Цифровая трансформация

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

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

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

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

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

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

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

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

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

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

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

- Как появилась эта программа?

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

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

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

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

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

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

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

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

- Как выглядит инфраструктура для работы с данными?

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

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

- Обычно исходят из стоимости и требований к скорости работы.

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

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

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

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

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

Самое главное, что многие проекты стали принципиально возможными.

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

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

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

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

- Какие новые роли возникают в ходе трансформации компании?

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

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

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

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

- Откуда взять столько аналитиков?

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

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

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

Руководству сети Burger King удалось создать во многом уникальную модель управления большой сетью ресторанов, основанную на объективных показателях. Менеджеры ресторанов имеют доступ к объективной, наглядной и оперативной информации о своей работе, что обеспечивает их вовлеченность в повышение эффективности деятельности компании.

Максим Шарапов, директор департамента ИТ «Интернэшнл Ресторант Брэндс» и претендент на CDO Award, рассказывает о пользе меритократии, выработке у руководства ресторанов психологии бизнесменов и полном аутсорсинге процессов BI.

- С какого момента Burger King начал трансформироваться?

Трансформация имела подготовительный этап. Сеть Burger King начала бурно развиваться с 2012 года, тогда у нас было несколько десятков ресторанов и появился стратегический партнер. Получив финансирование, сеть начала экспансию. В этот момент я пришел в компанию и занимался стратегией развития ее информационных систем.

Базисом всей дальнейшей работы была подготовка единого источника данных, необходимого для последующего внедрения цифровых сервисов. Мы приняли решение внедрять ERP-систему, объединив в единой базе разрозненные данные различных подразделений. Более того, ERP стала системой мастер-данных. Таким образом был создан фундамент для дальнейшей цифровой трансформации.

- Какова история активной работы с данными? Когда произошел скачок, каковы его причины и результаты?

Когда внедрение ERP — а это большая и важная работа — было осуществлено, мы смогли направить силы на более конкретные бизнес-задачи. Были созданы все предпосылки для бизнес-аналитики: у нас появились данные, в отношении которых мы могли гарантировать целостность и корректность. Компания предпочитает в бизнесе прагматичный подход, руководство очень любит, когда в работе ориентируются на понятие quick wins — максимально быстрое достижение осязаемых результатов. Если в случае с ERP мы понимали, что быстро ее внедрить не получится, и были готовы терпеть целый год, то работу с BI-отчетностью мы вполне могли организовать по принципам Agile. Работа строится на поступающих от бизнес-подразделений вполне конкретных задачах по созданию приложений.

- Какие использованы платформы и продукты?

В качестве платформы мы выбрали Qlik и весьма оперативно подключили команду разработчиков. Эта платформа дает возможность действовать быстро и обойтись без создания хранилища данных. При помощи Qlik мы начали делать достаточно быстрые проекты. Задача состояла в предоставлении бизнесу подсказок и предложений относительно того, как скорректировать свою работу, чтобы максимизировать прибыль.

- Почему решили обойтись без хранилища? Сейчас этот подход используется повсеместно.

Мы считаем, что нам хранилище данных не нужно. Оно незаменимо там, где много источников разнородных данных. У нас не так много источников данных, а основных всего два: ERP и кассовая система. Они довольно однородны и предоставляют данные высокого качества, нам не требуется промежуточный этап сведения данных к единому целому. С внешними системами — например, системой аудитов и отзывов посетителей — обмен идет с помощью файлов Excel, уже агрегированных и готовых отчетов.

Да и сам принцип работы Qlik часто подразумевает отсутствие хранилища. Платформа всеядна, а ETL-процессы могут быть описаны в самой системе.

- Существует ли в компании стратегия работы с данными? Если есть, то в чем она заключается?

Четкой стратегии у нас нет, но есть основной принцип: компания регулярно и оперативно принимает решения на основе данных. Исходя из этого, мы формируем требования к данным. Например, от события в любом из более 600 ресторанов до его отражения в отчетности должно проходить не более 15 минут. Это означает, что все виды контроля по целостности и качеству данных должны быть зашиты в сами системы.

Самое главное, что большое число людей на регулярной основе вовлечено в работу с данными. Ежедневно в каждом ресторане проходят конференц-звонки, в ходе которых обсуждается, что ресторан будет делать в соответствии с показателями, полученными из системы.

- Действительно ли скорость настолько важна? Каким образом достигается актуальность данных, близкая к реальному времени?

Первым крупным результатом в рамках работы с данными стал проект «Рутина», благодаря которому рестораны начали получать ежедневные отчеты, весьма объемные и детальные. Следующий шаг был направлен именно на оперативность. Мы переосмыслили работу с источниками данных и стали работать с локальными кассовыми базами, а не с центральной базой, где консолидировались данные при закрытии кассового дня. Это было нужно для того, чтобы сотрудники ресторанов могли в режиме, близком к реальному времени, видеть, на какие показатели они выходят по итогам дня. Если что-то идет не так, у них есть возможность изменить ситуацию.

- Переход к управлению на основе данных — это серьезная культурная трансформация. Люди не любят меняться. Как обеспечить принципиальную возможность таких изменений?

Это и просто, и сложно. Надо быть максимально честными с людьми. Компания в своей работе придерживается философии меритократии — воздавать каждому по его заслугам. Человек, принесший компании измеримый в деньгах результат, может претендовать на часть этого результата. Любой сотрудник ресторана может предложить идею, которая повысит эффективность компании. Такие идеи могут быть озвучены непосредственному начальству, затем совместно — вышестоящему руководству, и очень важно, чтобы эта цепочка была быстрой, а ценные идеи максимально оперативно воплощались в жизнь. Не нужно теоретических рассуждений — надо брать и пробовать, а пилотный проект покажет ценность на практике.

Важно выработать у директоров ресторанов психологию бизнесменов. Они имеют право пробовать новшества, их никто за это не будет наказывать, даже если ожидаемый эффект не будет получен. Компания дает сотрудникам достаточно большое пространство для самореализации. Эта культура очень хорошо укладывается в data-driven-подход.

Таким образом, работу с данными можно считать некоторой базой для управленческого развития компании, которое во многом построено на стандартизации функций и их делегировании. Все управленческие решения на каждом из уровней управления основаны на объективных данных. На объективных показателях основана и мотивация сотрудников, что дает их высокую вовлеченность в улучшение работы ресторанов.

- Любопытным подходом является полный аутсорсинг всей работы с данными: в штате Burger King нет ни одного BI-специалиста, а функциональные менеджеры самостоятельно вносят задачи по работе с данными в очередь для реализации. Как такое стало возможным?

Да, работа с данными отдана на аутсорсинг в компанию Qlever Solutions, и у нас действительно нет ни одного BI-специалиста. Но зато есть мощное подразделение бизнес-аналитики, сотрудники которого не являются техническими специалистами, но имеют сильную экспертизу и глубокое понимание показателей экономической деятельности компании. Еще есть должность менеджера по развитию информационных систем, он управляет изменениями и принимает участие в расстановке приоритетов. Таким образом, все изменения проходят определенный контроль на достаточно высоком уровне.

Во многом такой подход стал следствием того, что компания довольно жестко ограничивает в подразделениях численность штатных сотрудников. В итоге образовалась гибкая структура, которая позволяет точно масштабировать ресурсы в соответствии с объемами работ и приобретать услуги по модели time&material.

Надо сказать, что к идеальному варианту пришли не сразу. У нас был негативный опыт работы с одной из очень известных компаний, занимающихся платформой Qlik, ставший примером того, какими отношения быть не должны. Действия по закрытию кода решения и неприкрытый шантаж вынудили нас разорвать с ней отношения и в дальнейшем более внимательно относиться к таким вопросам.

С нынешними партнерами выстраиваются именно доверительные отношения. Мы даем им значительный объем работ и ждем от них честности и заинтересованности в долгосрочном сотрудничестве. От них имеем лояльное отношение и привлекательные цены.

- В руки партнеров попадают ваши данные. Как страхуетесь от утечек?

Я могу лишь повторить слово «доверие». Конечно, договоры о конфиденциальности подписаны, но понятно, что они не дают стопроцентную гарантию от утечек. Таков выбор компании: мы идем на немалый риск ради более эффективных процессов.

- Быстрое внедрение изменений достигается благодаря подходам Agile. В какой момент стало понятно, что они нужны компании?

Нельзя сказать, что мы жестко придерживаемся каких-либо методик. У нас есть потребность в быстрой разработке, оперативно осуществляемых пилотных проектах. При наличии хорошей экспертизы, особенно в случае, когда консультант и разработчик — это одно лицо, от обсуждения до выхода продукта в свет проходит очень немного времени. Кроме того, все бизнес-подразделения компании вовлечены в процессы реализации решений, что минимизирует эффект «испорченного телефона».

Еще очень важна работа с трехслойной моделью данных, когда уже созданные показатели могут передаваться из модели в модель. Это важное архитектурное ноу-хау нашего партнера Qlever Solutions, существенно ускоряющее процесс разработки.

- Сейчас массово применяется предиктивная аналитика — использование математических моделей для прогнозирования выручки, спроса и других бизнес-показателей. Насколько это актуально для вас?

Актуально, но мы относимся к этому без фанатизма. Часто маркетинговая составляющая в ИТ идет во вред: использование модных технологий оправданно не всегда.

У нас есть пример использования машинного обучения в прогнозировании выручки. Долгое время мы задействовали простой алгоритм, дававший приемлемые результаты. Но компании было важно повысить точность таких расчетов, поскольку они влияли на закупки продукции, планирование выхода сотрудников на работу. Чем точнее прогнозирование, тем лучше компания подстраивается под внешнюю ситуацию.

Мы пригласили сильных специалистов по машинному обучению, чтобы повысить качество алгоритма. После достаточно продолжительной работы им удалось повысить качество, но всего на 1%. Это говорит о том, что главное — хорошо понимать тот бизнес, которым занимаешься, и ключевые факторы, влияющие на него. В этом случае самые простые модели часто имеют качество, не сильно уступающее самым современным решениям.

- Работа с данными направлена в первую очередь на внутренние нужды или на предоставление сервисов вовне?

Сейчас начато развитие внешнего блока — мобильного приложения, CRM-системы и сервисов на ее основе. Взялись работать с доставкой, появилась функция пикапа. Конечной целью всех этих усилий должны стать персональные предложения для каждого гостя.

Да, необходимо развивать персонализированную работу с гостями. Вероятно, придется анализировать путь клиента (customer journey), удобство приложений, наполнять CRM, подключать к ней внешние источники данных, в том числе из социальных сетей. Это серьезный вызов для компании, потому что объемы данных растут экспоненциально. Предстоит решать инфраструктурные вопросы, пересматривать принципы работы с данными.

Думается, что именно «внешние» цифровые сервисы принесут компании в будущем дополнительную прибыль.

- Как с профессиональной точки зрения отразилась на вас проведенная за последние годы работа ?

Можно сказать, что я пошел на повышение. Наши акционеры завершили покупку большой части ресторанов известного бренда. Я приглашен во вновь образованную компанию на позицию ИТ-директора. Мне предстоит реализовывать ранее опробованные идеи.

Потребуется масса подготовительной работы, которая ранее уже была проделана в Burger King. Без нее не обойтись, однако с учетом имеющегося опыта, думаю, удастся сделать всё гораздо быстрее. Сейчас запускаем ERP, причем на проект отведено менее полугода. Начинаем работу с источниками данных, проводим инвентаризацию существующей отчетности и, имея определенный багаж за плечами, развиваем ее.

Часть менеджмента новой компании осталась, часть пришла извне. Интересно, что получится из такого столкновения культур и подходов.

- Появления каких новых цифровых сервисов можно ожидать в ресторанном бизнесе в ближайшем будущем?

Распознавание клиентов — перспективная технология, и есть достаточно сильные алгоритмы, позволяющие это делать. С видеоаналитикой уже в текущем году на рынке будет достаточно много проектов.

Кроме того, последние достижения в области deep learning дают возможность выйти на новый уровень работы с продуктами и роботизации многих процессов. Инновации — это хорошо, но все считают свои деньги. И пока человеческий труд остается дешевым, будут выбирать именно его. Тем не менее в ближайшие пять лет, думаю, мы сможем увидеть полностью роботизированные рестораны.

Участники дискуссии оказались единодушны во мнении, что интерес к цифровой трансформации в России очень высок и у многих он уже переходит во вполне практическую плоскость. «Самая заметная тенденция последнего времени – то, что компаний, которые хотят быть в ’цифровом тренде’, все больше», — считает Шамиль Хайретдинов, директор департамента логистики МТС. При этом больше становится и тех, кто разочаровывается в определенных технологиях цифровизации, например в Больших Данных, но это «разочарование в хорошем смысле», полагает Хайретдинов, поскольку свидетельствует о более осмысленном подходе к тому, как работать с Большими Данными, чтобы получать от них реальный результат. В департаменте логистики МТС создается озеро данных и тестируются инструменты машинного обучения для оценки перспектив выполнения заказов в зависимости от разных факторов. Эти решения обещают стать хорошим подспорьем для сотрудников департамента в их повседневной работе.

При этом часть процессов по закупкам в компании скоро будет вообще обходиться без участия человека. Хайретдинов высоко оценивает потенциал RPA: тестирование продемонстрировало высокую эффективность роботизации бизнес-процессов, и в 2019 году планируется охватить этой технологией более 20 процессов департамента. «'Пилоты' показывают, что с помощью RPA можно ускорить операционные процессы закупок и логистики на 30-60%», — рассказал он.

Ставку на RPA делают и в «ФосАгро». Андрей Нисанов, директор по реализации и управлению проектами «ФосАгро», рассказал, что по результатам прошлогоднего тестирования в компании принято решение о масштабном проекте роботизации процессов, который может затронуть много разных подразделений. Этим проектом будет заниматься созданная в компании дирекция по цифровизации, которой, по словам Нисанова, отводится роль своего рода переводчика между бизнесом и ИТ. «Очень много проектов инициируется именно со стороны владельцев бизнес-процессов», — отметил он, и в задачи дирекции по цифровизации будет входить не просто анализ и выбор современных технологий, но их соотнесение с потребностями бизнеса.

«Главный итог прошлого года в том, что доверие к цифровизации начинает демонстрировать бизнес», — констатировал Кирилл Алифанов, директор по ИТ компании «Уралкалий». Цифровая трансформация – это именно трансформация бизнеса, убежден он; но тенденцию необходимо закреплять, образовывая бизнес, постоянно показывая в терминах возврата инвестиций, какую пользу способны принести проекты цифровой трансформации.

По словам Алифанова, запросы, которые сейчас идут от бизнеса, требуют кардинально иного подхода с точки зрения построения ИТ-инфраструктуры – от нее ждут максимально оперативной реализации поставленных задач. Таким требованиям отвечают облачные конфигурации, однако Алифанов с сожалением констатировал острый дефицит зрелых российских IaaS-решений.

Евгений Ильин, заместитель финансового директора «Росгосстраха», показал на опыте своего подразделения, как бизнес может взять на себя инициативу цифровизации. В прошлом году несколько важных проектов, в том числе внедрение облачной системы бюджетирования на базе Oracle Hyperion, были выполнены практически полностью силами финансового блока, департамент ИТ привлекали только для некоторых чисто технических задач. Это ускорило реализацию и позволило избежать проблем трансляции бизнес-требований ИТ-специалистам.

Ильин рассказал, что переход от таблиц Excel к облачной версии Hyperion обеспечил полную прозрачность бюджетного планирования и позволил охватить им каждого из 32 тыс. страховых агентов, что открывает новые возможности повышения мотивации персонала.

Год назад в группе компаний ЛАНИТ создано направление Digital Transformation Group. Его руководитель Денис Реймер выступит на конференции «Технологии блокчейна 2019», которую издательство «Открытые системы» проводит 12 февраля. Он является также вице-президентом группы компаний по цифровой трансформации, активно участвует во внедрении блокчейна в корпоративные информационные системы и считает, что недалеко то время, когда в ERP, CRM и других подобных решениях появится стандартная опция «сохранять в блокчейне».

- ИТ — традиционный инструмент повышения эффективности предприятий. Цифровая трансформация – это очередной эволюционный этап их внедрения или привнесение нового качества в бизнес?

Внедрение ИТ всегда сопровождалось маркетинговыми «зонтиками» — от реинжиниринга бизнес-процессов в середине 90-х до цифровой трансформации сегодня. Однако раньше технологии применялись в основном в качестве инструментов поддержки деятельности компаний, — печати, бизнес-процессов и так далее, а теперь их роль кардинально меняется. Информационные технологии становятся неотъемлемыми атрибутами деятельности предприятий, внутренними компонентами бизнеса, которые в значительной степени формируют и определяют конкурентные преимущества.

Трансформация, которая поддерживается определенными цифровыми технологиями, характеризуется изменением бизнес-модели, создает новые способы получения доходов и возможности донесения ценности до потребителей.

Цифровая трансформация позволяет организации отслеживать в реальном времени ситуацию со своими продуктами, понимать специфику их применения клиентами, формировать обратную связь для корректировки производственных процессов и цепочек поставок. Для эффективного использования преимуществ цифровой трансформации компании должны обладать высоким уровнем внутренних ИТ-компетенций.

- Что меняется в условиях цифровой трансформации в интеграторских ИТ-компаниях?

Формируются консалтинговые подразделения, специалисты которых вместе с заказчиками прорабатывают вопросы цифровых преобразований. В течение последних пяти-семи лет во всем мире отмечается общая тенденция: бизнес-консультанты обзаводятся технологическими подразделениями, а ИТ-компании наращивают бизнес-экспертизу и формируют консультационные направления.

Цифровизация меняет проектный бизнес. Сегодня практически никто не отдает внешним организациям полную разработку платформ, предназначенных для цифровой трансформации. Для решения подобных задач наши потенциальные клиенты набирают людей, с рынка берутся нужные руки, снижается доля аутсорсинга. Это особенно заметно в банках. Заказчики сегодня заинтересованы не в технологиях, а в продуктах, способных дать определенные преимущества при их совместном внедрении с компаниями, предлагающими ИТ-услуги.

Многие системные интеграторы занимаются теперь своими разработками. Подобные компании формируются и в ЛАНИТе, это фактически стартапы, которые выводят на рынок собственные продукты. Мы постоянно анализируем появляющиеся технологии, включая большие данные, искусственный интеллект, блокчейн, Интернет вещей, развиваем основанные на них практики. Далее все зависит от готовности заказчиков и наших возможностей предоставлять основанные на них услуги. Примеры таких решений – преднастроенные обучаемые математические модели, оптимизирующие работу металлургических предприятий, программные роботы для сокращения рутинных операций в бизнес-процессах. А разработки на базе технологий блокчейна активно ведутся в рамках Digital Transformation Group.

- DTG создана около года назад. Какие изменения в области цифровой трансформации с использованием технологий блокчейна произошли за это время?

Заметно снизился уровень хайпа в связи с падением курсов криптовалют, так как многие до сих пор связывают блокчейн исключительно с ними. А в прошлом году нам приходилось постоянно отбиваться от заказчиков, объясняя, почему в их конкретных проектах блокчейн совершенно не нужен.

В DTG мы работаем над внедрением технологий блокчейна в B2B-решения, в которых блокчейн лежит в основе формирования периметра доверия при создании единой среды для взаимодействия ограниченного числа участников совместной деятельности. В таких распределенных процессах блокчейн позволяет сократить число лишних шагов и ускорить исполнение сквозных бизнес-процессов. В рамках такого подхода смотрим, где это можно применить.

- Можно ли выделить специфику проектов, основанных на этой концепции?

Основная цель многих подобных проектов – объединить всех участников в единый процесс, обеспечить доверие к используемым данным, их прозрачность. Блокчейн выступает в качестве «хребта», отвечающего за взаимодействие нескольких компаний. Для каждой из них мы разрабатываем часть бизнес-процесса на базе BPM-решений. Возникают чисто интеграционные задачи, но для их решения нужно связать технологии, которые никогда раньше вместе не работали.

При выполнении проектов с блокчейном на эту технологию приходится около 10% работы. В основном применяются традиционные для корпоративных систем подходы, решаются вопросы наиболее эффективного встраивания элементов идентификации в производственные линии, взаимодействия физического мира и онлайновых компонентов. Технически блокчейн встраивается без особых проблем, а все, что вокруг него – это вопросы, которые и приходится решать.

- Какова роль блокчейна в цифровых экосистемах?

Экосистемы нужно рассматривать не только с точки зрения блокчейна, в них несколько ключевых технологий. Самая распространенная — API Management, обеспечивающая предоставления интерфейсов к внутренним корпоративным ИТ-системам для их использования партнерами по экосистеме. Здесь действительно возникают новые бизнес-модели, так как в этом слое ПО появляется возможность учитывать число обращений к тому или иному сервису, выставлять квоты обращений, регулировать нагрузку и финансовые условия их использования. Второй важнейший компонент – данные, которыми обмениваются все участники. И, наконец, — организация процессов взаимодействия участников экосистемы, для которого используется блокчейн. Здесь в первую очередь важно сформировать бизнес-модель, найти заинтересованных участников, оценить преимущества для их бизнеса, быстро реализовать решение на имеющихся технологиях; только после этого можно решить, как его масштабировать в дальнейшем.

- Существуют минимальная цена входа в блокчейн и специальные требования к ИТ-инфраструктуре?

В блокчейне для корпоративных решений нет ничего сверхъестественного по сравнению с любым интеграционным проектом. Есть определенные алгоритмы, требования к написанию кодов, навыкам программирования. Хороший разработчик может месяца за три разобраться, как блокчейн работает, и начать что-то делать. Блокчейну мы обучаем быстро, проблема в другом — найти хорошего специалиста, да еще желательно с опытом работы в B2B, который способен, к тому же, эффективно работать в команде. Требования к производительности инфраструктуры могут возникнуть, если использовать алгоритмы консенсуса, применяемые для криптовалют. В корпоративных системах с блокчейном мы применяем технологическую платформу Hyperledger Fabric, для которой ничего специального не нужно.

- В DTG ведутся собственные разработки?

Основной продукт, который мы разрабатываем, — платформа автоматизации бизнес-процессов внутри экосистемы, которая содержит решения процессного управления, блокчейн в качестве объединяющей структуры, распределенное хранилище данных и слой управления API. Это инфраструктурное решение позволяет вместе с нашими клиентами сформулировать новую бизнес-модель, быстро провести проверки гипотез и предложить поддерживающую ее систему. В экосистемах требуется, как правило, оператор, в функции которого входят развитие инфраструктуры, ввод в экосистему новых участников и ряд других задач. Блокчейн предоставляет возможность создавать таких технологических операторов, отвечающих за инфраструктурные вопросы, в то время, как за специфику бизнес-процессов внутри экосистемы отвечают сами ее участники. Мы активно используем концепции и идеологию этой платформы для автоматизации цепочек поставок и пополняем ее по результатам каждого нового проекта (см. также «Digital Transformation Group и 'Микрон': связанные блокчейном», Computerworld Россия, 26 ноября 2018).

Сегодня готовность ИТ-инфраструктуры к цифровой трансформации предприятия зависит от наличия у нее трех главных свойств. Во-первых, это отсутствие «костылей» в виде исторически сложившихся и уже не выполняющих свою функцию ИТ-решений. А также в виде заложенных в основу информационных систем ошибочных архитектурных решений, которые принимались в период «лоскутной информатизации» и не только не были исправлены, но и повлияли на конструкцию всей корпоративной информационной системы и сегодня не дают ей развиваться. Во-вторых — это простая и быстрая масштабируемость, а также высокая надежность и отказоустойчивость. Третье свойство ИТ-инфраструктуры, показывающее ее готовность к цифровой трансформации, — способность очень быстро меняться и поддерживать высокую изменчивость ПО, находящегося на более высоких этажах информационной системы. Это свойство исключительно важно, поскольку именно от него зависит, сможет ли компания технологически успевать за требованиями бизнеса.

Разумеется, у ИТ-инфраструктуры есть много других свойств, наличие которых помогает проведению цифровых трансформаций на предприятии (например, система управления ИТ на основе объективных данных), но вышеперечисленные три свойства — это необходимый минимум. Если какого-то из них нет, то цифровую трансформацию начинать нельзя. К сожалению, сегодня именно эта ситуация характерна для подавляющего большинства российских организаций. Первым делом им нужно привести в порядок «технологический фундамент». С чего же начать и что именно сделать, чтобы подготовка прошла легче и быстрее? А сделать нужно немного.

Шаг № 1. Почистить ИТ-организм — провести входной аудит

Комплексный ИТ-аудит позволяет, не «ныряя» на огромную глубину, получить общий срез «здоровья» информационной системы или только ее инфраструктурной части. Посмотреть на архитектуру системы, выявить ошибки, возникающие в ней чаще всего, и проследить их связь с особенностями архитектуры. Важно, что выводы этого аудита (если он сделан профессионально и компетентно) понятны бизнес-руководителям, а потому можно содержательно обсудить с ними (а не только со службой эксплуатации) выявленные проблемы, пути их преодоления и, главное, дальнейшие требования к ИТ-инфраструктуре.

Серия интервью, проведенных в ходе аудита с сотрудниками компании, топ-менеджерами и внутренней ИТ-службой, позволяет выяснить главное: контекст возникновения и «жизни» инцидентов и проблем. И найти оптимальные способы их устранения.

Отличие ИТ-аудита, проходящего как «нулевой этап» цифровой трансформации, от обычного анализа состоит в том, что команда, отвечающая за такой ИТ-аудит, изначально выясняет у бизнеса (генеральных, коммерческих, финансовых директоров, директоров по продажам, производству, логистике), какого эффекта бизнес ждет от намеченных цифровых трансформаций, какие именно информационные системы будут меняться в ходе этого процесса. И на что заказчик возлагает наибольшие надежды на данном этапе. Если, например, на модернизацию системы управления работой с клиентами и партнерами, то как именно он рассчитывает это делать? Если, скажем, на базе этой системы предполагается разработать личный кабинет для пяти-семи тысяч внешних пользователей с гарантированным приростом в 30–40% в течение следующего года, то ИТ-аудиторы будут, помимо прочего, тщательно проверять, выдержит ли ИТ-инфраструктура внедрение и работу такого решения. Правильно ли она спроектирована под него (от архитектуры СУБД до сервера приложений, веб-сервисов и терминальных сервисов)? Сможет ли она быстро и просто масштабироваться, отвечая запланированному притоку пользователей?

Шаг № 2. Обеспечить простую и недорогую масштабируемость ИТ-инфраструктуры: гибридные схемы и сайзинг ресурсов в IaaS

Недорогая и легко масштабируемая ИТ-инфраструктура уже не просто нужна, а жизненно необходима быстро меняющемуся среднему и даже крупному бизнесу. Сегодня самый простой и уже вполне доступный на отечественном ИТ-рынке путь реализации этих возможностей — аренда ресурсов в IaaS. Однако дублирование всей ИТ-инфраструктуры в облаках — дорогое удовольствие, учитывая текущие цены у крупных облачных провайдеров. Часто среднему предприятию дешевле построить собственную ИТ-инфраструктуру и работать на ней лет пять без всяких проблем, чем два года оплачивать ее аренду. Кроме того, как бы ни было удобно облако, с ним тоже случаются проблемы: например, с доступом (очень часто — на уровне местных провайдеров в российских регионах), с надежностью, иногда — с безопасностью. Эти риски становятся особенно значимыми, если ориентация на облачные сервисы приводит к нарушению принципа «не складывать все яйца в одну корзину».

Более выгодным для среднего и даже крупного заказчика способом обеспечить простую и недорогую отказоустойчивость (в режиме «теплого» или «горячего» резерва ресурсов) является «гибридная» ИТ-инфраструктура. Если все нормально, работу предприятия обеспечивает инфраструктура традиционного типа, которая у него уже есть. И только если возникает нештатная ситуация, пользователи до момента ее устранения автоматически переводятся на работу с сервисами из облака. Причем за счет поддерживаемого гибридной инфраструктурой резервирования данных пользователи продолжают прерванную работу. При этом компания платит не за абстрактную надежность и отказоустойчивость (что может ни разу не потребоваться на практике), а за потребление ресурсов облака в периоды конкретных ИТ-инцидентов и «обрушений». И только если они действительно происходят. К тому же, если потребуется докупить у IaaS-провайдера ресурсы (скажем, под крупный проект), то делается это максимально быстро и просто — «в один клик».

Однако тут заказчика подстерегает еще одна проблема. Поставщики ресурсов в IaaS традиционно нацелены на то, чтобы продавать как можно больше (overselling). Это приводит к тому, что покупатели столь же традиционно переплачивают за ресурсы вдвое-втрое, а то и вчетверо. Причем из-за нехватки информации переплачивать приходится за все виртуальные ресурсы (процессоры, память и др.). Наиболее крупные и дорогие IaaS-провайдеры смягчают эту ситуацию, позволяя крупным клиентам отслеживать реальное потребление мощностей. Но для среднего бизнеса такие инструменты слишком дороги, да они и не продаются отдельно от платформ. А привязка к платформе — это тоже риск. Однако эффективные решения есть: например, услуга автоматизированного сайзинга ресурсов позволяет при работе с любыми IaaS-провайдерами точно, без переплат, спланировать потребление ресурсов и платежи за мощности в облаке.

Эти ИТ-сервисы дают возможность собрать и проанализировать объективные данные о том, хватает ли ресурсов. А если уже не хватает или не будет хватать через какое-то время (скажем, через две недели), то каких именно и сколько. Необходимая для этого информация автоматически стекается в сервис в режиме реального времени, а на выходе появляются рекомендации: какие ресурсы и когда надо докупить, а от каких можно безболезненно отказаться. Это позволяет предприятию своевременно и оптимально перераспределять затраты на облако и гарантированно избегать неприятной ситуации, когда ресурсов вдруг не хватило и бизнес начал простаивать. Также можно получить представление о том, когда и на сколько сократить потребление ресурсов, если, скажем, произошел сезонный или внезапный спад деловой активности. Или если часть пользователей либо какие-то сервисы были переброшены в другой ЦОД.

Шаг № 3. Поддержать высокую изменчивость — начать непрерывный ИТ-аудит

Любые технологические изменения порождают если не рост, то почти всегда — перераспределение нагрузки на ИТ-инфраструктуру. Например, компания решила объединить два сервера баз данных в один отказоустойчивый экземпляр и слить в него все базы. Но, сделав это, организация должна быть уверена в том, что ее веб-сервисы и другие ИТ-системы, работающие с этими базами, справляются с нагрузкой и что сервер приложений при этом «чувствует себя» совершенно нормально. Кроме того, предприятию нужно детально знать, как в результате такого изменения поменялась нагрузка на дисковую подсистему, сети, сопутствующие компоненты. Если поменялась, то на каком участке и как именно. От этих знаний зависит сама возможность своевременно выявить «бутылочные горлышки», которые будут ограничивать производительность тех или иных информационных систем и бизнес-приложений, и перегрузка которых почти наверняка будет чревата целой цепочкой ИТ-инцидентов и проблем!

Непрерывный ИТ-аудит призван отслеживать именно такие вещи в режиме реального времени. Это, конечно, не делается вручную. Здесь нужна автоматизация — в данном случае дополнительный аналитический модуль, на оперативность, надежность и компетентность которого организация может положиться.

Такие решения могут собирать, консолидировать и подвергать аналитической обработке десятки тысяч всевозможных параметров систем. Эксперты, опираясь на поступающую информацию и на архив прошлых данных, используя специальные инструменты, интерпретируют потоки данных и выдают адресные рекомендации, позволяющие своевременно устранить или не допустить перегрузок опасных и дорогостоящих «бутылочных горлышек» в ИТ-инфраструктуре. Тем самым не на словах, а на деле поддерживается ее высокая изменчивость.

Шаг № 4 (дополнительный). Обеспечить постоянное взаимодействие команд на проектах по цифровой трансформации

Занимаясь приведением в порядок ИТ-инфраструктуры, бизнес должен задуматься едва ли не о самом опасном узком месте цифровой трансформации — о налаживании взаимодействия участвующих в ней независимых команд. Так, служба разработки должна уметь действовать в связке со службой эксплуатации ИТ-инфраструктуры и со службой внедрения (это взаимодействие совершенно необходимо при использовании связки Agile и DevOps). А все они — с подразделениями, отвечающими за информационную безопасность. И конечно — с бизнес-заказчиком. Как правило, ничего этого сейчас нет, но такая ситуация недопустима, когда в организации осуществляется широкая цифровая трансформация.

Сегодня наилучшим способом преодолеть этот давний «камень преткновения» является выстраивание горизонтальных связей между командами в виде системы процессов, дополненной современными средствами коммуникации «для данного случая» (ad hoc). Если организация решает внедрить технологии управления Agile, нужно тщательно выбрать конкретную методику, настроить соответствующие процессы (чемпион здесь — Scrum) и уделить большое внимание компетенциям участников. В любом случае (даже если перехода на Agile нет) помогает формирование небольших рабочих DevOps-групп под проекты (в том числе и по цифровой трансформации). В эти группы входят представители каждой из вышеперечисленных команд. Однако всем им нужна общая информационная среда и доступ к постоянно обновляющейся информации в ней — о состоянии всего проекта и его составных частей. Чтобы каждый мог наблюдать и анализировать одни и те же тренды, осуществлять правильные и своевременные корректирующие действия. И не каждая команда — только по своему участку, а совместно, по общему ходу проекта. DevOps-группы в проектах цифровой трансформации должны стать потребителями объективных данных об информационных системах и инфраструктуре, чтобы своевременно принимать взвешенные и правильные для компании решения.

Автор — Дмитрий Бессольцев, директор департамента ИТ-аутсорсинга ALP Group.

Руководители ИТ-служб уже устали от цифровых преобразований, и не только потому, что под таковыми в большинстве случаев подразумевается практически любая ИТ-модернизация. Как выясняется, ИТ-директора рассчитывают в перспективе на поддержку трансформации со стороны генерального директора и совета директоров, которые не склонны к долгому ожиданию в эпоху стремительных прорывов.

Многие компании — достаточно вспомнить хотя бы General Electric — при реализации проектов цифровой трансформации в масштабе всего предприятия потерпели неудачу. По словам аналитика Forrester Research Аллена Бонда, сложившаяся тенденция сохранится и в 2019 году. Будучи убежденным в том, что цифровая трансформация потребует очередных сдвигов в технологиях, навыках и культуре, способствующих построению новых бизнес-моделей, Бонд считает, что подход Большого взрыва, несмотря на развернувшуюся вокруг него шумиху, не даст ответов на накопившиеся вопросы.

«От цифровой трансформации, построенной по принципу большой метлы, уже ощущается некоторая усталость, — заметил он. — Возникает потребность в технологических лидерах и руководителях электронного бизнеса, предпочитающих не столь тотальные перемены. Руководство предприятий выражает сегодня готовность к прорыву, но все должно быть сделано быстро и иметь практическую направленность».

В интервью для CIO.com Бонд высказал пять основных прогнозов в отношении цифровой трансформации в 2019 году и указал, каким образом ИТ-директорам следует адаптироваться к происходящим изменениям.

1. Превращение цифровой трансформации в специализированные инновации

Компании и дальше будут трансформироваться, но более итерационными, умеренными темпами. Полутора- или двухлетние инновационные циклы придут на смену 5–7-летнему долгострою. В качестве примера Бонд привел компанию Adidas, экспериментирующую с обувью, распечатываемой на 3D-принтере, и Office Depot, тестирующую в своих магазинах сервисы цифрового маркетинга. Можно вспомнить также внедрение Metlife программного обеспечения искусственного интеллекта и развертывание Synchrony чат-бота. Оба эти проекта были призваны улучшить обслуживание технически подкованных потребителей.

В 2019 году в компаниях появится новый параметр окупаемости — «окупаемость инноваций» с ранжированием цифровых технологий в соответствии с той выгодой, которую они приносят компании. Ожидается, что цифровым показателям эффективности будет отводиться все более важная роль. Для трансформации нужно время, она должна состоять из небольших, управляемых порций инноваций, которые сулят ощутимую выгоду.

Бонд рекомендует: Ищите быстрые победы, накладывайте их друг на друга и дайте цифровым лидерам возможность выстраивать новые конструкции поверх уже имеющихся. Этот способ предполагает последовательное выполнение отдельных этапов, каждый из которых должен окупаться.

2. Окупаемость операционной эффективности

«Более пристальное внимание к рационализации операций дополняется ослабеванием энергичности цифровой трансформации и связанной с ней риторики, — заметил Бонд. — В 2019 году компании ускорят ориентацию на цифровые операции, улучшающие конечный результат для клиентов и обеспечивающие эффективность».

Хотя ориентированная на клиентов трансформация по-прежнему останется нацеленной на рост валового дохода, руководители ИТ-служб начнут уделять больше внимания рентабельности. Они будут прикрывать честолюбивые проекты руководства, сосредоточиваясь на самообслуживании там, где это возможно. «Результат важен, особенно если он выразится в эффективности, удовлетворении клиентов и оптимизации затрат», — указал Бонд.

Бонд рекомендует: ИТ-директорам следует ограничить разрастание громоздких приложений, предлагаемых в качестве сервиса и способствующих легализации теневых ИТ. В конечном итоге компании нуждаются в приложениях, обеспечивающих вовлечение клиентов. Наступает благоприятный момент для проведения инвентаризации, и, если сервисы SaaS не приносят выгоды, ИТ-директору следует их отключить.

3. Время управлять продуктами

В 2018 году ИТ-директора все чаще говорят о переходе от управления проектами к управлению продуктами с поддержкой концепции «всё в качестве услуги» (everything-as-a-service, XaaS) и с растущей ориентацией на поддержку и упрощение схем клиентского перехода.

С учетом продолжающейся ориентации ИТ-директоров на клиентов в 2019 году можно ждать появления должностей, ориентированных на продукты, в том числе цифровых дизайнеров, менеджеров по продуктам и «менеджеров по восприятию». Компании должны нанимать менеджеров по продуктам, которые поддерживали бы связь между службами маркетинга и ИТ, занимались бы урегулированием споров и поиском новых путей выхода на рынки.

Бонд рекомендует: Главное, чтобы менеджер по продуктам не слишком увлекался инженерными вопросами в ущерб маркетингу, с тем чтобы «глас клиента» не был утерян, поскольку это может навредить компании. Если управление продуктами очень тесно связано с инженерными вопросами, установить на рынке партнерские отношения будет значительно сложнее.

4. Развитие платформ B2B и электронной коммерции

Корпоративному сектору давно известно, что благодаря распространению API и облачных технологий экономика становится платформенно-ориентированной. Приобретение компанией Salesforce.com специализирующейся на API MuleSoft служит подтверждением этой тенденции. Компании намерены удвоить нынешний масштаб платформ. «Помимо рассмотрения цифровых точек соприкосновения в качестве потребительских каналов, компании будут стремиться повысить эффективность взаимодействия с поставщиками и дистрибьюторами, дистрибьюторы же будут использовать свои рыночные данные и ноу-хау в качестве страховки против дезинтермедиации», — указал Бонд.

Бонд рекомендует: Разрабатывая стратегию платформы, прекратите относиться к данным как к «государственным секретам», вместо того чтобы делиться ими с дистрибьюторами и поставщиками. Ведь они могут стать для вас отличными партнерами в части обмена данными. Если же такого партнерства не получается, продолжайте работать с ними, проявляя гибкость.

5. Интеграция в цифровой стек искусственного интеллекта

Популярность искусственного интеллекта сегодня неоспорима. Фактически каждое предприятие изучает соответствующие средства, начиная от интеллектуальной автоматизации и виртуальных помощников и заканчивая анализом мошеннических операций. Но по мере того как поставщики все теснее вплетают искусственный интеллект в свой технологический стек, у ИТ-директоров исчезает потребность в экспериментах, сдерживаемых давлением со стороны предприятий.

В качестве примера Бонд привел технологию искусственного интеллекта Adobe Sensei, упрощающую проведение маркетинговых кампаний, а также систему IBM Watson, находящую применение в самых разных областях, начиная от здравоохранения и заканчивая прогнозированием погоды. «Повлиять на назойливую рекламу мы не можем, но она исчезнет сама собой по мере ужесточения финансирования, — заметил Бонд. — А средства искусственного интеллекта будут все активнее интегрироваться в цифровые процессы и инструменты». В качестве примеров можно привести выдачу рекомендаций с помощью искусственного интеллекта, управление контентом и системы планирования цепочек поставок.

Бонд рекомендует: Игнорируйте шумиху и нацеливайтесь на быстрый результат. В 2019 году руководителям цифровых проектов следует поддерживать тесные связи со своими коллегами из операционных и маркетинговых подразделений, продолжая автоматизировать внутренние процессы и рационализировать работу команд, непосредственно взаимодействующих с клиентами.

Призыв к ускорению и итерационным инновациям полностью согласуется с идеей Бонда уменьшать масштабы цифровой трансформации.

«Речь идет об использовании гибких методологий и проектного мышления, стимулирующего положительные перемены, — добавил Бонд. — В 2019 году нам следует сосредоточиться на цифровом опыте обслуживания клиентов, используя технологии и партнеров для создания краткосрочных выгод, которые помогут нам удовлетворить свои долгосрочные амбиции».

— Clint Boulton. 5 digital transformation trends for 2019. CIO. NOV 7, 2018

Искусственный интеллект сегодня повсюду – по крайней мере создается впечатление, что это именно так. Интеллектуальные технологии выглядят весьма многообещающими и позволяют на самом разном уровне осуществлять автоматизацию бизнес-процессов, которые по-прежнему во многом выполняются вручную. Исследователи данных получают в свое распоряжение мощные инструменты.

Одно из направлений, на которое искусственный интеллект влияет уже сейчас, а со временем будет воздействовать еще больше – DevOps. Специалисты утверждают, что искусственный интеллект и машинное обучение обладают необходимым потенциалом для расширения возможностей DevOps в условиях, когда многие организации начинают внедрять этот подход, рассчитывая повысить эффективность разработки, развертывания и эксплуатации приложений и оптимизировать бизнес-процессы в других областях.

«Искусственный интеллект и машинное обучение охватывают DevOps в полной мере, – подчеркнул Спандан Махапатра, возглавляющий в компании Tata Consultancy Services направление бизнес-решений. – Многие компании так или иначе уже опираются в своих проектах цифровой трансформации на DevOps и добиваются благодаря этому более высоких результатов. Искусственный интеллект и машинное обучение открывают путь к оптимизации процессов DevOps».

«Большинству команд DevOps делать ставку на искусственный интеллект еще рановато, но мы видим, что все больше клиентов намерены использовать искусственный интеллекта и связанный с ним анализ данных, – добавил Стивен Эллиот, вице-президент International Data Corp. по вопросам DevOps, управления облачными конфигурациями, ITSM и программно-конфигурируемых архитектур. – Наиболее заметные области применения искусственного интеллекта в DevOps связаны с непрерывной интеграцией (continuous integration, CI) и непрерывной разработкой (continuous development, CD), выявлением и разрешением возникающих проблем, а также с углублением обработки и понимания собранных клиентских данных. Мы отмечаем, что инфраструктурные и операционные команды испытывают тягу к аналитике. Многие уже внедряют сервисы управления производительностью приложений и анализа данных в реальном времени, дающие возможность оперативно выявлять и решать возникающие проблемы. Командам DevOps следует подумать об использовании аналитики, которая помогает диагностировать и устранять неисправности, способствует повышению эффективности процессов и улучшению клиентского восприятия, а также достижению более высоких бизнес-результатов в целом».

В русле тенденций

Компания Power Home Remodeling использует искусственный интеллект в сочетании с DevOps при создании решений, предназначенных для перестройки внешних элементов зданий. Она разработала собственную технологическую платформу NITRO, выполняющую самые разные задачи, начиная от управления отношениями с клиентами (customer relationship management, CRM) и заканчивая функциями внутренней социальной сети.

«Мы являемся центром разработки и у нас сформирована полноценная команда DevOps», – сообщил директор Power Home Remodeling по инновациям Тим Уэнхолд. С помощью NITRO компания выстраивает всеобъемлющую инфраструктуру искусственного интеллекта, используя накопленное богатство данных для машинного обучения, что способствует улучшению обслуживания клиентов, более высокой эффективности и расширению возможностей персонала.

«Команда DevOps выясняет, как лучше использовать инфраструктуру искусственного интеллекта на практике, – отметил Уэнхолд. – Искусственный интеллект и машинное обучение призваны повысить эффективность труда разработчиков, осваивающих новые инструменты. Искусственный интеллект помогает прогнозировать развитие процессов DevOps. Анализируя, например, процессы непрерывной интеграции, средства искусственного интеллекта подсказывают, какие моменты следует скорректировать, чтобы улучшить конвейер CI».

В сфере безопасности обнаружить тревожные симптомы бывает довольно сложно. «Сегодня на просмотр журналов и отчетов, связанных с мониторингом безопасности, уходит очень много времени, – пояснил Уэнхолд. – Применяя при идентификации угроз средства машинного обучения, мы выявляем аномалии в тысячу раз быстрее, чем при традиционном подходе. Теперь команды DevOps могут работать на упреждение, а не реагировать по факту. Точно так же, как большие данные выводят аналитику на более высокий уровень по сравнению с простыми отчетами и инструментальными панелями, искусственный интеллект помогает командам DevOps использовать мощь прогнозного моделирования».

По мере того как искусственный интеллект становится все более мощным, его влияние на DevOps растет. «В перспективе искусственный интеллект и машинное обучение помогут нам не только быстро выявлять аномалии, но и решать проблемы, о которых мы еще даже не подозреваем, – подчеркнул Уэнхолд. – У компании имеются журналы с миллионами записей. Сегодня мы действуем, как детективы: просматриваем журналы, ищем аномалии и принимаем меры. Искусственный интеллект самостоятельно будет выявлять аномалии. Затем он проинформирует о том, что может произойти, и предложит варианты устранения угрозы. Более того, искусственный интеллект известит нас о предпринятых для ликвидации аномалии мерах. Всё это весьма впечатляет».

Медицинская компания Molina Healthcare также возлагает на связку искусственного интеллекта и DevOps большие надежды. «Уже сейчас мы видим, какие преимущества перед нами открываются, – сообщил ИТ-директор Molina Healthcare Рик Хопфер, занимающийся применением средств искусственного интеллекта в DevOps с 2016 года. – Перед нами стоит проблема, как совладать с имеющимися в наших журналах транзакций горами данных, которые наши системы генерируют ежедневно. Одного лишь наличия системы, предназначенной для сбора данных, недостаточно. Необходимо еще и уметь отделять реальные проблемы от прочего белого шума».

Чтобы это стало возможным, компании, во-первых, нужно оптимизировать имеющиеся у нее инструменты для мониторинга приложений и инфраструктуры. Во-вторых, необходимо обобщить данные – перенести телеметрию из разрозненных инструментов на централизованную платформу, установить взаимосвязи между данными и задействовать средства машинного обучения для выявления реальных проблем. И, наконец, в-третьих – следить за тенденциями и использовать прогнозную аналитику.

«Нам требовалось сформировать правильные представления для визуализации данных, повышения эффективности и упреждающего управления технологиями, – подчеркнул Хопфер. – Для этого мы воспользовались набором готовых решений. Результаты оказались впечатляющими. Получив возможность решать возникающие вопросы фактически в реальном времени, мы значительно ускорили устранение проблем».

Будущее уже сейчас

«Будущее видится нам в том, чтобы, исходя из своих аналитических возможностей, принимать необходимые меры с определенным прицелом: с точки зрения CI/CD, клиентского восприятия, управления проблемами и т.д., – указал Эллиот. – Автоматизация и анализ – это как джем и масло: гораздо лучше, когда они вместе. Дело будет сводиться к повышению производительности технологических и бизнес-процессов, к выполнению определенных действий в специфичных деловых и технологических ситуациях».

Искусственный интеллект и машинное обучение уже сегодня могут оказывать влияние на DevOps, поэтому ни в коем случае не следует рассматривать их как технологии отдаленного будущего.

«DevOps может повысить скорость новых приложений, но в мире постцифровой трансформации DevOps нужно объединять c требованиями, предъявляемыми искусственным интеллектом, – указал Энди Граймс, главный технолог компании NetApp, специализирующейся на решениях для хранения данных и управления инфраструктурой. – Сочетание методов DevOps и современных требований к данным порождает новую парадигму — DataOps. Поскольку новые приложения искусственного интеллекта требуют агрегирования, а также значительно более высоких скоростей и масштабов подготовки данных, разработчики, использующие парадигму DataOps, должны взаимодействовать с ИТ-службой более тесно и понимать место приложений искусственного интеллекта в гибридной среде. Современная концепция DataOps объединяет периферийные наборы данных с агрегированными основными данными, размещаемыми локально, дополняет их облачными хранилищами и предлагает архитектуру, поддерживающую частое внесение изменений, подстегиваемое необходимостью внедрять инновационные инструменты и отвечать требованиям непрерывной эволюции бизнеса».

В рамках DataOps приложения и инфраструктура для работы с данными развиваются непрерывно и итерационно, гарантируя увеличение производительности по мере роста объемов данных.

«Искусственному интеллекту присущи три свойства – самообучение, прогнозирование и автоматизация, – отметил Сумендра Моханти, руководитель направления анализа данных компании Larsen & Tourbo Infotech, являющейся глобальным поставщиком ИТ-решений и поддерживающей цифровую трансформацию своих корпоративных клиентов путем внедрения средств искусственного интеллекта. – Они позволяют улучшить такие практики DevOps, как CI и CD».

Несмотря на то что концепция DevOps обеспечивает необходимую гибкость и ускоряет вывод новых программных систем в продуктивный режим, процессу их поставки не хватает некоторых критически важных компонентов, например непрерывных инноваций и непрерывного цикла обратной связи.

«Искусственный интеллект придает данным свойство самообучения. Вот почему искусственный интеллект и машинное обучение приносятьно весьма ощутимую пользу при их интеграции в процессы и задачи DevOps. Так, при разработке программного кода средства искусственного интеллекта, моделируя различные сценарии, могут отслеживать, в какой степени удовлетворяются потребности пользователей, – пояснил Моханти.– Конечному пользователю не отводится роль пассивного игрока. Искусственный интеллект и машинное обучение позволяют оторваться от разработки программного обеспечения исключительно на основе заранее установленных правил и во многом обеспечить дополнительную гибкость за счет изучения данных».

Искусственный интеллект и машинное обучение помогают отслеживать производственные показатели, устанавливать связь с прошлыми проблемами, изучать предложенные решения и оценивать, насколько эффективными они были. Некоторые негативные моменты можно прогнозировать заранее и устранять автоматически. «Соединение искусственного интеллекта и машинного обучения с DevOps не только сделает процедуры проектирования программного кода, его развертывания и выпуска готовой продукции более предсказуемыми, но и обеспечит непрерывность процесса инноваций», – добавил Моханти.

Команды DevOps сосредоточены на жизненном цикле проектирования, учитывая при этом меняющиеся требования. «Однако есть важные аспекты предсказуемости качества кода и управления данными, связанные с тем, на чем команды не акцентируют свое внимание, – указал Моханти. – Интегрируя искусственный интеллект и машинное обучение в свои процессы, команды DevOps могут проанализировать выполнение кода, понять, все ли пользовательские сценарии учтены, изучить возникавшие ранее проблемы и способы их решения».

Управление данными

Искусственный интеллект помогает организовать управление растущими объемами данных в средах DevOps.

«Средства искусственного интеллекта и машинного обучения призваны выявлять тенденции и закономерности в растущих объемах данных, – отметил Элиэзер Канал, технический менеджер по кибербезопасности группы быстрого реагирования Института программной инженерии при университете Карнеги-Меллона. – Успех в этой области по большей части связан с наличием достаточного количества слабых индикаторов. Например, для того чтобы узнать температуру на улице, лучше всего взглянуть на термометр. К сожалению, зачастую у нас в распоряжении нет датчиков, которые точно измеряли бы то, что мы хотим знать. Поэтому приходится полагаться на множество слабых индикаторов. Люди считают задачи такого рода очень сложными, но для современных машин они, в сущности, тривиальны».

«Сфера DevOps переполнена огромными объемами данных, – добавил Канал. – Эти данные часто используются непосредственно для тех целей, для которых они предназначены. Например, отчеты помогают понять, в чем заключается ошибка. Но средства машинного обучения и искусственного интеллекта позволяют почерпнуть из всего этого гораздо больше. Так, изучая типы ошибок, присутствующие в отчете, аналитики могут обнаружить много чего интересного: какие модули используются наиболее интенсивно, в каких чаще встречаются ошибки, какие ошибки обнаружить труднее всего, и прочие полезные факты. Используя систему отчетов об ошибках в качестве источника данных о среде разработки, можно почерпнуть массу дополнительных сведений о процессе разработки и повысить общую эффективность».

Другой пример касается управления производственными системами. «Современные системы генерируют огромное количество журналов, большая часть которых используется уже после отказа системы или возникновения ошибки, – указал Канал. – Загрузив эти журналы в систему искусственного интеллекта, мы сможем не только понять, почему возникают те или иные ошибки, но и найти закономерности, которые очень трудно обнаружить другими способами. Процедуры встраивания средств искусственного интеллекта и машинного обучения в существующие продукты упрощаются. Многие поставщики предлагают API и наборы инструментов, помогающие предприятиям интегрировать соответствующие функции в свои продукты. В связи с этим командам DevOps нужно изучать не только открывающиеся перед ними возможности, но и порядок интеграции соответствующего функционала в программное обеспечение. Тем самым можно будет значительно улучшить качество программных продуктов, предлагаемых конечным пользователям. Широкое распространение средств искусственного интеллекта и машинного обучения наряду с переподготовкой персонала, очевидно, приведут к дальнейшему их совершенствованию и проникновению в процесс DevOps на протяжении еще многих лет».

- Bob Violino. How AI will revolutionize DevOps. CIO. July 18, 2018

В мире стартовала очередная технологическая гонка: США, Евросоюз и Китай приняли стратегии развития искусственного интеллекта и больших данных, признав важность технологий машинного обучения для цифровой экономики. Общий объем государственных инвестиций в исследования и разработки по этому направлению исчисляется десятками миллиардов долларов.

Избежать участия в этом соревновании России не удастся: надо успеть занять свое место в новой экономике, где искусственный интеллект будет играть ключевую роль в повышении производительности труда. В настоящее время разрабатывается отечественная концепция соответствующей стратегии, которую предполагается реализовывать в составе национального проекта «Цифровая экономика». Проектом предусматривается развитие целого перечня «сквозных технологий», включая нейротехнологии и искусственный интеллект. Общий объем финансирования проекта «Цифровая экономика» на шесть лет оценивается в 2,79 трлн руб., в том числе 282 млрд руб. планируется выделить из бюджета на реализацию федерального проекта «Цифровые технологии».

«Цифровая трансформация — это не процесс, не путь из точки А в точку Б, а культура изменений», Дмитрий Шушкин, вице-президент Abbyy

Уже в 2019–2021 годах на осуществление проектов по «сквозным технологиям» на базе лидирующих исследовательских центров и стартапов направят свыше 20 млрд руб, субсидии на масштабирование технологических решений высокой степени готовности составят еще 20 млрд руб. Компании-лидеры в разработке продуктов, сервисов и платформенных решений на базе сквозных технологий получат из бюджета более 10 млрд руб. Претендентов на государственное финансирование будут отбирать в соответствии с дорожными картами, которые еще предстоит разработать.

Ожидается, что дорожная карта по развитию искусственного интеллекта появится к июню 2019 года. В группу, занимающуюся разработкой концепции этого документа, входят представители Института системного программирования РАН, ИТМО, МФТИ, МТС, РВК, «Росатома», Фонда перспективных исследований, Центра речевых технологий и других организаций. Участникам группы необходимо выявить барьеры, препятствующие развитию сквозных технологий, и выработать меры по устранению этих барьеров, оценить потенциальный спрос на ИИ-решения в конкретных секторах экономики, составить «атлас» имеющихся центров разработки и открытый список проектов, а также определить критерии отбора проектов для господдержки и сформулировать требования к программам исследований. Дорожная карта призвана синхронизировать деятельность институтов развития, научных учреждений, исследовательских и корпоративных программ вузов и центров разработки.

Как не проиграть?

Как рассказал на форуме «Открытые инновации — 2018» Сергей Наквасин, директор направления «Формирование исследовательских компетенций и технологических заделов» АНО «Цифровая экономика», с учетом стартапов в России насчитывается около двух сотен проектов в области искусственного интеллекта, и нацеленность у них такая же, как у зарубежных. При этом у США специалистов в данной сфере больше в 25 раз, а разница в бюджетах еще значительнее. Если делать то же самое, что и все, не обладая сопоставимыми ресурсами, цифрового прорыва не выйдет, полагает Наквасин. «Ситуация, когда мы идем пешком, а нас обгоняют на скоростном болиде, заведомо проигрышная, — говорит он. — Надо искать асимметричные ответы».

Одним из многообещающих направлений, развивая которое можно обогнать весь мир, Наквасин считает когнитивные архитектуры. Что касается катастрофической нехватки кадров, то, помимо увеличения объемов подготовки специалистов, есть и другие варианты нивелирования дефицита. Один из них — это создание платформ, которые позволят решать интеллектуально емкие задачи в области ИИ-решений силами низкоквалифицированных специалистов. «Нам нужны сильные неожиданные решения!» — заявил Наквасин.

Впрочем, самый простой ответ на вопрос, как победить с кратно меньшими ресурсами, дал еще Александр Суворов: не числом, а умением.

Наиболее сложное, что требуется сегодня, — перевести людей в состояние постоянных изменений, считает Дмитрий Шушкин, вице-президент Abbyy. «Цифровая трансформация — это не процесс, не путь из точки А в точку Б, а культура изменений», — убежден он. Если компания хочет быть успешнее других, она должна меняться быстрее других, и искусственный интеллект, наравне с прочими технологиями, служит инструментом ускорения изменений. А повестка применения таких инструментов формируется исходя из задач, которые бизнес намерен решать быстрее других.

По мнению Шушкина, в госпрограмме должна присутствовать культура инновационного предпринимательства. Источниками ИИ станут команды, нацеленные на предложение решений, наиболее востребованных на мировом ранке. «Передовые технологии должны быть мирового уровня, и замахиваться надо сразу на этот уровень», — считает Шушкин.

«Все бегут, летят и скачут…»

«Разработку стратегии нужно начинать с ответа на вопрос, зачем России технологии искусственного интеллекта», Борис Глазков, вице-президент «Ростелекома»

Ажиотаж вокруг технологий машинного обучения не должен помешать взвешенному подходу к выработке стратегического курса на уровне страны. Разработку стратегии нужно начинать с ответа на вопрос, зачем России технологии искусственного интеллекта, подчеркнул Борис Глазков, вице-президент «Ростелекома». К примеру, США развивают ИИ для обеспечения обороноспособности и безопасности, в Китае на первом месте применение ИИ в экономике, а в Индии — в здравоохранении. Россия пока не ответила себе на этот вопрос.

Кроме того, следует разобраться с ресурсным потенциалом как с точки зрения числа имеющихся разработчиков, так и с точки зрения конкретных технологий, которыми они занимаются. «Искусственный интеллект» — это целая «корзина» с технологиями, включая машинный перевод, обработку естественного языка, распознавание образов, мультиагентные системы и пр. В какой области российские разработчики сильнее, на какую именно технологию можно опираться?

Выбирая стратегию, нужно также учесть отличительные особенности страны — громадную территорию, инфраструктуру огромной протяженности. Возможно, ИИ поможет компенсировать минусы, связанные с этим, и даже превратить их в плюсы?

Предыдущую технологическую гонку Россия проиграла, но на новом этапе построения «программируемого мира» решения для него вполне могут быть созданы на ее территории.

«Большинство технологий открыты, нейросеть способен сделать любой студент, вопрос только в данных, в кейсах и в уме, решающем, как ее применить, — отметил Сергей Дощенко, исполнительный партнер Gartner. — Используя новый виток развития цифровых технологий, мы можем создать привлекательные условия для жизни, сделать страну конкурентоспособной, чтобы сюда тянулись люди».

Не дожидаясь милости от нацпроектов

«Каждый энергоблок генерирует около 10 тыс. показателей в секунду, из них в реальной деятельности используется лишь 5–7%», Евгений Осоченко, руководитель проектного офиса «Цифровая трансформация отрасли» госкорпорации «Росатом»

Коммерческие компании уже сейчас успешно решают задачи цифровой трансформации, в том числе с помощью технологий машинного обучения. Так, в «Ростелекоме» уже несколько лет занимаются внедрением решений на базе технологий машинного обучения для подбора персонала, управления оттоком клиентов и даже стратегического планирования. По словам Глазкова, для крупной корпорации это не так уж дорого. В будущем ИИ понадобится телекоммуникационным компаниям для управления все более ветвящимися конвергентными сетями, для мониторинга и анализа трафика с целью получения конкурентных преимуществ. «Здесь нам потребуются российские разработки», — указал Глазков.

В «Росатоме» намерены с помощью ИИ снизить временные и стоимостные транзакционные издержки при принятии решений на среднем уровне менеджмента и развивают системы для анализа и правильного использования данных об эксплуатации объектов атомной энергетики. Каждый энергоблок генерирует около 10 тыс. показателей в секунду, из которых реально используется лишь 5–7%, сообщил Евгений Осоченко, руководитель проектного офиса «Цифровая трансформация отрасли» госкорпорации «Росатом».

По его мнению, при разработке ИИ-систем следует обратить внимание на следующие аспекты: достоверность данных, почему эти данные должны учитываться при принятии решений, каким образом они вписываются в операционную и бизнес-модель, а также безопасность чувствительных данных, касающихся неотчуждаемых конкурентных преимуществ компании. «Если мы взялись за гуж под названием «цифровая трансформация», то должны решить три части задачи: перестройка всех звеньев бизнеса адаптивно к спросу внешнего рынка, гибкая перестройка операционной модели и наложенная на все это система управления данными», — считает Осоченко.

Выбирая курс на ИИ

Компания «Цифра», специализирующаяся на создании «цифровых советчиков» для производственных предприятий на основе искусственного интеллекта, поделилась собственным опытом при выборе стратегических направлений для работы.

Павел Растопшин, управляющий директор компании «Цифра»

Чтобы понять, на чем следует сфокусировать усилия, в «Цифре» провели анализ публикационной активности по теме ИИ-решений для промышленности и сделали несколько выводов. Во-первых, разработчику данных технологий не обойтись без платформы, собирающей данные. Во-вторых, чем более вариативен производственный процесс, тем больше смысла им заниматься. К примеру, если при сходных условиях одни сталевары варят металл за час, а другие за 45 минут, то оптимизация вполне реальна — разница в электропотреблении и в деньгах для предприятия огромна. Еще один аспект, который следует учесть при выборе объекта моделирования, — достаточное количество установок или устройств (доменная печь, погружной насос для нефтепродуктов или ректификационная колонна), где математическая модель может быть применена. И наконец, перспективны для ИИ те области, где учить людей очень дорого и сложно либо цена ошибки очень высока, — например, пилотирование самолетов.

Чем государство могло бы помочь развитию технологий машинного обучения? Павел Растопшин, управляющий директор компании «Цифра», отмечает, что ученые по данным, как правило, плохо разбираются в технологических процессах, поэтому технологи-производственники с ними разговаривать не хотят. Государство могло бы организовать подготовку кадров не только со стороны математики, но и со стороны производства. Например, на каждой кафедре, выпускающей специалистов в области металловедения, учить также своих специалистов по данным и искусственному интеллекту. «Это реально могло бы дать нашей стране качественный скачок в накоплении экспертизы», — уверен Растопшин.

Для многих остается открытым вопрос, могут ли agile-методики и производство существовать вместе. Виталий Сухарев, лидер agile-трансформации функции маркетинга «Северстали», работает в компании уже 10 лет. Он начинал слесарем парогазотурбинного оборудования и прошел длинный путь, став лидером трансформации целой функции. Его первое погружение в тему Agile произошло несколько лет назад на одной из профильных конференций и принесло огромное количество энергии и позитива.

Сейчас «Северсталь» выпускает 11 млн тонн стали в год, работу этой огромной махины поддерживают 50 тыс. человек. Герман Греф как-то сказал, что изменить крупную компанию не менее сложно, чем заставить слона танцевать. Однако времена теперь таковы, что меняться приходится всем: нынешние условия требуют другой скорости, новых подходов к ведению бизнеса.

«В 2016 году явственно возникла проблема с разработкой новых видов продукции. Посмотрев вокруг, мы увидели, что были очень медленными — не только по сравнению с зарубежными компаниями, но даже с российскими конкурентами», — говорит Сухарев. Наиболее проблемным был показатель time to market — новые продукты выводились на рынок очень долго, в среднем 2–2,5 года, и иногда к моменту своего появления часть из них оказывались ненужными. Видя все это, люди сильно разочаровывались в своей работе, теряли веру в себя. С этим надо было что-то делать. Еще один нюанс — это критичность ошибок: в металлургии они обходятся очень дорого, так как минимальная партия нового товара составляет 350 тонн.

В попытках ускорить процессы разработки менеджмент компании стал присматриваться к альтернативным подходам, и один из них — Scrum — привлек наибольшее внимание. Однако требовалось его серьезно адаптировать к производственным реалиям.

Период адаптации

«Что такое инкрементально-итеративный подход и что он может дать разработке новых видов продуктов? Ведь понятно, что за две недели не удастся вывести на рынок частично готовое новое изделие и затем достраивать его, — говорит Сухарев. — А вот существенно сократить путь, ведущий к появлению нового продукта, совершенно точно можно. И каждые две недели корректировать направление своего движения тоже можно».

«В основе методик Agile лежит самоорганизация. Она сродни капризному цветку, которому для жизни требуются определенные условия и уход», Виталий Сухарев, лидер agile-трансформации функции маркетинга «Северстали»

В 2016 году в «Северстали» было запущено два пилотных проекта по разработке продукта в новом формате. Взяв за основу методику Scrum, собрали две небольшие кросс-функциональные команды по четыре-пять человек в каждой, в их работе использовались все типичные атрибуты: спринты, стендапы, обзоры, скрам-мастера. Сразу стало заметно, что работа пошла лучше, хотя люди были задействованы в проектах всего на 20–30%. Но даже эти первые эксперименты дали заметный эффект, и разработка ускорилась в 2–3 раза. Немаловажно, что новые методы взаимодействия оценили и сами участники команд. Как следствие, 2017 год ознаменовался резким ростом таких проектов: появилось около 25 команд.

«На проблемы, существовавшие на первых этапах, не обращали внимания из-за эйфории. Тем не менее впоследствии они сильно проявились, и основная из них — снижение управляемости», — отмечает Сухарев. Когда команд стало много, началась путаница, исчезла прозрачность, стало непонятно, в каких направлениях идет «движуха». Второй блок проблем — дискомфорт, обусловленный участием сотрудников в нескольких командах. Люди были вынуждены по несколько раз посещать стендапы, планирования, обзоры. В 2018 году было решено переконфигурировать работу команд, организовав их в виде потоков создания ценности (value stream). Запустить работу первой такой команды очень помогли эксперты ScrumTrek.

Командная игра

В результате реорганизации получилось продуктовое подразделение, включающее пять продуктовых направлений. Каждое из них объединилось вокруг определенной технологической цепочки и поддерживается кросс-функциональными командами. Каждая команда состоит из различных специалистов: разработчика технологий, маркетолога, продавца, специалиста технической поддержки и т. п. По мере необходимости в команды добавляются и другие специалисты. Причем люди в команды выделены на полное время.

«Мы поняли, что базовых элементов, существующих в Scrum, явно недостаточно, чтобы подразделение функционировало успешно. Были необходимы структурные изменения», — подчеркивает Сухарев. Первым таким изменением стала замена индивидуальных целей на цели командные. Тем самым был устранен ряд внутренних противоречий между участниками команд. Кроме того, все команды теперь размещены в одном помещении — офисе открытого типа (open space). У них появилась возможность удобно общаться, быстро договариваться, обмениваться практиками и решениями проблем. Изменился формат отчетности: были определены общие демодни, когда все команды представляют результаты своей работы коллегам, руководителям и прочим заинтересованным лицам. По-другому стали проходить и сами встречи: если раньше люди сидели за столами с компьютерами, то теперь все участники стоят и в ходе презентаций различных команд перемещаются по комнате.

Следующий блок, подвергшийся изменениям, — система оценок. Участники команд стали сами оценивать друг друга, а прежде этим занимались руководители подразделений. Очевидно, что после перехода сотрудника из подразделения в скрам-команду его линейный руководитель вряд ли сможет адекватно оценить его. «Также стало понятно, что Agile набирает обороты, и надо готовить собственные программы обучения. Недавно мы открыли свою школу скрам-мастеров», — говорит Сухарев.

Спринты для топ-менеджмента

Помимо разработчиков новой продукции, в компании появились две дополнительные команды поддержки — команда метаскрам и команда общей трансформации. Дело в том, что если команды будут сами заниматься еще и изменениями, то на работу по продуктам у них не останется времени. Команда из топ-руководителей, названная метаскрам, — важный с точки зрения скорости работы инструмент. Ее задача — решать проблемы, требующие вмешательства на более высоком уровне. Она также работает с элементами Scrum и личным примером мотивирует подчиненных на новые свершения.

Не менее важно, что команды разработчиков входят в состав одного подразделения, у которого единая цель, и каждая группа работает на «общий котел». Да, команды относительно автономны, но они действуют согласованно, как единый организм. Но стоит отметить, что появление новых ролей, изменение взаимоотношений и работы в команде были болезненными — сотрудникам во время перемен точно пришлось непросто.

Наконец, при создании любых инноваций требуется вписаться в регламенты, которые никто не собирается отменять. ««Северсталь» — огромный и довольно опасный производственный объект, во главу угла здесь поставлена безопасность: нормативы, правила и жесткий контроль. А мы выступаем проводниками новых идей, ратуем за креатив и свободу. Очевидно, что контроль и свобода находятся на разных чашах весов», — признает Сухарев. Кроме того, люди, которые проработали на предприятии 10–15 лет, не могут измениться в одночасье. На первых порах встречи команд иногда превращались в нечто «более привычное»: скрам-отчеты, нарезание задач, спрос за результат и корректирующую обратную связь.

Взращивая самоорганизацию

«Некоторое время назад, когда я был скрам-мастером в одной из команд, мне пришлось уехать в командировку. Я попросил коллегу провести планирование спринта и был очень удивлен, когда узнал, что одна из участниц команд сама вызвалась провести планирование», — вспоминает Сухарев. Мы часто считаем самоорганизацию чем-то неосязаемым и недостижимым. А она иногда проявляется самым неожиданным образом.

«Часть вопросов свелась к попытке понять, что же такое на самом деле Agile. Для себя мы уяснили, что в основе этих методик лежит самоорганизация. Она сродни капризному цветку, которому для жизни требуются определенные условия и уход», — продолжает Сухарев.

Чтобы «взрастить» самоорганизацию, можно порекомендовать следующее. Во-первых, командам нужна единая, объединяющая и вдохновляющая цель. Эта цель должна быть актуальной для каждого участника. Да, иногда непросто найти то, что «драйвит» всех, но без этого обойтись не удастся.

Второй фактор — самостоятельность: надо дать командам возможность самостоятельно достигать поставленных целей. И если команды готовы брать на себя ответственность, то не менее важна готовность начальства ее делегировать. На этом этапе формируется культура доверия. Да, отдавать бразды правления страшно, потому что ответственность за окончательный результат все-таки остается на руководстве. Чтобы минимизировать страх, нужна максимальная прозрачность работы. Именно непрозрачность всегда порождает недоверие.

Еще один важный шаг — определение границ самостоятельности, понятных и для команд, и для управленцев. Команде, как и ребенку, надо научиться ходить, говорить, читать и писать, и уже потом может идти речь о более сложных действиях. Поэтому надо договариваться о границах и постепенно их расширять. С ростом успехов команды растет и доверие, а с ним — расширяются границы.

Эти пять шагов ведут к появлению в команде ростков самоорганизации. За ними в дальнейшем придется так же бережно ухаживать.

«Несмотря на все наши ошибки и проблемы, мы видим, что место для Agile в производстве есть», — резюмирует Сухарев. Сейчас показатель времени создания новых продуктов сократился вдвое — до 1–1,5 года, а их число достигло 70. Но самое главное — стало понятно, что есть огромные возможности для дальнейших улучшений.

Ведущие компании внедряют средства искусственного интеллекта и машинного обучения, стремясь изменить принципы взаимодействия с клиентами, укрепить отношения с ними, обрести конкурентоспособность и повысить выручку.

Стержнем преобразований стали новые технологии — чат-боты, системы выдачи рекомендаций, механизмы составления персонализированных сообщений, инструменты интеллектуального таргетинга рекламы и средства распознавания образов. По прогнозу Gartner, доход предприятий, полученный благодаря средствам ИИ, вырастет к 2022 году по сравнению с нынешним втрое и достигнет 3,9 трлн долл., причем главным источником роста станет улучшение клиентского обслуживания.

ИИ привлекает внимание как бизнеса, так и ИТ-руководителей, поскольку сулит перспективы увеличить приток клиентов и способствовать их удержанию. Как показал опрос, проведенный Salesforce Research среди 3500 руководителей по маркетингу, в 51% компаний уже используют ИИ и более чем в четверти собираются провести внедрения в ближайшие два года.

Опишем, как в компаниях используют ИИ для улучшения взаимоотношений с клиентами и увеличения их численности.

Чат-боты

Автоматизированный агент, виртуальный помощник или чат-бот — самое типичное применение ИИ для взаимодействия с клиентом. Соответствующие технологии еще только-только начали развиваться, но на первой линии клиентской поддержки в компаниях ими успешно пользуются.

На сайты издательства Pearson Education, выпускающего учебные пособия, ежедневно заходит более 2 млн пользователей, и в среднем по 15 тыс. из них каждый день обращаются в службу поддержки, а в канун начала учебного года число обратившихся существенно возрастает.

В апреле прошлого года в Pearson решено было внедрить чат-ботов, которые бы помогали пользователям, столкнувшимся со сложностями при доступе к материалам и проблемами с системами просмотра, восстановлением паролей и т. п.

Чтобы справиться с сезонным увеличением числа обращений в службу поддержки, издательство расширило сотрудничество с компанией Salesforce и стало пользоваться ее чат-платформой Einstein. Как сообщают в Pearson, пилотное внедрение удалось провести всего за шесть недель.

Результат превзошел ожидания. Более 60% из 63 тыс. запросов о помощи в связи с проблемами доступа, просмотра и сброса паролей были отработаны чат-ботами. Остальные 40% были переадресованы людям, причем эти переадресованные проблемы удалось решить на 20% быстрее, поскольку чат-бот уже собрал значительную часть необходимых сведений. Накопленные данные по обращениям в Pearson планируют использовать для улучшения результативности работы чат-ботов.

Благодаря внедрению, и пользователям, и отделу ИТ удалось сэкономить очень много времени; в канун начала учебного года компании пришлось оплачивать труд меньшего, чем прежде, количества сотрудников службы поддержки.

Сейчас, в ходе подготовки к следующему всплеску обращений, ожидаемому в январе, идет работа по увеличению количества вопросов, на которые способны отвечать боты. Есть планы использовать чат-ботов в процессах продаж — например, для проверки лицензий преподавателей и предоставления сведений о статусе заказа.

Издательство рекомендует другим участникам отрасли заняться исследованием вариантов применения чат-ботов. Для этого потребуется анализ обращений, успешно отработанных людьми, — нужно выбрать самых результативных агентов и поручить им обучение чат-ботов.

Как свидетельствуют данные опроса, проведенного Constellation Research, сегодня уже в 50% компаний используют ИИ для клиентского обслуживания — в пилотных проектах или в рабочем режиме. Однако некоторые организации решили подождать, пока технологии чат-ботов станут более совершенными. Такие «ожидающие» верят, что у чат-ботов есть будущее, однако не удовлетворены эффективностью их работы или придерживаются мнения, что клиентам больше нравится общаться с живыми людьми.

Когда-нибудь чат-боты станут настолько развитыми, что отличить их от реальных людей будет невозможно, но пока не стоит рассчитывать на то, что автоматизированная система сможет заменить целый отдел. В Constellation Research отмечают, что польза от возможности переложить на чат-ботов нагрузку несомненна: люди получат больше времени на решение более сложных клиентских проблем.

Системы выдачи рекомендаций

В компании Bluestem Brands, владеющей несколькими онлайн-магазинами, пока воздерживаются от внедрения чат-ботов, но с успехом применяют ИИ для выдачи рекомендаций по покупкам.

Чтобы понять, что конкретно покупатель ищет в рамках очередного сеанса посещения онлайн-магазина, нужно учитывать не только историю прошлых заходов, но и контекст, в том числе раздел, где находится пользователь. Для лучшего анализа контекста можно использовать историю поиска, выполнявшегося другими пользователями.

В Bluestem экспериментируют с системой рекомендаций уже пять лет, и вот уже три года она применяется в рабочем режиме. В компании отмечают, что в связи с постоянными изменениями на рынке конкретные показатели улучшений назвать трудно, но эффективность каждой модификации системы ИИ можно оценить путем тестов.

В Bluestem проводят тесты на 10% аудитории сайта: половина покупателей взаимодействует с текущей версией системы, выполняя роль контрольной группы, а половина — с новой. Испытания заканчиваются, когда конверсия в контрольной группе достигает того же уровня, что и у 90% не участвующих в тестировании, после чего ИТ-руководитель оценивает эффективность нововведения. Обычно прибавка небольшая: уровень конверсии увеличивается примерно на четверть процента, — но такие улучшения вносятся постоянно, и обычно одновременно проводится по два-три тестирования.

По мере развития системы в компании изучают и другие факторы, способные повлиять на поведение покупателя. Например, те, кто проводят выходные не в родном штате, ведут себя при совершении онлайн-покупок иначе, чем дома, отмечают в Bluestem.

ИИ также планируется использовать для персонализации онлайн-витрин, чтобы сведения о товарах отображались для каждого покупателя в той форме, которую он предпочитает. Например, определенные характеристики товара могут быть для кого-то более важными, и их надо отображать на странице более заметно.

Персонализация сообщений

Компания Adorama, продающая электронику, использует ИИ для выдачи рекомендаций уже два года, но с наибольшим эффектом персонализация проявилась в маркетинговых сообщениях электронной почты, которые составляются при участии системы машинного обучения. По словам представителей компании, система помогает экономить.

Раньше заголовок письма в Adorama составлял копирайтер, а сейчас этим занимается компьютер. Рассылку персонализированных сообщений для Adorama организует сторонний поставщик услуг — такой договор был заключен, чтобы избежать найма собственных аналитиков и разработчиков на Python.

Компания размещает на своих сайтах счетчики посещений, передающие статистику поставщику услуг, предоставляет ему доступ к каталогу товаров Adorama и тестирует нововведения — обычно весь процесс занимает 40–50 часов.

Однако в Adorama предостерегают от поспешных внедрений ИИ, рекомендуя подходить к освоению новшества разумно и осмотрительно. Следует определиться, какую конкретно задачу требуется решить, выяснить, подходит ли для этого ИИ и будет ли такая система самой действенной и экономически эффективной.

Например, в случае персонализированных сообщений технология ИИ компании Persado помогла Adorama увеличить число переходов по ссылкам, что привело к увеличению оборота на 50–70%. В Persado обучают систему, используя предыдущие сообщения компании-клиента. При подготовке новой маркетинговой кампании сообщения составляются по аналогии с самыми успешными из прошлых рассылок. По прошествии некоторого времени оценивается, насколько кампании, проведенные с помощью ИИ, повлияли на уровень заинтересованности и число отписавшихся.

Но, как подчеркивают в Persado, люди по-прежнему участвуют в процессе. Во-первых, именно они составляют первоначальный текст нового сообщения, которое затем персонализируется с помощью ИИ для каждого конкретного покупателя. Во-вторых, люди проверяют составленное компьютером сообщение и выполняют окончательное редактирование.

Таргетинг рекламы

Использование ИИ в рекламном деле — еще одно важное направление усилий в компаниях, стремящихся изменить принципы взаимодействия с клиентами.

В Procter & Gamble, например, целый отдел специалистов data scientist экспериментирует с применениями ИИ, одной из главных областей стала реклама. В компании применяется программируемая платформа, распознающая покупателя, оценивающая его пожелания, выбирающая бренд для рекламного объявления и рассчитывающая затраты на размещение, и всё это — меньше чем за секунду. Как поясняют специалисты Procter & Gamble, речь идет о крупномасштабной модели высокой точности, работающей в режиме реального времени.

По сравнению с предыдущей «широковещательной» моделью новая гораздо экономичнее. Как признаются в компании, интеллектуальный таргетинг позволяет расходовать рекламный бюджет гораздо разумнее, а сами рекламные объявления стали гораздо более релевантными в глазах пользователей.

В P&G самостоятельно разрабатывают системы ИИ, используя инструменты с открытым кодом и коммерческие продукты. За последние три года стратегия компании в области освоения ИИ расширилась, появились новые группы разработчиков в США, Европе, Китае и Сингапуре. При этом в компании не рекомендуют бездумно внедрять новшества, в частности чат-ботов. Как полагают в P&G, боты способны помочь улучшить обслуживание покупателей, однако несовершенный бот, допускающий ошибки, может ухудшить впечатления клиентов.

Распознавание образов и видео

Обработка изображений — еще одна область, в которой ИИ помогает менять обслуживание клиентов. Один из примеров — онлайн-магазин мебели Wayfair.

В компании начали внедрять ИИ еще несколько лет тому назад, чтобы с большей эффективностью покупать рекламные пространства на сайтах социальных сетей, в поисковых системах и на телевидении. А вскоре в компании заинтересовались возможностями применения технологий компьютерного зрения с учетом специфики бизнеса по продаже мебели и бытовых принадлежностей.

Товары такого рода трудно отыскивать по ключевым словам, отмечают в компании. Если вам нужен коврик или диван, сложно подобрать точные слова, которые бы описывали именно то, что вам требуется. На сайте Wayfair покупателям не нужно перебирать весь колоссальный каталог товаров, предлагаемых магазином, — система персонализации демонстрирует каждому пользователю наиболее подходящие для него продукты.

ИИ используется в Wayfair, чтобы рекомендовать внешне похожие друг на друга товары. Кроме того, покупатель может загрузить сделанный им снимок какого-либо предмета, например кофейного столика, и получить рекомендации подобных товаров из каталога компании. Система может предложить товары, отвечающие определенному стилю, например «модерн», «современный» или «индустриальный», а также «догадаться», как лучше всего представить товар покупателю — скажем, отобразить предмет на белом фоне или в домашней обстановке, снятым сбоку или спереди.

В дальнейшем ИИ планируется использовать, чтобы помогать покупателям менять домашний интерьер. Например, клиент может продемонстрировать системе комнату, указав, что хочет сделать ее более современной. Над такой возможностью работа пока только идет, объясняют в Wayfair. В компании надеются стать пионером в этой области — пока что ни у кого нет системы, способной оценить процентное соотношение стилей в домашней обстановке.

Механизмы обработки изображения являются основой технологий виртуальной, дополненной и смешанной реальности, с которыми тоже экспериментируют в компании. В Wayfair полагают, что инвестировать в них определенно стоит. В августе в партнерстве с разработчиками шлема дополненной реальности Magic Leap компания запустила систему шопинга для его пользователей, а в октябре — приложение для дизайна интерьеров и планирования обстановки помещений.

В P&G тоже используют ИИ в системах распознавания образов и видео. В компании создан автоматизированный консультант по товарам для ухода за кожей бренда Olay, система анализирует снимок лица, присланный покупателем через приложение или сайт, и рекомендует подходящие продукты. По словам представителей P&G, для анализа изображений применяется система глубинного обучения, которая обеспечивает предельную точность персонализации взаимодействия, упрощает его и способствует повторным покупкам благодаря повышению лояльности к бренду.

Кроме того, в P&G применяют систему распознавания образов, чтобы оптимальнее размещать товары на полках в обычных магазинах. Изучаются возможности использования ИИ для анализа видео. Как подчеркивают в компании, очень важно знать, как именно используются товары. В рамках проекта с разрешения покупателей ведется съемка их действий — например, того, как они пользуются швабрами, моющими средствами и т. п. Ручная обработка больших объемов подобных видеозаписей затруднительна, а компьютер справится гораздо эффективнее, интерпретируя происходящее в кадре даже точнее, чем люди.

«Матрица» искусственного интеллекта

Как отмечают в Wayfair, хотя сейчас ИИ в основном применяется точечно для решения определенных задач по улучшению обслуживания, все они взаимосвязаны. Например, система назначения расценок влияет на маркетинг, а маркетинговые системы оказывают влияние на прогнозирование спроса. Такие прогнозы, в свою очередь, могут влиять на промоакции и наоборот. По оценке специалистов, системы можно будет комбинировать и оптимизировать их взаимодействие.

С учетом того, что data science и алгоритмические методы сегодня нередко применяются по всей организации, а не только в отдельных ключевых функциональных областях, инженерия ПО фактически становится стержнем предприятия, а наука о данных — его жизненной силой.

— Maria Korolov. 5 ways AI is transforming customer experience. CIO. October 23, 2018