Цифровая трансформация

Низкая скорость и большое количество ошибок в процессах учета рабочего времени и начисления заработной платы стали стимулом для внедрения в торгово-логистической компании «Континент» подходов data-driven. В результате удалось радикально повысить эффективность процессов и обеспечить их прозрачность. О реализации этого проекта рассказывает Светлана Пашнина, директор по персоналу логистической компании «Континент» и номинант на премию Data Award.

- Что стало причиной реализации проекта, откуда растут его корни? Почему это важно для вас?

Причин для реализации проекта было несколько. Критичным было отсутствие цифрового сервиса сбора и расчета KPI для подразделений и сотрудников компании, а также неэффективная работа с данными кадровой службы и службы расчета заработной платы. Отмечалась сложность и несвоевременное получение сотрудниками компании информации от кадровой службы и службы расчета заработной платы – справок, расчетных листков и т.д., отсутствие общей точки входа для получения услуг и информирования подразделениями и сотрудниками компании. У команды продаж была необходимость в аналитических инструментах, и у сотрудников всех подразделений были нарекания к непрозрачности процедуры расчета зарплаты.

- В чем заключались типичные бизнес-проблемы и головные боли кадровой и расчетной служб?

Главная проблема заключалась в неэффективной работе: рутинные процессы требуют продолжительных временных затрат. При этом отмечалась запутанная маршрутизация типовых процессов и неудобство в использовании программных решений для выполнения операций. Были трудности со сбором и обработкой новых данных – массово использовались Excel-файлы и бумажные носители информации.

Больным местом было управление зарплатами и выплатами. Расчет и обработка зарплаты, учет отпусков, больничных, налогов и других вычетов требовали точности и внимательности. Проблемы с ошибками в расчетах могли привести к недовольству сотрудников и даже к нарушению трудового законодательства.

Изменения в законодательстве и требования к отчетности также традиционно являются причиной головной боли для кадровой службы, так как ей приходится постоянно адаптироваться к новым правилам и требованиям. Необходимо наличие актуальной информации и изменений в корпоративной информационной системе.

Были очевидны проблемы в эффективной коммуникации с персоналом. Обработка запросов и коммуникация с сотрудниками по кадровым вопросам и финансовым вопросам затрудняется большим числом работников и их географической удаленностью: компания присутствует в 12 регионах России, в компании работает 1,7 тыс. сотрудников.

- Какой подход к их решению был выбран?

Мы начали движение в сторону data-driven. Ключевым элементом был признан анализ данных о текущих процессах кадровой службы и службы расчета заработной платы и их процессных взаимодействиях с другими подразделениями. Была необходима оценка времени, затрачиваемого на выполнение различных задач, выявление узких мест в процессах и анализ данных о производительности и удовлетворенности персонала.

Второе важное направление – идентификация ключевых метрик. Предстояло определить ключевые показатели эффективности (KPI) для подразделений. Эти метрики включают в себя время обработки запросов, точность расчетов зарплаты, уровень удовлетворенности сотрудников, качество получаемых аналитических данных и другой информации и т.д.

На основе данных анализа сформирована стратегия улучшения процессов кадровой службы и службы расчета заработной платы. Она включает в себя автоматизацию рутинных задач, внедрение цифровых сервисов для сбора и анализа данных, обновление информационной системы и другие мероприятия. После разработки стратегии происходит реализация изменений. Это подразумевает внедрение новых программных решений, изменение процессов работы и другие мероприятия, направленные на улучшение эффективности персонала.

Наконец, после внедрения изменений проводится мониторинг и оценка результатов с использованием данных. Это позволяет оценить эффективность внесенных изменений, выявить новые проблемы и корректировать стратегию дальнейших действий на основе данных.

- Это требует массовой цифровизации процессов…

Еще одним ключевым направлением усилий стала цифровая трансформация. Она включала схожие этапы. Начали с оценки текущего состояния. Провели анализ текущих процессов с целью выявления узких мест и проблемных зон, анализ текущей цифровизации в работе всех подразделений. Это включает в себя оценку эффективности текущих систем, программ и процессов. На основе результатов оценки разработали стратегию цифровой трансформации. Она включает в себя выбор и внедрение цифровых решений, таких как системы для кадровой службы и службы расчета заработной платы и средства отчетности и аналитики.

Далее следует внедрение выбранных технологий и их тиражирование, проводится мониторинг и анализ результатов их использования. Это позволяет оценить эффективность внедренных изменений и их влияние на работу подразделений, а также выявить новые возможности для улучшения.

И важно понимать, что требуется постоянное совершенствование. Цифровая трансформация — это непрерывный процесс, поэтому важно постоянно улучшать системы, процессы и методики работы подразделений на основе новых технологий и передовых практик.

- Что собой представляет созданное решение?

Это комплексное модульное решение, состоящее из четырех модулей: «Помощник кадровика», «Помощник расчетчика», «Личный кабинет сотрудника Веб» и «Личный кабинет сотрудника Мобильное приложение». Ядром системы является платформа «1С:Предприятие».

Например, личный кабинет сотрудника – это портал, позволяющий взаимодействовать с корпоративными информационными системами и получать всю необходимую актуальную информацию о своей деятельности в компании в режиме реального времени. Скажем, сотрудник отдела продаж и логистики может видеть и анализировать свои показатели и показатели своих сотрудников. Для менеджеров доступна информация по подчиненным и вакансиям. Есть возможность коммуницировать с кадровой службой и службой расчета заработной платы. Для служб эксплуатации и ИТ-подразделения выведен мониторинг по инфраструктуре с показателями и оповещением в режиме реального времени.

- Какие сложности возникали при реализации проекта?

У нас было восемь географически распределенных площадок на которых осуществлялся запуск. Происходило внедрение новых интеграционных потоков в существующую информационную систему (WMS, ERP, HRM, TMS). Требовалось создание большого количества новых модулей, компонентов и печатных форм. Активно создавались новые и преобразовывались старые аналитические инструменты, их категоризация, стандартизация и перевод в цифру. Возросли и нагрузки на инфраструктуру: средняя нагрузка составила 500-800 пользователей одновременно, а пиковая нагрузка достигала 2 тыс. запросов в секунду.

- Как изменились процессы сотрудников, чем их жизнь стала лучше? Приведите несколько примеров.

Полностью изменились бизнес-процессы работы кадровой службы и службы расчета заработной платы, а также работа задействованных в проекте подразделений: логистики, отдела продаж и др., особенно в части расчета заработной платы и кадровых операций – утверждение табелей, ввод неявок и пр.

Например, при расчете KPI руководитель отдела логистики вместо нескольких часов расчетов KPI в Excel по своим 240 сотрудникам стал их получать нажатием одной кнопки. Обработка данных по зарплате перешла полностью в информационную систему. Реализация проекта позволила отделу продаж видеть свои KPI в течение месяца. Вся необходимая аналитика по продажам доступна менеджерам и торговой команде на веб-портале. Сотрудники склада видят свою выработку и показатели, что позволяет сделать начисление зарплаты более прозрачной. Сократились вопросы о формировании начислений и расчета зарплаты.

Аналитические инструменты и отчеты у руководителей всегда под рукой через личный кабинет, что позволяет ускорить и качественно улучшить бизнес-процессы команды продаж и логистики. Сотрудники могут взаимодействовать с кадровой и расчетной службой в онлайн-режиме (справки, информация об отпусках и т.п.), что позволило минимизировать количество личных обращений в данные службы и получить качественный и быстрый сервис.

- Что в рамках решения было реализовано особенно удачно?

Все решения принесли значимые результаты для работы всех подразделений, они имеют общую ценностную составляющую как комплексный проект. Но если проводить оценку с точки зрения массового охвата и количества функциональных возможностей, то можно выделить личный кабинет сотрудника.

- Насколько хорошо решение воспринял персонал?

Для кадровой службы и службы расчета заработной платы данное решение максимально упростило жизнь. Оно позволило сократить временные трудозатраты на рутинные операции. У сотрудников появился автоматический контроль и постановка задач – как собственных, так и других подразделений, нет больше необходимости напоминать о не утвержденном табеле или других операциях в ходе маршрута выполняемых бизнес-процессов. Это позволило переключиться на более важные и интересные задачи

Личный кабинет сотрудника после анонса и тиражирования используется практически всеми сотрудниками компании для решения своих повседневных рабочих задач, что говорит о его приятии.

- Каких результатов уже достигли? А что ожидается в перспективе?

Достигнуто сокращение ошибок кадровой службой и службой заработной платы практически до нуля. Как следствие, меньше конфликтных ситуаций между сотрудником и работодателем. Произошло ускорение и оптимизация практически всех бизнес-процессов за счет доступности данных из корпоративных информационных систем. Достигнута экономия ФОТ за счет оптимизации штата кадровой службы и службы расчета заработной платы. Компания выстроила новую мотивационную модель в работе всех подразделений, получила качественную аналитику за счет нового инструментария по деятельности подразделений, а также удобную экосистему для решения повседневных рабочих задач.

- Как вы видите дальнейшие направления развития проекта?

Проект имеет модульную архитектуру, он продолжает развиваться и масштабироваться. В разработке и тестировании находятся новый модуль «Помощник рекрутера», запущен голосовой робот для найма персонала на основе ИИ и новый функционал в личном кабинете сотрудника.

«Северсталь» разработала комплекс моделей машинного обучения для линии окомкования окатышей. Система, внедренная на «Карельском окатыше», автоматически управляет скоростью вращения оборудования и выдает рекомендации по дозировке железорудного концентрата, что позволяет повысить производительность агрегата с сохранением качества продукции. При создании решения для повышения устойчивости и качества использовались некоторые элементы физически информированного машинного обучения (Physics Informed ML). Решение стало уникальным для комбината симбиозом физического моделирования, алгоритмов машинного обучения и компьютерного зрения. О реализации проекта рассказывает Андрей Голов, руководитель Центра искусственного интеллекта «Северстали» и номинант на премию Data Award.

- В чем заключалась решаемая задача?

Речь идет об оптимизации важного технологического процесса. Окомкование пылеобразного железорудного концентрата в окатыши нужно для его более удобной транспортировки и последующего эффективного использования в доменной печи для производства чугуна. Для оптимального протекания процесса выплавки требуются окатыши размера 10-12,5 мм: именно в этом случае обеспечивается оптимальная пористость и газопроницаемость слоя при термообработке, что приводит к улучшению качества готовой продукции. Производство окатышей осуществляется в условиях постоянно изменяющихся характеристик концентрата, что влияет на распределение окатышей по классам крупности на выходе из окомкователя. Это яркий пример процесса, где было высоко влияние человеческого фактора, от которого требовалось уходить.

- Почему это важно для компании?

Мы уже несколько лет последовательно внедряем data-driven подход к принятию решений на производстве. В направлении переработки продукции – в прокатном производстве – у нас уже было достаточно много успешных проектов, а теперь мы оцифровываем и ресурсные предприятия, где происходит добыча железной руды.

- Как задача решалась ранее?

Ранее оператор управлял процессом окомкования вручную на основании экспертизы и лабораторных проб, которые производятся раз в несколько часов, а по некоторым параметрам – раз в сутки. И, конечно, у операторов не было индикатора, который мог бы точно определить долю гранул нужного размера.

Оперативный контроль гранулометрического состава окатышей производился визуально с высоты нескольких метров. В таких условиях невозможно осуществлять постоянный и точный контроль целевого класса крупности окатышей и своевременно реагировать на изменившиеся характеристики сырья. Одним из важных параметров на этапе обжига является влажность сырых окатышей. Оператор измерял влажность окатыша тактильно «наощупь», что давало крайне субъективную оценку низкой точности.

- Какой был выбран подход?

Мы решили совместить технологии компьютерного зрения с классическими моделями машинного обучения, опираясь на физическое моделирование процесса.

- Что представляет собой созданное решение?

На основе анализа изображений с камер с высоким разрешением модель компьютерного зрения определяет влажность и гранулометрический состав сырых окатышей. Нейронная сеть точно определяет контур и размеры окатышей, в том числе те, которые частично скрыты под первым слоем окатышей. Система компьютерного зрения осуществляет непрерывный мониторинг и обеспечивает поток информации в систему управления линией окомкования, что позволяет автоматически управлять и оперативно реагировать на изменение параметров процесса.

Модели машинного обучения для управления процессом окомкования автоматически управляют скоростью вращения окомкователя и дозировкой бентонита, выдают рекомендации по дозировке железорудного концентрата, что позволяет повысить производительность агрегата с сохранением качества продукции, либо увеличить процент класса 10-12,5 мм при сохранении производительности.

Помимо периодического переобучения модели под долгосрочные тренды, модель в онлайн-режиме подстраивается под различные возмущающие факторы и учитывает их для более точных предсказаний в режиме реального времени.

- Какие инструменты использованы?

Система построена на платформе нашего озера данных. Сбор потоковых технологических данных с агрегатов окомкования с интерфейсом OPC осуществляется с помощью Nifi и собственных сервисов на Java, для оперативного хранения используется шина данных Kafka, для долгосрочного – Hadoop.

Само решение написано на языке Python и обернуто в Docker-контейнер, оркестрация организована в Kubernetes. В части компьютерного зрения использовались собственные разработки по сбору и обработке видеопотока.

- В чем уникальность проекта?

При создании решения для повышения устойчивости и качества нами использовались некоторые элементы физически информированного машинного обучения (Physics Informed ML).

В работе над проектом мы столкнулись с двумя проблемами. Одна из них заключалась в том, что данные по процессу были достаточно шумные, и не все важные свойства руды можно было измерять в онлайне. Вторая проблема – отсутствие достаточного количества разнообразных режимов работы агрегата и, как следствие, не разнообразный датасет. Все попытки обучить модель на том, что есть, приводили к тому, что она описывала поведение агрегата в новых режимах работы не очень адекватно, а выдаваемые ею результаты не соответствовали физике процесса. И для этого мы добавили при обучении модели физические ограничения в виде уравнений и зависимостей, характеризующих технологический процесс, которые зашили в виде регуляризаторов. Это помогло повысить предсказательную силу модели в новых режимах работы и, как следствие, оптимально подстраивать в онлайне работу агрегата к изменяющимся свойствам сырья.

- Что способно дать физически информированное машинное обучение «Северстали»? Насколько перспективным считаете это направление, в том числе для отрасли в целом? Где и как оно может быть использовано?

Physics Informed ML – это перспективное направление, особенно в промышленности, где мы часто имеем дело с шумными измерениями и маленькими выборками данных. Оно объединяет преимущества физического моделирования на основе дифференциальных уравнений и классического машинного обучения. Уравнения, присущие физическому моделированию, решаются с помощью численных схем довольно точно, но долго. Машинное обучение может быстро выявлять сложные зависимости из данных, но сильно зависит от качества самих данных, а в некоторых случаях результаты могут противоречить законам физики. Объединение этих подходов позволяет взять лучшее из каждого из них: в итоге дифференциальные уравнения, отвечающие за соответствие физическим законам, решаются на порядок быстрее, а неточности физических моделей и неучтенные ими процессы компенсируются реальными данными от модели машинного обучения.

- Какие результаты достигнуты и ожидаются? Насколько получаемый результат серьезен для компании?

Мы подтвердили возможность за счет использования модели повысить производительность на 11% относительно других линий с сохранением качества продукции, либо увеличить процент окатышей класса 10-12,5 мм на 2,3% при сохранении производительности.

- В чем роль этого проекта для бизнеса компании?

Во-первых, управление процессом окомкования в автоматическом режиме ограничило влияние человеческого фактора и снизило нагрузку на операторов. Кроме того, начинающему рабочему стало гораздо проще влиться в работу, так как ему не приходится опираться на собственный опыт, которого пока немного, или на опыт старших коллег.

Во-вторых, решение дает возможность не только контролировать процесс окомкования и управлять им, но и стандартизировать работу обжиговой машины. Оно успешно пропилотировано на одной из шести линий окомкования и будет тиражировано на другие линии.

В-третьих, реализованный проект стал уникальным для нашего комбината симбиозом физического моделирования, алгоритмов машинного обучения и компьютерного зрения.

- В каком направлении будет развиваться проект?

Сейчас мы уже ведем работы по тиражированию решения на другие технологические линии. В будущем планируем усложнить это решение за счет функции управления в специфичных режимах работы окомкователей.

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

— В чем заключается суть предлагаемого вами подхода?

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

— Почему это важно?

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

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

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

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

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

— Какие требования и принципы пытались соблюдать при создании системы?

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

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

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

— Что, по вашему мнению, удалось особенно хорошо?

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

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

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

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

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

— Какие эффекты можно считать наиболее показательными?

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

— В чем роль проекта для отрасли?

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

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

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

— Какими аргументами можно убедить собственников инвестировать в ИТ?

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

— В каком направлении будет развиваться решение?

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

Создавая цифровую ферму, руководство ООО «Бородулинское» рассчитывало на обеспечение устойчивости бизнеса. Достигнутые в ходе проекта результаты позволили не только улучшить финансовые результаты, но и задуматься о масштабировании бизнеса, а также о создании на базе агрофермы опытно-учебного центра. О подходах к реализации проекта рассказывает Александр Смирнов, ИТ-директор агрофермы «Бородулинское» и номинант на премию Data Award.

— Чем занимается ферма, что привело к необходимости ее цифровизации?

«Бородулинское» – молочная ферма в Свердловской области. На ней содержится 1260 животных черно-пестрой голштинизированной породы, из них порядка 600 дойных коров. По состоянию на 2020 год средний надой фермы не превышал 10,5 тонн молока в сутки, что объективно немного – он может быть гораздо выше. На ней отсутствовал постоянный мониторинг производственных процессов, была низкая управляемость, ферма не имела устойчивости. Совладельцами фермы была поставлена задача поиска решения этих проблем.

— Чего именно хотели добиться?

Основной задачей мы ставили создание устойчивой, эффективной и прозрачной модели предприятия, при которой нам будут понятны все бизнес-процессы, происходящие на ферме. В этом случае мы можем предвидеть ситуации и принимать решения не по факту, а увидев тенденцию и отреагировав заранее, в том числе и внедрением новых практик. Например, возможность в любой момент в «цифровом двойнике» фермы создать «копию», в которой можно изменить ряд параметров и получить прогнозную аналитику по влиянию изменений на общий результат, позволяет обоснованно рассматривать запросы на масштабирование бизнеса.

— Какие аргументы можно предъявить бизнесу, чтобы стала возможной полная оцифровка работы фермы?

Оцифровка фермы нужна только тем, кто хочет видеть реальную картину и управлять предприятием на основе данных. Собственникам, которые инвестируют в развитие бизнеса, такая модель подходит. Основной аргумент, по нашему мнению, – это даже не желание получения прибыли, а получение устойчивой прибыли. Только устойчивая к различному негативному влиянию ферма может обеспечить не только возврат инвестиций, но и масштабирование бизнеса.

Из неочевидных аргументов могу привести пример, который актуален не только для сельского хозяйства: эффективное и полное внедрение программных ИТ-решений. Изначально разработчиками в каждый программный продукт закладывается обширный функционал, но эффективность использования данных инструментов сильно зависит от актуальной, объективной и качественной информации, которая вносится сотрудниками. Оцифровка процессов позволяет автоматизировать сбор данных из различных источников и обеспечить внедряемые решения нужной информацией.

— Каковы инвестиции в этот проект? Какой видится окупаемость проекта?

Инвестиции не превышают 25% от дополнительно полученной за год прибыли по молоку. Они еще не закончены, но получаемые результаты позволяют обосновывать и получать эти инвестиции у собственников. На данный момент нами были проведены инвестиции в систему управления стадом DairyComp305, в систему кормоподготовки и кормораздачи TMR Tracker, в сервисы Dairy Production Analytics (DPA) и Business Scanner компании «АЛАН-ИТ», в климатические датчики, в ошейники Heatime. В данный момент заканчивается подготовка обоснования для инвестиций в систему автоматизации управления климатом, освещением, сбором телеметрии по объемам производства молока.

— Из каких этапов состоял проект, сколько времени на него потребовалось?

Первоначальный этап был связан с внедрением современных систем управления стадом, после этого уже модулями внедрялись системы управления кормлением, системы управления воспроизводством, датчики, аналитические сервисы. Значимый результат появился уже к началу 2022 года, когда мы увеличили надои с 18 кг на дойную корову в сутки до 21 кг. На настоящий момент надои составляют уже около 30 кг в сутки.

Цифровизация хозяйства была бы неполной без блока цифрового земледелия. Цифровым ядром в этой части у нас стал сервис «Агросигнал» компании «Инфобис». В рамках этой задачи мы внедрили блоки, связанные с контролем транспорта и технологических операций, контролем и учетом отгрузки ГСМ, технического обслуживания и ремонта техники, контроля скоростного режима и точности выполнения технологических операций. Мы оцифровали контуры всех полей, произвели их уточнения в ходе реальных работ. Руководитель может планировать и анализировать работы по каждому полю, а система в автоматическом режиме контролирует процесс уборки и обеспечивает контроль, начиная от заполнения бункера комбайна и перевозки и заканчивая взвешиванием.

В данный момент мы занимаемся вопросами большей детализации данных с полей и их агрохимическим и ретроспективным анализом, в итоге мы хотим прийти к «цифровому двойнику» каждого поля, который можно будет использовать как для планирования работ, так и для полного цикла технологий точного земледелия. В настоящий момент совместно с разработчиками обсуждаем интеграцию обоих блоков в единый на базе решений DPA.

— Рассматривались ли какие-либо альтернативы созданию «цифровой фермы»?

У нас несколько направлений бизнеса, одно из них связано с управлением объектами недвижимости. Мы активно внедряем Интернет вещей на базе технологии LoRaWAN одного из зарубежных поставщиков, что позволяет оперативно получать данные с различных учетных приборов в зданиях. Поэтому параллельно мы изучали рынок подобных датчиков применительно к тематике сельского хозяйства.

В 2020 году мы натолкнулись на одном из сайтов на кейс внедрения датчиков LoRaWAN, в котором описывался в целом подход к цифровизации на ферме в Ярославской области. Мы связались с разработчиком решения, компанией «АЛАН-ИТ», у которой на тот момент уже было реализовано российское платформенное решение по цифровой ферме. Выяснилось, что альтернативные решения были реализованы либо в привязке к специализированному импортному оборудованию, либо были универсальными решениями по типу SCADA-систем. В них без глобальной доработки было невозможно загрузить данные из систем управления стадом или кормлением животных.

Также немаловажным фактором уже тогда было российское происхождение программных продуктов. Большинство ферм к 2022 году использовали иностранные решения по управлению стадом, распространяемые по модели SaaS, и столкнулись с проблемами. При реализации каждого уровня мы стараемся придерживаться «цифровой независимости», когда нижний уровень датчиков и каналы связи могут работать независимо от программных продуктов следующего уровня и даже отправлять при необходимости данные в несколько систем.

— Как изменились бизнес-процессы и принятие решений? За счет чего рост показателей?

В начале процесса изменений не потребовалось прикладывать много усилий. С помощью решения DPA была проанализирована текущая ситуация на ферме и даны рекомендации по улучшению процессов ввода данных в систему управления стадом. Например, оказалось, что при выбытии животных часто не указывалась конкретная причина или ставилась причина «Прочее». Аналогичная ситуация была по заболеваниям. То есть первой модификацией бизнес-процессов стал качественный ввод данных, что позволило более глубоко анализировать процессы содержания и ухода за животными, осеменения, кормления, доения. А обратная постановка задач руководством фермы позволила не только решать конкретные проблемы, но и видеть, решают ли их, и в какие сроки. Понимание персонала, что их действия видят и ими управляют, повысило качество работы в рутинных процедурах, а своевременность действий оказала нужный эффект.

Еще один пример: мы даже не задумывались, какой негативный эффект на хозяйство оказывали долгодоящиеся коровы. Их в стаде был достаточно высокий процент, то есть мы находились на конце лактационной кривой стада. Когда мы начали проводить работу по выбраковке таких коров, осеменению и постепенной замене на нетелей, это позволило выйти на значительно более высокую продуктивность стада.

— А были ли благодаря анализу данных инсайты, которых совсем не ожидали?

У нас установлены климатические датчики, которые измеряют температуру и влажность на ферме, и показывают летом индекс теплового стресса животных. В июле-августе прошлого года мы имели снижение общих надоев около двух тонн молока в сутки. Наличие датчиков позволило понять причины снижения надоев, а также негативного влияния теплового стресса на заболеваемость и снижение успешности осеменения в этот период. Это, в свою очередь, позволило обосновать с экономической точки зрения внедрение системы управления климатом.

— На какие бизнес-результаты рассчитывали, создавая решение? Как они соотносятся с реальностью?

Мы рассчитывали на увеличение валового надоя молока на 20% за год, а в итоге результат превзошел наши ожидания. Если раньше мы доили на том же стаде около 10-11 тонн молока в сутки, то сейчас надои составляют 17-18 тонн, обеспечив рост прибыли по сырому молоку к показателям 2021 года более чем на 40 млн руб. Остальная экономика на ферме выглядит примерно также.

— Какую роль проект может сыграть в развитии рынка?

Мы хотим реализовать идею создания на базе нашей агрофермы опытно-учебного центра. Уральский регион нуждается в специалистах, которые могут применять подобные технологии, а мы бы хотели на базе учебного центра делиться своим опытом и обмениваться опытом с другими хозяйствами. Также при взаимодействии с вузами и специализированными колледжами мы готовы заниматься подготовкой молодых специалистов. Студенты, только что получившие образование или окончившие курсы повышения квалификации, не имеют опыта работы с современным оборудованием и программным обеспечением, которые им приходится использовать. Опытно-учебная ферма может предоставлять такую возможность совместно с разработчиками решений.

Кроме того, мы видим будущий учебный центр в роли ИТ-акселератора в проектах сельского хозяйства. Мы столкнулись с тем, что на данный рынок выходит много небольших ИТ-стартапов, которые не всегда имеют возможность опробовать свои решения на практике. Целевая аудитория (агрономы, зоотехники) имеет консервативные взгляды на новации и не готовы общаться с такими компаниями. Стартапам же нужна экспертная оценка планируемых к разработке решений, а также их тестирование на реальных объектах. Сельхозпредприятиям, в свою очередь, нужны ИТ-кадры, которые должны получать опыт в реальных условиях. В перспективе специалисты опытно-учебного центра могут помочь масштабировать успешные ИТ-решения на других предприятиях сельского хозяйства.

Третья важная составляющая – это возможность одними из первых протестировать и внедрить инновационные решения. Например, летом 2022 года наша ферма в рамках Федерального проекта «Умная ферма» приняла участие в пилотном проекте тестирования болюсов – капсул с датчиками, помещаемых в желудок коров и позволяющих контролировать их состояние. Подготовленные сети связи позволяли очень оперативно внедрять и тестировать любые современные решения. Данные с болюсов формировались в формате Excel, но это тоже не было преградой для их оперативной передачи в DPA с целью сравнения с данными из других систем в хозяйстве.

— Как вообще ферма видит свое будущее?

Мы хотим провести реконструкцию фермы и увеличить количество дойного поголовья. Будем продолжать решение и других задач, оцифровывать оставшиеся бизнес-процессы. Планируем масштабирование нового направления бизнеса – производства молочных премиум-продуктов.

Работа секции «Опыт» конференции «Качество данных 2023», проведенной в феврале издательством «Открытые системы», вызвала особый интерес у ее участников. Впрочем, это вполне объяснимо: здесь они смогли познакомиться с самыми интересными из недавно реализованных проектов, связанных с получением и использованием качественных данных.

Миграция и оптимизация аналитических ландшафтов

Весной 2022 года розничная сеть «ВсеИнструменты.ру» столкнулась с серьезной проблемой, ставшей следствием западных санкций: компании пришлось в срочном порядке осуществлять миграцию систем хранения данных и аналитики из облачных сервисов одного из международных провайдеров на локальные мощности, причем этот переход следовало провести без остановки или заметных сбоев операционных бизнес-процессов компании. На то, чтобы вывести аналитику из облака, провайдер отвел всего две недели.

По словам Вадима Уланова, директора по данным компании «ВсеИнструменты.ру», на тот момент в ландшафте аналитики царил «зоопарк» технологий: PHP, Oracle, PostgreSQL, Golden Gate, Python, ClickHouse, PowerBI и пр. Последний рефакторинг кода проводился более трех лет назад, за это время многие из тех, кто разрабатывал процедуры для хранилища данных, покинули компанию. В результате образовалось значительное количество унаследованных программных модулей, которые были плохо документированы и практически не поддерживались. Их работа была нестабильной (сбои случались часто), поэтому исправления в них приходилось вносить регулярно.

От использовавшегося прежде ПО с открытым кодом решили отказаться. Вместо него выбрали платформу с максимальным количеством нужных приложений в рамках одного стека. Полный переезд на новую платформу занял около полутора месяцев. Команде проекта удалось не только реализовать весь базовый функционал, существовавший прежде, но и высвободить около 10 млн руб. в год за счет отказа от облаков и оптимизации ландшафта бизнес-аналитики. Кроме того, были снижены требования к квалификации разработчиков, благодаря чему экономия фонда оплаты труда при найме новых сотрудников составила около 20%. Благодаря тому, что специалисты при переходе на новую платформу заново переписали бизнес-логику хранилища данных и отказались от необоснованной кастомизации, скорость ежедневного обновления данных в хранилище увеличилась на 15%.

Перечисляя важнейшие уроки проекта миграции, Уланов отметил важность обучения сотрудников и формирования культуры работы с данными: «Если пользователи по-прежнему тянутся к Excel, значит, с ними недостаточно поработали. Нужно объяснять преимущества новых аналитических инструментов и добиваться того, чтобы люди поверили в их полезность и эффективность. И конечно, надо прививать сотрудникам культуру работы с данными».

В компании «ЦЕМРОС» (ранее «Евроцемент Груп») сейчас заканчивается проект перехода с прежней системы управления мастер-данными (MDM) на новую — его планируется завершить к апрелю. Как рассказали Илья Залозных, начальник отдела НСИ департамента информационно-цифровых технологий и архитектуры компании «ЦЕМРОС», и Елена Подгайная, руководитель проектов компании SOFROS, прежде в холдинге использовали решение «Парус» в качестве единой ERP-системы и разработанную своими руками систему MDM. К моменту начала проекта назрела необходимость существенно расширить ее функционал, но стоимость доработки была слишком велика. Кроме того, много сложностей возникало из-за того, что данные справочника материально-технических ресурсов были нечетко классифицированы, неточны или неполны, причем настолько, что однозначно идентифицировать многие позиции справочника было невозможно. Наконец, записи в справочниках нередко дублировались, что затрудняло слаженное функционирование информационных систем и подразделений компании. Если учесть, что число позиций в справочниках НСИ достигало 500 тыс., стало очевидно, что без перехода на новую MDM-систему накопившиеся проблемы решить не удастся.

Было решено переходить на новую систему на базе продукта «1С:MDM». Для ее интеграции с системами «Парус» и «1С:CRM» внедрили интеграционную шину DATAREON ESB.

В настоящее время компания находится на этапе перехода от прежней MDM-системы к новой: часть дочерних предприятий уже работают на базе новой системы, тогда как другая часть — пока на основе прежней. Как пояснил Залозных, такой подход был принят, чтобы снизить уровень стресса у сотрудников.

Благодаря внедрению новой MDM-системы и нормализации базы НСИ, существенно уменьшились затраты времени на поиск и анализ позиций в справочнике, сократились сроки выполнения конкурсных процедур на торговых площадках, ускорилась обработка заявок по справочникам. А за счет выявления и устранения дублей появилась возможность в перспективе сэкономить более 40 млн рублей благодаря более четкой идентификации остатков на складах. Кроме того, удалось провести инвентаризацию позиций МТР с привязкой технической документации. В результате оптимизации и усовершенствования бизнес-процессов по ведению справочников существенно повысилась продуктивность работы службы НСИ.

Рекомендации на основе лучших практик

Как привлечь внимание бизнеса к повышению качества данных? Для этого надо понять, что качество данных дает бизнесу, считает Андрей Трянин, начальник управления методологии и контроля работы с данными компании X5 Retail Group. Основываясь на этой идее, он и его коллеги решили разделить понятия технического качества данных и их бизнес-качества.

Андрей Трянин: «Зачастую бизнес пытается решить свои проблемы на уровне процессов и людей, но не обращает внимания на слой данных»

«Одно дело — решение чисто технических проблем, таких, например, как обеспечение своевременного обновления информации в витринах данных. И другое — решение бизнес-проблем, которое возможно на основе анализа качественных данных, — поясняет Трянин. — Например, почему не продается товар, который есть и в остатках на складах, и в ассортименте? Бизнес не заявит о том, что данные о товарах нужно отслеживать и как-то анализировать. Зачастую бизнес вообще не ассоциирует подобные проблемы с данными, поэтому пытается решить их на уровне процессов, людей, но не обращает внимания на слой данных».

Предметно заниматься бизнес-качеством данных в X5 Retail Group начали с декабря. Проведенная работа уже дала вполне заметный экономический эффект.

«Мы подтвердили гипотезу, и эффект от внедрения изменений оценивается в 'скромные' 50 млн руб. — отмечает Трянин. — Для компании это немного, но для моей команды это сумма средств на два-три года».

Подход к управлению качеством данных, основанный на соглашениях SLA, описал Евгений Виноградов, директор департамента аналитических решений компании YooMoney. Он и его коллеги выяснили, на какие проблемы с качеством данных чаще всего жалуются пользователи. Как оказалось, замечания в первую очередь касались недоступности данных, их неактуальности или некорректности. У дата-инженеров обнаружились схожие претензии, но, кроме того, у них были и нарекания к качеству исходных данных.

«Решением проблем с качеством данных может стать фиксация в документе SLA требований к данным с указанием приемлемых диапазонов показателей», — считает Виноградов.

С его точки зрения, в SLA для аналитических систем наиболее важными показателями являются полнота данных и их точность. Также следует контролировать доступность данных для пользователей и соблюдение четких сроков завершения обработки информации за предыдущие периоды. Кроме того, полезно отслеживать длительность инцидентов с данными и их максимальное количество за месяц. Что касается вопроса о том, стоит ли отражать в SLA работоспособность источников данных, Виноградов и его коллеги пришли к выводу, что исключить из SLA можно только параметры работоспособности второстепенных данных. Ответственность за важные источники аналитикам все-таки приходится брать на себя. 

Евгений Виноградов: «Решением проблем с качеством данных может стать формирование документа SLA»

Время, к которому должно завершаться обновление данных за предыдущий день, допустимое количество инцидентов за месяц, сроки устранения инцидентов, а также допустимое количество плановых работ и время восстановления с резервной копии в случае повреждения основной базы данных — вот те параметры, которые сегодня являются ключевыми метриками контроля доступности аналитических систем в YooMoney.

«Дело осталось за малым — добиться того, чтобы зафиксированные в SLA договоренности соблюдались», — добавляет Виноградов.

Свой подход к обеспечению качества данных нашли в «М.Видео-Эльдорадо». Как рассказал Алексей Точилов, руководитель продукта Data Governance, в компании в силу исторических причин развиваются два хранилища данных — корпоративное и аналитическое. Они подчиняются разным департаментам, выстроены на базе разных технологических стеков, их сопровождают и поддерживают разные команды. До недавнего времени требования бизнес-заказчиков к данным в разных хранилищах формировались различным образом и проверки качества данных были реализованы по-разному. Неудивительно, что в некоторых случаях возникали расхождения в данных. Немало сложностей возникало и тогда, когда приходилось переносить отдельные активы данных из одного хранилища в другое: могли появляться дополнительные требования, обнаружить которые без выстроенной процедуры их отслеживания было проблематично.

Выход из ситуации был найден путем унификации процессов управления качеством данных. В частности, специалисты решили стандартизировать управление требованиями к данным, согласовать методологии проверок качества данных, обеспечить своевременное реагирование на инциденты с данными и их устранение.

За основу был взят каталог данных, а точнее — хранящиеся в нем метаданные и глоссарий, который содержит не только термины и определения данных, но и информацию об их семантике и происхождении (что особенно важно для поиска точек отказа при анализе инцидентов с данными). Управление качеством данных было решено реализовать на основе каталога данных: именно в нем теперь хранятся типы проверок качества, которые необходимо применить в отношении того или иного актива данных. Типы проверок, включающие описания их методологии в терминах бизнеса и описания алгоритмов, копируются в каталог из системы качества данных (она реализована на базе собственной разработки).

Теперь в каталоге данных фиксируются требования, касающиеся отдельных активов данных, вместе со ссылками на типы проверок, которые следует применить. Эти требования копируются в систему качества данных, и встроенный в нее планировщик заданий систематически запускает проверки согласно составленному расписанию. Их результаты сохраняются в системе качества данных, при этом каталог данных предоставляет возможность просмотра таких результатов. Таким образом, каталог данных выступает в роли единого окна для контроля данных, которое доступно всем, кто использует или поддерживает активы данных.

Нередко проблемы с качеством данных возникают из-за того, что не удается снизить их сложность. По словам Федора Медведева, директора департамента компании Naumen, отвечающего за цифровые сервисы и решения в образовании, помочь справиться с этой проблемой могут системы корпоративного поиска. В частности, поисковая система Naumen Enterprise Search, обладающая встроенными механизмами машинного обучения и средствами обработки запросов на естественном языке (Natural Language Processing, NLP), интегрирует разнородные источники. Система поиска использует единое окно доступа к данным, причем не только к внутренним, но и к внешним.

Внедренная в компании «Газпром Нефть» поисковая система Naumen сегодня охватывает около 50 тыс. пользователей, 50 источников данных и 30 млн документов, обрабатывая около 2,5 тыс. запросов ежедневно. В компании «Мосэнергосбыт» на основе такого же продукта выстроен автоматический мониторинг законодательства в области электроэнергетики: система опрашивает источники (внешние сайты) и ищет информацию о подготовке новых изменений в документах регуляторов. Кроме того, система помогает анализировать найденные данные, отслеживать упомянутые в документах сроки и пр. Что важно, она обеспечивает обсуждение найденных документов внутри организации (задействованы более 50 подразделений) и сведение различных позиций к единому мнению.

Нина Адамова, руководитель направления «Умный город» компании «МегаФон», считает, что вопрос доверия к предоставляемым руководителям данным сегодня является очень важным. Чтобы снизить информационную нагрузку, «Мегафон» создает для топ-менеджеров различных организаций персональные рабочие места — информационные панели, на которых визуализируются не более чем по шесть крупных диаграмм, отражающих актуальные данные по наиболее насущным вопросам, тогда как прочие сведения отображаются в свернутом виде — при желании их можно развернуть и изучить более подробно. Данные для таких систем могут извлекаться из десятков, а иногда и из сотен различных источников — как внутренних, имеющихся в головном офисе или дочерних организациях, так и внешних. К сожалению, раскрывать детали обеспечения качества данных для систем руководителей «Мегафон» пока не готов.

В банке «Открытие» запущен сервис «Советник», который позволил оптимизировать работу с клиентами из малого и среднего бизнеса и показал серьезные результаты, в том числе рост среднего комиссионного дохода, сокращение оттока, рост лояльности и т.п. Решение построено на нескольких технологиях машинного обучения и направлено как на самих клиентов, так и на сотрудников банка. О реализации этого проекта, его роли в бизнесе и достигнутых бизнес-эффектах рассказал Антон Козлов, вице-президент, директор департамента CRM МСБ банка «Открытие» и номинант на премию Data Award.

- Какова история проекта «Советник»? Что было раньше, какими инструментами поддерживалась работа банка с клиентами из малого и среднего бизнеса?

Этот проект развивается нашей командой уже около пяти лет. Раньше мы, как, наверное, большинство на этом рынке, для работы с клиентами МСБ использовали CRM-кампании в различных каналах, основанные на отдельных моделях (склонности к продукту, прогнозов оттока и т.д.).

- В чем заключались проблемы, почему потребовалось создание этого решения?

Проблемы были достаточно стандартные для бизнеса. Всем важно найти дополнительные источники увеличения доходности клиента и самой клиентской базы, повысить лояльность клиента, снизить нагрузку на линию поддержки и многие другое. При этом в решении таких проблем есть объективные ограничения: коммуникационная политика, то есть частота контактов с клиентами, доступные ресурсы, бюджеты. В какой-то момент стало понятно, что несколько различных целей можно достичь одним способом, объединяющим в себе отдельные решения. Тесты, проведенные еще в начале разработки, полностью подтвердили правильность этого подхода.

- В чем инновационность разработанного решения?

Во-первых, нам потребовался новый подход к решению бизнес-задач и работе банка с клиентами за счет объединения в одно целое различных инструментов Big Data, которые усиливают друг друга за счет согласованной работы. Благодаря модульной структуре можно быстро получать ощутимые эффекты даже в минимальной конфигурации, делать акцент на решении тех бизнес-задач, которые актуальны именно на текущий момент, постепенно развивать структуру сервиса, наращивая его возможности. Наконец, можно отметить разнообразие данных, которые получается успешно монетизировать в рамках созданного сервиса.

- На каких технологиях построено решение?

Основной блок решения – внутреннее ядро, которое обрабатывает данные. Оно использует такие технологии машинного обучения, как градиентный бустинг (Light Gradient Boosting, LGB), сети долгой краткосрочной памяти (Long short-term memory, LSTM), алгоритм «k ближайших соседей» (k Nearest Neighbor, KNN), обработка естественного языка (Natural Language Processing, NLP), а также обучение с подкреплением (Reinforcement Learning). Все реализовано на Python.

- Какими силами и в какие сроки реализовывался проект?

Состав и численность команды за 5 лет развития проекта менялись, и это не только специалисты по работе с данными. Достигнутый результат был бы невозможен без разработчиков, UX/UI-дизайнеров, тестировщиков, специалистов CRM. Ядро команды было достаточно компактным – около 10 человек.

- Что было самым сложным?

Самым сложным было сделать так, чтобы все наработки выстроились в одну логичную концепцию, которая была бы востребована бизнесом и клиентами. Были также трудности с качеством некоторых новых на этом рынке моделей. Например, первая попытка сделать модель, оценивающую лояльность конкретного клиента через прогноз NPS (Net Promoter Score — «индекс потребительской лояльности»), была неудачной. Однако через три года, после появления хорошей модели оттока и дополнительных данных, все получилось. Сложным было также выстраивание архитектуры данных, взаимодействия между всеми системами, включая сервера интернет-банка, баз данных и приложений. Готовых решений, четких технических заданий не было, поэтому, конечно, возникали трудности и ошибки, но целевая концепция была понятна, мы постепенно двигались вперед и со временем нашли все необходимые решения.

- Что собой представляет созданное решение?

Основная идея была достаточно простая: при работе с клиентами МСБ отказаться от отдельных CRM-кампаний на основе моделей и триггеров. Хотели перейти на формирование комплексных рекомендаций, советов, подсказок для конкретного клиента или менеджера с использованием data-driven подхода, учетом максимального количества факторов и взаимосвязей. Постепенно мы пришли к непростому, но надежно работающему механизму сбора и обработки данных, имеющему несколько интерфейсов. В итоге получился сервис, который может подсказать наилучшее решение клиенту или менеджеру по очень широкому кругу вопросов, предупредить или обратить внимание на какие-то риски.

Если описывать устройство сервиса «Советник» упрощенно, то это четыре связанных блока: внутреннее ядро, которое обрабатывает данные, блок рекомендаций для клиента в интернет- и мобильном банке, блок рекомендаций для менеджера (сотрудника банка) в операционном CRM, и блок Reinforcement Learning, работающий на улучшение формы рекомендаций. Блоки состоят из отдельных модулей, каждый из которых отвечает за определенную функцию в работе с данными, например, прогнозирование снижения активности клиента, или прогноз возникновения кассового разрыва в бизнесе клиента. В итоге у нас нет отдельных CRM-кампаний, связанных, например, с продажами или удержанием клиентов, но при этом бизнес-показатели улучшились. Чтобы лучше понять, что такое сервис «Советник», очень рекомендую посмотреть трехминутное видео, где наглядно показаны основные функции.

- На кого в большей степени рассчитано решение: на внутренних пользователей или клиентов? Чья работа с ним даст наибольший эффект?

Сервис «Советник» рассчитан на разных пользователей. В интернет-банке он используется только клиентами, и в основном это микробизнес или низкий по выручке сегмент малого бизнеса. В операционном CRM решение работает только для внутренних пользователей, и в основном при работе с клиентами среднего бизнеса или высоким сегментом малого бизнеса. Так как одна и та же информация полезная для одних пользователей, бесполезна или избыточна для других, есть отличия в наборе предоставляемой информации. Скажем, клиент в интернет-банке не видит некоторые элементы, которые видит менеджер в операционном CRM – например, оценку лояльности по отношению к банку или потенциал по доходу. И, наоборот, менеджер не видит часть того, что видит клиент – например, события, происходящие у контрагентов клиента. Поэтому сложно однозначно сказать, что дает наибольший эффект. Но если говорить об отдельных метриках эффективности, то, возможно, на количество клиентов или обращений в поддержку больше влияет «Советник» для клиента в интернет-банке. А если говорить о влиянии на доходность, то скорее всего это будет «Советник» в операционном CRM для менеджера.

- В чем состоят «фишки» решения? Чем вы больше всего гордитесь?

Сервис «Советник» достаточно сильно поменял подход банка к работе с клиентами МСБ. С помощью данных удалось создать стратегию win-win, когда выигрывают все – и бизнес, и клиенты. Эти результаты – хороший повод для гордости.

Но если говорить о чем-то совсем конкретном, то на мой взгляд, одна из важнейших «фишек», где результаты превзошли ожидания – блок Reinforcement Learning, который запустили в ноябре 2022 года. Даже если не развивать остальные направления, он один может обеспечить почти непрерывный прирост дохода. В реальных условиях, почти сразу после запуска, мы увидели увеличение конверсии предложений продукта на 15% только за счет использования RL-блока. Это достаточно много, учитывая, что это отсчет от «высокой базы», так как конверсию уже максимально подняли другими средствами так, что дальше каждый процент повышения дается с большим трудом. И самым хорошим оказалось то, что это было только начало роста эффективности, который продолжился по мере работы агента в RL-модели, с потенциалом увеличения минимум до 25%.

В этом блоке работают два модуля. Первый с помощью технологий RL стремится достичь максимальной конверсии, балансируя лиды между разными коммуникациями. Второй с помощью технологий NLP, подсказывает, что именно нужно изменить в коммуникациях, чтобы увеличить конверсию. Таким образом, получается замкнутый цикл с постоянным улучшением.

- Каковы бизнес-результаты?

Могу поделиться основными бизнес-результатами по результатам А/В-тестирования. Замеры делались несколько раз в разное время. Отмечен рост 10-12% среднего комиссионного дохода от клиентов, сокращение оттока активных клиентов на 38-43%, снижение количества обращений клиентов в поддержку на 15-20%. При этом рост лояльности составил 8-10%.

- Пытались ли оценивать экономический эффект? Какие деньги приносит (и способен принести) сервис?

На всю клиентскую базу сервис «Советник» масштабировали сравнительно недавно – в декабре 2022 года, а до этого сервис был доступен только для части наших клиентов. Сейчас наблюдаем быстрое увеличение количества как новых, так и постоянных пользователей сервиса. Пока рост проникновения кратно опережает рост клиентской базы. После стабилизации проникновения в клиентскую базу будет возможно точно оценить экономический эффект. Предварительная оценка на основе имеющихся данных – дополнительный доход около 6,5-7 млн руб. в год на каждую тысячу пользователей сервиса.

- Какую роль играет реализация проекта в бизнесе компании? Какие возможности он открывает?

На данный момент сервис существует как готовый функционирующий продукт, встроенный в наши бизнес-процессы. Кроме основных бизнес-эффектов, которые я привел раньше, использование сервиса дает нам дополнительные бонусы. Это сокращение потребности в штате специалистов CRM, снижение критической зависимости от производителей импортного ПО (в нашем случае SAS), повышение эффективности работы клиентских менеджеров. Кроме того, удалось уменьшить стоимость привлечения и обслуживания, снизить информационную нагрузку на клиента и сформировать относительно небольшой, но стабильный источник привлечения новых (и, что важно, качественных!) клиентов.

- В каком направлении будет развиваться проект?

Конечно, мы планируем расширение функционала. Еще несколько модулей могут быть встроены в сервис уже в этом году. Кроме того, ожидаются некоторые улучшения с помощью доработок систем по результатам полученного опыта промышленной эксплуатации.

Планируется также дальнейшее развитие блока Reinforcement Learning, как количественное – добавление новых продуктов, так и качественное – развитие модуля NLP. Пока все это будет касаться только клиентов из малого и среднего бизнеса, потому что именно он является зоной ответственности нашей команды. Однако если говорить о перспективах развития вообще, то область применения такого data-driven подхода, конечно, не ограничивается только взаимодействием банка и клиентов МСБ. Буду рад, если наш пример побудит на создание аналогов в других организациях и сферах деятельности или, как минимум, позволит по-новому взглянуть на работу с данными.

18 января «Ростелеком» и АНО «Цифровая экономика» представили тренды цифровизации на 2023 год, основанные на собственных аналитических отчетах. Эксперты компаний рассказали о своем видении развития цифровых технологий в России и мире.

Для «Ростелекома» исследование глобальных трендов цифровизации стало уже пятым по счету. Как отметил Борис Глазков, вице-президент по стратегическим инициативам «Ростелекома», несколько лет назад перед компанией встала задача актуализации стратегии. Требовалось понять, в каком направлении развивается научно-технический мир, и не зависеть в этом от западных аналитиков.

«Никакими человеческими ресурсами эту амбициозную задачу решить было невозможно. Мы не нашли ничего лучше, как заставить наш искусственный интеллект прочитать все научные статьи, патентные заявки, информацию о венчурных инвестициях и сделках в области ИТ», — рассказал Глазков. Казавшаяся изначально безумием затея оказалась удачной, и уже пятый год «Ростелеком» имеет объективную картину развития научно-технического мира. База исследования, изначально составлявшая 5 млн источников – профессиональных публикаций, уже охватывает более 117 млн источников. Это дает все более достоверные оценки. Глядя на созданную карту технологий, руководство компании оценивает, насколько находится «в тренде» и какие усилия следует предпринять в ближайшем будущем.

Глядя на созданную искусственным интеллектом карту технологий, руководство Ростелекома оценивает, насколько находится «в тренде» и какие усилия следует предпринять в ближайшем будущем

ИИ считает актуальным… себя

В рамках исследования для каждой технологии составляется интегральный рейтинг, включающий интеллектуальный вклад ученых – количество научных статей и патентов, а также объем инвестиций в нее. Бесспорным фаворитом этого своеобразного «чемпионата технологий» в последние четыре года является искусственный интеллект: помимо большого внимания, уделяемого ему, он вдобавок оказывает сквозное влияние на огромное количество других трендов. Среди сфер исследований, вызывающих наибольший интерес ученых, выделяется гибридное глубинное обучение (Hybrid Deep Learning), которое подразумевает объединение двух или более архитектур Deep Learning и обеспечивает более точные результаты, обучение на контрастных данных (Contrastive Learning), а также оптимизация выборок для обучения, в том числе с использованием синтетических данных.

Как отметила Ольга Сквирская, руководитель направления Центра стратегических инноваций «Ростелекома», за прошедший год на рынке искусственного интеллекта состоялось 24 крупных сделки объемом более 1 млрд долл. каждая. Впечатляют не только объемы инвестиций и научных работ, но и то, что результаты начинают находить активное применение на практике, причем зачастую в довольно неожиданных областях. Например, в Китае судьи обязаны консультироваться с искусственным интеллектом по каждому рассматриваемому делу, и в случае несогласия с его рекомендацией по вынесенному решению должны представлять письменное объяснение.

Ольга Сквирская: «Внешний рынок пока не слишком понимает, какая практическая польза может быть извлечена из метавселенных. Однако отмечаются гигантские инвестиции в это направление внутри самих платформ»

Среди других горячих тем, находящихся на пике интереса, в «Ростелекоме» выделяют информационную безопасность, здравоохранение и социальные сети.

Отдельно Сквирская выделила метавселенные – коллективные виртуальные пространства, созданные в результате слияния физического и цифрового мира. Триггером для бурного интереса к ним стала активность в этом направлении компании Meta (признана в России экстремистской организацией и запрещена. — Прим. ред.). Венчурные инвестиции в это направление пока невелики – это свидетельствует о том, что внешний рынок еще не слишком понимает, какая практическая польза может быть извлечена из метавселенных. Однако отмечаются гигантские инвестиции в это направление внутри самих платформ – например, Amazon, Microsoft и Apple.

Интересные изменения в рейтингах

Сравнение данных за разные годы показывает пути развития технологий – какие из них получили наибольший импульс развития и внедрения, а какие перешли в разряд аутсайдеров. По словам Глазкова, за теми, кто оказался «на обочине», следить не менее интересно: выясняется, что одни технологии появились раньше своего времени, а другие были вытеснены новым поколением решений. Например, из числа лидеров неожиданно выпала виртуальная реальность, и ее будущее сейчас под вопросом. «Перегретые» ожидания относительно нее явно не оправдались – не появилось ни дешевого и удобного оборудования, ни качественного контента. Блокчейн, напротив, пережил уже несколько кризисов, и сейчас снова резко поднимается в рейтинге. Можно говорить об очередном витке интереса к нему. Во-первых, это связано с ростом популярности технологии невзаимозаменяемых токенов (non-fungible token, NFT), которая сейчас более всего известна применительно к объектам цифрового искусства. На этот рынок выходят современные художники и известные аукционные дома, а в будущем NFT вполне способна стать основой правообладания в цифровом мире. Во-вторых, отмечается высокая активность национальных правительств по внедрению цифровых валют.

Мария Сайкина: «Возникают вполне ожидаемые вопросы относительно использования результатов работы генеративного ИИ, в том числе прав интеллектуальной собственности»

Интересные изменения отмечаются и среди стран-лидеров в области цифровых технологий — количество переходит в качество. Китай в последние годы обогнал США в интегральном рейтинге стран, став безоговорочным лидером по научным статьям и патентам в сфере цифровых технологий, а США сохраняет лидерство лишь по объему инвестиций. Отрыв двух лидеров от идущей на третьем месте Индии огромен, при этом разрыв между Китаем и США тоже значителен и равен показателю Индии. Россия в интегральном рейтинге занимает 14-е место. Среди других стран в «Ростелекоме» отмечают ощутимую динамику у Саудовской Аравии и Ирана, которые представляются интересными партнерами для технического сотрудничества.

Национальные особенности

Как отметил директор РАЭК Сергей Гребенников, экономика Рунета по итогам 2022 года вырастет на 24% (вместо ожидавшихся ранее 11%) и составит 11,8 трлн руб. Рынок ожидаемо просел в направлениях маркетинга и рекламы, а также контента, что связано с уходом с рынка западных компаний. Однако это падение с лихвой компенсировалось ростом рынка электронной коммерции, который окреп во время пандемии и сейчас готов к дальнейшему развитию.

Мария Сайкина, главный аналитик РАЭК, представила основные технологические и экономические прогнозы для российского рынка на 2023 год. Среди технологий она выделила пять основных направлений. Первыми двумя являются генеративный ИИ и технологии дипфейков, вызвавшие всплеск интереса и со стороны пользователей, и у инвесторов, и (что неудивительно) у регуляторов. Возникают вполне ожидаемые вопросы использования результатов работы ИИ, в том числе относительно прав интеллектуальной собственности, а также правомерности данных, используемых для обучения систем. Кстати, дипфейки, воспринимающиеся большинством людей исключительно негативно – как средство дезинформации, имеют и вполне «мирное» применение. На практике они широко используются в рекламе и при общении роботов с клиентами.

Кроме того, в нашей стране активно развиваются биометрическая идентификация и беспилотный транспорт. Интересно, что главным движителем этих технологий является государство, видящее в биометрии ценный инструмент для безопасности, а в беспилотниках – средство доставки грузов в труднодоступные районы. И, наконец, импортозамещение начало восприниматься как неизбежность. Если раньше оно было задачей госструктур и прочих субъектов критической информационной инфраструктуры, то теперь актуально не только для всех организаций, но и частных лиц. Очевидно, в этом году усилится разработка альтернатив для всех – даже пока доступных – технологий.

В 2020-2022 годах Счетная палата Российской Федерации реализовала важный стратегический проект — комплексную программу подготовки специалистов (КППС) по управлению данными для высшего органа внешнего государственного аудита. Сотрудники Счетной палаты прошли обучение современным техническим инструментам дата-аналитики и получили практический опыт их использования. Программа позволила значительно повысить производительность труда инспекторов и выйти на новый качественный уровень представления результатов аудиторской работы. Для реальных задач Счетной палаты сотрудники ведомства за три года разработали более 130 решений, основанных на аналитике данных. О том, как удалось этого добиться, рассказал Михаил Петров, директор Департамента цифровой трансформации Счетной палаты Российской Федерации и номинант на премию Data Award 2023.

— В чем заключались проблемы, какие задачи требовалось решить с помощью программы подготовки?

Проблемы типичны для многих госструктур: отсутствие опыта аналитической работы у имеющихся сотрудников, низкий уровень технологической подготовки, в том числе работы с инструментами аналитики, понимания управления данными и т.п. В то же время наша новая система компетенций требует всего этого, а на рынке отсутствуют программы обучения, нацеленные на подготовку необходимого уровня специалистов. Кроме того, нам нужна не теория, а практика — именно на реальных примерах из жизни специалисты такого рода как наши учатся лучше всего.

— Как появилась эта программа, какова история ее создания?

Программа была разработана и реализована нами в 2020-2022 годах, а ее целью является обеспечение реализации стратегии развития Счетной палаты в 2018-2024 годах. В частности, наша стратегия предусматривает не только цифровую трансформацию процессов операционной деятельности, но и развитие собственных аналитических компетенций и инструментария, основанных на современных подходах к моделированию, развитие дистанционных методов аудита, а также аналитических разработок и прикладных методов для обеспечения функции государственного аудита. Фактически КППС стала одним из важнейших инструментов решения задач стратегии. Ее предназначение – обеспечить наших сотрудников техническими знаниями и навыками, которые необходимы им для совершенствования государственного аудита, с акцентом на самостоятельную подготовку и обработку больших объемов информации и данных.

Утвержденная в 2021 году Модель компетенций описывает требования к знаниям и умениям применительно к ролям в процессах Счетной палаты. Ее особенностью и приоритетом стали специальные профессиональные компетенции, свойственные определенным профессиональным ролям, и универсальные цифровые компетенции, которые могут распространяться на всех сотрудников Счетной палаты.

С учетом специфики работы с аналитическими инструментами, а также процессами внедряемой системы управления данными, нами было выделено несколько ключевых ролей сотрудников: инспектор-«дата-стюард», инспектор-«дата-аналитик», дата-инженер и инспектор, обладающий универсальными цифровыми компетенциями. Для каждой из этих ролей в модель компетенций были включены соответствующие профили по трем уровням: начальный, средний, продвинутый. И конечно, сотрудников нужно обучать в соответствии с ними.

— Приведите пример таких профилей.

Например, рассмотрим роль дата-стюарда. На базовом уровне он должен понимать простые структуры и типы данных, обладать теоретическими знаниями о возможностях использования инструментов и принципах функционирования системы управления данными Счетной палаты, уметь работать с ГИС и иметь представление о базовых принципах управления данными. На высоком уровне всё гораздо серьезнее. Такой сотрудник обладает базовыми знаниями SQL, умеет работать с СУБД PostgreSQL, обладает навыками работы в PolyAnalyst, умеет разрабатывать правила надежности и качества данных. Он способен сформулировать рекомендации по составу и порядку формирования данных при создании и модернизации ГИС, умеет формировать задание на загрузку данных дата-инженеру из любого источника данных, имеет углубленные знания в области работы с данными, подтвержденные дипломами.

— Каковы вообще потребности Счетной палаты в экспертах по управлению данными и работе с ними? Должен ли в итоге каждый инспектор стать кем-то из дата-специалистов?

Конечно же, далеко не каждый инспектор должен стать продвинутым специалистом по управлению данными. На один профильный аудиторский департамент, которых у нас 15, из 40-50 человек вполне хватит двух-трех дата-стюардов – специалистов, отвечающих за предметное изучение данных и постановку задач на их «интеграцию»: определение и описание необходимых источников, дата-сетов и т.п. Остальные же инспекторы вполне могут обладать только базовым пониманием того, как устроены базы данных и информационные системы на уровне квалифицированных пользователей.

— Почему пришлось создавать собственную программу обучения?

Каждый из разработанных профилей ролей требовал подбора адекватных программ обучения. Выяснилось, что на образовательном рынке отсутствовали, да и до сих пор отсутствуют предложения по подготовке специалистов по работе с данными, набор компетенций которых соответствовал бы нашим специфическим требованиям. А «затачивать» под нас программу обучения никто из поставщиков не был готов.

Поэтому было принято решение разработать и реализовать КППС – собственную комплексную программу по подготовке специалистов по управлению данными для высшего органа внешнего государственного аудита. Ее преподавателями стали как сотрудники нашего Департамента цифровой трансформации, так и подведомственного Центра экспертно-аналитических и информационных технологий Счетной палаты Российской Федерации (ФКУ «ЦЭАИТ СП»).

— Какие направления охвачены программой?

Программа включает три постоянно действующих курса обучения для разных аудиторий. Это курс для инспекторов-«дата-аналитиков» — «Практика цифровой трансформации», курс для инспекторов-«дата-стюардов» — «Образовательный трек по работе с данными», и курс для инспекторов – «Работа с аналитическим инструментом PolyAnalyst». Занятия по каждому из курсов проводились дважды в неделю и представляли собой как традиционные лекции, так и практические работы на основе актуальных кейсов из практики инспекторов Счетной палаты. Практическому применению полученных знаний уделялось повышенное внимание: на решение кейсов по внешнему государственному аудиту в программах курсов отводилось до половины учебного времени.

По итогам обучения мы получили еще и набор электронных материалов, по которым новые сотрудники смогут самостоятельно пройти подготовку в полном объеме. Записи лекций и материалы для самостоятельного изучения выкладываются в нашей системе управления развитием персонала и системе управления знаниями.

— Расскажите немного про каждый из курсов. Например, что изучают дата-аналитики?

На этом курсе инспекторы, ориентированные на мероприятия по стратегическому и комплексному аудиту, осваивают методы и инструменты аудита, основанного на больших данных. Курс был разделен на несколько уровней (начальный, средний, продвинутый и расширенный) исходя из решаемых задач, сложности обрабатываемых данных и применяемых инструментов.

На начальном уровне инспекторы изучали возможности BI применительно к структурированным данным – агрегирование и визуализация первичных данных из государственных информационных систем. В результате они научились строить и использовать в отчетах несложную инфографику: дашборды, графики, диаграммы и т.п. На среднем уровне уже охватываются методы обработки текстовых данных из первичных документов – извлечение с помощью лингвистических правил и словарей сущностей и концептов из договоров, платежных поручений, актов, протоколов, доверенностей и др.

На продвинутом уровне сотрудники познакомились с программной библиотекой pandas на языке Python, которую называют «Excel XXI века». По итогу этих уровней слушатели умеют проводить несложную текстовую аналитику по большим массивам документов. На расширенном уровне осваиваются новейшие методы искусственного интеллекта – модели-трансформеры и трансферное обучение в обработке естественного языка.

По итогам обучения на всех уровнях инспекторы готовили индивидуальные и групповые учебные проекты, непосредственно связанные с их рабочими задачами. Результаты многих проектов вошли в отчеты Счетной палаты о проведенных контрольных и экспертно-аналитических мероприятиях. Например, группой из трех инспекторов была обучена нейронная сеть-трансформер на нормативно-правовых актах и применена в ходе антикоррупционной экспертизы планов федеральных органов исполнительной власти. Новый подход существенно снизил сроки проведения экспертно-аналитического мероприятия – с 90 до трех дней.

— Если говорить о следующем курсе, то роль дата-стюардов пока еще является экзотикой.

Действительно, внедрение роли дата-стюардов в деятельность Счетной палаты стало уникальным опытом в организации работы с данными в деятельности государственных органов аудита, да и остальных государственных органов. Наши дата-стюарды – сотрудники направлений аудита, ответственные за поиск, сбор, обработку и использование данных. Они определяют источники получения данных и необходимость доступа к ним, необходимые виды данных, содержащиеся в источниках данных. Они же формируют в системе управления данными паспорта объектов данных, карты данных и требования к загрузке исходных данных, требования к витринам данных, определяют периодичность сбора, загрузки и обработки обновлений исходных данных.

Образовательный трек для дата-стюардов разработан на период 2021-2022 годы в соответствии с профилем роли. Курс разделен на триместры, занятия проходят еженедельно. Его особенность – последовательное погружение инспекторов в разные области знаний, связанных с управлением данными.

Дата-стюарды овладели знаниями по поиску, сбору, систематизации данных из различных источников, научились поддерживать наборы данных в актуальном состоянии. Спецификой курса является также система получения практических навыков: выполняя домашние задания в рамках курса, дата-стюарды постепенно наполняют наше озеро данных «живыми» кросс-функциональными наборами данных, а систему управления данными – описанием востребованных в проверках источников данных и наборов данных.

— Вероятно, третий курс – «Работа с аналитическим инструментом PolyAnalyst» – самый «легкий» с точки зрения длительности обучения.

Потребность в таком курсе возникла в связи с высокой загрузкой инспекторского состава, а также сложностью с привлечением на работу в госорган дорогостоящих технических специалистов и дата-сайентистов. Сотрудники, задействованные в проверках, не располагают временем на продолжительную учебу и программирование, да и набор аналитических задач для таких проверок – в целом типичный. Требуются инструменты, позволяющие решать текущие задачи по обработке больших наборов данных «здесь и сейчас». Поэтому нами была выбрана стратегия использования low-code/no-code инструментария, позволяющего решать большинство аналитических задач без программирования, тем самым снижая «порог входа» в аналитику данных для обычных сотрудников, не имеющих специализированной технической подготовки. Некоторые инструменты осваиваются инспекторами самостоятельно по специально разработанным руководствам по работе с ними. Но для наиболее сложного из таких инструментов – аналитической платформы PolyAnalyst – был разработан специальный курс.

Эта платформа принята у нас в качестве базового универсального инструмента для анализа всех видов данных и визуализации результатов работы с данными, поэтому навыки работы с ней необходимы и инспекторам из направлений аудита, и дата-стюардам, и другим сотрудникам. В рамках программы подготовки был разработан специальный курс обучения PolyAnalyst для всех заинтересованных специалистов, включающий три уровня: начальный, средний и продвинутый. Он позволяет приобрести такие навыки, как импорт данных и операции с данными, основы анализа и классификации данных, регрессионный анализ и кластеризация, основы обработки текстовых данных. Кроме того, изучается язык поисковых запросов Pattern Definition Language (PDL), классификация и кластеризация текстов, таксономия, а также язык, предназначенный для описания определений и реализаций процессов eXtended Pattern Definition Language (xPDL).

Так, выпускники начального уровня приобретали навыки по объединению в PolyAnalyst данных из нескольких источников, агрегированию и визуализации данных. На среднем уровне слушатели осваивали более сложную аналитику, — в частности, статистический и текстовый анализ. На продвинутом уровне сотрудники Счетной палаты получили профессиональную специализацию «лингвист-аналитик», изучив углубленные и сложные правила xPDL и PDL для обработки аудиторских документов.

— С какими источниками данных и инструментами (кроме PolyAnalyst) приходится иметь дело специалистам Счетной палаты?

Источников данных очень много. Исходя из специфики нашей работы, главным образом, это различные ГИС – системы в сфере управления общественными финансами, системы типовой деятельности федеральных органов исполнительной власти, системы документарной деятельности, системы в сфере управления материальными и нематериальными активами.

Помимо платформы PolyAnalyst, используем инструменты BI и data science из числа свободного программного обеспечения – Metabase, Python и дополнительные библиотеки по работе с данными, RStudio, JupyterLab, LabelStudio, streamlit, а также инструменты анализа баз данных pgAdmin, DBeaver, Arenadata DB, Arenadata Hadoop.

— Как и по каким критериям осуществляется отбор инспекторов для обучения? Как мотивируете повышать квалификацию?

Мы не ставим барьеров. На «начальный» уровень подготовки может прийти любой желающий. На следующие уровни также могут приходить все желающие, но там уже чисто объективно не все могут с ними справиться. Условно можно сказать, что происходит «естественный отбор» –например, на самом высоком четвертом уровне необходимы знания математики, достаточные для понимания того, как работают нейронные сети, а это не каждому под силу. Но, как я говорил раньше, далеко не всем инспекторам необходим максимальный уровень, – наверное, таких лишь 5% от всей численности.

Специальной мотивации для повышения квалификации нет: как показывает практика, этого и не нужно. Сотрудники и сами прекрасно понимают, что данное обучение повышает их ценность как специалиста, дает уверенность в будущем, что в наше время очень важно. Ну а того, кто этого не понимает, мотивировать бесполезно и бессмысленно.

— Скольких специалистов удалось подготовить?

Курс «Практика цифровой трансформации» прошли 370 специалистов, это 65% сотрудников аудита. 85 из них обучены по расширенному курсу. Систему PolyAnalyst изучили 210 сотрудников. В рамках образовательного трека для дата-стюардов обучено 60 дата-стюардов и 10 инспекторов.

— Какие достигнуты результаты? Что из этого вы считаете наиболее важным?

По итогам реализации КППС в Счетной палате в четыре раза выросло количество аналитических решений с использованием новых методов и инструментов анализа данных. Если в 2020 году их было 16, а в 2021 году – 31, то в 2022 году их число достигло 80. Кроме того, значительно увеличилась – до 70% – доля самостоятельных решений, созданных инспекторами аудиторских направлений без менторской поддержки Департамента цифровой трансформации. При этом по 11 цифровым решениям достигнута их повторяемость и масштабируемость в различных бюджетных циклах и аудиторских направлениях. Появились и первые решения с использованием методов искусственного интеллекта.

Например, в ходе проверки выплат адвокатам по назначению инспектор разработал лингвистическое правило, позволившее извлечь информацию из поля «Назначение платежа» в платежном поручении. После обработки почти 1 млн платежных поручений были обнаружены транши 424 адвокатам с признаками нарушений на общую сумму 20,7 млн руб. Увеличилось количество объектов контроля в 10 раз, а сам процесс анализа первичных документов по выплатам адвокатам сократился по времени в 7 раз.

В 2021 году Счетная палата выиграла конкурс на проведение внешнего аудита Организации Объединенных Наций по промышленному развитию (ЮНИДО). В ходе этой проверки слушатели программы обучения применили свои знания на практике, проведя анализ Journal Entry Testing для выявления мошенничества с финансовой отчетностью. С его помощью удалось отобрать аномальные бухгалтерские транзакции в зоне повышенного аудиторского риска.

Образовательный контент, созданный и апробированный в ходе реализации КППС, начал использоваться в международных образовательных программах – в Университете высших органов аудита при сообществе ИНТОСАИ.

Важно, что для подготовки аналитических решений инспекторы и дата-стюарды самостоятельно находят в Системе управления данными и описывают нужные для работы данные, формируют структуры кросс-функциональных витрин данных и ставят задачи на их загрузку данных в озеро данных.

— Какие наиболее масштабные цифровые решения удалось построить?

В общей сложности нашим сотрудникам удалось реализовать более 120 кейсов по анализу данных.

Ярким проектом стал автоматизированный анализ статистической отчетности ФНС России. В его рамках сотрудниками департамента аудита доходов организовано автоматическое извлечение показателей статистической отчетности ФНС и построение временного ряда за пять лет. Более 2 тыс. показателей сведены в единую аналитическую таблицу, в том числе при помощи лингвистического анализа. Это позволило примерно в 10 раз снизить трудозатраты на проведение анализа статистической отчетности ФНС.

Еще один пример – мониторинг федерального недвижимого имущества. Новые знания и умения позволили сотрудникам реализовать геопространственную и визуальную аналитику объектов федерального недвижимого имущества, арендованного и сданного в аренду, по уровню арендной ставки. В результате, в частности, были выявлены существенные аномалии в распределении уровня арендной ставки.

Наконец, стоит отметить разработку цифрового решения «Государственный долг субъектов Российской Федерации». Используя навыки работы с PolyAnalyst, сотрудники департамента аудита финансовых рынков и государственного долга создали интерактивный инструмент мониторинга и анализа данных о госдолге регионов. Он включает в себя виджеты с табличным и графическим представлением аналитической информации об объеме, структуре и динамике совокупного государственного долга субъектов РФ и муниципальных образований, об объеме и структуре долговых обязательств регионов.

— В чем роль запущенного образовательного проекта для Счетной палаты?

Для нас было крайне важно внедрить практику непрерывного обучения и профессионального развития сотрудников в соответствии с принятыми моделями и профилями компетенций. Этот результат является основой для системной реализации ключевых направлений развития Счетной палаты и достижения стратегической цели по повышению качества государственного управления.

Еще раз подчеркну, что введение роли дата-стюардов, а также формирование модели компетенций и программ обучения инспекторов и дата-стюардов является уникальным опытом в организации работы с данными в деятельности не только государственных органов аудита, но и остальных государственных органов в России.

Наличие у сотрудников Счетной палаты знаний и умений, приобретенных в ходе реализации КППС, позволило значительно повысить производительность и качество их труда. Повысились компетенции инспекторов аудиторских направлений по сбору и анализу данных, по оценке государственных программ и политик, развитию доказательных методов аудита. Расширилось применение новейших методов и инструментов анализа данных, что улучшило качество и актуальность рекомендаций по результатам аудита, минимизировало время сбора аудиторских доказательств, довело на некоторых мероприятиях количество проверяемых объектов до 100%.

— Пытаетесь ли оценить финансовую эффективность работы программ обучения?

Конечно. В нашем случае напрямую в деньгах эффект оценить вряд ли получится, но о том, что подготовленные инспекторы экономят огромное количество времени за счет применения нового аналитического инструментария, говорить можно — и речь идет о тысячах человеко-часов за год. Эффект заключается также, например, в том, что вместо десятков документов или транзакций сотрудник может анализировать тысячи и десятки тысяч, или находить какие-то закономерности, аномалии, которые невооруженным взглядом выявить невозможно. Также инспектор может вывести результаты в виде наглядной инфографики, необходимой для подготовки качественных выводов по итогам работы. То есть можно говорить о принципиально другом качестве результата, который сложно оценить в деньгах.

— Есть ли планы развития программы – например, охват каких-то других направлений подготовки?

Реализация основных запланированных этапов программы завершается, дальше мы будем говорить о ее «тюнинге» — большей ориентации на следующих этапах на решение каких-то частных вопросов применения инструментов и технологий, возникающих уже по итогам практического применения уже освоенного материала.

Оценивая свои перспективы в 2023 году и далее, предприятия сталкиваются с дополнительными факторами риска – экономической неопределенностью, региональными конфликтами, ограничениями цепочек поставок и нехваткой нужных специалистов. И хотя все это, несомненно, окажет определенное влияние, по оценкам IDC, 81% организаций по-прежнему считают реализацию программ в области подключенности своей первоочередной задачей. Ожидается, что компании продолжат инвестировать средства в автоматизацию ключевых процессов, трансформацию рабочих мест, улучшение клиентского восприятия и повышение корпоративной отказоустойчивости.

Программы в области подключенности будут охватывать инфраструктуру и сервисы 5G граничного и облачного сегмента, обеспечивая бесперебойную передачу данных. Эти программы по-прежнему нацелены на повышение эффективности и использование данных для бизнес-анализа в реальном времени. По мере развития сетей и бизнес-требований корпоративным сетевым подразделениям и ИТ-службам необходимо согласовывать свои системы и процессы, обеспечивая непрерывность выполнения бизнес-процессов, повышение производительности труда сотрудников и адаптацию организаций к изменению условий и требований к ведению бизнеса.

«Последствия гибридной работы, инфляции, глобальной экономики и неопределенности в ведении бизнеса вынуждают предприятия адаптировать свои операции для противодействия разрушительным рыночным силам, – указал директор исследовательского направления IDC Future of Connectedness Пол Хьюз. – Организации, которые повсеместно внедряют и интегрируют у себя интеллектуальную, масштабируемую и гибкую стратегию подключения, ориентированную на облако, обеспечат тем самым повышение гибкости, производительности труда и устойчивости операций».

Ведущая десятка прогнозов IDC в отношении подключенности организаций выглядит следующим образом:

1. К 2024 году 75% предприятий будут использовать облачные API для создания приложений взаимодействия с клиентами, предусматривающих интеграцию платформ UCaaS/CPaaS с многоканальными опциями для улучшения качества обслуживания клиентов.

2. К 2025 году 50% цифровых организаций дополнят концепцию cloud first подходом wireless first - беспроводным множественным доступом к сети для выполнения критически важных задач и обеспечения непрерывности ведения бизнеса.

3. К 2025 году только 30% организаций смогут эффективно использовать технологии 5G из-за фрагментации и отсутствия лидеров среди поставщиков вариантов подключения, технологий и управляемых услуг.

4. К 2026 году 40% предприятий удвоят инвестиции в гиперподключенные цифровые пространства в целях повышения производительности, улучшения взаимодействия и повышения эффективности энергопотребления.

5. К 2024 году 50% крупных предприятий прямо или косвенно будут использовать в своей сети глобальные облачные сервисы гиперскейлеров, что дополнительно подтолкнет телекоммуникационные компании к принятию на себя роли интеграторов услуг.

6. К 2027 году на метавселенную будет приходиться 70% ежегодного прироста медиа-трафика в Интернете. Увеличению спроса на него будут способствовать как потребительские, так и корпоративные варианты использования.

7. К 2023 году 40% предприятий смогут оптимизировать операционную эффективность, повысить безопасность и снизить сетевые издержки за счет использования программно-конфигурируемых территориально-распределенных сетей и укрепления безопасности облачных сетей.

8. К 2024 году 30% предприятий усилят со стороны всех основных ИТ-направлений (SecOps, DevOps и AIOps) внимание к сети в части расширения навыков, требований к проверке и взаимодействия с NetOps.

9. К 2026 году 40% компаний начнут отставать от намеченных сроков реализации стратегии устойчивого подключения из-за нехватки бюджета. Трансформация рабочих мест становится сегодня новой нормой для клиентов, работодателей и партнеров.

10. К 2027 году 80% предприятий из списка G2000 будут испытывать потребность в спутниках на низкой околоземной орбите для ликвидации пробелов в зоне покрытия своей сети в отдаленных и сельских района, а также в международных локациях, сопряженных с высоким уровнем риска.

Можно ли эффективно использовать low-code для реализации процессов в крупном бизнесе? Эту тему обсуждали на круглом столе «Игра в low-code: зачем это нужно enterprise», прошедшем в рамках конференции LOW-CODE 2022, организованной издательством «Открытые системы» (см. также «LOW-CODE 2022: Польза неоспорима, но не панацея» и «LOW-CODE 2022: Актуальность платформ для 'гражданских' разработчиков растет»).

Как признал Всеволод Шадрин, руководитель развития продуктов Naumen Platform, выступавший модератором дискуссии, при внедрении low-code часто приходится пресекать саботаж пользователей. Несмотря на, казалось бы, очевидную пользу такого подхода, сотрудники все равно сопротивляются насаждению новых инструментов. Еще чаще приходится сталкиваться с тем, что внедрение таких платформ саботируют внутренние разработчики, создающие «правильные» решения. Кроме того, в ходе дискуссии обсудили еще несколько актуальных вопросов. Как проще и правильнее проверить бизнес-гипотезу: по-быстрому «накодировать» или реализовать процесс в low-code? И уж если в компании случился low-code, то кто должен играть главенствующую роль для успеха работы: аналитики или разработчики?

Гражданские разработчики и ИТ-партизаны

«Low-code — это не только инструмент, но и средство изменения сознания. У айтишников и бизнеса головы работают принципиально по-разному: одни живут в пространстве векторов, объектов и свойств, а другие — в пространстве денег», — отметил Владимир Анисимов, директор по данным «Интер РАО-Онлайн». Перевод с одного языка на другой — наболевшая проблема, с которой сталкиваются почти все компании. Начиная жить в новом мире сложных конструкций, гражданские разработчики быстро приходят к пониманию того, что появление одной новой галочки в приложении может повлечь написание километров кода, то есть огромные доработки в унаследованных системах. Осознание принципов работы ИТ — очень важный результат усилий гражданского разработчика. До сих пор таких возможностей у бизнеса было мало.

Владимир Анисимов: «Осознание принципов работы ИТ — очень важный результат усилий гражданского разработчика. До сих пор таких возможностей у бизнеса было мало»

Разумеется, есть и обратная сторона медали. Когда бизнес приходит с запросами к ИТ, то часто слышит, что сделать это невозможно, долго или дорого. Однако уже реализованное low-code-решение перевести в продуктив гораздо проще. Именно поэтому роль low-code в современном бизнесе будет только расти.

«Без сомнения, low-code очень хорош для быстрого решения проблем, когда требуется буквально за несколько дней из подручных средств собрать и запустить какой-либо продукт. И по мере своего взросления low-code будет занимать все большее место в создании приложений», — уверен Дмитрий Калаев, директор акселератора ФРИИ. Популярность low-code растет — это бесспорно, причем в крупном бизнесе гораздо больше возможностей для его использования. Конечно, он не подойдет для решения всех корпоративных задач, но его применение может стать полезным для значительного числа перспективных направлений.

«У любого сотрудника есть поток задач. И чтобы с ними справиться, ему нужны компетенции и доступный инструментарий. Человек всегда зажат между скоростью потока задач и интенсивностью его обработки», — считает Станислав Фридкин, руководитель управления товародвижения и планирования компании Sunlight. Low-code — один из инструментов, с помощью которых люди могут выстроить свой рабочий процесс. У специалистов появляется выбор: либо по-прежнему абсолютно непрозрачно работать в электронных таблицах, либо выстроить процесс и добиться его прозрачности, попутно сняв с себя часть рутины и сократив трудозатраты. Не менее важен и другой аспект: когда визуально выстроена последовательность из квадратиков со стрелочками, всегда можно без труда точно повторить процесс.

«Low-code был и раньше. Лет пятьдесят назад могло бы быть точно такое же обсуждение: айтишники, писавшие программы для больших ЭВМ на ассемблере, презирали Фортран, который являлся языком высокого уровня (то есть был low-code по сравнению с ассемблером) и давал ученым возможность быстро делать расчеты», — напомнил Леонид Головин, советник генерального директора по цифровой трансформации «Газпромтранса».

Леонид Головин: «Low-code был и раньше. Лет пятьдесят назад могло бы быть точно такое же обсуждение: айтишники, писавшие программы для больших ЭВМ на ассемблере, презирали Фортран, который являлся языком высокого уровня (то есть был low-code по сравнению с ассемблером) и давал ученым возможность быстро делать расчеты»

По мнению Головина, для успешного развития подходов low-code компаниям нужен прогрессивный ИТ-директор, который правильно оценит место и роль такой платформы, выделит для нее песочницу в своей компании, договорится с «безопасниками», предоставит необходимые инструменты и мощности, проведет обучение и привлечет «партизан» — гражданских разработчиков, которые будут резвиться в песочнице. Лучшее из созданного ими может стать техническим заданием, на базе которого можно разрабатывать серьезные решения.

Возможно, ИТ-директор должен действовать в тандеме с директором по развитию или инновациям. Именно так можно обеспечить правильную работу с гражданскими разработчиками.

Впрочем, как предположил Фридкин, ИТ-директор может и не знать, над какими проблемами бьются эти партизаны и какими средствами пытаются их решить. Аналогия с партизанами возникает не случайно: зачастую пользователи вынуждены скрывать свои разработки, чтобы не получить по рукам. «Мне приходилось видеть такие ситуации не только в наших, но и в зарубежных компаниях. Попытки делать собственные инструменты воспринимаются как проявление агрессии по отношению к корпоративным системам и могут иметь дисциплинарные последствия», — рассказал Фридкин.

Между жадностью и страхом

Почему внутренние разработчики противостоят внедрению low-code? Они ведут себя как снобы или просто больше знают и поэтому настроены скептически?

«Low-code по идеологии ближе к микросервисной архитектуре. Но в большинстве компаний до сих пор используются монолиты. Встраивать в них доработанные кусочки всегда долго, дорого и трудно, потому что после доработки систему приходится тестировать полностью», — пояснил Анисимов. Именно это и вызывает основное сопротивление: как только создан работающий прототип и встает речь о его внедрении, у разработчиков появляется очередная головная боль. В компании с микросервисной архитектурой это воспринимается гораздо проще. Однако, по мнению Анисимова, другого пути нет. Low-code на данный момент является единственным способом быстрой проверки бизнес-гипотез.

Как считает Калаев, реакция некоторых программистов объяснима: они действительно боятся остаться без работы. Вторая причина — психологическая: автоматически сгенерированный код вполне может быть неоптимальным, в нем нет красоты и изящества. И даже если забыть про потребляемые ресурсы, профессионала это может бесить. Однако на бизнес такой аргумент совершенно не действует: человеко-час дороже, чем потребленные гигабайты.

Станислав Фридкин: «Рынок — это всегда баланс между жадностью и страхом. Неизвестность и страх потерять что-то, давшееся большим трудом, всегда будут создавать много проблем»

Фридкин напомнил, что рынок — это всегда баланс между жадностью и страхом. Если экстраполировать такой подход на внутренний рынок компаний, где продаются и покупаются проекты, то неизвестность и страх потерять что-то, давшееся большим трудом, всегда будут создавать много проблем.

«Поспорю с тем, что настоящие программисты должны бояться лоукодеров. Скорее, лоукодеры должны бояться за себя», — заявил Головин. Еще два года назад нейросеть DALL-E, рисующая изображения по их текстовому описанию, казалась чем-то фантастическим. А сейчас таких систем уже много, и в результате дизайнеры начинают терять работу. Вполне вероятно, что через несколько лет введенной фразы с описанием желаемого результата будет достаточно для того, чтобы искусственный интеллект предложил готовый прототип системы. Бизнес-руководители будут аплодировать, и никакие гражданские разработчики уже не потребуются. Самым ценным сотрудником станет тот, кто знает, что ему нужно, и способен это сформулировать нормальным языком.

Обойтись без low-code?

«Сейчас почти все выпускники вузов и даже школьники знают Python и не горят желанием изучать другие варианты. У этого языка достаточно большие возможности, и проверить с его помощью гипотезу вполне возможно, даже если код не выдерживает критики», — утверждает Анисимов. Сторонники других языков относятся к Python практически как к low-code. По мнению Анисимова, сейчас сложилась неоднозначная ситуация. С одной стороны, подрастает поколение, владеющее настоящим языком программирования, и им инструменты low-code не слишком нужны. С другой стороны, для разработки на Python все равно требуется довольно большое время. Предлагая пользователям какой-либо инструмент, важно четко понимать их потребности.

«В скорости low-code точно выигрывает, но мы платим за это ограничением возможностей. По моим ощущениям, экономия времени составляет около 20–30%», — оценил Анисимов.

Дмитрий Калаев: «Исходя из моей практики, вручную можно проверить 80% гипотез. Еще 15% имеет смысл проверять с помощью low-code, а еще 5% — лишь полноценным программированием»

Калаев уверен, что с точки зрения проверки бизнес-гипотез идеальный вариант — не программировать вовсе. Некоторые из гипотез можно проверить в буквальном смысле вручную: с ручкой и бумагой. «Исходя из моей практики, вручную можно проверить 80% гипотез. Еще 15% имеет смысл проверять с помощью low-code, а еще 5% — лишь полноценным программированием», — отметил Калаев. Конечно, проще всего пользоваться привычным инструментом, а подумать и понять, как решить задачу проще, — отдельный навык изобретателя.

Как утверждает Калаев, команда, проверяющая гипотезы, обходится в 15–20 млн руб. в год. В зависимости от ее навыков и вида гипотез, она может проверять одну гипотезу в год, квартал или даже неделю.

Фридкин также призывает осмотрительно подходить к выбору инструментов и не бросаться в гонку за модой. Люди как-то работали и до появления программирования как массового явления в нашей культуре и бизнес-практике. Если появилось много современных инструментов, это не означает, что задачи нужно решать именно с их помощью. Есть масса компаний, способных решать многие задачи с помощью «мозгового штурма» — почему бы им не пользоваться, особенно на начальных этапах проектов.

Каждому свой инструмент

«Применять low-code или нет, должен решать бизнес, который больше всего в нем заинтересован. У аналитиков все и так неплохо, у разработчиков — еще лучше. А вот у бизнеса голова болит всегда», — объяснил Анисимов. Именно бизнес диктует требования к проверке гипотез на цифрах, и у него нет времени вставать в очередь на проверку, чтобы узнать, работает очередная идея или нет. А прототип, разработанный на low-code, позволяет не только оценить эффективность, но и «пощупать» созданное решение — это главный плюс такого подхода.

«Когда приходят бизнес-заказчики и требуют реализовать какую-то функцию, разработчики и аналитики испытывают лишь психологический дискомфорт. У них есть свои задачи, а главное — они все равно получат свои деньги», — иронизирует Калаев. А для бизнеса разработка новых приложений — это вопрос выполнения годовых показателей эффективности и получения премий.

Головин согласился с тем, что low-code как инструмент прототипирования более востребован у людей, работающих в бизнес-подразделениях, чем у системных аналитиков и разработчиков. Более того, он уверен, что low-code для ИТ-служб — очевидное зло. «Это все равно что предложить компании, которая строит здание, использовать алебастровую замазку. У нее есть свои инструменты и свои регламенты. А замазка — это скорее для тех, кто создает рядом киоск быстрого питания, чтобы быстро решить проблему с едой для строителей», — сказал Головин.

В итоге дискуссии эксперты сошлись во мнении, что каждому необходим свой инструмент: бизнесу — платформы low-code, а айтишникам — «нормальные» средства разработки. На данном этапе подход low-code, так же как некоторое время назад Agile, позволяет небольшими шагами прийти к тому, чего хотят бизнес-пользователи. Именно поэтому он стал так популярен.