобных проектов?

Платформы успешно внедрены на крупных металлургических предприятиях. Их используют такие флагманы промышленности как «Северсталь», НЛМК, «АрселорМиттал Темиртау» (Казахстан), Абинский Электрометаллургический завод. Согласно опубликованным ими данным, могут достигаться такие результаты, как рост производительности труда на 10%, сокращение простоев на 15%, рост энергоэффективности на 20%, экономия материалов на 7%.

В 2024 году мы ожидаем появления доказанных результатов от применения наших платформ в цветной металлургии и фармацевтике.

— В каком направлении будет развиваться платформа?

Мы хотим сделать так, чтобы работа с данными в промышленности велась не только на уровне специалистов по работе с данными (дата-сайентистов), но и на уровне технологического персонала. CI – это новая ступень в производственной аналитике. Можно сказать, что CI автоматизирует BI. Мы будем развивать платформу так, чтобы сделать работу с данными на уровне персонала простой и понятной.

Команда кластера «Кампании продаж» Сбербанка внедрила в работу модель Look-Alike – подбор предложений продуктов клиентам, исходя из их схожести с клиентами, уже использующими тот или иной продукт. В результате конверсия в продажи в среднем выросла в 1,6 раза, а финансовый эффект за 2023 год составил более 21 млрд руб. О роли этого проекта и подходах к его реализации рассказывает Сергей Щукин, исполнительный директор Сбербанка и номинант на премию Data Award.

— В чем заключалась проблема, которую пытались решить?

Если коротко, то мы решали проблему индивидуализации набора потенциальных продуктов под каждого клиента. В России порядка 7,5 млн юридических лиц и индивидуальных предпринимателей, и каждый из них обладает уникальным набором потребностей. А теперь добавьте к этому все многообразие продуктов и сервисов, которые предлагает группа Сбербанк для своих клиентов. В таких условиях мы поняли, что нам нужно решать эту задачу системно с применением моделей машинного обучения.

— Почему это важно для бизнеса?

Во-первых, и самое главное, выгоду получает сам клиент, так как ему предлагаются те продукты, которые действительно ему нужны и помогают развивать его бизнес, на опыте миллионов предпринимателей страны. Во-вторых, это способствует ускоренному тиражу пилотных продуктов на рынок. Мы стали быстрее понимать фактическую целевую аудиторию и тиражировать продукты на всю страну. В-третьих, это экономит время нашим сотрудникам, так как мы не предлагаем продукты, если понимаем, что они не подходят для конкретного юридического лица или ИП.

— Какой подход выбрали?

В основе подхода лежит систематизация знаний о клиентах, которые уже накоплены Сбером, и поиск схожих черт, кластеризация похожих по определенным признакам клиентов. Такой анализ не под силу даже нескольким десяткам аналитиков, потому нами была разработана модель машинного обучения.

— Какие данные используются?

Прежде всего это, конечно, обезличенные данные о клиентах. Причем не только базовые факты о них – типа отрасли, местонахождения, количества торговых точек и т.д., – но и данные об их поведении, предпочтениях, расчетах с контрагентами, сравнительный анализ использования банковских продуктов разными клиентами.

Акцентирую внимание на том, что при разработке мы не видим идентификаторов конкретного юридического лица или ИП, то есть мы строим наши модели на основе статистических данных. Это вносит небольшие трудности с точки зрения проверки результата в моменте, но зато дает гарантии безопасности данных.

— Что «под капотом»? С помощью какого математического аппарата реализовано решение?

В качестве базового алгоритма выбран бэггинг трех моделей бустинга (LightGBM). Отбор фичей производился методом PermutationImportance. Подбор гиперпараметров модели проводился с помощью библиотеки hyperopt.

— Какой технологический стек использован?

Нами были опробованы разные комбинации применения самых популярных алгоритмов бустинга (Catboost, XGBoost, LightGBM) и AutoML LAMA для сравнения. В целом мы постоянно улучшаем модель и проводим новые эксперименты, в том числе есть идеи по применению GigaChat для анализа транзакционной деятельности.

— Что собой представляет созданное решение, как оно работает?

Модель работает в три этапа. В начале по всем активным клиентам банка собирается более 900 признаков. Затем модель учится находить зависимости между данными о портрете целевого клиента и фактом покупки продукта. Наконец, технология присваивает каждому юридическому лицу и ИП скоринговый балл, который определяет степень склонности клиента к покупке конкретного продукта. По организациям с самыми высокими рейтингами формируется кампания продаж, и наши предложения направляются нашим клиентским менеджерам и клиентам.

Сейчас модель Look-Alike умеет автоматически собирать признаки и присваивать скоринговые баллы по более 100 продуктам банка и экосистемы Сбера. Она расширяет круг поиска клиентов и позволяет работать с аудиторией, похожей на действующую по целевому продукту. Расчет модели обновляется еженедельно.

Запуск решения на платформе Apache Spark 3.1.2 позволил сократить срок расчетов в 8 раз – до 2,5 дней вместо 20 на старте проекта.

— Как решение встроено в процессы банка? Кто является пользователями, как изменилась их жизнь?

В результате работы модели получаются продуктовые предложения для клиентов банка, на основании данных предложений мы запускаем кампании продаж, которые через автоматизированные «Фабрики потенциала» поступают на клиентских менеджеров или через цифровые каналы (электронная почта, СМС, «СберБизнес») – напрямую клиенту. Внутри «Фабрик потенциала» также есть множество моделей машинного обучения, но это другая история, требующая отдельного рассказа.

Таким образом, у решения есть как внутренние пользователи – клиентские менеджеры, которым теперь легче ориентироваться в списке возможных предложений, так и внешние – клиенты, которые получают от банка предложение того, что действительно будет им полезно.

— Каких результатов удалось достичь?

По итогам проведенных A/B-тестов за 2023 год финансовый эффект от внедрения инициативы составил более 21 млрд руб.

Кроме того, отмечен рост качества потенциала в каналах продаж банка. Конверсия в продажи с использованием данных модели Look-Alike, в среднем в 1,6 раза выше, чем в кампаниях на эмпирическом (BI) потенциале.

Заметно расширился охват юридических лиц и ИП потенциальными предложениями. Сейчас кампании продаж с использованием Look-Alike потенциала поставляют в каналы банка 12,6 млн лидов еженедельно, причем 8,7 млн из них – уникальные.

— Как эти результаты соотносятся с ожиданиями?

Можно сказать, что результаты превзошли наши ожидания. Мы видим рост конвертации продаж, а это значит, что мы лучше предсказываем потребности клиента, а это для нас – самое главное. Также мы видим подтвержденный финансовый эффект в рамках A/B-тестирования который прошел проверку независимым подразделением в банке.

Есть неожиданные для нас результаты и в части самого применения модели. В прошлом году к нам обратился руководитель одного из подразделений банка с необычной просьбой: ему требовалась помощь с привлечением клиентов для социально значимого мероприятия, но портрет участника мероприятия они не могли сформировать, так как по опыту прошлого года участие принимал совершенно разный бизнес. Благодаря использованию модели мы смогли оперативно помочь коллегам запустить соответствующие коммуникации.

— Какую роль играет проект для банка?

Проект позволил существенно упростить подбор предложений продуктов клиентам банка – предлагаем то, в чем клиент действительно нуждается. Также он стал значимой частью ИИ-трансформации банка. Он наилучшим образом отражает курс «Сбера» на внедрение ИИ-решений во все возможные сферы банковской деятельности.

— Каковы перспективы развития проекта?

Проект продолжает совершенствоваться. Мы постоянно проводим исследования и эксперименты по добавлению в модель новых фичей (знаний о клиентах), измеряем метрики. Если видим пользу, внедряем фичи в промышленные расчеты.

ВТБ встраивает в чат-бот банковского приложения генеративный искусственный интеллект, рассчитывая существенно повысить качество клиентского опыта. Как минимум, люди смогут оценить отсутствие необходимости предоставлять информацию, которой уже обладает банк, сохранение контекста разговора и использование понятных терминов. Банк же расширит спектр решаемых вопросов и сократит издержки. О реализации проекта рассказывает Денис Левошко, владелец продукта, управление «Мессенджеры и чат-боты» ПАО ВТБ.

- Какую задачу вы решаете при реализации проекта?

Чат-бот ВТБ обрабатывает более 3 млн обращений в месяц, он охватывает огромную аудиторию. Поэтому наша задача – давать клиентам быстрые и точные ответы на вопросы в автоматическом режиме, не задействуя сотрудников контакт-центра. Для этого мы стремимся максимально использовать потенциал больших данных и элементы искусственного интеллекта. Суть проекта заключается во внедрении алгоритмов ИИ в чат-бот ВТБ, которые будут обрабатывать 1,7 тыс. клиентских сценариев.

Благодаря этому улучшится клиентский опыт, а команда чат-бота внесет большой вклад в повышение эффективности банковского обслуживания.

- Какие принципы выбраны для реализации проекта? Каким правилам стараетесь следовать?

В основе проекта лежит два ключевых принципа. Мы должны сделать ответы бота максимально человечными. Уже сейчас у клиентов пропадает страх и нежелание общаться с ботом в пользу быстрого и качественного решения вопроса. Отсюда рождается второй принцип: качество сервиса в канале должно расти. Мы должны видеть реальное динамичное изменение индекса удовлетворенности в канале – это и будет критерием успеха проекта.

- Какие требования предъявлялись к решению?

Максимальная скорость бота при генерации ответа, которая уже составляет менее секунды. Такую скорость хочется сохранить и в будущем, наращивая и улучшая алгоритмы «под капотом». Еще одно важное требование: поддержание высокого уровня уверенности бота в правильном определении тематики вопроса.

- Какие данные используются?

Данные для обработки включают действия клиентов в банковском приложении, запросы через чат-бот, историю транзакций, диалоги с операторами. Эти данные собираются, хранятся и обрабатываются в соответствии с принципами информационной безопасности.

- Какой математический аппарат применяется?

Под капотом нашей системы лежит внушительный арсенал передовых технологий. Мы пользуемся мощью нейронных сетей, применяя передовую трансформерную архитектуру для векторизации фраз клиента, что позволяет нам точно и эффективно интерпретировать их запросы. Наши ML-классификаторы обеспечивают высокую точность в различении контекстов и ситуаций, а алгоритмы извлечения именованных сущностей, основанные на biLSTM-CRF, гарантируют надежное распознавание ключевых элементов информации. Этот элегантный симбиоз технологий обеспечивает нам уникальную способность предоставлять высококлассный сервис и достигать впечатляющих результатов в нашей работе.

- На какой стадии находится проект?

В настоящее время мы пилотируем генеративный чат-бот на ограниченном объеме сценариев и внимательно следим за качеством консультаций. Наша цель – постепенно расширять количество сценариев, улучшать качество обслуживания клиентов на основе анализа данных и обратной связи от пользователей. Это позволит более эффективно и приятно взаимодействовать с банковским приложением.

- Что самое сложное в ходе этого проекта?

Самое сложное в проекте – это поиск и адаптация данных для их быстрой и качественной обработки. Понимая, что количество источников будет кратно увеличиваться, приходится изначально выбирать правильную архитектуру данных. А еще было сложно проводить эксперименты в рамках разных подходов и оценивать их эффективность, так как вариативная модель запросов клиентов через чат, как правило, бесконечно многообразна, что добавляет сложности задаче.

- Что удалось особенно хорошо?

Не все коллеги охотно соглашаются с пилотными проектами, так как это дополнительные трудозатраты. И вот что нам особенно хорошо получалось делать – это «продавать» решения смежным командам и заказчикам. Все, что связано с высокими и современными технологиями, неизбежно вызывало интерес. Мы однозначно хорошо «продавали» наше решение перед принятием его к внедрению.

- Каковы ожидания относительно этого проекта?

Благодаря переходу на новую технологическую платформу в 2023 году чат-бот смог более качественно и быстро определять тематику вопроса и подбирать сценарий, наилучшим образом отвечающий запросу клиента, без переадресации в другие каналы и без привлечения оператора. Это позитивно отразилось на основных метриках: решение запроса чат-ботом без привлечения оператора достигло 85%, индекс удовлетворенности клиентов – 4,9, а доля удовлетворенных клиентов ко всем оценкам клиента превысила 90%. За 2023 год доля чата среди всех обращений выросла с 36% до 50%, то есть сейчас половина клиентов выбирает чат для решения своих вопросов.

Внедрение в чат-бот алгоритмов машинного обучения позволит существенно повысить эти показатели, а соответственно и удовлетворенность клиентов. Путем анализа данных и применения методов генеративного моделирования мы планируем создать более эффективную систему, способную обрабатывать широкий спектр запросов клиентов.

Мы предполагаем, что возможности ИИ позволят чат-боту не запрашивать у клиентов информацию, которая уже есть у банка, давать ответ за наименьшее количество шагов, использовать понятные клиенту термины, уведомлять его о выполнении запроса. Кроме того, важно сохранять контекст разговора, подсказывать оптимальный путь решения проблемы, разделять длинные ответы на несколько сообщений, и, конечно же, давать понять, что беседа ведется с ботом. В конечном счете это должно повысить качество клиентского опыта.

- Есть ли какие-то плановые показатели, к которым стремитесь?

Есть метрики успеха работы бота. К ним можно отнести долю обращений в чат от общего количества обращений в банк в цифровых каналах, уровень автоматизации обращений клиентов, уровень удовлетворенности сервисом. Мы ориентируемся на все эти показатели. Для себя считаем хорошим результатом, если доля обращений превысит 55%, автоматизация будет не ниже 85%, а доля удовлетворенных клиентов будет более 93%. Также немаловажным для нас является показатель качества определения темы обращения клиента. Сейчас данный показатель варьируется в диапазоне 83-85%. С внедрением генеративного ИИ у нас получится достигнуть более высокого показателя в 90%.

- В чем роль этого проекта для ВТБ?

Роль нашего проекта заключается как в повышении эффективности обслуживания клиентов, так и в оптимизации операционных процессов. Основным экономическим эффектом чат-бота является сокращение расходов на операторов контакт-центра. В 2023 году мы уже сэкономили банку 2,5 млрд руб. за счет снижения затрат на операторов. Кроме того, мы неслучайно большое внимание уделяем пользовательскому опыту: увеличение лояльности и удовлетворенности клиентов приводит к росту выручки компании.

Но, помимо бизнес-эффекта, наш проект имеет еще и социальную значимость. Во-первых, мы повышаем финансовую грамотность пользователей. Чат-бот умеет не только рассказывать о продуктах и услугах банка, но и объяснять, как работают финансовые инструменты и как пользоваться сервисами ВТБ.

Во-вторых, чат-бот облегчает доступ клиентов к информации и банковским услугам. В чате клиенты могут получать оперативные консультации и решать финансовые вопросы в любое удобное время без визита в офис банка и без ожидания ответа оператора. Это особенно важно для людей с ограниченными возможностями. Таким образом, наш продукт способствует повышению доступности банковских услуг для широкого круга пользователей, что является важным аспектом социальной ответственности компании.

- В каких направлениях планируется развивать проект?

Самым главным направлением является увеличение количества источников данных для принятия правильного решения в ответе. В наших планах также расширение проекта как по вертикали, так и по горизонтали. Мы планируем внедрять решение не только в рамках обслуживания розничного клиента, но для внутренних клиентов. На первом этапе данное решение уже встраивается в чат-бот-сервис по обслуживанию и поддержке наших сотрудников в точках продаж.

В сети «Магнит» создана платформа управления ценностью клиентов (Customer Value Management, CVM), ставшая инструментом, позволяющим провести оптимизацию взаимоотношений с клиентами и сфокусироваться на повышении их лояльности, вовлеченности и, как следствия, максимизации эффектов, которые каждый клиент приносит компании. Платформа позволяет провести анализ и персонализацию взаимодействия с клиентами, улучшить каждый этап их жизненного цикла, а также помогает в формировании стратегии удержания и увеличения ценности клиентов. Главная цель платформы CVM — создание долгосрочных и взаимовыгодных отношений, повышения уровня лояльности и удовлетворенности клиента, что в совокупности способствует устойчивому росту и успеху компании. О реализации проекта рассказывает Максим Горынцев, руководитель управления развития ценностью клиентов сети «Магнит» и номинант на премию Data Award.

- Как исторически решалась задача работы с клиентами (повышения их ценности, маркетинговых коммуникаций) до создания платформы CVM?

До появления платформы CVM компания решала задачи работы с клиентами и повышения их ценности с использованием ограниченного набора бизнес-правил. На начальном этапе отсутствовала централизованная система управления клиентами, и взаимодействие с ними осуществлялось простым набором действий. Например, в рамках программы лояльности внедрение правил, таких как начисление баллов новым участникам, основывалось на стимулировании поведения клиентов и создании мотивации для участия в программе. Использовались персонализированные бонусы – эти действия включали начисление баллов на день рождения клиента, что было направлено на улучшение взаимоотношений и создание персонализированного опыта. Наконец, были рекомендации – довольно однобокие бизнес-правила для оценки потребления клиентов в разрезе товарных категорий, а также стимулирование клиентов покупать те или иные товары на основе отклонений в потреблении от среднего диапазона.

- Чем не устраивала ситуация? Какие задачи требовалось решить?

Реализация платформы CVM была введена с целью улучшения и трансформации построенных процессов взаимодействия, создания более гибкой и централизованной системы управления клиентами, а также более сложных стратегий по взаимодействию и удержанию клиентов на основе анализа данных. Важно понимать, что платформа CVM была разработана на основе убеждения команды в уникальности каждого клиента и необходимости ежедневного анализа его поведения.

- В чем суть созданной системы?

Работа с платформой предоставляет команде несколько важных возможностей. Во-первых, это возможность предугадывать вероятность оттока. Путем систематического анализа данных о клиенте платформа старается выявить сигналы, предвещающие его уход. Это позволяет компании предпринимать меры по удержанию, предлагать персонализированные бонусы или предложения для улучшения клиентского опыта.

Вторая важная задача – понимать желания и ожидания. Платформа активно анализирует данные о потребительском поведении, чтобы понимать индивидуальные предпочтения. Это позволяет предоставлять персонализированные предложения, отвечающие уникальным потребностям клиента.

Третья функция – предоставлять возможность для нового опыта. CVM ставит своей задачей предоставление клиентам возможности попробовать что-то новое. Это может включать в себя предложения по новым продуктам, уникальным акциям или индивидуальным бонусам, направленным на стимулирование интереса клиента и повышение его лояльности.

Наконец, непосредственно повышение уровня лояльности. Это подразумевает создание долгосрочных и устойчивых отношений с клиентами, опираясь на постоянный анализ данных, персонализированные стратегии и предложения, направленные на удовлетворение потребностей каждого из них.

Такой подход позволяет нашей команде эффективно и оперативно адаптировать платформу CVM к изменениям в поведении клиентов, формировать индивидуальные стратегии взаимодействия и, таким образом, повышать общую лояльность клиентской базы.

- На каких технологиях построено решение?

Для обеспечения функциональности и удовлетворения текущих потребностей, мы внедрили передовой стек технологий, который включает в себя множество инструментов и фреймворков. Помимо таких распространенных техно-стеков для работы с большими данными, как MPP GreenPlum, Apache Hadoop, Apache Hive, Object Storage (S3) и Apache Airflow, мы используем широкий набор библиотек и фреймворков для разработки и реализации алгоритмов машинного обучения, анализа данных и создания эффективных вычислительных моделей: Python, PySpark, PyTorch, TensorFlow. Кроме того, используется MlFlow – инструмент для управления жизненным циклом машинного обучения, который обеспечивает отслеживание, воспроизводимость и управление моделями. Использование инструментов контейнеризации Docker и оркестрации Kubernetes обеспечивает гибкость и удобство в развертывании, масштабировании и управлении приложениями нашей платформы. Настроенные CI/CD процессы в разработке (GitLab CI/CD), интегрированные со всей платформой (включая Kubernetes и Airflow) позволяют бесшовно и с минимальными задержками развертывать нужные сервисы, модели и приложения в автоматическом режиме.

Этот стек технологий обеспечивает не только высокую производительность и эффективность обработки данных, но также позволяет использовать передовые методы машинного обучения и анализа данных.

- Что «под капотом»? С помощью каких математических методов обрабатываются клиентские данные? Приведите пару примеров.

Нужно отметить, что команде приходится решать как задачи обучения с учителем, так и без учителя. Поэтому у нас имеется широкий набор алгоритмов. Например, для задач классификации и приводимых к ним – от логистической регресссии до градиентных бустингов, а для рекомендательных систем – от ассоциативных правил до продвинутого uplift-моделирования и рекомендательных систем на нейронных сетях.

Платформа с легкостью позволяет проводить тесты новых механик и в случае успеха внедрять их.

- Поделитесь несколькими примерами реализованных на платформе задач.

Недавно мы внедрили новые стратегии взаимодействия с клиентами: «Напоминание» и «Увеличение трат». В рамках первой из них триггерные события напоминают клиентам о том, что тот или иной товар у них скоро закончится. Очевидной целью в этом случае является стимулирование клиентов приобретать товары с выгодой, не дожидаясь того, как их запасы иссякнут и, как дополнение, купить что-то еще. При реализации второй стратегии проводится расчет среднемесячных трат клиента и устанавливается порог, при превышении которого предоставляются экстра-бонусы. Так мы мотивируем клиентов увеличивать свои траты, обеспечивая им дополнительную выгоду.

- Каких результатов удалось достичь? Как это соотносится с ожиданиями?

О востребованности и успешности платформы говорят показатели прошедшего года: более 350 млн направленных предложений клиентам, более 200 млн коммуникаций через различные каналы связи, более 31 млн уникальных участников, получивших предложения платформы. Нашим специалистам доступно более 500 возможных вариантов предложений на участников программы лояльности, было запущено более 300 персонализированных кампаний.

К сожалению, у нас нет возможности предоставить конкретные экономические показатели, однако мы можем констатировать заметные положительные изменения в ключевых метриках. Так, пенетрация карт лояльности у клиентов, с которыми реализуется взаимодействие через платформу CVM, выше более чем на 5% пунктов. Участники коммуникаций платформы CVM демонстрируют более высокий средний чек по сравнению с контрольной группой. Меняется и частота посещения магазинов: клиенты, участвующие в активностях CVM, посещают магазины чаще по сравнению с теми, с кем взаимодействие не осуществляется.

- А есть ли оценки, касающиеся изменения реальной лояльности клиентов?

Положительные изменения в ключевых показателях свидетельствуют о том, что платформа CVM действительно позитивно влияет на поведение клиентов. Реализуемые с ее помощью активности стимулируют вовлеченность клиентов, увеличивая средний чек и частоту посещений магазинов. Также важно заметить, что показатель открываемости (open rate) коммуникаций CVM более чем вдвое превышает показатели любой другой активности в нашем мобильном приложении. В конечном итоге все это приводит к росту финансовых показателей сети и улучшению ключевых показателей программы лояльности.

- Что дальше? В каких направлениях будет развиваться CVM-платформа?

Планы развития платформы CVM включают в себя внедрение новой функциональности и новых стратегий для более эффективного взаимодействия с клиентами. Например, будут реализованы триггерные события на основе поведения клиента и его покупок как в магазине, так и в мобильном приложении. Это обеспечит точное и контекстное взаимодействие с клиентами в режиме реального времени или хотя бы близко к нему.

Кроме того, получит развитие гиперперсонализация: максимальная персонализация рекомендаций для клиента с учетом его предпочтений, канала связи, товарных групп и размера вознаграждения. Это позволит создавать более точные и релевантные предложения, способствующие увеличению удовлетворенности клиентов и их лояльности.

Подобные новые возможности позволят платформе CVM еще более эффективно адаптироваться к уникальным потребностям каждого клиента, обеспечивая более персонализированный и релевантный опыт взаимодействия.

- В чем роль этого проекта для компании?

Платформа CVM играет критическую роль в достижении бизнес-целей компании, предоставляя необходимые средства и стратегии для эффективного управления отношениями с клиентами и оптимизации их стоимости. Важные аспекты этой роли включают в себя настройку взаимодействия с клиентами в соответствии с их индивидуальными потребностями, улучшение каждого этапа жизненного цикла клиента, повышение прибыльности через эффективное взаимодействие и анализ данных для непрерывного улучшения стратегий. Платформа CVM также способствует созданию более удовлетворительного клиентского опыта, что в конечном итоге содействует укреплению лояльности клиентов и достижению успеха в бизнесе.

Эффективная работа с клиентами в крупных компаниях становится невозможной без инструментов машинного обучения. В Дом.ру с этой целью построили собственный инструмент, реализующий концепцию Next Best Action. О реализации этого проекта и достигнутых с его помощью результатах рассказывает Максим Чернышов, технический директор CVM «ЭР-Телеком Холдинг» (бренд Дом.ру) и номинант на премию Data Award.

- В чем заключалась суть решаемой задачи?

Основная цель проекта сводилась к тому, чтобы реализовать систему клиентоцентричных коммуникаций. Мы хотели научиться предлагать только релевантные для клиента и экономически выгодные для компании продукты, используя технологии машинного обучения и больших данных.

- Насколько это важно для бизнеса, какой результат ожидали получить?

Задача является стратегической. Когда список продуктовых предложений включает несколько продуктов, процесс взаимодействия с клиентами можно выстроить, оперируя бизнес-правилами. Но когда количество предложений исчисляется сотнями, и важно максимизировать финансовый эффект на всем сроке жизни клиентов, обеспечив при этом качественный клиентский опыт, – без применения автоматизированных решений уже не обойтись.

- Как до сих пор решались задачи маркетинговых взаимодействий с клиентами, каковы были головные боли?

На старте проекта система коммуникаций с клиентами была похожа на «ковровую рассылку» с максимальным охватом. Такой подход генерировал большие затраты, связанные со стоимостью коммуникаций, большую информационную нагрузку на клиентов и низкую конверсию в покупку. При этом в рамках продуктовых команд возникал ряд вопросов, на которые на тот момент не было ответов: каким клиентам предлагать тот или иной продукт, какой канал и время коммуникации выбрать, чтобы получить максимальный отклик в условиях ограниченной пропускной способности.

Интересовали и более сложные проблемы: возможно ли контролировать ROI, маржинальность и экономику предложений, учитывать эффект на сроке жизни клиента, а не в моменте, выбирать механику удержания от оттока.

- Какой подход был выбран?

Оценив основные потребности и проблемы, мы однозначно решили, что хотим оградить наших клиентов от нерелевантных коммуникаций, сократить затраты и научиться оценивать эффект на длительном горизонте.

Более того, мы понимали, что клиентская сложность на тот момент уже выходила за пределы когнитивных возможностей человека. Представим около 200 продуктовых предложений, семь каналов коммуникации, четыре недели в месяце и несколько миллионов клиентов. Это десятки миллиардов возможных комбинаций продуктовых предложений, каналов и времени. И при всем этом необходимо решить, какую комбинацию выбрать, чтобы получить максимальный эффект от рассылки на всем сроке жизни клиентов. Решать такую задачу эффективно без применения технологий машинного обучения и теории оптимизации крайне сложно. Для этих целей в департаменте управления ценностью клиентов (Customer Value Management, CVM) разработали движок, который позволяет дать ответы на подобные вопросы, и назвали его CVM NBA (Next Best Action).

- Что представляет собой созданное решение?

CVM NBA полностью реализован на базе open source решений и представляет собой модульную структуру. Каждый из модулей обеспечивает определенный функционал.

Так, единый клиентский профиль включает более 6 тыс. показателей на клиента. Мы консолидировали большое количество знаний о клиентах, в обязательном порядке учитывая согласие клиентов на сбор, обработку и использование данных. Используя основные данные, обогатили профиль производными показателями и агрегатами. Основная цель – дать возможность моделям машинного обучения выбирать из как можно большего объема признаков и помочь им с поиском неочевидных зависимостей.

Фабрика моделей машинного обучения – несколько десятков ML-моделей, предсказывающих различные показатели по клиентам. К ним относится вероятность отклика клиента на различные продуктовые предложения в разных каналах, ценовая эластичность, рекомендуемое время коммуникации (час), срок жизни клиента, вероятность оттока и релевантная механика удержания и т.д. Здесь мы используем как алгоритмы машинного обучения, лучше всего подходящие для решения конкретных задач, так и современные открытые AutoML-решения, включающие стекинг базовых алгоритмов.

Финансовый калькулятор позволяет посчитать всю экономику продуктового предложения и канала, оценить все затраты и прибыль на прогнозном сроке жизни клиента и использовать это в оптимизации. Модуль математической оптимизации, получая на вход предсказания моделей машинного обучения и финансовую составляющую, позволяет решать оптимизационную задачу с учетом ограничений на каналы и бюджеты. Это дает возможность выбирать из многомиллиардного набора комбинаций такую, которая принесет максимальный эффект на всей клиентской базе и на всем сроке жизни.

Мониторинг данных – инструмент, который позволяет своевременно обнаружить статистические сдвиги в показателях профиля клиента и обезопасить процесс обучения и скоринга моделей машинного обучения. Подбор персонального посыла коммуникации – этот модуль позволяет определить релевантный контекст и посыл коммуникации для клиента в зависимости от потребности, используя подход обучения без учителя.

Наконец, система отчетности – модуль для анализа сценариев оптимизации и оценки эффективности запущенных кампаний, представлен в формате BI дашбордов с ежедневным обновлением.

- Какие инструменты использовались?

Выделю несколько ключевых используемых технологий. За хранение и обработку данных отвечают Hadoop, ClickHouse, Spark и AirFlow. Машинное обучение и оптимизация построены на Python-пакетах, инструментах AutoML и Luigi. Визуализация и отчетность реализована на Mеtabase.

- Что в построенном инструменте удалось особенно удачно, чем можно гордиться?

На мой взгляд, одним из интересных решений является сам подход к математической оптимизации на базе целочисленного программирования. Во-первых, мы распараллелили оптимизацию на несколько процессов, что позволило значительно ускорить нахождение оптимального сценария. Во-вторых, пришлось поработать и с самими бизнес-ограничениями, которые идут на вход оптимизации. К сожалению, не все ограничения, которые хотят включить менеджеры, можно легко сформулировать в виде математической задачи. Как пример – учет перерывов в контактной политике внутри оптимизации. Но по итогу нам все же удалось учесть все пожелания, никого не оставили без внимания.

- Приведите пару примеров того, как изменилась работа специалистов благодаря новым инструментам.

Процесс работы департамента управления ценностью клиентов сильно изменился. Мы высвободили и перераспределили ресурс аналитиков данных и менеджеров, которые ранее тратили колоссальное количество времени на генерацию бизнес-сегментов. Сейчас эту задачу решает CVM NBA. Также изменился формат работы специалистов по тарифам. Нет необходимости ежемесячно рассчитывать экономику предложения, усредняя по сегментам. Финансовый калькулятор в движке справляется с этим гораздо точнее, причем на уровне каждого клиента.

Поменялся и сам процесс принятия решений по управлению коммуникациями. CVM NBA, получая на вход различные бизнес-ограничения, генерирует несколько вариантов оптимизации с прогнозными финансовыми показателями на разных горизонтах. Это дает возможность владельцам продуктов выбирать подходящий сценарий и принимать решения более взвешенно.

- Какие успехи достигнуты?

У нас получилось разработать единый инструмент для управления коммуникациями с клиентами, используя исключительно открытые технологии, без привлечения коммерческих решений. CVM NBA в полной мере реализовывает концепцию data-driven, автоматизируя процесс принятия решений на основе данных.

Каждая модель машинного обучения в рамках A/B-тестирования проходила сравнение с бизнес-сегментами и случайными рассылками. Доказано, что нам удалось увеличить конверсию в покупку в 2-3 раза, в зависимости от продукта. Кроме того, кратно выросла доля продаж в более дешевых и бесплатных каналах с помощью перераспределения из более дорогих.

- …А если в финансовом выражении?

Экономический эффект CVM NBA в комплексе составил 31% всего дохода от продаж CVM за год. Это чистый инкрементальный эффект в сравнении с работой без движка, используя только бизнес-сегментацию.

- В чем роль проекта для бизнеса компании?

Основная роль, конечно, заключается в повышении лояльности клиентов путем минимизации количества нерелевантных коммуникаций и более точных попаданий в потребность. Кроме того, важно сокращать затраты на коммуникации, а также обеспечить рост финансовых показателей на длительном горизонте.

- В каком направлении будет развиваться решение?

На текущий момент наши усилия направлены на масштабирование CVM NBA на все продукты и каналы компании, а также реализацию инструмента как решения категории Self Service. Наша цель – дать возможность любому менеджеру из продуктовой команды самостоятельно добавлять новые вариации продуктов и каналов, получать прогнозную аналитику и запускать эффективные кампании с клиентами в автоматическом режиме. Дополнительно прорабатываем возможность использования движка в «реверс-режиме» как инструмента для генерации новых модификаций продуктовых предложений для наших клиентов.

Оптимизация работы с клиентскими отзывами крайне важна для современного банка. Но еще важнее превратить информацию, полученную из них, в реальные действия, способные реально повлиять и на лояльность клиентов, и на имидж банка. В Альфа-Банке реализация такого проекта вылилась в создание платформы Alert VOC, автоматизирующей процесс работы с сервисными отклонениями и позволяющей контролировать «работу над ошибками». О ходе проекта и его значении для банка рассказывает Анна Кабанец, директор по CX стратегии Альфа-Банка и номинант на премию Data Award.

— В прошлом году вы участвовали в Data Award, рассказав об оптимизации работы с негативными отзывами и построении полного цикла работ по управлению клиентским опытом.

Да, в Альфа-Банке выстроен автоматизированный процесс сбора обратной связи клиентов в режиме реального времени с помощью собственной ИТ-разработки – платформы Voice of Customer (VOC). Для того, чтобы повышать отклик на опросы и поддерживать лояльность клиентов, нам особенно важно реагировать на кейсы, когда клиенты столкнулись с проблемой и поставили низкую оценку. Для нас каждая низкая оценка важна так же, как претензия или жалоба. Мы берем в проработку все отработанные низкие оценки и на их основе ищем способы улучшить опыт клиентов.

Низкие оценки VOC отрабатывают эксперты Управления по исследованиям и улучшениям клиентского опыта (УИУКО, ранее ОСЛК). Эксперты совершают обратный звонок клиентам, которые поставили низкую оценку и дали согласие на звонок, уточняют причины, фиксируют обратную связь и помогают в решении вопроса, если это актуально.

По итогу звонка эксперты фиксируют результаты интервью на VOC-платформе по специальному шаблону – экспертиза VOC. Именно экспертизы VOC являются объектом работы моделей, о которых мы рассказывали в прошлом году. И это лишь часть процесса, которая позволяет нам понять, где нужны улучшения клиентского опыта. В этом году мы хотим рассказать, как выстроен процесс целиком. И помимо моделей, которые анализируют экспертизы и подсвечивают нам ключевые тематики негатива клиентов, сейчас мы внедряем модели, которые оценивают критичность кейса и необходимость дополнительных мер по нему. Но об этом расскажем позже

— Почему это важно для бизнеса?

В работе с обратной связью мы следуем концепции Total Experience и замеряем обратную связь от клиентов – VOC (Voice Of Customer), сотрудников – VOE (Voice Of Employee), а также об эффективности процессов – VOP (Voice Of Process). При этом выстроен полный цикл работ с обратной связью: онлайн-замеры удовлетворенности, получение обратной связи от клиента и экспертиза по низким оценкам, накопление больших данных по уровню удовлетворенности клиентов, система автоматизированной CX-отчетности. Очевидно, что особенно важен процесс работы с низкими оценками и сервисными отклонениями, когда клиент столкнулся с проблемой или недоволен продуктом, сервисом или обслуживанием.

— В чем была суть решаемой проблемы?

Мы столкнулись с тем, что эксперты по исследованию опыта клиентов, общаясь с клиентом, стали подмечать ошибки в действиях или знаниях сотрудников. Ранее эксперты просто фиксировали эту информацию на платформе. С ней можно было ознакомиться в отчетности. Но в таких случаях необходима незамедлительная реакция и оперативные действия по устранению отклонений. Для этого мы выстроили автоматизированный процесс работы с сервисными отклонениями по всем каналам и продуктам банка – Alert VOC. Это автоматизированное, оперативное оповещение заинтересованных лиц о критичных клиентских кейсах, которые направляются с VOC-платформы по итогу интервью с клиентом в режиме реального времени.

Теперь эксперт по исследованию опыта клиентов уведомляет о сервисных отклонениях руководителя сотрудника, который совершил ошибку, или владельца продукта, у которого наблюдаются сбои в процессах. Это позволяет оперативно устранять сервисные отклонения во всех каналах банка и по всем продуктам, не дожидаясь очередной CX-церемонии или статусной встречи.

— Как была поставлена задача?

Перед нами стояла задача создать сквозной, автоматизированный процесс по работе с сервисными отклонениями, так как при объеме собираемых оценок от клиентов в 80 тыс. в день ручной, точечный процесс не эффективен. Данный процесс разбили на пять блоков: выявление сервисных отклонений, оповещение ответственных лиц, оперативное принятие мер, внедрение системы отчетности, а также инструментов контроля.

— Что представляет собой созданное решение?

Для внедрения реальных улучшений процесс работы с отклонениями должен охватывать все точки контакта клиента с банком. Поэтому мы интегрировали его в процесс замеров VOC, который охватывает все каналы, процессы и продукты. Обратную связь клиентов замеряем по 20 каналам обслуживания физлиц и восьми продуктам для физлиц на четырех этапах их клиентского пути, а также 19 каналам обслуживания юрлиц и 19 продуктам для юрлиц на четырех этапах их клиентского пути.

Для оповещения ответственных лиц выстроена автоматизированная система работы с сервисными отклонениями на базе платформы VOC. Для повышения эффективности работы УИУКО мы внедрили автоматизированное рабочее место эксперта. Оно учитывает специфику работы и включает весь необходимый функционал – от просмотра информации по клиенту до перехода по одной кнопке в нужное ПО для решения вопроса клиента.

Сигнал о возникновении сервисного отклонения эксперт по исследованию опыта клиентов направляет в автоматизированном режиме c платформы в виде Alert VOС, и это не просто письмо с уведомлением или оповещение, а задача к исполнению. Задача имеет свой срок, напоминание о необходимости ее исполнить, и срок, после которого происходит эскалация на руководителя в случае невыполнения. Для оперативного информирования настроены маршруты ответственным лицам по отработке. Например, если ошибка была допущена сотрудником, то уведомление получит его руководитель, а если отклонение касается продукта или процесса – то ответственный сотрудник. Всего за 2023 год в бизнес передали более 50 тыс. сервисных отклонений.

Не менее важна возможность для оперативного принятия мер. Alert VOC направляется в режиме реального времени, сразу после получения обратной связи клиента, а с целью обеспечения оперативного принятия мер предусмотрена система эскалации. Получатель должен в течении 24 часов отработать задачу на платформе, указав, какие меры были приняты, чтобы ситуация не повторилась, иначе оповещение получит функциональный руководитель получателя.

Для отслеживания результатов и динамики внедрили автоматизированный отчет на Power BI. Он позволяет отслеживать распределение Alert VOC в разрезе категорий и получателей, отслеживать динамику количественных показателей и ключевые срезы. Инструмент пользуется спросом: за 2023 год было около 18 тыс. посещений CX-отчетности.

Наконец, инструмент контроля – процесс работы с Alert VOC внедрен в ежеквартальную оценку уровня клиентоцентричности каналов и продуктовых команд, как отдельный параметр оценки клиентоцентричности. В 2023 году зафиксировано максимальное значение параметра по каналам и продуктовым командам.

— Какие технологические подходы были использованы?

Так как мы внедряем наши практики в масштабах всего банка, то всегда думаем, как это сделать эффективно, и стараемся использовать новые технологии. Во-первых, мы автоматизируем все, что можно автоматизировать. Alert VOC – полностью автоматизированный процесс, внедренный во всех бизнес-линиях банка. Все этапы работы с сервисными отклонениями происходят в рамках одной высокотехнологичной платформы.

Во-вторых, внедряем инструменты продвинутой аналитики там, где они могут помочь в поиске инсайтов. Аналитическая модель контролирует процесс отправки Alert VOC. Она проверяет по кейсам, нужно ли было отправлять Alert VOC. Если нужно, то проверяет, был ли он отправлен. Если он не был отправлен, то данные направляются на дополнительный контроль. Так сводится к нулю возможность пропустить важный кейс.

Кроме того, аналитическая модель проверяет качество отработки Alert VOC. На старте проекта сфокусировались на контроле доли уведомлений, отработанных в срок, и к концу 2023 года достигли показателя 93%. Сейчас переходим к контролю качества их отработки – внедрили аналитическую модель, которая вычитывает отчеты ответственных за отработку сотрудников на предмет корректности принятых мер.

Наконец, мы считаем все, что можно посчитать. На опыте мы усвоили правило: «С бизнесом нужно говорить на языке цифр». Как только подсвечиваешь проблему, сразу возникает вопрос про охват и масштаб. Эксперты по исследованию опыта клиентов – сотрудники, которые в живом диалоге на огромном потоке обратной связи чувствуют, когда сервисное отклонение становится масштабным и его необходимо взять на контроль. Для того, чтобы «посчитать» количество кейсов с той или иной тематикой (чаще всего, это новая тематика, которая еще не внесена в классификатор), внедрили функционал «хэштег» на платформе VOC. Эксперт выбирает хэштэг в случае, если встречает негатив по этой тематике в интервью с клиентом.

— О каких объемах данных идет речь?

В 2023 году в рамках VOC-опросов мы направили клиентам более 100 млн запросов оценок. Внедренная технология сбора обратной связи позволяет поддерживать стабильный отклик на опросы на уровне около 11%. В итоге только за 2023 год накопилось более 11 млн оценок VOC.

Это огромный массив данных, который дает практически всю необходимую информацию об опыте клиентов и необходимых улучшениях. Но для того, чтобы улучшения были эффективны, нужно четко понимать, в каких процессах, сервисах, каналах их необходимо внедрять.

— Как решается эта задача по выявлению направлений для улучшений?

За счет исследования тематик Alert VOC мы четко понимаем причины сервисных отклонений. Ежеквартально отправляем в бизнес около 15 тыс. уведомлений по каналам и продуктам физлиц и юрлиц. По части тематик внедряются оперативные улучшения в точке контакта. Например, одна из таких тематик – «Знания сотрудника». Если сотрудник допустил ошибку в процессе обслуживания клиента, уведомление направляется руководителю, который сможет ознакомиться с ситуацией и принять меры – назначить обучающие курсы или подробнее разобрать процесс, по которому была допущена ошибка. Если тематика Alert VOC касается продукта или процесса, где нет возможности внедрить улучшения «здесь и сейчас», то инициатива включается в реестр корневых проблем для дальнейшей проработки владельцем продукта.

Другим важным инструментом является продвинутая аналитика, дающая возможность понять причины всех негативных оценок VOC и их материальность. Специальная аналитическая модель вычитывает весь объем экспертиз УИУКО в рамках конкретного канала обслуживания клиентов, объединяет проблематики по группам. Для трансляции результатов руководителям внедрен автоматизированный дэшборд по основным причинам негативных оценок VOC. Он показывает тематики негативных оценок с указанием веса каждой из них во всем объеме негативных оценок в необходимых разрезах

— Приведите пример, того, как отрабатываются проблемные места.

Рассмотрим канал отделений для физлиц. В первом квартале 2023 года было зафиксировано несколько наиболее распространенных тематик Alert VOC в этом канале: знания сотрудника, комфорт в офисе, некорректное ведение переговоров. На эти тематики на старте квартала приходилось 70% уведомлений. Данные проблематики направлялись бизнесу в целевом процессе отработки Alert VOC.

Однако во втором квартале 2023 года продолжился рост количества Alert VOC с данными тематиками – ситуация не улучшилась. Работы по устранению были взяты на дополнительный контроль, включая обсуждение на CX-церемониях, статусных встречах и демо команд. Кроме того, для снижения количества негативных оценок по данной тематике запустили ряд активностей. Во-первых, это так называемые «CX Планерки» – мероприятия по вовлечению команды отделения в CХ, разбор реальных кейсов и показателей, построение стратегии улучшений. Данные мероприятия проводятся в очном формате с участием всех сотрудников отделения. Такие планерки уже проведены в 20 офисах. Кроме того, сотрудникам с максимальным количеством Alert VOC по тематике «Знания сотрудника» назначается дополнительное обучение, результаты которого контролируются.

В III квартале количество Alert VOC с данными тематиками уже вышло на плато, а в четвертом квартале начало снижение. При этом важно отметить, что общее количество направленных Alert VOC по всем каналам в четвертом квартале увеличилось по сравнению с предыдущим на 22%, то есть снижение по проблемным тематикам достигнуто на фоне общей активизации работы контролеров.

— Как проведенная работа отражается на бизнесе?

Главным итогом является благодарность и лояльность клиентов. Эксперты по исследованию опыта клиентов по итогу проработки кейса с клиентом задают дополнительный вопрос о готовности рекомендовать банк знакомым. Важно отметить, что это те самые клиенты, которые поставили нам негативные оценки. После взаимодействия с экспертами около 60% клиентов готовы рекомендовать наш банк.

— Каковы планы и перспективы развития решения?

Мы следуем концепции Total Experience – голос клиента и голос сотрудника. И если Alert VOC – это «голос клиента» по определенному кейсу, то нам важно услышать и «голос сотрудника» и его мнение по ситуации. Для этого мы внедрили дополнительный функционал на платформе — добавили возможность сотруднику делиться идеей по улучшению процесса или сервиса, по которому была поставлена негативная оценка. Так после ознакомления и проработки кейса сотрудник может поделиться идеей по улучшению процесса, которую мы возьмем в проработку и передадим в ответственное подразделение для внедрения. Мы только внедрили этот функционал и пока еще получили не так много идей. Но так как этот функционал был добавлен именно по запросу сотрудников, мы ожидаем, что они будут активно делиться полезными идеями по улучшениям.

Ассоциация больших данных известна не только стратегией развития российского рынка больших данных и созданием кодекса этики использования больших данных. Одной из важнейших ее инициатив стало создание обучающего и сертификационного центра для специалистов, управляющих данными, – FIT Academy Russia. Запуск этой программы, выпускающей экспертов, подготовленных по международным стандартам, призван помочь в решении проблемы дефицита data-специалистов. О реализации этой программы и ее роли для рынка рассказывает Алексей Нейман, исполнительный директор Ассоциации больших данных и номинант на премию Data Award.

— В какие цифры оценивает Ассоциация дефицит специалистов по управлению данными? Как они будут изменяться в обозримой перспективе?

Согласно Стратегии развития рынка больших данных, разработанной Ассоциацией больших данных, для поддержания темпов роста отрасли к концу 2024 года потребуется 322 тыс. дата-специалистов, включая разработчиков и аналитиков ПО и приложений, специалистов по базам данных и сетям, руководителей служб и подразделений, технических инженеров, дизайнеров и поддержку ИТ.

Россия наравне с другими странами испытывает дефицит в кадрах – 1 млн человек ИТ-специалистов на 2022 год. Стоит отметить, что дефицит ИТ-специалистов – это вообще мировая тенденция, так, например, Microsoft оценивает их нехватку на глобальном рынке до 190 млн специалистов к 2025 году.

— Какие меры вы предпринимаете со своей стороны?

Ассоциация активно занимается просветительской работой – мы сотрудничаем с корпоративными университетами компаний-участниц АБД, наши специалисты проводят семинары и мастер-классы, а также являются менторами для молодых специалистов и стартапов. Мы не только воспитываем профессионалов отрасли, но и создаем благоприятную среду для их деятельности, растим сообщество, которое говорит на одном языке.

— Как родилась идея запуска FIT Academy Russia?

Запуск образовательной программы на русском языке стал для нас логичным шагом в реализации нашей стратегии и вкладом в подготовку высококвалифицированных специалистов, способных применить комплексный подход в управлении данными.

На первоначальном этапе запуска проекта перед Ассоциацией стоял выбор: разрабатывать отечественную сертификацию или же воспользоваться мировой практикой, такой как общепризнанная сертификация DAMA CDMP. Мы выбрали второй вариант, так как Россия достаточно хорошо интегрирована в мировое сообщество по управлению данными.

В 2020 году мы начали переговоры с DAMA EMEA и FIT Group об открытии подразделения, ориентированного на русскоязычных специалистов, и уже в 2021 году открыли FIT Academy Russia; FAR стала единственным официальным провайдером обучения управлению данными от DAMA, предоставляющим подготовку к сертификации CDMP на русском языке. Это очень важный шаг, так как, несмотря на владение data-специалистами английским языком, материал все равно лучше усваивается на родном языке. FAR устранила языковой барьер за счет перевода и локализации курса FIT Academy, а также актуализировала контент, обогатив обучающие материалы кейсами рынка данных РФ и примерами из личного опыта тренеров-практиков рынка.

— Какова цель проекта FIT Academy Russia?

Проект направлен на развитие и повышение уровня культуры управления данными в профессиональном сообществе. Мы стремимся не только определить стандарты, кого можно считать специалистом по управлению данными, но и выявить, что представляет собой его теоретическая подготовка, какими компетенциями он должен обладать, и какие требования HR-менеджеры должны предъявлять к кандидатам на должность в этой области.

FIT Academy Russia ставит перед собой задачу объединить специалистов в единое data-комьюнити для формирования общего понимания ключевых процессов управления данными, а также для выравнивания терминологии и процессов. Этот подход направлен на развитие экономики данных и является важным звеном в создании устойчивой системы обучения и развития профессионалов в области управления данными, способствуя профессиональному их росту и реализации как профессионалов.

— В чем ключевые особенности вашего подхода?

Фишка нашего подхода заключается в том, что FIT Academy Russia полностью соответствует всем мировым стандартам в образовании и одобрена DAMA International – организацией, разработавшей Data Management Body of Knowledge (DMBoK). В то же время локализация курса позволяет изучать материалы и готовиться к сертификации параллельно на русском и на английском языке. Несомненным нашим преимуществом также является тесная связь FIT Academy с DAMA International, что позволяет нам быть в курсе любых планируемых изменениях в DMBoK и в кратчайшие сроки актуализировать программу обучения, поэтому нашим слушателям не приходится ждать выхода обновленного издания DMBoK.

Еще одна важная особенность FIT Academy Russia – это возможность обучения целых корпоративных команд. После обучения такие специалисты способны провести цифровую трансформацию компании в кратчайшие сроки. Отдельно стоит отметить наших преподавателей. Команда тренеров состоит из действующих практиков, обладающих огромной экспертизой, без которых невозможно представить работу рынка данных в России.

— Что представляет собой платформа, какие возможности она предоставляет слушателям?

FIT Academy Russia использует решения FIT Academy. На обучающей платформе размещены материалы курса, видеозаписи лекций, а также блоки тестирования по каждой из пройденных тем, которые позволяют слушателям самостоятельно выработать навык ответа на вопросы сертификационного экзамена в индивидуальном порядке. Информационный портал платформы включает в себя профессиональную литературу по тематике данных и ИТ, подборки статей и нормативных актов из различных источников по таким темам, как этика обращения с данными, монетизация данных, ИИ, руководство данными. На платформе сформирован лист вакансий и резюме – публикация вакансий и размещение резюме доступны всем слушателям и клиентам FIT Group. Это позволяет слушателям при желании планировать международную карьеру.

— Какие результаты достигнуты?

За два года работы клиентами FIT Academy стали крупнейшие игроки рынка телекоммуникаций и банковской сферы в России. Обучение на курсе «Основы управления данными. Базовый курс» прошли команды data-офисов частных компаний и сотрудники государственных структур от Санкт-Петербурга до Сахалина. В 2023 году востребованность международной сертификации позволила FIT Academy Russia выйти на рынок СНГ и провести обучение на русском языке для клиентов из Казахстана и Беларуси, представляющих нефтегазовую отрасль, сферу банковских, ИТ и телеком услуг. С несколькими клиентами России и СНГ уже запланировано целевое обучение команд в I квартале 2024. Подтверждением актуальности курса и качества обучения является стопроцентная статистика прохождения сертификации слушателями на уровни Associate, Practitioner и Master.

В настоящий момент на территории России и СНГ уже работает около сотни сертифицированных специалистов, и мы стремимся кратно увеличить их число. Сейчас FIT Academy Russia ведет переговоры с FIT Group об эксклюзивном ценовом предложении для нашего рынка, которое повысит доступность курса для клиентов.

— Сертификация по международному стандарту – это действительно важно для рынка?

Да, безусловно, сертификация по международному стандарту играет крайне важную роль для рынка. Она обеспечивает студентам доступ к знаниям на самом высоком, мировом уровне, подтверждая их квалификацию и компетентность. Это важно не только для специалистов, но и для развития всего рынка. Наша ориентация на международную сертификацию помогает быть в центре передовых практик, методик и инноваций, что критически важно для развития сферы управления данными.

При принятии решения в пользу международной сертификации мы учитывали сложность создания отечественной сертификации с нуля – процесса разработки самого стандарта, утверждения формата, – а также ее валидации участниками рынка. Тем не менее, мы всерьез рассматриваем и возможность внедрения собственной сертификации, которая будет разработана с нуля и в будущем будет признана рынком как действенный инструмент оценки квалификации специалистов в области управления данными.

— Слушатели приходят только от компаний, или на частных лиц тоже рассчитываете?

Большинство слушателей курса – корпоративные клиенты: компании готовы вкладываться в развитие компетенций собственных специалистов. Но мы обучаем и физических лиц, с каждым индивидуально обговаривая комфортные варианты для сотрудничества, а также предоставляем скидки – как частным лицам, так и клиентам из В2В в зависимости от объема группы заказчика.

— Не провоцирует ли программа FIT Alumni, открывающая доступ к банку вакансий для дата-специалистов региона EMEA, отток специалистов с российского рынка?

В первую очередь программа FIT Alumni задумана как площадка для обмена опытом, сотрудничества и обогащению знаний по управлению данными. Поскольку рынок РФ достаточно конкурентоспособен по условиям работы, существенного оттока специалистов мы не ожидаем.

— Есть ли какие-либо оценки и предположения, как наличие сертификата влияет на должности специалистов и зарплаты?

Для специалистов подтверждение собственной экспертизы международным сертификатом давно является неоспоримым преимуществом на рынке труда, а сертификация в сфере работы с данными сегодня становится таким же минимумом к высокооплачиваемым специалистам, как несколько лет назад было владение навыками пользования ПК.

— Каковы планы по развитию проекта?

В наши планы входит повышение доступности курса для B2C, а также развитие линейки образовательных продуктов – в 2024 году мы планируем релиз специальных курсов «Руководство данными» и «Обеспечение качества данных», которые не только позволят углубить знания в этих областях, но и подготовят к сдаче специальных экзаменов CDMP Data Governance и Data Quality.

Успешное прохождение этих экзаменов после получения базовой сертификации CDMP Data Management Fundamentals позволит специалисту подтвердить свой уровень знаний и навыков управления данными на уровне Associate и Master. Это в свою очередь поможет значительно продвинуться по карьерной лестнице и комплексно улучшить управление данными в компании.

Кроме того, мы планируем продолжить организацию образовательных мероприятий и вебинаров, а также создание курсов «под ключ» для закрытия потребностей корпоративных клиентов.

В дополнение к сертификации CDMP, в январе 2024 года мы представили новый продукт – курс повышения квалификации «Владелец продукта на данных/Big Data Product Owner». Материалы курса охватывают весь спектр необходимых знаний и навыков по управлению данными: от идеи и концепции до финансовых аспектов, построения гипотез, технологий запуска, методологии SCRUM, работы с рисками и поддержки данных как продукта.