Цифровая трансформация

В Ульяновской области создается цифровое решение для оценки качества жизни. Проект под рабочим названием «Индекс счастья» здесь начали развивать еще в 2017 году, составляя рейтинги муниципальных образований по качеству жизни. Изначально такая оценка занимала достаточно много времени, а для формирования рейтинга использовались в основном статистические показатели. Теперь пришло время автоматизировать процесс, усовершенствовать методику измерения и повысить точность оценки качества жизни населения в муниципальных образованиях, применив технологии искусственного интеллекта. Номинант премии CDO Award 2021 Олег Асмус, генеральный директор Центра стратегических исследований Ульяновской области и главный интерпретатор всех данных региона, рассказывает о проекте, который сегодня называется «Индекс качества жизни населения».

- Как родилась идея этого проекта?

Как оценить качество жизни? Каждый воспринимает его по-своему. Мы решили определить стандарты. К примеру, у министерства финансов есть стандарт относительно того, сколько бюджетных рублей должно приходиться на одного человека. В экологии существуют стандарты чистоты воздуха. Есть показатели здоровья населения, преступности и пр. Мы выбрали самые простые параметры, понятные любому обывателю, которые характеризуют качество жизни, и составили планы, как будем это качество повышать.

По поручению губернатора у нас в регионе формируется рейтинг муниципальных образований по 65 показателям качества жизни (из них 9 параметров — по результатам опроса населения), которые объединены в 11 групп. Эти показатели характеризуют все основные аспекты условий проживания в муниципальных образованиях: от объема доходов населения до обеспеченности различными видами услуг и объектами инфраструктуры. Рейтинговая оценка формируется по данным территориального органа Федеральной службы государственной статистики по Ульяновской области и данным исполнительных органов государственной власти.

- Зачем нужен такой рейтинг? Какую цель вы перед собой ставили?

Проблема улучшения качества жизни населения в регионе и отдельно взятых муниципальных образованиях и населенных пунктах — одна из важнейших стратегических задач. От ее решения зависят темпы экономического развития и его направленность, а также социальная, политическая и экономическая стабильность. Губернаторам, мэрам и главам муниципальных образований важно понимать, с какими проблемами, связанными с качеством жизни, сталкиваются люди. На одной территории это могут быть проблемы с преступностью и безопасностью проживания, на другой — с наличием промышленных предприятий, которые значительно влияют на экологию, а на третьей — с доступностью дошкольного образования.

Нашей целью было определение индекса качества жизни граждан в каждом муниципальном образовании для выявления тех сфер жизнедеятельности, которые требуют особого внимания со стороны органов власти всех уровней.

Рейтинг — инструмент, позволяющий министерствам принимать решения. Поставьте себя на место министра транспорта. У него в регионе 24 муниципальных образования, и ему нужно строить дорогу. С кем он будет работать? С тем руководителем, который близок ему по духу, который его не подведет. С тем районом, где готова проектно-сметная документация... Но, может, дорога там не нужна? Или не так нужна, как в другом месте, где глава «неудобный» и документы не готовы. Получается, мы строим там, где, может быть, пока еще не надо. И так во всем: и в сельском хозяйстве, и в предпринимательстве. Грант на парикмахерскую легче получить там, где рядом уже есть четыре парикмахерских, чем там, где нет ни одной, но никто не просит грант. Так проще работать министру предпринимательства.

Благодаря этому проекту мы сегодня можем оценить, где жить хорошо, где — похуже, и понять, на что следует обратить внимание. Рейтинг позволяет определить наиболее проблемные точки территорий муниципальных образований.

- Что было сделано для достижения поставленной цели?

В феврале 2020 года нам предложили участвовать в международном конкурсе цифровых решений World AI & Data Challenge Агентства стратегических инициатив (АСИ), который направлен на решение глобальных социально-экономических задач с помощью технологий обработки больших данных и искусственного интеллекта. Центр стратегических исследований Ульяновской области принимает участие в этом конкурсе с задачей «Измерение уровня качества жизни населения в муниципальных образованиях», которая по результатам третьего этапа попала в топ-12 задач, для которых разрабатывается цифровое решение. Это признание важности решения проблемы. Изначально было несколько регионов — участников этого проекта, но они не смогли собрать достаточно данных для его реализации.

Индекс качества жизни населения формируется из двух компонентов. Первый — индекс, рассчитываемый по фактическим данным, — формируется в результате анализа данных в разрезе муниципальных образований c применением модели машинного обучения. Второй — индекс мнений — составляется по результатам анализа комментариев в социальных сетях («ВКонтакте», «Одноклассники», Twitter, Instagram, Facebook) также с привязкой к муниципальным образованиям. Нам было важно заменить результаты социологических опросов на реальное мнение граждан.

Применение технологий больших данных и искусственного интеллекта повысит качество используемых данных и позволит выйти на новый уровень измерения уровня качества жизни населения. Кроме того, сейчас оценка проводится раз в год, а мы хотим сделать ее более оперативной.

- Какие из 65 показателей являются ключевыми для расчета индекса?

Сложно выделить какие-то ключевые показатели по фактическим данным. Думаю, сейчас в первую очередь будут учитываться реальные мнения граждан в социальных сетях. Мы делаем ставку именно на это.

- Какие источники данных использовались?

У нас определен перечень показателей, которые берутся из ведомственных данных, из открытых баз данных, таких как портал ГИБДД, Единая аналитическая система Министерства культуры РФ, Единый реестр субъектов малого и среднего предпринимательства, а также из социальных сетей и других открытых источников. Задействованы данные почти всех министерств и ведомств региона. Индекс — это не только статистика и социология, которые зачастую обманчивы, но и программы, позволяющие услышать «настроение» населения. Однако мы не отказались и от использования статистических данных, поскольку без таких показателей, как рождаемость и смертность, не обойтись. Около 30% всех данных остаются статистическими.

- В чем заключалась самая серьезная проблема? Что было самым сложным?

Провести оценку мнений граждан и дополнить статистические и опросные показатели результатами контент-анализа социальных сетей. Система способна мониторить все посты в социальных сетях и определять их тональность: позитивный, негативный или нейтральный комментарий. Но этого недостаточно, возникали проблемы с методологией расчета «индекса счастья».

Сложность этой задачи заключается не только в том, чтобы найти смысловые отражения базовых показателей в виде фраз, высказываний, жаргонизмов, но и в том, чтобы учесть социальные контексты их использования. Поэтому в работе с данными используются методы машинного обучения. Сейчас мы можем рассчитать индекс мнений отдельно по спорту, образованию, культуре и т. п., а затем сформировать интегральный показатель по всем этим блокам.

- Какие платформы для работы с данными применялись и почему именно они?

Мы ставили задачу специалистам оценить качество жизни по тому или иному направлению, и они ее решали. Результаты получали в рамках конкурса АСИ, поэтому применялись их цифровые мощности.

Индекс формируется на платформе Freyr monitoring, анализ социальных сетей реализован на фреймворке Django с использованием целого ряда открытых инструментов: Redis, Kaldi, Selenium, PyTorch, Transformers, Natasha и других.

- Как решается вопрос качества данных?

Мы надеемся, что этим вопросом будет заниматься создаваемый сейчас Центр управления региона (ЦУР). Его информационная система позволяет губернатору за считанные секунды увидеть ситуацию в самых разных сферах. Мы же выступим в роли интерпретатора данных, которые будут поступать в ЦУР.

- Индекс станет использоваться в дополнение к другим критериям для оценки муниципальных образований?

Это не принципиально, мы вправе стимулировать руководителей по любым показателям эффективности управления. Индекс — живой инструмент. Сейчас кризис, ни у кого из субъектов нет положительных показателей в экономике. Соответственно, прежние инструменты оценки не работают, мы не можем оперировать старыми лекалами. Прежние задачи видоизменились, но в любом случае этот инструмент позволяет оценить, кто где находится.

- Какие результаты достигнуты и ожидаются?

К настоящему времени подготовлено тестовое цифровое решение, анализирующее данные в соцсетях в разрезе всех муниципальных образований Ульяновской области. Причем решение способно отслеживать не только публикации в социальных сетях на самые различные темы (от доходов населения до экологической ситуации), но и получать интегральный показатель по всем комментариям.

Сейчас пока рано говорить о результатах, так как продукт еще дорабатывается. Планируется, что он заработает к маю 2021 года. Каких эффектов мы ждем? Повышения уровня благосостояния граждан, которое можно отследить как по настроению людей в социальных сетях, так и по фактическим данным. Сформированный индекс качества жизни по каждому муниципальному образованию позволит выявить сферы жизнедеятельности, требующие особого внимания со стороны органов власти всех уровней. Результаты оценки будут использоваться исполнительными органами государственной власти и органами местного самоуправления для принятия решений с целью улучшить ситуацию по курируемым направлениям.

- Поделитесь примерами принятия подобных решений на основе индекса.

Когда мы проанализировали средства, которые выделяются на обеспечение безопасности дорожного движения, то, к своему удивлению, выяснили, что в тех районах, куда выделяются наибольшие средства, смертность максимальна, и наоборот — там, где денег минимум, минимальна и смертность. Как раньше принимались решения о выделении средств? Перед кабинетом министров ставится задача: «Надо строить дорогу от одной деревни до другой. Столько-то людей ездят. Надо? Надо!» Альтернативного мнения не было. А теперь, благодаря индексу, оно появилось! В этом году интегральный индекс будет учитывать и фактические данные, и мнение населения, то есть его объективность будет выше.

- Какие из результатов стали неожиданными?

У нас есть абсолютный лидер среди муниципалитетов — Чердаклинский район. Это самое динамично развивающееся муниципальное образование, которое много лет подряд опережает всех по уровню зарплат, налоговых поступлений, числу построенных заводов и т. п. Но оказалось, что по качеству жизни этот район — один из худших и население не слишком-то довольно. Люди признают, что там невысокий уровень безработицы и хороший уровень зарплаты, но им не нравятся плохая экология и разбитые дороги, большая смертность от онкологии и высокая преступность. А вот Радищевский район, который мы всегда ругаем, вошел в число лучших, что очень удивило правительство. Оказалось, что люди там очень довольны своей жизнью, там леса, озера — красота, а еще низкие показатели смертности и преступности.

- В каком направлении будет развиваться проект?

Когда этот механизм у нас заработал, губернатор обратился к президенту с предложением распространить наш опыт на всю Россию. И президент его поддержал, дав соответствующее поручение. Но поскольку все регионы разные, надо придумать универсальный механизм. Сейчас мы с вами о нем и говорим.

Планируется, что решение будет использоваться в пяти регионах: Новгородская, Свердловская, Ульяновская области, Ханты-Мансийский автономный округ и Республика Татарстан (особая экономическая зона «Иннополис»).

Предполагается применять индекс в качестве KPI исполнительных органов государственной власти и органов местного самоуправления. Таким образом, результаты этого проекта должны стать инструментом бюджетного финансирования государственных проектов. Чтобы мы не финансировали районы, где ситуация хорошая, а давали деньги тем, где она плохая. Мы надеемся, что губернатору станет легче управлять регионом, получая эти данные, в том числе решать, какой отрасли и какому муниципальному образованию отдать приоритет.

Мы уже приняли решение, и губернатор Ульяновской области подписал постановление о стимулировании глав муниципальных образований за улучшение качества жизни. Как это работает? На основе рейтинга выявляются проблемные точки. Глава муниципального образования подает заявку на конкурс для получения финансирования. Но заявка оформляется только в том случае, если решается проблема, выявленная рейтингом. Так, если ситуация с дорогами у него хорошая, он не имеет права подавать заявки на дорожные проекты. То есть мы получим очень хороший инструмент быстрого решения имеющихся в муниципалитете проблем. На это уже выделено несколько миллионов рублей.

«Газпром нефть» — один из лидеров цифровой трансформации в нашей стране. Мы постоянно слышим о достижениях компании во внедрении передовых цифровых решений в разные направления бизнеса. Понятно, что без серьезной работы с данными такие прорывы были бы невозможны. Но разрозненных проектов по созданию хранилищ и аналитике данных уже недостаточно. С мая 2019 года в «Газпром нефти» функционирует общекорпоративная структура по управлению данными, которая закладывает фундамент для всех инициатив цифровой трансформации компании.

Наталья Третьякова, руководитель функции «Управление данными» в компании «Газпром нефть» и номинант премии CDO Award 2021, рассказывает о масштабном проекте выстраивания корпоративной функции управления данными: как это начиналось, к чему пришли сегодня и какие задачи стоят на ближайшее будущее.

Данные в основе цифровой трансформации

— Каковы предпосылки для создания функции «Управление данными» в «Газпром нефти»? С чего вы начинали?

Одной из главных предпосылок стало создание стратегии цифровой трансформации компании. В 2018 году в «Газпром нефти» начались глубокие преобразования, направленные на повышение уровня зрелости как базовых ИТ-процессов, так и процессов получения ценности на основе данных. В бизнес-подразделениях полностью осознали, что без нового подхода к работе с данными цифровая трансформация неосуществима, и возник комплексный запрос на выстраивание процессов управления данными.

Перед нами стояли задачи формирования методологии, выстраивания процессов и встраивания их в регулярную деятельность подразделений для обеспечения максимальной ценности от использования данных. Также требовалась реализация инструментальной поддержки при помощи внедрения платформы управления данными, формирование нового семейства центров компетенций и широкомасштабное обучение.

Совместно с компанией McKinsey нами был реализован проект по формированию концептуальной модели управления данными. В результате были определены ключевые принципы, цели и задачи функции управления данными, основные КПЭ, определяющие ее эффективность, процессная и организационная модели, необходимые компетенции и инструментарий.

С точки зрения приоритетов в первую очередь необходимо было обеспечить прозрачный и быстрый доступ к качественным данным для бизнес-пользователей. В компании огромный объем информации, которая хранится и обрабатывается в более чем тысяче бизнес-систем. Пока система работы с данными настраивается, информация еще существенно разрозненна, что затрудняет оперативный анализ и принятие решений на ее основе. Работы по интеграции данных и активное строительство корпоративного хранилища дают первые результаты. Раньше в отсутствие централизованной точки доступа каждый пользователь вынужден был запрашивать права на чтение данных владельцев отдельных бизнес-систем, что сильно ограничивало возможности работы с данными. В настоящее время реализуется доменная модель организации доступа к данным, которая существенно продвинет компанию в области демократизации данных и ускорения процессов их обработки. Кроме того, мы уделяем особое внимание таким направлениям деятельности, как повышение уровня доверия к данным за счет увеличения их качества, а также формирование ответственности за данные.

— Какое место занимает функция «Управление данными» в оргструктуре компании?

Мы активно сотрудничаем с ИТ-кластером компании и ее подразделением цифровой трансформации. Разрабатывая с McKinsey концепцию управления данными, мы рассматривали различные варианты расположения нашей функции в организационной структуре и сочли наиболее удачной модель, в соответствии с которой функция войдет в состав подразделения, ответственного за вопросы экономики и финансов, поскольку в нем уже накоплен серьезный опыт работы с данными, а сотрудники имеют хорошее представление о потребностях в данных других подразделений.

— В «Газпром нефти» работа по управлению данными на уровне подразделений уже ведется. Например, лауреатом премии CDO Award 2020 в номинации «За обеспечение качества данных» стал Иван Черницын, руководитель Центра аналитических решений Дирекции региональных продаж. Каким образом вы, строя глобальную корпоративную функцию «Управление данными», учитываете наличие таких процессов, разный уровень зрелости подразделений с точки зрения работы с данными?

Компания реализует федеративную модель управления данными: определенные задачи решаются на уровне корпоративного центра, и есть направления, которые развиваются в дочерних подразделениях, а затем их лучшие практики тиражируются на всю компанию.

В «Газпром нефти» создана специальная система коллегиальных органов, которая унифицирует и оптимизирует процессы управления данными в разных подразделениях. Управляющий совет по данным определяет стратегию в области управления данными, приоритизирует задачи в рамках реализации дорожной карты, принимает наиболее важные решения по развитию функции. Экспертный совет призван решать прежде всего вопросы методологии, выявлять лучшие практики для их дальнейшего тиражирования. Технический совет отвечает за выбор ИТ-инструментов, обеспечивая целостность архитектуры управления данными, и регулирует, какие технологические решения реализуются на уровне корпоративного центра, а какие можно эффективно воплотить в жизнь на уровне бизнес-подразделений.

На корпоративном уровне сосредоточены процессы data governance, в частности управление бизнес-глоссарием и каталогом данных. Мы создаем нашу википедию по данным компании, так называемый единый источник правды о данных. В рамках развития платформ на корпоративный уровень поднимаются также отдельные решения, реализованные бизнес-блоками, что позволяет быстрее и эффективнее их использовать для оптимизации процессов на уровне всей компании.

Вначале — методология

— Как формировалась методология управления данными?

Мы начали с методологии, потому что понимали, что пока не будет сформирована модель процессов и детально проработаны артефакты управления данными, тиражирование в рамках компании невозможно. Первым шагом стала разработка процессной модели, в основе которой лежат свод знаний по управлению данными DAMA DMBoK и лучшие практики передовых компаний России и мира. Затем мы конкретизировали ее с помощью так называемых кратких руководств, определяющих порядок процессов и роли в них. Следующим шагом стало формирование детальных стандартов и регламентов, являющихся базисом методологии.

Создание методологии идет параллельно с разработкой корпоративной системы управления данными. Задача состоит в том, чтобы сначала описать целевой процесс, а затем найти инструмент, который обеспечит его гибкую реализацию. Многие действуют в обратном порядке: выбирают коробочное решение и под него настраивают процессы. Наш путь более сложный, но более правильный, мы под методологию настраиваем инструменты.

— Какие процессы управления данными у вас есть?

Процессная модель включает в себя семь блоков процессов. Первый процесс — организация управления данными, в основе которой лежит доменная модель. Домены данных — это предметные области работы с данными, определяющие границы ответственности за данные. Процесс организации управления данными описывает ключевые роли, такие как ответственный за домен, администратор домена, бизнес-эксперт. Кроме того, в рамках данного процесса детально описывается, как формируется спрос на данные в домене.

Следующий блок процессов — управление структурными элементами данных, включающий такие ключевые направления, как управление архитектурой данных, управление НСИ, управление репозиторием метаданных.

Блок управления жизненным циклом данных описывает все, что касается движения данных во времени, включая определение требований к регламентным срокам поставки и интеграции данных.

В отдельный блок выделен процесс управления неструктурированной информацией, в его рамках успешно реализован проект корпоративного поиска и анализа контента. Корпоративный поиск очень востребован, с его помощью более 17 тыс. сотрудников получают доступ к более чем 6,5 млн документов.

Следующий и один из наиболее важных составных элементов модели — процесс управления качеством данных, обеспечивающий доверие к данным бизнес-пользователей.

Процесс управления хранилищем и BI и продвинутая аналитика логично завершают процессную модель и формируют основную ценность принятия решений на основе данных.

— В каком статусе находятся процессы: описаны, реализованы?

Практически все процессы функционируют. Их внедрение в операционную деятельность происходит поэтапно. Мы определили пилотные домены данных, где внедрили процессы в первую очередь. Для этого была сформирована целостная программа управления данными, включающая семь проектов, охватывающих девять пилотных доменов. Три домена связаны с коммерческой деятельностью по сбыту нефтепродуктов; четыре домена покрывают процессы текущего и капитального ремонта скважин и интегрированного планирования добычи нефти, добычу на шельфовых активах; домены производственной безопасности и управления персоналом относятся к общекорпоративным функциям.

В настоящий момент мы получили результаты по пилотным проектам и начали масштабировать их на домены так называемой второй волны.

— Какие выводы были сделаны по результатам пилотной программы?

На пилотных доменах мы сформировали ключевые артефакты управления данными, научились выявлять и определять спрос бизнеса на данные и даже научились иногда данные бизнесу «продавать» (показывать ценность на реальных кейсах и задачах). По итогам проделанной работы мы поняли, что, во-первых, успех управления данными в огромной степени зависит от уровня зрелости бизнес-подразделения, а во-вторых, этот уровень изменяется со временем. Не только мы нарабатываем опыт как функция управления данными, но и в подразделениях, которые участвуют в пилоте, существенно растет уровень понимания значения данных и процессов работы с ними.

Поэтому основную задачу мы видим в том, чтобы повысить уровень зрелости бизнеса в отношении данных. Если у бизнеса есть осознанный запрос на данные, все остальное — дело техники.

— Организационная модель функции «Управление данными» — в чем ее задача?

Организационная модель определяет взаимодействие между бизнес-подразделениями, функцией управления данными и ИТ-кластером: три больших блока, в каждом из которых требовались определенные преобразования с точки зрения выполняемых функций. В бизнес-подразделениях появились новые роли: ответственные за данные, администраторы доменов и т. д. Со стороны управления данными сформирован целый набор функций, реализованных либо в качестве сервисов, либо в рамках проектной деятельности. Организована совместная работа с коллегами из цифровых и ИТ-подразделений, которые помогают нам в развитии инструментов управления данными.

Организационная модель также описывает, как формируется команда внутри функции управления данными — на уровне корпоративного центра и на уровне основных бизнес-подразделений, каким образом реализуется кросс-функциональное взаимодействие специалистов, как обеспечиваются накопление и развитие компетенций.

— Какое обучение и для кого потребовалось при формировании функции «Управление данными»?

По обучению у нас идет очень активная работа. Совместно с Высшей школой экономики мы разработали модуль по управлению данными в рамках образовательной программы по цифровой трансформации для топ-менеджеров. Нам удалось собрать сильную команду спикеров — экспертов рынка, в том числе я сама с удовольствием приняла участие в этой программе в качестве спикера. В следующем году этот курс может стать доступным для менеджеров других компаний.

Кроме того, сформированы различные программы внутреннего обучения. Сотрудники функции управления данными (более 170 человек) уже прошли как минимум один тренинг по инструментам, в настоящий момент идет обучение в части методологии и сертификация ключевых сотрудников функции по DAMA DMBoK.

В этом году мы планируем запустить программу для бизнес-пользователей — Школу аналитики в рамках факультета цифровой трансформации корпоративного университета «Газпром нефти». Это входит в план работ кафедры управления данными и бизнес-аналитики, созданной в 2020 году. Кроме того, для сотрудников бизнес-подразделений, которые занимаются работой с данными, создаются видеокурсы по различным компонентам управления данными, которые станут обязательными элементами программ корпоративного университета.

«В 2018 году в "Газпром нефти" начались глубокие преобразования, направленные на повышение уровня зрелости как базовых ИТ-процессов, так и процессов получения ценности на основе данных. В бизнес-подразделениях полностью осознали, что без нового подхода к работе с данными цифровая трансформация неосуществима, и возник комплексный запрос на выстраивание процессов управления данными»

Платформа управления данными

— Ваша корпоративная платформа управления данными называется Reporting HelpDesk (RHD). Всего лишь HelpDesk? Не принижает ли такое название значимость решения?

Да, мы тоже поняли, что переименование назрело. Проект начинался два года назад с сервиса отчетности, но сейчас это уже полноценная платформа управления данными, интегрирующая множество инструментов. Очевидно, что название не отражает масштаба решения.

— Какие задачи решает платформа, из каких блоков она состоит?

Фронтенд платформы — это бизнес-глоссарий, построенный на базе системы Alteryx. Основная цель глоссария — реализовать процесс know your data, обеспечить прозрачность всех данных, которые есть в компании. Решение представляет собой комплексный каталог, который наполняется данными по доменам, поддерживает внутренние потоки работ по сбору и описанию данных, делает доступной информацию по их уровню качества. Предполагается также интеграция с внутренним порталом для сотрудников, что позволит распространять методологическую информацию по управлению данными по всей компании, а также сделает доступным процесс заказа дата-сервисов.

Бизнес-глоссарий интегрирован с каталогом технических метаданных на базе решения Informatica Enterprise Data Catalog, благодаря чему в бизнес-глоссарии отображаются потоки данных (data lineage) и процесс трансформации данных.

Отдельный блок платформы представлен инструментом оценки качества данных, реализованным с помощью Informatica Data Quality. Оценка качества интегрирована с общекорпоративным журналом результатов проверок качества данных, который, в свою очередь, передает информацию о зафиксированных нарушениях правил качества в корпоративную платформу управления инцидентами. В рамках этого компонента платформы выполняются процессы управления инцидентами и управления проблемами качества данных.

Функции бизнес- и продвинутой аналитики реализуются с использованием инструментов SelfService BI на базе Qlik с возможностью доступа к данным через каталог, обеспечивают формирование дашбордов, генерацию отчетности по запросу и т. д.

Платформа интегрируется с корпоративной системой управления НСИ на базе «1С», а также с корпоративным поиском, который, в свою очередь, позволяет обрабатывать неструктурированные метаданные.

Таким образом, в рамках реализации проекта RHD мы развиваем платформу, представляющую собой комплексную систему управления данными.

— Есть ли уже примеры того, как использование бизнес-глоссария — «узнавание своих данных» — стимулировало бизнес на новый аналитический проект?

Конечно. Например, описание данных в домене коммерческой деятельности позволило существенно повысить эффективность реализации нефтепродуктов за счет получения оперативной и достоверной информации в части детализации по контрагентам, каналам продаж и т. д.

В домене производственной безопасности с использованием сервисов цифровой платформы (PaaS) «Газпром нефти» по интеграции и анализу данных реализуются инструменты для анализа барьеров безопасности. Барьер безопасности — это информация о том, где может быть нарушено правило безопасности, к чему это приведет, как этого можно избежать. Описание барьера с помощью данных и визуализации в дашбордах позволяет максимально приблизиться к автоматизированной системе предотвращения происшествий.

Все внимание — качеству

— Важный процесс управления данными — обеспечение их качества. У вас есть реестр бизнес-правил, которые переводятся в реестр технических правил качества данных. Как это делается и что дает?

С помощью бизнес-правила описывается требование бизнеса к элементу данных. Например, сотруднику Блока производственной безопасности необходимо предоставить информацию по номерам транспортных средств, которые выезжают на нефтепромысел, с детализацией по времени, чтобы можно было отследить нарушителей. На языке бизнеса требования сформулированы следующим образом: для поля «номер автотранспортного средства» должна быть доступна информация в разрезе времени, когда транспортное средство работало на месторождении. Затем эта информация переводится в язык технических правил при помощи Informatica DQ, то есть создается код технической проверки на наличие в данном поле данной информации. Благодаря процессу мониторинга качества данных мы можем отследить, когда была проведена проверка этих данных, сколько инцидентов выявлено на определенном датасете, в какой период времени произошли инциденты и т. д.

— Использование процессов управления инцидентами и проблемами в качестве данных — ваше ноу-хау или это распространенный подход?

Это классическая реализация процесса качества данных. Сначала необходимо найти инциденты, то есть нарушения качества, затем — понять, кто их может устранить, то есть определить производителей данных, ответственных за их состояние. И после этого обеспечить решение инцидента, иначе уровень качества останется неизменным. Не могу сказать, что внедрение такого подхода идет легко. В каждом отдельном домене разработка планов по повышению качества данных имеет свои особенности. Основная задача — определить, что можно сделать для того, чтобы повысить качество приоритетных для бизнеса элементов данных.

— В компании огромное количество источников данных. Какие из них создают наибольшие сложности?

Я бы прежде всего назвала ландшафт SAP: он у нас достаточно сложный, с жесткими условиями по интеграции, что создает дополнительные требования и условия для внедрения инструментов управления данными. Например, необходимы специальные коннекторы, чтобы считывать метаданные. Это непростая задача, но мы нашли подход к ее решению и сейчас уже хорошо понимаем, как работать с метаданными для этих систем.

Второй по масштабу ландшафт в компании представлен платформой «1С», для которой нет типовых решений от вендора по сбору метаданных, поэтому также требуется разрабатывать индивидуальный подход.

Достаточно большое количество источников данных в компании представлено MES-системами, для них мы только начинаем прорабатывать вопросы управления данными. Действительно, источников данных в компании множество, между ними много различий, и каждая группа систем требует своего подхода.

— А каков вклад бизнес-пользователей в обеспечение качества данных?

Появилась новая роль — ответственный за данные. Матрица ответственности за данные — отдельный артефакт качества данных, в котором отмечено, что за определенные данные в этом дочернем обществе отвечает конкретный сотрудник. И это очень важная история, потому что процесс управления инцидентами качества привязан именно к ответственному за данные: он совместно с аналитиком по качеству данных разбирается с инцидентами, может оперативно получать информацию, а если есть причины для недовольства его работой с данными, то делает выводы и оперативно принимает меры по повышению качества данных.

— С другой стороны, у бизнес-пользователей есть возможность самостоятельно строить аналитические приложения — SelfService BI. Насколько широко применяется этот механизм?

В подразделении, которое отвечает за логистику, переработку и сбыт продукции, инструменты SelfService BI подключены к хранилищу, и пользователи получили возможность из портала работать с разнообразными датасетами. Сейчас мы занимаемся донасыщением источников данных для SelfService BI в рамках интеграции с корпоративной платформой анализа данных, а также SAP BW, интегрируя огромный объем самых критичных для бизнеса данных.

— Можно ли сказать, что в результате ваших усилий по внедрению управления данными существенно расширился круг людей в компании, которые работают с данными, получают от них эффект и несут за них ответственность?

Безусловно, это так. Прежде всего в пилотных доменах.

Первые итоги и большие планы

— Каковы результаты вашего проекта на данный момент? Дает ли функция «Управление данными» экономический эффект?

Экономический эффект, безусловно, есть. Уровень экономической эффективности, достижение которого обеспечивает программа по управлению данными, сравним с показателями эффективности других инвестиционных проектов компании.

Главный результат — функция «Управление данными» участвует в формировании фундаментальных процессов в рамках цифровой трансформации «Газпром нефти». Первый год реализации стратегии цифровой трансформации обеспечил компании 7,2 млрд рублей экономического эффекта, в этом есть и наш вклад.

Но впереди у нас большой путь. По каждому из ключевых направлений программы по управлению данными (методология, инструменты, внедрение в регулярную операционную деятельность бизнес-подразделений, коммуникации и обучение) реализуется дорожная карта. Масштаб работ огромный, поскольку компания большая и диверсифицированная. Мы рассчитываем на то, что активное внедрение технологических инструментов позволит в ближайшее время осуществить прорыв в масштабировании функции «Управление данными».

— Каковы сроки реализации дорожной карты?

Около 40% доменов данных будут охвачены функцией «Управление данными» до конца 2021 года, а 100-процентное покрытие ожидается к 2023 году.

— Насколько важен для отрасли ваш опыт в управлении данными?

Пока уровень развития управления данными существенно выше в банках и в розничной торговле. Промышленность только начинает двигаться в этом направлении. Мы обмениваемся опытом с большим количеством производственных компаний, также переосмысливаем наработки финансовой отрасли и ретейла, чтобы применить их в своей практике. Так что в определенном смысле мы — одни из первопроходцев.

В компании X5 Retail Group разработали сервис, который поможет покупателям избежать ненужных контактов в продуктовых магазинах: чтобы совершить покупку и быстро покинуть магазин, минуя кассу, потребуется только мобильный телефон. «Экспресс-скан» — система бесконтактных покупок с помощью мобильных устройств. Для подключения к ней нужно скачать приложение для iOS или Android и зарегистрироваться с помощью X5 ID. После этого можно собирать корзину, сканируя штрихкоды товаров с помощью видеокамеры мобильного телефона. Оплатив покупку в один клик через интерфейс приложения, можно смело покидать магазин, не вступая в контакты с людьми.

Запуск сервиса, повышающего безопасность посетителей магазинов, положил начало формированию новой модели покупок в продовольственном ретейле. Впервые в России систему полностью бесконтактных платежей встроили в действующую ИТ-архитектуру и операционные процессы обычных супермаркетов и магазинов «у дома». Как устроена система бесконтактных покупок, с какими сложностями пришлось столкнуться при ее создании и что было самым интересным в этой работе, рассказал номинант премии CDO Award 2021 Иван Мельник, директор по инновациям Х5 Retail Group.

- Как родилась идея сервиса?

Во время первой волны COVID стало очевидно, что люди в очереди боятся заразиться: стараются отвернуться друг от друга и осуждающе смотрят на «чихающую бабушку». Понятно, что им психологически тяжело и нужна помощь. Первой такой помощью стал сервис экспресс-доставки, получивший массовое распространение, но и в офлайн-магазинах помощь тоже требовалась. Когда первая волна пандемии начала спадать, мы обсудили эту проблему с директором «X5 Технологии» Антоном Мироненковым (лауреатом CDO Award 2020. — Прим. ред. ) и пришли к выводу, что в сложившейся ситуации людям крайне важно чувствовать себя в безопасности.

Во время эпидемии покупатели стали заметно больше пользоваться кассами самообслуживания. Если в начале года доля самообслуживания в трафике «Пятерочки» составляла 13–14%, то сегодня — уже 22%. А в некоторых «Перекрестках» и «Пятерочках» этот показатель превышает 50%. Скачок произошел в среднем на 4–5%, и это существенно. Привычки и предпочтения людей начали меняться. Мы поняли, что самообслуживание — правильное направление, востребованное у покупателей, и подумали, как здорово было бы разработать мобильное приложение, в котором можно самому отсканировать товар и оплатить его. Мы решили создать сервис, обеспечивающий полностью бесконтактные, быстрые и безопасные покупки с удобным сканированием и оплатой посредством телефона, без обращения в кассу. И внедрить такое решение не в одном или двух магазинах, успешно отчитавшись о пилоте, а сразу масштабно — для многих сотен торговых точек и миллионов покупателей. Поскольку вторая волна была прогнозируемой, команда проекта работала очень быстро: за три летних месяца сервис прошел путь от идеи до массового применения — невиданная скорость для проекта такого масштаба.

- Какая работа с данными была проделана?

Чтобы покупатель увидел в приложении полную информацию о выбранном товаре (состав, вес, страну производства, калорийность и т. д.), был проделан огромный объем работы по нормализации и систематизации всех описаний и названий в сложносоставных товарных матрицах магазинов. Мы привели их к виду, понятному покупателю. Практически все товары сфотографировали, потому что при сканировании человеку удобно увидеть изображение и понятное описание того, что он держит в руках, а не сокращения, принятые в торговой системе. Ничего нового в этом нет, просто нужно было очень быстро сделать большой объем работы.

- Какие источники данных использовались?

Мастер-системы хранения золотых записей по товарам, системы лояльности, описания товаров, массивы ассортиментных матриц и цен были выгружены в центральные сервисы, которые передают данные мобильным приложениям. Фактически все публикуется во внешнем контуре, чтобы мобильное приложение могло эти данные получить. Обычно это «святая святых» ретейлера, поэтому очень много внимания было уделено безопасности и выгрузке строго необходимого и достаточного набора данных, который, с одной стороны, не является избыточным, а с другой, обеспечивает достаточную функциональность. Приложение подключается не к самому магазину, а к его виртуальной реплике. Сканируя штрихкод, покупатель привязывается к матрице конкретного магазина — его онлайн-слепку, который постоянно синхронизируется.

- Как устроено решение?

В нем много слоев. Первый слой — мобильные решения для покупателей — выполнен с помощью классических фреймворков для iOS и Android.

Вторая составляющая — централизованные платформы обмена и управления данными. Они базируются на микросервисной архитектуре и содержат множество приложений на платформе Unix, потому что это дает скорость, устойчивость, да и элементарно дешевле по сравнению с другими способами.

Цены и ассортимент во всех магазинах разные, а в приложение должны поступать актуальные данные конкретного магазина. Поэтому была создана централизованная система хранения, постоянно синхронизируемая с магазинами сети, которая c высокой скоростью выдает наружу данные для мобильных сервисов о ценах, промоакциях и остатках.

Централизованная платформа управления клиентскими данными моментально обрабатывает данные клиентской базы, содержащей сведения о более чем 50 млн человек. Компания решила сразу запустить сквозную авторизацию пользователей, единую для всех магазинов и сервисов Х5, и мы разработали универсальную учетную запись Х5 ID, которая даст возможность пользоваться сервисами в наших торговых сетях после однократной регистрации.

Когда покупатель вводит номер телефона при регистрации, тут же сканируются все записи, связанные с этим номером, и к его профилю в приложении автоматически привязываются карты магазинов, которыми он пользуется. То есть при использовании «Экспресс-скана» действуют промоакции и цены конкретного магазина, в котором находится покупатель, начисляются стандартные баллы за покупки на его карту или карту, которую он сам привязал к своему профилю, чтобы, например, копить бонусы для всех членов семьи.

Для оформления фискальных чеков в приложении мы построили централизованную ферму на 1,5 тыс. онлайн-касс, подобную той, которой пользуются службы такси. Ферма фискализации чеков балансирует нагрузку и распределяет запросы от мобильных устройств. Интеграцию облачной кассовой фермы, учетных и торговых систем и регистрацию транзакций обеспечивает фискальный брокер — он обслуживает запросы мобильных приложений и транслирует их на ферму, к нему же подключены все онлайн-сервисы. Поскольку чек надо вернуть обратно в магазин, чтобы его видели финансовые службы, пришлось дорабатывать торговую систему и интегрировать решение с SAP.

- На каком технологическом стеке выполнено решение и реализованы омнисервисы?

Из совместных библиотек мы используем «Яндекс.Карты» для отображения карт и магазинов в приложении, Firebase — для статистики, аналитики и мониторинга стабильности приложения, AppsFlyer — для использования Onelink, а также Scandit.

В части авторизации применяется связка Keycloak и Tarantool Datagrid. Это отказоустойчивый кластер с репликацией в режиме active/active, обеспечивающий единое управление профилями клиентов. Остальное — микросервисная архитектура на платформе Java.

Архитектура мобильного приложения основана на принципе распределения функций по отдельным независимым блокам. К основным блокам относятся: управление доступом и профилем клиента; сборка корзины и оплата; предоставление данных о товарах; регистрация продаж в учетных системах. Каждый блок использует свой технологический стек, подходящий для решаемых в нем задач. Это позволяет гибко масштабировать каждую часть приложения, разрабатываемую отдельной командой.

Для высоконагруженных веб-приложений и реализации REST API мы применяем язык Python, в частности фреймворк Django. Операционная информация размещается в кластерах базы PostgreSQL, а наиболее запрашиваемые данные храним в памяти, используя СУБД Redis. Для хранения больших объемов данных в части ассортиментной матрицы и управления профилями пользователей используем решения на основе Tarantool Datagrid.

Учетный блок реализован на стеке Java, который позволяет наиболее органично реализовать и просто поддерживать сложную бизнес-логику наших legacy-систем. Управление микросервисной платформой осуществляется на основе собственного облака X5Cloud.

- С какими сложностями пришлось столкнуться?

Сложно было все: и описать 25 тыс. позиций товарного ассортимента за три месяца, и купить и установить оборудование, которое будет «тянуть» огромные нагрузки, и обеспечить изменения в бизнес-системах SAP. В нормальных условиях такой сложный комплексный проект, оформленный по всем канонам, длился бы год. В нашем же случае всего за три месяца кросс-функциональная команда из почти 100 человек смогла из состояния «ничего нет» создать пилот сразу для нескольких десятков магазинов с тысячами покупателей, чтобы потом, если новый способ оплаты понравится покупателям, быстро развернуть сервис на многие сотни торговых точек.

Сложной была и каждая ветка проекта в отдельности. В одно целое были объединены бизнес и ИТ: в магазины нужно было внедрить новый процесс и новое решение для покупателя и интегрировать их в сложное многообразие внутренних систем. Как у любого ретейлера, у нас огромный «зверинец» решений, каждое из которых выполняет свою задачу: торговые, логистические, системы лояльности, безопасности — целая вселенная.

Но самое сложное — построить решение, готовое к масштабному применению. Сделать продукт для 10–15 магазинов может и небольшая команда, а вот когда нужно построить систему, которая будет обслуживать тысячу магазинов, все резко усложняется из-за объема транзакций, требований к стабильности и отказоустойчивости, к безопасности и автономности. Когда нужно выполнить проникновение через слои интеграции, обеспечить глубокую связь с данными, начинается «космос».

- Что для вас было самым интересным?

Работа с покупателями. Когда идешь с первой версией к клиентам, для которых это тоже абсолютно новая история, и смотришь, как они реагируют, как обучаются. Ты делаешь очень простые в использовании решения, и они ценят эту простоту.

Проанализировав результаты пилотного проекта, запущенного в сентябре, мы доработали сервис, ускорили процесс авторизации в системе. Пользователям оказалось важно подтверждать успешно проведенную оплату через систему внешней валидации — кассу самообслуживания, отдельно стоящий валидатор или у ассистента в зоне выхода.

Наша команда рассматривала покупательские отчеты, которые формировались в магазинах: что удобно, что нет. Кто-то попросил сделать в приложении звук, как на кассе, чтобы стало ясно, что сканирование прошло успешно. Многие, нажав кнопку «оплатить», боялись выходить из магазина, потому что нужно пройти через кассу и вроде бы кто-то должен дать разрешение на выход, а такого человека нет. Поэтому мы придумали конечные устройства в магазинах. Сканируешь QR-код на панели, включается режим оплаты, нажимаешь «оплатить» — и большой телевизор над кассой громко говорит: «Оплата прошла успешно!» Тогда и покупатель понимает, что можно выходить, и кассиры понимают, что система зарегистрировала покупку. Некоторые магазины оснастили небольшими валидаторами, в некоторых других можно поднести телефон к кассе самообслуживания, и она скажет: «Спасибо, проходите». Вот эти вещи вызывали самые большие эмоции. Придумали сделать сканирование с ценника: вроде мелочь и ненужная функция с точки зрения программиста, а с точки зрения покупателя — очень важная и нужная, иногда помогающая сэкономить.

- Пользователи сервиса — кто они? За счет чего будет прирастать их число, когда вопрос социальной дистанции перестанет быть актуальным?

Это сервис в первую очередь для людей, которые хотят экономить время. Анализируя статистику, мы увидели, что при покупке с «Экспресс-сканом» человек тратит в среднем на 3–4 минуты меньше, чем обычно для быстрой покупки. Если умножить эти минуты на число походов в магазин, наберется чуть ли не неделя сэкономленного жизненного времени. Вроде бы немного, но заставляет задуматься. Мы четко видим, что люди, которые попробовали такой вид оплаты, начинают делать покупки чаще.

Ближайшее будущее продуктовых магазинов — за смартфонами, мобильными сканерами и кассами самообслуживания. Если в 2004–2005 годах системами самообслуживания пользовались 1–2% покупателей, то сегодня у нас есть магазины, где через них проходит больше половины трафика. Самообслуживание с помощью смартфонов сейчас только начинает набирать обороты. Пройдет несколько лет — и проникновение мобильных технологий в ретейл вырастет в разы. Зачем стоять на кассе, если можно положить товар в корзину, отсканировать его, нажать на этапе оплаты «ОК» и уйти.

- Ошибки, которые часто возникают при сканировании, удлиняют процесс покупки и требуют участия сотрудника магазина — то есть покупка перестает быть бесконтактной. Как этот вопрос решается в случае работы с «Экспресс-сканом»?

По статистике, прерывания на кассах чаще всего случаются из-за алкоголя и табака, так как закон требует проверить возраст покупателя, прежде чем продать ему товар. Поэтому в «Экспресс-скане» стоят блокировки на эти категории товара, возможность их покупки не предусмотрена. Мы решили формировать полезные привычки.

Остальной ассортимент видим в реальном времени. Система мониторинга бизнес-показателей отслеживает, сколько корзин сорвалось из-за того, что покупатель не смог отсканировать товар. Мы все опробовали на себе. Практика показывает, что помощь сотрудника магазина может понадобиться в момент обучения, для первых двух-трех покупок, а дальше покупатель уже делает все сам, без подсказок.

- Какой эффект получила компания?

Основной эффект — лояльность покупателей: они покупают быстрее и больше. Выбирая магазин, человек учитывает, где придется стоять в очереди, а где быстро и безопасно. Стандартная покупка с помощью «Экспресс-скана» занимает всего 5–6 минут. И клиенты переключаются на нас. Они заполняют персональные данные, привязывают к профилю в приложении свою банковскую карту, получая взамен удобство и комфорт. Более 22 тыс. пользователей создали уникальные профили Х5 ID, свыше 5 тыс. человек еженедельно совершают покупки с помощью «Экспресс-скана», большинство из них — регулярные, и число таких покупателей ежедневно растет. Экономится и время персонала: каждый чек, оформленный с помощью нового способа оплаты, высвобождает не менее минуты работы кассира.

- Чем вы особенно гордитесь в этом проекте?

Командой. Я еще не видел таких проектов, когда несколько больших команд, отвечающих как за технологии, так и за бизнес, как внутренних, так и подрядных, работают в едином порыве, с хорошей коммуникацией, без каких-либо внутренних противоречий и нестыковок, синхронно и с высокой скоростью. Все хотели помочь людям и были очень вдохновлены. Одно дело, когда ты просто создаешь процесс или систему, и совсем другое — когда ты реально помогаешь людям в критический период. Все делали этот проект с горящими глазами, носились — только «пятки сверкали». Даже если уберегли от заражения всего несколько человек, то это уже благо.

- Как планируете развивать проект?

Итерационно улучшать функционал, повышать скорость, делать удобнее — учитывать пожелания, оставленные в отзывах. Например, покупателям не нравится, что пакеты нельзя взять сразу на входе. То есть предстоит много операционной работы.

И масштабировать — система как раз построена так, чтобы быстро масштабироваться. Если в сентябре к сервису было подключено около 60 магазинов, то в декабре — уже свыше 500, и сейчас каждую неделю подключаются десятки новых. В ближайшем будущем «Экспресс-скан» будет во всех столичных магазинах «Пятерочка» и «Перекресток», а также в сети «Перекресток» в Санкт-Петербурге, Ленинградской и Московской областях. По результатам обязательно рассмотрим выход и в другие регионы.

- Проект будет окупаемым?

Я уверен в этом. Это видно по текущим метрикам: люди чаще приходят в магазины и покупают немножко больше, это приносит дополнительную выручку.

Модель доставки приложений в виде сервиса стала настолько распространенной, что для многих организаций вопрос заключается уже не в том, стоит ли внедрять у себя SaaS, а в том, насколько доминирующее положение эта модель должна занимать в ландшафте корпоративного программного обеспечения.

Потенциальные преимущества SaaS хорошо известны: сокращение затрат, повышение гибкости, упрощение масштабируемости и т.д. «Простота и быстрота развертывания наряду с инновационными преимуществами SaaS помогают бизнесу ускорить проведение цифровой трансформации», – констатирует директор IDC по исследованиям в области SaaS и облачного программного обеспечения Франк делла Роса.

Однако использование облачного ПО сопряжено и с определенными трудностями, особенно в условиях резкого роста числа удаленных работников в период пандемии, и ИТ-службам необходимо решить эти вопросы до того, как ситуация выйдет из-под контроля.

Проанализируем три главных вызова, с которыми приходится сталкиваться организациям при переходе в среду SaaS, а также советы экспертов по преодолению возникающих препятствий.

Стремительное размножение SaaS

Число SaaS-приложений в организациях нарастает как снежный ком, что придает вопросам управления и контроля расходов особую важность.

В отчете '2020 Businesses @ Work' компания Okta, предоставляющая платформы управления идентификацией, сообщает, что каждый из ее клиентов уже развернул в среднем 88 приложений SaaS. С 2019 года их число увеличилось на 6%, а с 2017-го – на 21%. У 10% клиентов эксплуатируется 200 и более приложений.

«Модель SaaS демократизировала принятие решений о покупке приложений, позволив руководителям подразделений и даже конечным пользователям самостоятельно закупать программное обеспечение для решения стоящих перед ними задач, – указывает делла Роса. – Но, получив повышение быстроты и гибкости, ИТ-службы теперь вынуждены заниматься дополнительными вопросами управления и соблюдения нормативных требований. Популярность SaaS растет, а исследования IDC показывают, что многие ИТ-руководители не вполне уверены в том, что знают, сколько приложений используется на предприятии. В некоторых случаях речь может идти о сотнях неизвестных им приложений. ИТ-службам нужны автоматизированные инструменты, помогающие идентифицировать используемые приложения и лучше управлять рисками, связанными с безопасностью и необходимостью соблюдения нормативных требований. К числу ведущих поставщиков в этой области, по данным IDC, относятся VMware, Cisco, AWS, Microsoft Azure, Google Cloud и Micro Focus».

«Чтобы справиться с вызовами повсеместно внедряемой модели SaaS, компаниям необходимо задуматься о рисках и приоритетах – определить, какие приложения наиболее важны для успеха их бизнеса, и приступить к их развертыванию, – отмечает аналитик Gartner Кайл Дэвис. – Зачастую у ИТ-службы нет ресурсов, чтобы поддерживать все то количество приложений, которое организация намерена внедрить в форме SaaS. Как правило, компании начинают с нескольких приложений, затем их число увеличивается до пары десятков, потом до пары сотен, а в крупных организациях в конечном итоге начинает исчисляться тысячами. Ранее внедрение программного обеспечения осуществлялось совсем по-другому. Во времена преимущественно локальных ИТ-инфраструктур у организаций имелось несколько больших платформ, и все строилось вокруг них. Когда у вас имеются сотни и тысячи приложений SaaS, ИТ-служба просто не в состоянии обладать экспертными знаниями каждого из них. Нужно классифицировать их с учетом рисков для бизнеса, связанных с отсутствием развертывания и поддержки со стороны ИТ-службы. С высокой степенью вероятности на предприятии постоянно будут появляться какие-то 'теневые ИТ', внедряемые в виде SaaS бизнес-пользователями, ощущающими такую потребность. Но даже в этом случае пользователи в конечном итоге будут обращаться за поддержкой к ИТ-службе. И тогда ее специалисты смогут оценить, стоит ли бизнес-подразделению или ИТ-службе заниматься дальнейшим продвижением этого приложения или же лучше заменить его на что-нибудь другое. Функции регулирования, выполняемые ИТ-службой, должны быть сбалансированными. Ни тиранического контроля, ни полного отказа от него быть не должно. Приложения SaaS должны рассматриваться с точки зрения риска, который возникает у организации при их использовании».

Безопасность, конфиденциальность и соблюдение нормативных требований

Еще один серьезный вызов — необходимость решения вопросов, связанных с безопасностью, конфиденциальностью и соблюдением нормативных требований при использовании приложений в облаке. Ситуация осложняется значительным увеличением числа удаленных работников из-за пандемии коронавируса и соответствующими распоряжениями организовать работу на дому.

«Большое количество используемых SaaS-приложений делает многие компании уязвимыми к утечкам данных и кибератакам, – подчеркивает делла Роса. – Инструменты управления экосистемой SaaS могут помочь ИТ-службам определить политики и процедуры, соотносящие необходимость повышения скорости выполнения с обеспечением конфиденциальности данных и соблюдением нормативных требований. К крупнейшим поставщикам средств управления SaaS относятся компании Blissfully, Zylo, G2 Track и Better Cloud. Развивающаяся сфера управления операциями SaaS (SaaSOps), предлагаемого большинством поставщиков подобного инструментария, помогает компаниям сделать направление SaaS приоритетным, рекомендуя новые приложения и трансформируя ИТ-службу из регулирующего органа в орган поддержки. ИТ-служба могла бы отслеживать подозрительную активность и защищать от неправомочного совместного доступа к данным. Файлы можно регулярно проверять на предмет утечки конфиденциальных данных. Для соблюдения законодательных требований имеет смысл определить автоматические политики».

«Крайне важно, чтобы организации требовали от сотрудников осознания своей ответственности и вовлеченности в процесс использования SaaS, – указывает Роберт Уолден, ИТ-директор компании Epsilon, предоставляющей маркетинговые сервисы и технологии. – Когда речь заходит об обеспечении правильного использования решений SaaS, именно сотрудники играют роль первой линии обороны — или, по крайней мере, должны это делать. Невнимательность не может служить оправданием».

Организациям необходимо проводить надлежащую политику, обучение и обеспечить постоянный контакт с сотрудниками, информируя их о своих обязанностях и последствиях их невыполнения. Крайне важно также, чтобы предприятия внедряли у себя процессы управления, инструменты и средства контроля, снижая риски безопасности и организуя защиту данных.

«При оценке предложений SaaS во главе угла должны стоять вопросы безопасности, – добавляет Дэвис. – Для этого компаниям следует определить набор критериев, которым должны соответствовать поставщики с точки зрения безопасности. Главный вопрос заключается в том, можно ли поставщику средств SaaS позволить делать то же самое (если не больше), что и при использовании локальных средств? Нужно понимать, как поставщик публикует и раскрывает информацию о брешах, как организовано управление физической безопасностью, и каким образом осуществляется защита ваших данных в процессе их перемещения и при хранении».

Многие разработчики SaaS-решений предлагают свои сервисы через крупных провайдеров – Amazon Web Services, Microsoft Azure и Google Cloud Platform, делая ставку на средства безопасности этих платформ. Но компании в любом случае должны убедиться в том, что используемые ими SaaS-приложения соответствуют нормативным требованиям, предъявляемым к защите данных, и внедряются с должным вниманием к управлению доступом.

Интеграция облачных решений

Третьим серьезным вызовом является интеграция различных облачных приложений, которые должны работать совместно, решая определенные задачи или поддерживая бизнес-процессы. При попытке интегрировать облачные приложения друг с другом или с приложениями на локальных серверах организации, вероятно, столкнутся с определенными ограничениями.

Внедрение новых SaaS-приложений или переход от локального к SaaS-приложению зачастую требует перестройки существующих бизнес-процессов. Кроме того, переход на модель SaaS вызывает необходимость проведения незапланированной интеграции с другими SaaS-приложениями или с локальным ПО.

Чем более стратегическое значение приобретает SaaS-сервис для организации, тем выше вероятность того, что потребуется интеграция с другими приложениями. Хорошим примером здесь является электронная почта. Многие приложения и системы используют электронную почту для рассылки уведомлений, и компаниям нужно подготовиться к тому, что произойдет с этими взаимозависимостями при переводе приложения электронной почты на модель SaaS.

В современном виде SaaS – это не изолированный инструмент, а платформа, на которую опирается организация. Соответственно, нужен необходимый набор API, позволяющий пользователям интегрировать свои технологические и бизнес-процессы.

Ведущие поставщики SaaS-приложений решают проблему интеграции, максимально упрощая реализацию наиболее распространенных сценариев интеграции. Но на типичном предприятии для полной интеграции пользовательского опыта и бизнес-процессов этого все равно недостаточно.

Поэтому организациям необходимо тщательно оценивать возможности интеграции и интерфейсы предложений SaaS. В некоторых случаях для удовлетворения конкретных нужд потребуется создать адаптированные решения.

«Быстрое распространение SaaS-платформ облегчает бремя интеграции и адаптации благодаря общей модели данных, стандартным инструментам и устойчивым публичным API, – отмечает делла Роса. – Это имеет еще более важное значение для нового поколения SaaS, которое характеризуется переходом от монолитных корпоративных приложений к чисто облачной архитектуре, состоящей из составных и контейнерных микросервисов».

Анализ цифровых следов человека получает все большее распространение и начинает использоваться в самых различных направлениях деятельности — от маркетинга до информационной безопасности. В МТС разработали систему анализа бизнес-процессов на основе цифрового следа (Process Mining), и первым местом ее внедрения стал Единый центр управления сетью. Используя технологии автоматизации, дата-инжиниринга и машинного обучения в комплексе, Process Mining позволяет анализировать цифровой след сотрудников и обеспечивает мониторинг загруженности работников технического блока, решающих задачи управления инфраструктурой, а также прогнозирование нагрузки и выявление функций для роботизации. В дальнейших планах компании — использование системы в других подразделениях, развитие ее аналитических возможностей и ее вывод на внешний рынок. Телекоммуникационные компании являются одними из лидеров по количеству данных и уровню цифровизации, поэтому многие успешно обкатанные внутри МТС подходы и решения в дальнейшем адаптируют и предлагают внешним заказчикам.

Иван Исаев, директор направления анализа данных и искусственного интеллекта для проектов технического блока ПАО «Мобильные ТелеСистемы» и номинант на премию CDO Award , поделился деталями проекта по разработке системы Process Mining, осуществляющей учет и прогнозирование эффективности работы сотрудников на основе анализа цифрового следа, с использованием методов машинного обучения.

— Как у вас возник интерес к Process Mining?

В последнее время анализ «цифрового следа» сотрудников становится все более популярным подходом. Информацию об их действиях при выполнении работы можно изучать с различными целями. С переходом многих на режим удаленной работы оставляемых «следов» стало больше: цифровизировались процессы взаимодействия, которые раньше отследить было невозможно. Появляется возможность проанализировать все, что касается сотрудников компании, включая коммуникации, навыки, эффективность работы. По результатам можно принимать решения, направленные на повышение эффективности процессов, и это в целом повышает возможности цифровой трансформации компаний.

Разумеется, речь идет не только о сокращении кадров или выводе части задач на аутсорсинг с целью снижения издержек. Для любой компании не менее важно бороться с перегрузками сотрудников и предотвращать их выгорание, а также выявлять ценных специалистов, склонных к увольнению.

В Boston Consulting Group даже создали методологию BioTag, рассказывающую о том, как «правильно» внедрять анализ цифрового следа сотрудников внутри компании. Их идея разметки данных с помощью бизнес-тегов мне понравилась, и мы потихоньку к ней идем. Это поможет в оцифровке действий сотрудников, в структурировании и оптимизации их деятельности.

— Что в вашем понимании представляет собой цифровой след сотрудника?

Это информация о том, чем человек занимался в процессе работы, — любые его действия, оставившие цифровой отпечаток, и, что крайне важно, с обязательной привязкой ко времени. Конечно, это не цифровой двойник человека, ведь мы рассматриваем его однобоко — лишь с профессиональной точки зрения, но это отпечаток его присутствия в каждый момент времени. Это могут быть записи звонков диспетчеров по рабочим вопросам, текстовые сообщения, а также сведения о событиях, вносимые в информационные системы. В рамках данного проекта очень важно собрать полноценную картину того, чем человек занимается в течение рабочего времени.

— С чего решили начать?

У МТС есть огромное сетевое хозяйство, в обслуживании которого занято около 10 тыс. человек. Естественно, что периодически приходится заниматься оптимизацией технического блока, такие меры инициирует HR-служба в рамках программ автоматизации. Цель — оптимизация зарплатного фонда.

Вероятно, ситуация знакома многим: у директора в подчинении несколько сотен человек, и к нему приходит требование о сокращении 10% сотрудников. Руководитель в ответ заявляет, что у него и без того дефицит кадров, все сотрудники перегружены и для нормальной работы требуется увеличить штат еще на 20%. В этом случае для прояснения реальной картины требуются весомые аргументы, и предоставить их может лишь комплексный анализ работ, проводимых специалистами. Они заносят в информационные системы данные по инцидентам и работам разного вида по обслуживанию сети; обсуждают проблемы по почте; ведут задачи в Jira. Чтобы получить комплексную картину их труда, эти данные нужно объединить. При этом каждый источник довольно объемный, а его бизнес-логика сложна и специфична для каждого подразделения.

Ранее руководителям приходилось пользоваться электронными таблицами, используя такие термины, как годовой объем работ и среднее время решения инцидента, и вычислять потребность в сотрудниках. Этот подход уходит в прошлое, такие оценки субъективны и для внешних экспертов выглядят неубедительно. На смену ему приходят более серьезные, научные методы.

— Как пришла идея, от кого она исходила?

Моя компетенция заключается в том, что я внедряю машинное обучение в технические процессы, ищу конкретные места, где автоматизация может помочь заработать или сэкономить. Ко мне обратились директора департаментов технического блока, занимающиеся обслуживанием радиосети, транспортной сети, коммутационной сети. Им требовалось получить реальную оценку эффективности труда работников. Разумеется, это важно не только для «защиты от HR», но и для повышения собственной эффективности. У каждого подразделения своя механика работы, и она сильно зависит от предметной области. На первом этапе требовалось обеспечить полную прозрачность действий сотрудников.

Перманентный вопрос о необходимости обоснованной и ясной картины по загруженности персонала и оценке его работы волнует всех. Между тем уже достаточно давно консультанты провели аудит, по результатам которого появились зародыши методик расчета эффективности. Мы эту методику развили в программное решение.

— Что было сделано?

Нам удалось создать систему анализа эффективности работы сотрудников. На основе всех источников создается единая витрина данных, и по данным из нее рассчитываются коэффициенты эффективности. Эти коэффициенты учитывают такие факторы, как утилизация рабочего времени, успешность и своевременность выполнения задач, сложность задач и их критичность для работы сети. Система по прогнозированию и учету эффективности в данный момент находится в опытной эксплуатации.

Далее в процесс вступают механизмы машинного обучения — несколько аналитических модулей. Например, с их помощью мы будем прогнозировать перегрузки и выгорание сотрудников, планировать обучение, создавать кадровый резерв и формировать профиль увольняющихся сотрудников для принятия заблаговременных мер по их удержанию.

На базе этого возможно реализовать вполне конкретные решения. Скажем, в конце года по ряду причин загрузка некоторых сотрудников сильно возрастает по сравнению с началом года. Возможно, в этом случае оправданно привлечение аутсорсинга. Помимо этого, выявляются функции, которые можно автоматизировать. Например, глядя на график использования рабочего времени сотрудников подразделения, можно обратить внимание на то, что существенную долю времени (например, 40%) они тратят на диспетчеризацию поступающих заявок и выявление причин инцидента. С помощью модели машинного обучения и анализа естественного языка из переписок, систем управления задачами и комментариев к инцидентам можно создать ассистента (систему-советчик на основе машинного обучения), способного помогать в определении причин инцидента и даже самостоятельно отправлять сообщения другим специалистам. Так можно сократить число людей, работающих на диспетчерских линиях, и экономить операционные расходы.

Еще один пример возможного развития системы анализа цифрового следа: для ряда инцидентов, связанных с сетью, можно реализовать функционал прогнозирования — система автоматически сможет заводить заявку в системы и инициировать работы по предотвращению инцидента.

— Какие пути решения задачи были выбраны?

Для этих целей сформировано отдельное озеро данных, которое в дальнейшем консолидируется с единым озером данных компании. Оно было реализовано в собственной пилотной зоне. Мы создали прототипы моделей и витрин, после чего это средство будет масштабироваться с использованием промышленных решений.

— Какие данные использовались? Как принималось решение о выборе источников?

Какие данные потребуются, стало понятно далеко не сразу. Более того, до сих пор появляются потребности в новых источниках.

Конечно, основными источниками данных стали информационные системы, в которых работают сотрудники. Наиболее распространенные решения для управления операционными процессами и обработки инцидентов (такие как BMC Remedy Service Desk и Oracle Siebel) — монструозные системы, существующие в телеком-компаниях более 10 лет. Они огромны, в них сделано множество доработок, и довольно сложно оценить, что именно оттуда брать и как это сделать. В зависимости от специфики подразделений, требуется соответствующим образом обогащать собранные данные, ведь перед нами стоит задача восстановить 100% рабочего времени сотрудника — лишь так можно оценить его эффективность. Если это будет 50–60%, то это мало что даст.

В течение нескольких месяцев я проводил аудит работы подразделений и узнавал, как именно работают сотрудники. Благодаря этому сейчас наш мониторинг охватывает около 99% их действий. При дальнейшем масштабировании системы внутри компании и для внешних заказчиков, конечно же, потребуется добавлять новые источники.

Мы специальным образом готовили данные, чтобы вывести коэффициент сложности работы сотрудника — это влияет на его показатель эффективности. Учитывали довольно много параметров, проделали огромную работу по структурированию данных из существующих регламентов — то есть оцифровывали неструктурированные данные. На их базе создавали методики расчета эффективности сотрудника. Мы выводим показатель того, насколько сложными являются те или иные виды работ, выполняемых сотрудником, определяем внутренний грейд сотрудника — насколько он авторитетен в подразделении. Эти подходы, наравне с методикой BCG, позволяют получать больше знаний из имеющихся данных.

— Какие технические решения применяются? И почему именно они?

Изначально прототип делали на решениях open source: СУБД PostgreSQL, скрипты на SQL, модели на Python — я являюсь сторонником открытых платформ. В качестве инструмента визуализации используем Power BI.

Однако по мере подключения к системе различных подразделений рано или поздно встанет вопрос масштабирования. Это предусматривает создание более масштабного озера и инструментов управления, включая глоссарий данных. В качестве системы управления данными планируем использовать Informatica — у нас уже есть опыт применения этого решения. На первом этапе мы опробовали интеграционную платформу, далее потребуются бизнес-глоссарий и каталог метаданных.

Система подразумевает подключение более десятка подразделений, и для этого нужен глоссарий для описания данных, методик расчета показателей, различных сущностей (инцидентов, плановых работ, проектных задач, записей звонков, почтовых сообщений), с которыми работают подразделения. Все это требует оцифровки, а на дальнейших стадиях станет необходимым звеном.

Кроме того, при появлении источников неструктурированных данных понадобится переход на платформу Hadoop — реляционной СУБД обойтись уже не удастся.

— Как решается вопрос качества данных?

Разумеется, качество данных в источниках далеко от 100%. Но даже если данные находятся в местах, которые принято называть «болотом», их качество приходится улучшать постфактум — можно их очищать и обогащать. Часто данных не хватает, и тогда мы создаем в источниках новые поля, позволяющие проследить, например, траекторию изменения инцидента в системе. В работах над серьезными инцидентами принимают участие много исполнителей, и лишь с помощью новых полей в базах данных, в которые выгружается информация с оборудования, удается проследить их цифровой след.

Кроме того, применяя искусственный интеллект, мы боремся с аномалиями в данных и нормализуем их. Переписываем много унаследованных систем, чтобы они выгружали данные в нужном нам виде.

Довольно долго проработав с предприятиями реального сектора, я могу констатировать, что в телекоме ситуация с данными гораздо лучше, чем в других индустриях, за счет хорошей инфраструктуры и возможности сбора практически любых данных. Этому уделяется много внимания. И этот опыт мы также можем транслировать как провайдер цифровых услуг для других отраслей непрерывной промышленности. Например, еще один недавний проект нашей команды — цифровизация цеха производства удобрений в компании «Уралхим».

— В чем заключалась самая большая проблема?

В большой компании процессы достаточно бюрократичны и инертны. Но с этим, вероятно, сталкиваются все.

Серьезным вызовом стали неоднородность данных и необходимость создания глоссария, который позволил бы их упорядочить, обеспечив правильное масштабирование проекта. Подразделения очень разнородные, они работают с разными сущностями: кто-то работает за компьютером, а кто-то ездит по базовым станциям и заводит там дизельные генераторы. Их работу надо привести к общему знаменателю и масштабировать. С одной стороны, для этого необходим высокий уровень абстракции, чтобы подводить под логику работы системы функционирование многих подразделений (может быть, даже нетехнических), а с другой — требуется учесть специфику работы каждого подразделения, которая часто уникальна.

— Какие результаты проекта вы сами считаете ключевыми?

Результаты внедрения новой методологии и реализации модулей машинного обучения, апробированных в ряде подразделений компании, показали прирост эффективности работы сотрудников от 5% до 15%. Обслуживанием сетевой инфраструктуры у крупных операторов занимаются десятки тысяч человек, поэтому эффект от масштабирования подобной практики как у телеком-компаний, так и у других промышленных компаний (например, из отраслей сырьевой промышленности) получается значительный — это сотни миллионов рублей.

Достижение четкого экономического эффекта, выражающегося в конкретных «живых» деньгах, было нашей тактической целью. Повысить качество работы сети — это хорошо, но оно не дает прямой и немедленной финансовой отдачи. А вот автоматизация рутинных функций с помощью математической модели — совсем другое дело: компания перестает нести расходы на их выполнение. Персонал может быть или сокращен, или перенаправлен на решение задач, действительно требующих участия людей.

Со стратегической точки зрения это очень важный инструмент для дальнейшего измерения эффекта от цифровизации и для осознания наиболее перспективных направлений для нее. Понимая, на что тратят время сотрудники и какие действия выполняют, мы совершенно точно можем посчитать эффект от автоматизации любой функции. Это действительно очень важно, потому что до сих пор такой эффект было очень проблематично посчитать, чтобы оценить целесообразность проекта.

— Как именно происходит выявление функций для роботизации?

Мой подход включает несколько составляющих. Во-первых, необходим комплексный аудит того, что происходит. Приходится «идти в поле», тесно общаться с людьми, узнавать, что их волнует. Внутри технического блока у меня есть большие рабочие группы таких «следователей», приносящих пул конкретных инициатив. Другое дело, что результаты этих инициатив сложно рассчитать в деньгах.

Например, сотрудник просит разработать решение, способное оценить реальное время простоя базовой станции, и убеждает, что это «очень нужно для работы». Но где здесь экономический эффект? Да, прислушиваться к пожеланию специалистов необходимо, но еще важнее проследить цепочку изменений, приводящую к измеримому эффекту — сокращению простоя станции, увеличению трафика, повышению производительности сотрудников.

— Какие процессы в первую очередь будут замещаться искусственным интеллектом?

Моя область — машинное обучение, как классическое, так и глубокое (связанное с анализом текстов). В каждом из направлений у меня есть набор областей, где можно найти эффект. В классическом машинном обучении это выявление инсайтов, где можно, прогнозируя события, добиться автоматизации конкретной функции. Сюда относятся, скажем, предиктивные ремонты, направленные на предотвращение инцидентов. В случае с анализом текстов следует найти задачи, где задействована лишь одна когнитивная функция — например, принятие решений на основе текстового сообщения.

— Что дальше? Какими вы видите дальнейшие направления развития проекта?

Важным шагом станет добавление неструктурированных данных и развитие проекта от классического машинного обучения в сторону глубокого обучения. Одна из идей — создать аналог алгоритма обработки естественного языка GPT-3, выпущенного OpenAI, который может, проанализировав произведения, писать стихи, музыку и даже программный код.

В нашем случае цель такой модели может заключаться в анализе экспертной информации диспетчеров. Тогда в нашем распоряжении окажется инструмент, который сможет проанализировать труд диспетчеров и стать единым ассистентом для них. Очевидно, что он будет применим и для других компаний, в том числе для непрерывных производств.

Объединение технических гуру и руководителей бизнеса, получившее название BizOps Coalition, ставит своей целью наметить пути преодоления разрыва между инвестициями в технологии и бизнес-результатами. Решить этот вопрос призвана предложенная ими инициатива BizOps Manifesto.

Манифест, опубликованный BizOps Coalition 13 октября, содержит 14 руководящих принципов, которые должны помочь компаниям достичь нужных результатов от проектов цифровизации.

В BizOps Manifesto отражены следующие основные принципы:

— Показателем эффективности реализации инициатив цифровой трансформации являются бизнес-результаты.

— Руководство бизнеса должно принимать обоснованные решения о технологических инвестициях, которые способствовали бы деловому росту, улучшали клиентский опыт, повышали степень вовлеченности сотрудников и максимизировали прибыль.

— Требования необходимо менять часто в зависимости от меняющихся рынка, клиентов и требований бизнеса. Изменения приветствуются даже после начала разработки программного обеспечения.

— Путь к укреплению доверия и уважения лежит через прозрачность, взаимодействие, значимые измерения и общие цели.

Манифест подчеркивает важность «усиления» цифровых решений с использованием средств искусственного интеллекта и машинного обучения, а также повышение качества на каждом этапе процесса создания ценностей цифрового предприятия. Еще одной провозглашенной в манифесте целью является создание инструментов для объединения разобщенных данных и их последующего анализа.

Разрыв между ИТ-организациями и бизнес-подразделениями влечет за собой существенные финансовые потери. Слишком много проектов цифровой трансформации не отвечают провозглашаемым целям, а новые проекты ежедневно запускаются без четкого плана, который гарантировал бы их успех.

Авторы манифеста намерены развивать идеологические основы своих принципов, предоставлять образовательные услуги и делиться передовым опытом разработки и эксплуатации цифровых решений. Те, кто хотят присоединиться к проекту, могут самостоятельно зарегистрироваться на сайте проекта. Принять участие в проекте может любой желающий. В особенности инициаторов проекта интересует вовлечение в него разработчиков программных средств, в том числе, в области DevSecOps.

Стилистика и само название BizOps Manifesto явно адресуется ко временам создания в 2001 году манифеста Agile Manifesto, в котором были закреплены основные принципы гибкой разработки программного обеспечения. По аналогии с тем, как agile-идеология изменило процесс разработки программного обеспечения, BizOps Coalition рассчитывает, что BizOps Manifesto поможет осуществить необходимые культурные сдвиги в процессе цифровой трансформации.

Многие называют роботизацию «костылями», заменяющими полноценную интеграцию систем. Однако, как согласились участники практической конференции «Роботизация бизнес-процессов 2020», организованной издательством «Открытые системы», эти костыли свое место в компаниях найдут и на этой земле след оставят. (Больше о конференции RPA 2020 см. в статьях «RPA 2020: Время роботов наступило» и «RPA 2020: О чем говорят платформы».)

В ходе секции «Опыт», посвященной практике использования систем роботизации, можно выделить несколько ключевых тенденций. Во-первых, компании скорее ориентируются на формирование внутренних компетенций, чем на привлечение услуг интеграторов. Во-вторых, все без исключения признают, что проект роботизации зависит от бизнеса больше, чем от ИТ. И наконец, компетенции в области RPA настолько востребованы на рынке, что очень многие задумываются об их монетизации.

Роботы в экосистеме делового туризма

Юлия Липатова: «Все клиенты бьются за стоимость услуги, но немногие осознают, сколько стоит время сотрудников, организующих командировку»

«Клиенты сами заставили нас думать о роботизации еще до того, как это стало мейнстримом, внедряя SLA – то, что заставляет поставщика сервиса работать быстрее», — заявила Юлия Липатова, генеральный директор агентства делового туризма «Аэроклуб».

Одним из значимых этапов роботизации внутренних процессов стала оптимизация процессов бухгалтерского и налогового учета, управления финансовыми потоками и расчетами с контрагентами, а также регламентированной и управленческой отчетности. В результате удалось роботизировать почти половину всех рутинных операций, а созданная экосистема позволяет на каждой командировке сэкономить до 90 минут рабочего времени. Как отметила Липатова, все клиенты бьются за стоимость услуги, но немногие осознают, сколько стоит время сотрудников, организующих командировку – на это уходят огромные ресурсы.

Не менее важной возможностью, предоставляемой с помощью роботизированных инструментов, стало управление тревел-бюджетом компании. Более того, перевод взаимодействия с клиентами в онлайн и его роботизация привели к тому, что компании начали экономить 10-15% бюджета только за счет того, что их сотрудники более осознанного подходят к выбору опций своих перелетов.

Компетенции ценой набитых шишек

«Важно помнить, что роботизация – это не ИТ-проект, и успех будет полностью зависеть от руководителей роботизируемых подразделений», — подчеркнул Артем Африкян, директор кластера Robotics компании JSA Group, дочернего предприятия «Металлоинвеста». Он поделился уроками, полученными в ходе реализации проекта, резюмировав: «Хорошо, что решили заниматься этим самостоятельно, хотя шишек и набили».

Артем Африкян: «Важно помнить, что роботизация – это не ИТ-проект, и успех будет полностью зависеть от руководителей роботизируемых подразделений»

Примерно год назад в «Металлоинвесте» было решено развиваться в направлении роботизации. Как обычно, пришлось принимать решение: ориентироваться на внутренние ресурсы, которых тогда еще практически не было, или привлекать интеграторов. В итоге стало понятно, что работа с интеграторами обещает быть очень плотной и обойдется довольно дорого. В итоге было принято решение развивать собственные компетенции, попутно создавая команду, готовую заниматься разработкой и поддержкой систем.

По словам Африкяна, благодаря программным роботам удается на 70% сократить долю рутинных операций, разгрузив сотрудников для выполнения более творческой работы. При этом уже в первый месяц деятельности робота проявляются его явные преимущества по сравнению с ручными рутинными процессами: ускоряется процесс обработки обращений в два с половиной — три раза при повышенном качестве обработки. В среднем один робот позволяет на 38-40% сократить время, затрачиваемое на взаимодействие между исполнителями.

Роль бизнеса неоценима

В «Евразийской группе» также не стали нанимать интеграторов при построении своей группировки роботов. По признанию Данияра Кульманова, начальника отдела тестирования, RPA и ALM-систем компании Business&Technology Services, входящей в состав «Евразийской группы», первые роботы делались долго и больно, часто ломались, но за два года подразделению удалось пройти путь от никому не известного отдела до направления, которое ценится на уровне топ-менеджмента.

«Нужно пытаться использовать собственные решения, если это возможно. Покупать все подряд не стоит», — рекомендовал Кульманов. Первые попытки роботизации были начаты в 2017 году с помощью инструментов категории Open Source. Впоследствии для ряда задач все-таки пришлось приобрести коммерческую платформу, которая используется для оперативного решения сложных задач, и сейчас используется комбинация этих подходов.

Особенностью любого промышленного предприятия является обилие людей в цехах. У большинства таких «работяг» нет компьютеров, но это не значит, что нет рутинных процессов или потребности в оперативном вводе данных. Из-за этого параллельно c RPA занялись чатботами – при наличии мобильного телефона это позволяет реализовать концепцию «SAP в кармане».

«Важно, чтобы большинство сотрудников понимало суть роботизации и могло подать идею для оптимизации процесса или даже самостоятельно применить свои знания при разработке робота», — отметил Кульманов. Роль бизнес-специалистов в реализации подобных проектов неоценима: ни один робот не запускался, пока не перешли от традиционных проектных методик к Agile, включив в продуктовые команды бизнес-заказчика.

Сейчас в «Евразийской группе» перешли к проактивному поиску процессов для роботизации. С этой целью создаются команды «детективов», которые проводят собственные расследования и занимаются определенным направлением, глубоко анализируя процессы. Например, сейчас они занимаются закупочной деятельностью.

Фабрика роботизации в РЖД

«Мы ожидаем очень существенный экономический эффект от роботизации процессов – речь идет о миллиардах рублей ежегодно», — заявил Дмитрий Жиденко, заместитель генерального директора и руководитель проектного офиса «РЖД-Технологии». Сейчас проект, который считается в РЖД пилотным, реализуется в рамках ИТ-подразделения – роботизируются рутинные операции Главного вычислительного центра, а число роботов на отечественной платформе Robin составляет несколько сотен. В рамках этого пилотного этапа отлаживается методология и инфраструктура, а со следующего года производство роботов будет увеличено в несколько раз и охватит другие направления.

Дмитрий Жиденко: «Мы ожидаем очень существенный экономический эффект от роботизации процессов – речь идет о миллиардах рублей ежегодно»

«С точки зрения функциональной применимости мы видим эту технологию абсолютно везде: не только в бухгалтерии, кадровой и финансовой службе, но и в основных подразделениях – например, дирекции инфраструктуры, занимающейся обслуживанием путей», — подчеркнул Жиденко. По его признанию, роботы привлекательны тем, что несут явный экономический эффект, причем это быстро окупаемые проекты. В программе цифровой трансформации РЖД есть проекты с окупаемостью более пяти лет, поэтому технологии RPA стали очень приятной частью портфеля цифровых проектов. При этом самый большой эффект заключается не в сокращении персонала, а в ускорении процессов и их стандартизации.

По мнению Жиденко, при массовом производстве необходим конвейер роботов, включающий их полный жизненный цикл – от отбора идей и подачи заявок до ввода в эксплуатацию. Без него быстро создавать роботов не получится. Например, в РЖД заявки на создание роботов проходят через систему Service Desk, в рамках которой каждый сотрудник, номинирующий свой процесс на роботизацию, заносит данные, необходимые для расчета его потенциального экономического эффекта.

В ближайших планах РЖД – интеграция со смежными технологиями: голосовыми помощниками и чатботами. Второе важное направление – экспансия вовне. Созданные роботы уже переносятся в облако, и далее планируется их вывод на внешний рынок.

Роботы руками бизнеса

«Зачем нам нужен RPA? Мы стараемся быть быстрыми – скорость для нас крайне важна, мы уже не в роли догоняющих, а сами формируем тренды на рынке», — обозначил задачи своей компании Дмитрий Гражданкин, руководитель направления сервиса информационных технологий в компании Tele2. Он рассказал историю создания сервиса самообслуживания, при помощи которого бизнес-подразделения самостоятельно разрабатывают роботов.

Дмитрий Гражданкин: «Зачем нам нужен RPA? Мы стараемся быть быстрыми – скорость для нас крайне важна, мы уже не в роли догоняющих, а сами формируем тренды на рынке»

Вариант разработки роботов для бизнеса мало устраивал, ведь у ИТ просто не хватило бы ресурсов на выполнение всех запросов бизнеса. Как известно, бизнес не любит задержек при воплощении в жизнь своих идей. В этом случае правильнее не увеличивать штат разработчиков, а предоставить бизнес-пользователям инструмент для самостоятельного создания роботов, решающих актуальные производственные задачи. Выходом стало создание локальных центров компетенций – подход, который рассматривается многими как будущее роботизации. Конечно, это требовало затрат на обучение персонала, но зато каждое направление смогло самостоятельно расставлять приоритеты, влиять на скорость создания роботов и обеспечивать высокую скорость реакции. Внутри ИТ разрабатываются только очень сложные роботы, которые бизнес-пользователям написать не под силу. Кроме того, ИТ выполняет менторскую функцию, занимается поддержкой и развитием платформы.

«Этот проект стал знаковым для ИТ-департамента – мы сами придумали этот проект и принесли роботизацию бизнесу как готовый сервис», — заявил Гражданкин. Именно поэтому было решено ориентироваться на коммерческие решения: в этом случае важна универсальная платформа, которая позволит предоставить RPA как сервис.

Сейчас в Tele2 создано шесть внешних команд, для которых было обучено 70 человек. На уже созданных в бизнес-подразделениях роботах достигнута годовая экономия 35 млн руб., и еще 27 млн ожидается сэкономить на роботах, созданных до конца этого года. Более того, в долгосрочной перспективе планируется монетизировать созданное решение, используя его не только для внутренних нужд.

Роботизация – это не будущее, а настоящее

«Время роботов уже наступило, для нас их разработка стала рутиной», — констатировал Михаил Верисов, руководитель центра компетенций RPA и инноваций «ММК-Информсервис». Центр компетенций RPA в ММК стартовал в 2018 году с трех человек, реализовавших рискованный пилотный проект в бизнес-процессе, связанном с учетом и оплатой сырья. Это очень сложный процесс, охватывающий несколько подразделений и десяток информационных систем. Параллельно с этим пилотом стартовал масштабный проект с привлечением консультантов по выявлению процессов, пригодных для роботизации, на базе которого была сформирована программа роботизации на ближайший год.

Сейчас в группе ММК работают более 100 «полноценных» роботов, полностью охватывающих какой-либо бизнес-процесс. Одной из особенностей реализуемого подхода является то, что роботы позиционируются не как конкуренты для людей, а как их помощники.

«Мы живем с роботами и постоянно взаимодействуем. Они растут и умнеют: маленькие и простые превращаются в больших и эффективных», — сказал Верисов.

Во многом благодаря этому сейчас бизнес полностью вовлечен в процесс роботизации. Предприятие прошло все классические стадии, с которыми приходится сталкиваться при внедрении новых технологий – от полного отторжения до полной лояльности. Как это часто бывает, те, кто больше всех сопротивлялся, теперь стали главными союзниками и предлагают новые идеи по оптимизации процессов с помощью роботов. Важна непрерывная обратная связь от пользователей, помогающая повышать эффективность системы.

За пару лет центр компетенций вырос до нескольких десятков человек, а его услуги также начали предлагаться на внешнем рынке, превратив его в успешное бизнес-направление.

Предприятиям нужна культурная трансформация, причем не только в рамках ИТ, но и в масштабах всей организации. Только так удастся не противостоять друг другу, а тянуть воз в одном направлении, добиваясь результатов в повышении эффективности. В рамках форума ITMF 2020, проведенного издательством «Открытые системы», вопросам именно таких корпоративных изменений было уделено очень много внимания. (Подробнее о форуме читайте в статьях «ITMF 2020: Цифровая трансформация ИТ становится актуальной тенденцией» и «Управление «новыми ИТ»: меньше общения, выше скорость, больше данных».)

Наибольший интерес вызвало выступление Леонида Новожилова, директора по развитию цифровых технологий «Ростелекома», рассказавшего о переходе от матричной модели управления ИТ к собственной, плоской модели Karma Framework. Она подразумевает,  что,  помимо традиционных ценностей  —  эффективности, гибкости, самоорганизации и  т.п.,  важна и эмоциональная составляющая отношений между ИТ и бизнесом.

Леонид Новожилов: «Лояльность бизнес-заказчиков для нас важнее любых KPI. Забота о них имеет гораздо большее значение, чем  выполнение  формальных  метрик,  и дает гораздо больше»

«Лояльность бизнес-заказчиков для нас важнее любых KPI. Забота о них имеет гораздо большее значение, чем  выполнение  формальных  метрик,  и дает гораздо больше», — подчеркнул Новожилов. Предназначение ИТ-подразделения в компании сформулировано предельно общо и даже философски: быть для бизнеса  лучшей ИТ-командой,  с  которой  ему приходилось работать. Спустя два года трансформационных процессов в компании снизилось давление на ИТ и  сократилось  количество неоправдавшихся ожиданий. ИТ действительно  меняются  к лучшему, и бизнес это видит.

Как отметил Новожилов, хорошая карма дает право на ошибку, а эмоциональное взаимодействие с заказчиками позволяет реагировать на изменения и оперативно менять общую атмосферу. Тем не  менее  Karma Framework  —  это в первую очередь не про отношения с заказчиком и выставление обещаний и ожиданий, а про изменение отношения к делу.

«У нас процесс трансформации безостановочный. Он происходит во  всей  компании, но  ИТ-подразделение  старается лидировать в этом процессе», —  отметил  Алексей Клепиков, вице-президент по ИТ компании «Ингосстрах». Несколько лет назад у бизнеса были претензии к скорости работы ИТ-подразделения, и  эту проблему  стали  решать.  В частности, в результате изменений все показатели ИТ стали доступны в онлайн-режиме, в том числе бизнес-пользователям. Это  стало  лучшей системой мотивации.

Отдельное внимание Клепиков уделил такой теме, как поиск общего языка с бизнес-подразделениями. По его словам, это проблема не только ИТ  —  процесс должен быть двусторонним. «Безграмотность бизнеса надо  “лечить”, необходимо  образовывать коллег. Не только ИТ должны понимать бизнес, но и бизнес должен учиться понимать ИТ, иначе нормального взаимодействия не получится», — уверен Клепиков.

«В отсутствие четких планов с четкими целями на первый план выходит культура работы людей и их способность  к  движению в общем направлении. От этого зависит все остальное», — признал Михаил Петров, директор департамента цифровой трансформации Счетной палаты РФ. Отсутствие планов стало общей головной болью: стратегию можно строить только тогда, когда хотя бы примерно известно, что будет происходить через несколько лет, но сейчас  в этом  не  смогут помочь  даже лучшие футурологи. Приходится принимать решения в условиях полной неопределенности, когда компания не знает своего будущего. Как следствие, невозможно выстроить пакет проектов с четко определенными целями, не работает принцип SMART, дает сбои классическое управление проектами.

Михаил Петров: «В отсутствие четких планов с четкими целями на первый план выходит культура работы людей и их способность  к  движению в общем направлении»

По словам Петрова, сейчас культура управления ИТ находится в сложной ситуации: с одной стороны, есть классический багаж стандартов по управлению сервисами,  а  с другой  —  новые методы управления, способные  привести к полной неразберихе  в  работе ИТ.  Например, в Счетной палате используется «адская смесь Agile и проектного управления»: из проектного управления пытаются удалить все лишние бюрократические процедуры. Тем не  менее  определенных успехов  удалось достичь:  построена гибкая матричная структура, с помощью которой  можно  очень быстро прототипировать и тестировать решения под потребности бизнес-заказчиков.

На цифровом языке

Подходы, используемые в ИТ, все чаще применяются к  остальным — не ИТ-сервисам.  «Цифровая трансформация именно об этом: мы начинаем говорить с бизнесом на языке цифровых сервисов, преобразуя бизнес-процессы», — заявил Андрей Косыгин, ведущий архитектор решений Micro Focus.

Что же еще можно организовать по тем же принципам, которые всем хорошо знакомы? В первую  очередь  это кадровая служба и административно-хозяйственный отдел, юридический отдел, отдел качества и маркетинг. Совершенно не важно, запрашивает пользователь доступ к системе или справку 2-НДФЛ, сломалась мышка или перегорела лампочка, требуется согласование документа или пользователь на сайте банка пишет гневное письмо о работе розничного отдела. Принципы обработки этих запросов схожи. Да и работа основных бизнес-процессов вполне может быть организована по тем же принципам. Это шанс повысить зрелость процессов и повысить их связность.

Косыгин рассказал, как в ходе проекта по автоматизации ИТ-процессов на одном из металлургических  предприятий  кадровая служба, увидев промежуточные результаты, заявила, что «хочет так же». Очень многие, оценив реальную эффективность ИТ, начинают примерять аналогичные подходы на свои возможности и задачи.

Скорость становится ключевым требованием  data-driven-бизнеса.  По словам Романа Шемпеля, эксперта в аналитических решениях и решениях по управлению данными IBM Russia, перед ИТ  стоят  две  ключевые  задачи: предоставлять данные как можно быстрее и  добиться того,  чтобы все бизнес-пользователи были довольны. И здесь на помощь приходит подход DataOps, являющийся следующим этапом развития «озер данных». Как полагает  Шемпель,  в ходе своего развития любая компания все равно придет к DataOps, потому что реализация  сформулированных  бизнесом задач в отсутствие подходящего инструмента происходит очень долго и может занять несколько месяцев.

«Людям всегда не хватало инструментов для реализации своих идей. И лишь в эпоху цифровизации многие технологии по скорости развития стали приближаться к человеческой мысли. Это дает возможность  “переизобрести”  многие привычные подходы к управлению. Это и есть цифровая трансформация», — отметил Никита Кардашин, руководитель отдела развития интеллектуальных систем Naumen.

Никита Кардашин: «Лишь в эпоху цифровизации многие технологии по скорости развития стали приближаться к человеческой мысли. Это дает возможность  “переизобрести”  многие привычные подходы к управлению. Это и есть цифровая трансформация»

Например, «360 градусов»  —  подход, известный из работы с  клиентами  и подразумевающий всеобъемлющий взгляд на объекты. Вполне  возможно  применить его и к ИТ-сервисам, и к остальным процессам, повышая их ценность для бизнеса. Сами процессы также должны стать другими, поскольку в них вовлечено множество участников на разных уровнях. Они перестают быть иерархическими и становятся самоорганизующимися сущностями, в которых сами участники зачастую определяют правила.

Вынужденный стресс-тест, который прошли в этом году ИТ-системы всех организаций, показал, что без реальных изменений в ИТ-службах цифровая трансформация рискует остаться абстракцией. Не случайно одна из основных сессий ежегодного форума IT Management Forum, организованного издательством «Открытые системы», была целиком посвящена практике трансформации управления сервисами в цифровой организации. (Подробнее о форуме читайте в статьях «ITMF 2020: Цифровая трансформация ИТ становится актуальной тенденцией» и «Культурное сближение: без чего невозможна трансформация».)

«Удаленка» остается

Лидер внутренних проектов по улучшению качества ИТ-услуг «Банка Зенит» Наталья Погорелова-Триппель рассказала, как меняются подходы к управлению и инструменты ИТ-службы для обеспечения работы из дома, на каких задачах должен фокусироваться департамент ИТ в этих условиях, а также поделилась планами улучшения управления ИТ-услугами в «новой реальности». «В сложившейся обстановке удаленная работа уже никуда не денется, — уверена она, — и крайне важно своевременно рассказывать пользователям о происходящих изменениях».

Наталья Погорелова-Триппель: «Удаленная работа уже никуда не денется»

Переводя сотрудников на удаленную работу, в «Банке Зенит» в первую очередь начали упрощать интерфейсы системы документооборота, оптимизировать процессы и повышать производительность. При этом фокус сместился на офисные приложения, которые раньше мало использовались. Так, деловые коммуникации сконцентрировались на платформе Microsoft Teams и в корпоративной соцсети Yammer. Также в практику ввели онлайн-обучение работе с самыми востребованными банковскими приложениями. Кроме того, пришлось уделить особое внимание отчетности, поскольку при дистанционной работе резко возросла важность контроля деятельности сотрудников.

Сейчас в банке занимаются развитием внутренних ИТ-процессов, объединяют ранее созданные сервисы и порталы, одновременно перерабатывая их интерфейсы, выстраивают систему онлайн-бронирования рабочих мест в связи с отказом банка от части офисов, а также готовятся запустить направление роботизации бизнес-процессов.

Минимальное общение

Первым опытом трансформации работы ИТ-поддержки и ее результатами поделились сотрудники «Лаборатории Касперского». Они рассказали о внедрении порталов самообслуживания, новых каналов обращений в поддержку, вендоматов, а также об интеграции системы мониторинга и системы заявок.

Заготовка простых форм для сбора первичной информации от пользователей IT Service Desk позволила сэкономить две ставки в ИТ-поддержке и вдвое сократить время ожидания выполнения заявок. Посредством интеграции системы мониторинга и ITSM-системы были автоматизированы рутинные действия дежурного системного администратора, благодаря чему среднее время первичной обработки запросов уменьшилось в два раза еще на этапе пилотирования проекта.

В службе ИТ-поддержки компании заняты 80 сотрудников, которые обрабатывают 2,5 тыс. запросов и и более 7 тыс. инцидентов в неделю.

«Пользователи хотят двух вещей: иметь большую красную кнопку 'Сделать' и ограничить время общения с сотрудниками техподдержки», — отметил Денис Волошин, руководитель отдела экспертной ИТ-поддержки «Лаборатории».

Движение к этой мечте происходит сразу по нескольким направлениям. Пользователям предоставили инструмент, позволяющий им самостоятельно разрешать часть простых инцидентов за 10–15 мин. Раньше время на регистрацию запросов и ожидание в очереди достигало 3 часов. Два вендомата выдают пользователям около 1,5 тыс. устройств в месяц — это более 70% всей мелкой техники и аксессуаров, выдаваемых службой поддержки.

Сегодня в компании формируют модуль машинного обучения для обработки неформализованных запросов пользователей, который будет интегрирован с ITSM-системой.

Максимальная скорость

Максимальная cкорость — приоритет в реализации проекта внедрения ITSM-системы, который сегодня близится к завершению в Государственной транспортной лизинговой компании.

«Быстро и с минимальными затратами внедрить продукт — вот что для нас было важнее всего», — сообщил Антон Жиряк, начальник управления автоматизированных информационных систем ДИТ ГТЛК.

Поскольку быстро кастомизировать предлагаемые на рынке решения невозможно, в компании искали отечественное коробочное решение, в котором уже реализован необходимый процессный подход, а также вендора с максимальным уровнем поддержки и экспертизы. В итоге выбор остановили на Naumen Service Desk Pro.

«Мы хотели использовать лучшие практики, а не пытаться сконфигурировать коробочное решение под себя», — пояснил Жиряк. Вместо долгого проектирования решения в компании сконцентрировались на приобретении навыков самостоятельной работы с ним и теперь уже могут настраивать процессы без привлечения подрядчика. Важным компонентом внедрения стало внутреннее обучение. Сотрудники ДИТ даже задерживались для этого после работы, понимая что внедрение системы позволит им в дальнейшем решать задачи намного быстрее, чем сейчас. Внедрение системы поддержки для 430 получателей ИТ-услуг заняло три месяца, причем половина этого срока была отведена опытной эксплуатации. В результате удалось минимизировать затраты времени сотрудников ДИТ.

«Несмотря на то что проект еще не завершен, уже сейчас мы видим ускорение обработки заявок за сутки», — отметил Жиряк.

Данные для трансформации

«Самое ценное в компании — ее данные, и эту ценность необходимо защищать», — напомнил Ингус Хомка, ведущий архитектор ИКТ-решений компании Tet. Ведь взломать можно любую систему, имея мотивацию и деньги.

«Количество атак стабильно растет каждый год, и свыше 90% из них направлены на финансово-банковские структуры, провайдеров разного рода интернет-сервисов и страховщиков. Между тем более половины компаний не имеют стратегии восстановления своих ИТ-систем после сбоев. Это страшные цифры», — отметил Хомка. И даже те, кто заинтересован в появлении такой стратегии, зачастую не хотят платить за ее реализацию.

Максим Афонасьев: «Трансформация бизнеса невозможна без трансформации ИТ-подразделения»

Другой аспект в отношении важности информационного обеспечения бизнеса затронул Сергей Довгань, технический директор «СДИ Софт». Как показал опыт, полученный им в ходе реализации двух десятков проектов, технические данные об ИТ-инфраструктуре, которыми, как считается, обладает бизнес, на поверку зачастую оказываются устаревшими, некорректными, неполными и практически всегда — недостаточно детальными. В результате случаются казусы — например, обнаруживается отсутствие сервера, на котором согласно мониторингу произошел инцидент. Границы между технологиями, разными доменами управления часто остаются недокументированными, что при каждой аварии порождает задержки и проблемы с ее устранением.

«Назначение нашей системы 'СДИ Базис' — предоставить удобные интерфейсы для прозрачного документирования технической информации, чтобы соответствующие службы могли централизованно получать достоверные данные об инфраструктуре в своей зоне ответственности и на стыках с соседями», — сообщил Довгань.

«Давайте честно признаемся: реальных примеров трансформации бизнеса не так много, — заявил Максим Афонасьев, директор по развитию Axus Group. — Такая трансформация невозможна без трансформации ИТ-подразделения».

Он обратил внимание слушателей на роль анализа данных в процессе трансформации ИТ. Анализируя информацию о незакрытых заявках по инцидентам в разных ИТ-системах, а также о доле критических сбоев, можно оценить не только эффективность работы инженеров, но и размер денежных потерь из-за временной недоступности внутренних ИТ-сервисов.

Кот в мешке?

Интерес к искусственному интеллекту (ИИ) стремительно растёт: всё больше и больше компаний решаются на внедрение связанных с ним технологий, призванных трансформировать их бизнес к лучшему. Истории успеха, гуляющие по рынку, поддерживают ажиотаж. Однако мало кто находит смелость сказать, что за образом волшебного чёрного ящика, печатающего деньги, скрываются многие проблемы. Производители готовых решений, заинтересованные в продаже своего продукта, равно как и организации-потребители, прошедшие этот путь и теперь отпугивающие своих конкурентов армией умных машин, предпочитают делать акцент на положительных результатах и умалчивать о проблемах. В этих условиях отсутствие у большинства компаний, не прошедших этот путь, глубокого понимания технологии порождает завышенные ожидания, а разочарование может стоить дорого. Со временем, доля таких компаний снижается, а слепой оптимизм заменяется осторожным или даже пессимизмом; опыт открывает глаза на ограниченность применения ИИ и те факторы, которые мешают повсеместному внедрению этой технологии.

Однако мы призываем не терять веры в пользу ИИ, но всё же оценивать перспективы трезво, с «холодной головой». Чтобы помочь разобраться, мы постараемся раскрыть суть проблем, стоящих на пути развития ИИ, и заодно развеять несколько мифов. При этом, под развитием ИИ мы будем понимать не столько совершенствование его «умственных способностей», сколько его проникновение в деятельность организаций.

Лучший друг человека

В последнее время не утихают разговоры о том, что из-за ИИ часть людей потеряет свою работу. Скептики успокаивают, утверждая, что представителям творческих профессий бояться нечего: ИИ не способен создавать что-то новое – нечто, чего он не видел раньше. Разработчики ИИ согласятся, но им известно, что этот аргумент стоит рассматривать несколько шире: на самом деле, любая деятельность содержит элементы творчества, за исключением рутинной, продиктованной строгой инструкцией.

Распознавание лиц или биометрию, например, можно смело отнести к этому классу задач, ведь человек решает эту задачу практически бессознательно, не используя свои аналитические способности; всё, что требуется – наличие в памяти «образцов», с которыми будет осуществляться сравнение видимого образа. Несмотря на технологическую сложность реализации, задачу можно назвать простой ввиду конкретности её формулировки. Монетизация достигается за счёт полной автоматизации этой деятельности.

Аналитические задачи, такие как выявление случаев мошенничества, даются ИИ с большим трудом, так как поведение мошенников регулярно меняется, не говоря уже о том, что само понятие «мошенник» крайне изменчиво, а некоторые сомнительные транзакции могут получить статус мошеннических через долгое время после их совершения. ИИ пока недостаточно умён для того, чтобы самостоятельно ставить собственные решения под сомнения, делать новые гипотезы, проверять их, изменять выборку и затем обучаться заново – активное вмешательство со стороны эксперта в предметной области обязательно. Таким образом, это пример бизнес-процесса, который нельзя отдать целиком во владение ИИ – он может быть лишь помощником для команды профессиональных аналитиков. Монетизация возможна за счёт повышения эффективности работы такой команды.

Искусственный интеллект – помощник человеку, а не вместо человека!

Расходы

Допустим, ваша организация намерена внедрить решение, основанное на ИИ, для автоматизации какого-то бизнес-процесса или помощи в принятии решений. В части доходов всё предельно ясно: сократятся операционные затраты, ошибки, цикл обслуживания и текучесть персонала. Спасибо популяризаторам за эту ясность. Но что с расходами? Реализация такого проекта потребует затрат на приобретение соответствующего оборудования (если, конечно, речь не идёт об облачных сервисах); на приобретение, внедрение и дальнейшее поддержание ПО. Вполне возможно, что текущий «человекоёмкий», теоретически неэффективный процесс окажется выгоднее роботизированного. Но эта мысль, на первый взгляд, кажется абсурдной.

На этом список «абсурдных» статей расходов не заканчивается. Внедрение сложных технологий приведёт к росту (по крайней мере, кратковременному) фонда оплаты труда, так как потребуются высококвалифицированные специалисты, способные поставить технологию «на ноги» и поддерживать её в дальнейшем. Хайп вокруг ИИ и Data Science приводит к росту количества таких специалистов на рынке труда, что увеличивает их доступность, но не стоит забывать о необходимости регулярно обучать их новым технологиям и нюансам предметной области. Опять противоречие: снижение фонда оплаты труда за счёт автоматизации – одна из целей внедрения ИИ; почему мы говорим о его росте?

Следующая проблема касается данных, которых не всегда много, которые не всегда точны и не всегда репрезентативны. Ведь именно наличие таких данных является главным условием работоспособности алгоритмов машинного обучения. Конечно, дефицит данных можно восполнить их приобретением у сторонних организаций или их трудоёмкой добычей руками собственных сотрудников – в любом случае, это можно смело добавить в список потенциальных расходов.

Человеческий фактор

Дополнительные трудности в получении выгоды от применения ИИ возникают в результате недоверия сотрудников к рекомендациям, выходящим из «чёрного ящика». Людям свойственно ошибаться, будучи уверенными в собственной правоте, поэтому они скорее поверят своему опыту, знаниям и интуиции, нежели ИИ, который не способен объяснить собственные решения. В итоге, технология может быть проигнорирована сотрудниками. Поэтому важно регулярно тестировать алгоритмы, что позволит не только выявить и затем устранить их недостатки, но и демонстрировать сотрудникам их эффективность.

Говоря о тестировании, полезно задаться вопросом, насколько его результаты репрезентативны. Как правило, тестирование выглядит следующим образом: создаются условия, приближенные к реальным, в которых алгоритму придётся работать; алгоритм запускается, даёт прогнозы или рекомендации; наконец, рассчитываются показатели эффективности (метрики). Качество работы алгоритма оценивается по значениям показателей эффективности. В чём подвох? Во-первых, условия, в которых происходит тестирование, могут оказаться далёкими от реальности, что не даст объективной оценки. Во-вторых, показатель эффективности выбирается либо разработчиком-математиком, который может не до конца понимать бизнес-процесс и отдавать приоритет математическим метрикам, либо бизнес-заказчиком, который, напротив, может придавать чрезмерный вес одним аспектам работы алгоритма, не учитывая другие. Оптимальный показатель стоит искать на пересечении двух миров, но доля субъективности всё равно останется. Таким образом, выбор методологии тестирования очень важен, и он ложится на плечи разработчика и заказчика – живых людей.

Ещё один из мифов касательно ИИ гласит, что алгоритмы машинного обучения обучаются самостоятельно – только данные подавай. Это не так: некоторые элементы их дизайна, опять же, ложатся на плечи разработчика, на его экспертное мнение. Классическим примером таких элементов являются мета-параметры моделей машинного обучения. Конечно, существуют методы их автоматического подбора, но и в этом случае выбор конкретного метода и его параметров остаётся за разработчиком.

Непрерывная аналитика – новый вызов

Даже тогда, когда собранных данных много и они достаточно точны, риск получить систематическую ошибку сохраняется: старые закономерности могут исчезать, могут появляться и новые. Поэтому алгоритмы необходимо регулярно обновлять, то есть либо запускать процесс обучения заново каждый раз, когда становится доступной новая порция данных, либо делать выбор в пользу алгоритмов, способных «дообучаться». Второй вариант предпочтительнее при больших объёмах данных и необходимости обновлять алгоритм быстро, вследствие чего он активно набирает популярность под термином «непрерывная аналитика» или «потоковая аналитика». Но он и дороже: потребуется мощное оборудование, а возможно, и полный перекрой существующей ИТ-инфраструктуры. При этом от риска систематической ошибки полностью избавиться не получится – то, что мы принимаем за новую закономерность, может оказаться краткосрочной аномалией. Тогда «дообучающийся» алгоритм будет забывать подлинное старое и запоминать ложное новое. Оптимальное решение, как всегда, скрыто в компромиссе: чувствительность алгоритма к новым данным должна быть определена на этапе разработки. Это можно сделать на основе результатов тестирования алгоритма при разных уровнях чувствительности.

Инфраструктура

Наконец, нужно обратить внимание на тот факт, что встраивание ИИ в бизнес-процесс требует инфраструктурных и организационных изменений. Аналитики и математики могут создать многообещающую математическую модель, но ответственность за её внедрение в ИТ-инфраструктуру организации ляжет на ИТ-подразделение. Эта задача не проще создания самой модели, а в случаях, когда системы, в которые предполагается встраивать ИИ, разработаны сторонним вендором, она и вовсе может оказаться неразрешимой. Чаще всего выход удаётся найти даже в тяжёлых случаях, но с некоторыми жертвами – например, с периодическими задержками, сбоями, низкой скоростью обработки. Всё это может снизить эффективность рекомендательной системы или вовсе обречь проект на провал.

Заключение

Подчеркнём, что развитие ИИ определяется двумя факторами: технологическими возможностями и потребностью со стороны бизнеса. Не всё технологически возможное является одновременно и практически ценным. Проблемы, с которыми сталкиваются организации при внедрении ИИ в свои бизнес-процессы, препятствуют его проникновению и дальнейшему развитию. Это не значит, что технология бесполезна и у неё нет будущего – просто от организации требуется системный подход к вводу технологии в эксплуатацию. В частности, обязательные условия успешной реализации подобных проектов – непредвзятая оценка потенциальной выгоды и грамотный план действий, направленный на устранение или облегчение возможных рисков. Разработку такого плана и приведение его в действие разумно доверить команде профессионалов, специализирующихся на разработке и сопровождении решений на базе ИИ. Это позволит снизить неопределённость, связанную со сложностью проектов, и максимизировать выгоду для организации.

Авторы:

• Юрий Сирота, старший вице президент банка УРАЛСИБ, руководитель дирекции искусственного интеллекта и анализа данных, центра компетенций BI

• Андрей Шишов, аналитик данных дирекции искусственного интеллекта и анализа данных банка УРАЛСИБ