показывать на главной

Персонализация при работе с клиентами уже стала общепринятой практикой даже в офлайн-ретейле. Следующим шагом становится гиперперсонализация, когда компании переходят от групп клиентов к конкретным людям, обращая внимание на их индивидуальные потребности и привычки. «Утконос Онлайн» с ее помощью помогает покупателям не утонуть в океане товаров, а также серьезно повышает эффективность маркетинговых активностей. О роли гиперперсонального подхода к клиентам в бизнесе компании рассказывает Дмитрий Бодунов, директор управления данными «Утконос Онлайн».

— Какова идея создания интеллектуальных решений в вашей компании?

Наша цель – создавать автоматизированные системы, которые позволяют принимать правильные решения и зарабатывать деньги компании. Мы делим такие системы на несколько групп: первая группа систем принимает бизнес решения полностью самостоятельно, без участия человека, – например, какие товары отправить клиенту в рассылке. Вторая группа рекомендует решение, которое может быть принято или скорректировано ответственным менеджером – например, прогноз заказов на следующий день или список KVI-товаров. (Товары группы key value indicator влияют на восприятие покупателем уровня цен в магазине. Они являются важной частью ценовой стратегии, помогая привлекать чувствительных к ценам покупателей. – Прим. ред.). Наконец, третья группа сигнализирует о нестандартном поведении и должна предупредить ответственного менеджера о необходимости принять экспертное решение – например, в случае падения скорости сборки на складе.

— «Утконос Онлайн» осуществляет переход от обычной персонализации к гиперперсонализации. Что к этому привело?

В начале 2021 года мы решили, что одно из наших ключевых преимуществ — это сверхширокий ассортимент, и поставили себе цель — 150 тыс. наименований товаров. Однако при неправильно выстроенной работе рекомендаций и поиска сверхширокий ассортимент может стать не преимуществом компании, а головной болью клиента. Тогда стало понятно, что нужно помогать покупателям ориентироваться в этом «океане» товаров, — и мы начали уходить от обычной персонализации к гиперперсонализации, то есть персонализации на уровне отдельных клиентов, которая учитывает максимальное количество информации о каждом клиенте.

— Как была поставлена задача?

В каталоге и поиске необходимо было учитывать индивидуальные предпочтения, чтобы люди среди огромного количества товаров получали то, что им нужно и интересно. Сейчас у нас 90 тыс. наименований. Развивать персонализацию выдачи каталога, и поиска, и CRM нужно было сразу, так что задачи велись параллельно.

— За какое время и какими силами был реализован проект?

Мы начали этот проект в 2021 году. И это направление продолжает свое развитие — мы постоянно идем по пути улучшения. Нет точки, в которой мы бы решили, что больше не будем развивать нашу персонализацию.

В команде персонализации дата-офиса 5 человек — это дата-сайентисты и ML-инженеры. Есть еще владельцы продуктов поиска, сайта и CRM, а также разработчики, которые помогают встраивать сервисы внутрь сайта.

— В чем заключалась самая большая проблема?

Основная сложность — следить за очень большим количеством параметров. Это связано с выводом больших сложных проектов, относящихся к машинному обучению, в промышленную эксплуатацию. Это сложный многошаговый процесс, и небольшие трудности случаются на каждом этапе.

— Чем из последних разработок можно гордиться?

Наши CRM-рассылки — это уже поставленный на поток процесс. Несколько раз в неделю мы с бизнесом прорабатываем, кому и какие предложения требуется отправлять.

Раньше рассылку составлял эксперт, и отправлял, например, самые популярные товары, а теперь система сама индивидуально подбирает товары – эффект фантастический, втрое лучше, чем при работе эксперта. Отдельно следует сказать про персонализацию промо-рассылок. Раньше для промо, например, к 8 Марта, бизнес делил пользователей самостоятельно условно на две категории – мужчины и женщины, и каждая категория получала собственное предложение. Теперь же система делит сама, и не на пару сегментов, а каждому человеку предлагает индивидуально подобранные товары.

Персонализация CRM в 2,5 раза увеличила конверсии по новым товарам, также мы вдвое увеличили конверсии промо-предложений. Не менее важно, что за полгода нам удалось вернуть из оттока 20 тыс. клиентов. Это достигнуто именно за счет персонализации предложений на уровне каждого отдельного пользователя.

Еще один повод для гордости – онлайн-витрины. Во-первых, персонализация выдачи поиска и каталога. Мы сделали ранжирование списка товаров, которое подстраивается индивидуально под человека в зависимости от того, в каком сегменте он находится и какая у него история покупок. Этот сервис уже запущен и прошел A/B-тестирование, и сейчас задача – масштабировать его на всех пользователей. Эффект персонализации по результатам A/B-тестов составил 4% средней выручки на одного пользователя, это объективно много.

Кроме того, реализован функционал «Похожие товары», «Сопутствующие товары», а также определение ключевых слов и поисковые подсказки.

Наконец, в области ценообразования оптимизирован выбор KVI-товаров. Мы определяем их по своей методике: они не могут быть персонализированными, потому что цена едина для всех. Однако мы используем информацию о наших покупателях: смотрим периодичность покупок, как часто продукты встречаются в чеке, как часто этот товар используется среди людей — и на основании этого определяем список KVI-товаров.

— В каких направлениях планируется дальнейшее развитие?

Мы планируем использовать разные методы машинного обучения для улучшения персонализации. Важно построить «хранилище фич» (feature store), чтобы дата-сайентисты могли быстрее проверять гипотезы, выйти в «реальное время» взаимодействий на сайте.

Мы продолжаем заниматься и текущими задачами: улучшаем существующую модель поиска, а в CRM начинаем работать не только с теми, кто уходит в отток, и активными клиентами, но и с новичками — информацию о них приходится искать вовне. Согласно нашей стратегии, в 2022 планируем дальнейшее развитие онлайн-витрин, работу с оптимизацией ассортимента и массовым промо, построение цифровых двойников складов.

Данные о транзакционном поведении людей всегда были ценным источником информации. Компания QIWI в 2019 году запустила отдельное направление бизнеса, основанное на анализе больших данных. Предсказательная аналитика помогает оценить различные аспекты финансового поведения человека, для того чтобы предложить ему наиболее подходящий продукт с минимально возможной стоимостью риска, заложенной в цену. При этом зачастую речь идет о людях, информацию о которых невозможно получить из других источников. О причинах создания этого направления бизнеса и его особенностях рассказала Юлия Богачева, директор по управлению и анализу данных QIWI и номинант на премию Data Award.

— Как в компании появилось новое направление бизнеса, связанное с анализом больших данных?

Компания QIWI — лидер на рынке платежей в РФ. Наша продуктовая линейка представлена различными продуктами: кошелек, терминалы, платежные переводы Contact, различные решения для бизнеса, позволяющие осуществлять прием платежей и перечислять денежные средства клиентам. Этими сервисами пользуются более 30 млн человек, осуществляющих платежи в адрес более чем 13 тыс. продавцов товаров и услуг.

Так как за время существования мы накопили большой объем данных о транзакционной активности наших клиентов и достаточно успешно использовали данные для улучшения собственных сервисов, в 2019 году было принято решение попробовать запустить отдельное направление бизнеса, основанное на аналитике больших данных.

— Что собой представляют дата-продукты QIWI?

Наши продукты — это различные скоринги и рейтинги, которые позволяют нашим B2B-клиентам лучше узнать их B2C-клиентов (с согласия последних) и предложить им наиболее релевантный продукт или услугу на наилучших условиях.

— Вы заявляете о показателе хитрейта («шанс попадания» — вероятность того, что нужного клиента удастся найти) от 85% до 92% — это впечатляющие цифры. Как их удалось добиться?

В данном случае это исключительно заслуга основного бизнеса QIWI: теми или иными продуктами нашей компании пользуются практически 80% экономически активного населения РФ.

— Какова ваша «фишка», в чем уникальность собранных данных?

Мы имеем дело с такими сегментами клиентов, которых нет или очень мало у классических кредитных организаций. Это так называемые underbanked клиенты, то есть те, кто имеет ограниченный доступ к традиционным финансовым услугам. Причины могут быть разными: географическая отдаленность или просто отсутствие банковских услуг в отдельных регионах. Либо же это специфические возрастные категории — например, молодежь, которая только входит в экономическую жизнь, или технологически неграмотные люди, до сих пор использующие наличные. Скажем, студент хочет получить кредит в банке, и ему предложат очень высокий процент, поскольку о нем нет информации ни в кредитном бюро, ни в самом банке. Мы же про этого человека знаем достаточно много, потому что он совершал регулярные покупки в Интернете, используя сервисы QIWI. Благодаря этому, для таких категорий клиентов становятся доступными кредитные продукты.

— В чем ценность информации о платежном поведении людей, которую видит в своих системах QIWI? Что она может показать?

Объем и разнообразие накопленных нами транзакционных данных позволяют проанализировать поведенческую адекватность человека: как он распределяет свой доход, сколько тратит на развлечения, какими сервисами пользуется, что ему интересно.

— Что «под капотом» созданного решения? На каких платформах оно базируется?

В QIWI закреплен микросервисный подход к созданию продуктов, и наша платформа Big Data не исключение. Наши data-продукты — это отдельные микросервисы с понятным API, который легко интегрируется в систему заказчика, а нам такой продукт достаточно просто масштабировать. Наши основные инструменты при работе с данными — Python и Docker, также мы используем AirFlow, Hive, Spark, Kubernetes и другие компоненты open source.

— Какую долю бизнеса компании занимает новое направление?

Согласно внутренней политике компании, мы не раскрываем финансовую информацию по различным направлениям бизнеса. Но речь идет о выручке в размере десятков миллионов рублей, ожидаем ее кратного роста год от года.

— Какое место интеллектуальные сервисы способны занять в перспективе?

Совершенно очевидно, что в борьбе за потребителей будут выигрывать компании, которые умеют использовать продукты аналитики больших данных для эффективного взаимодействия с клиентом. Сегодня каждый человек получает огромный поток информации, которую он зачастую уже не способен обработать. Поэтому теперь, чтобы привлечь или удержать клиента, любому бизнесу необходимо вовремя предложить нужную услугу или товар по конкурентной цене — иначе предложение будет вне фокуса внимания или быстро забудется. И для выполнения этой задачи необходимы данные и сервисы, основанные на них.

— В каком направлении будут развиваться дата-продукты QIWI?

Локомотивом использования аналитики больших данных в России являются финансовый и технологический секторы. Однако мы видим рост уровня зрелости и в других направлениях бизнеса. Соответственно, мы планируем развивать наши дата-продукты для удовлетворения потребностей растущего рынка.

В столичной Госинспекции по недвижимости автоматизировали процесс выявления нарушений, связанных с землепользованием. Теперь особое внимание инспекторы уделяют «подсвеченным» алгоритмами объектам, имеющим признаки нарушений. Дарья Степанова, заместитель начальника Государственной инспекции по контролю за использованием объектов недвижимости города Москвы и номинант премии Data Award, рассказывает о роли и результатах этого проекта.

— Какова история: как и почему родилась идея этого проекта?

Москва – один из самых динамично развивающихся городов не только в России, но и в мире. В столице насчитывается около полумиллиона объектов капитального строительства, построек и сооружений различного назначения. Они регулярно видоизменяются, проводятся ремонтные и реконструкционные работы, возводятся новые объекты и демонтируются старые, расторгаются и заключаются договоры – все это приводит к изменению границ земельных участков. В наше поле зрения попадают все объекты недвижимости, и объем работы колоссален.

Мы проводим постоянную работу по совершенствованию и разработке новых инструментов контроля. Одним из таких шагов стало внедрение алгоритмов выявления признаков нарушений. Они позволяют нам расширять охват зоны постоянного мониторинга, а также снижать нагрузку на бизнес и предпринимательское сообщество за счет дистанционных объективных методов выявления признаков нарушений без взаимодействия с их правообладателями.

— Какие задачи требовалось решить?

В первую очередь, необходимо было преодолеть проблему различной семантики источников информации, предоставляющих большое разнообразие данных, что значительно осложняло процесс идентификации объектов. Также была проведена большая работа по выстраиванию самого алгоритма, поиску необходимых источников и верификации данных, хранящихся в них. Необходимо было учесть все факторы и риски и не допустить ошибок в логике работы алгоритмов.

— За какое время и какими силами была реализована система?

Проект мы начали в 2020 году, а в прошлом году уже запустили первый алгоритм. В его реализации участвовали сотрудники и группа разработчиков проектного офиса по развитию информационных систем Государственной инспекции по недвижимости, входящей в Комплекс экономической политики и имущественно-земельных отношений столицы.

— Кто и на каких условиях предоставляет информацию для анализа?

Большую часть сведений мы получаем из информационных систем Правительства Москвы, портала Отрытых данных города Москвы, портала Росреестра, также используем открытые источники – например, «Яндекс». Предметом анализа являются технические параметры объектов недвижимости, информация о выданной исходно-разрешительной документации, договорные отношения, параметры объектов по ранее проведенным проверкам, а также сравнение фактического и разрешенного использования объектов недвижимости.

— Какие решения для этого используются?

Алгоритмы построены на платформе Pentaho BI, представляющую собой последовательную систему принятия решений по определенным видам данных (дерево принятия решений).

— Что удалось сделать, какими результатами можно гордиться?

Мы разработали и запустили в работу пять алгоритмов выявления признаков правонарушения. Алгоритм «Отсутствие оформленных земельно-правовых отношений» направлен на выявление объектов без оформленных земельно-правовых отношений и их последующего оформления. «Выявление самостроя» проводит анализ изменения площадных характеристик объекта на предмет соответствия разрешительной документации на строительство. «Неосвоение земельных участков» отвечает за анализ использования территорий, предоставленных под проектирование или строительство. «Нецелевое использование земельных участков» выявляет соответствие разрешенного использования земельных угодий и использования объектов капитального строительства по фактическим данным из открытых источников. Наконец, алгоритм «Самозахват земельных участков» анализирует соответствие границ построек с границами земельных угодий.

Каждый алгоритм помогает сформировать перечень объектов с необходимой проблемной информацией о них и присвоить категорию риска. Далее наши специалисты начинают работу по объектам и в короткие сроки дают заключение о наличии или отсутствии нарушений. Так, с момента запуска программы подтверждено более 3,5 тыс. нарушений в сфере землепользования.

Алгоритмы помогли сократить в четыре раза время на поиск первичных признаков правонарушений. Мы проанализировали более 200 тыс. строений и более 3 млн технической, разрешительной документации и данных открытых источников. Точность выводов алгоритмов составляет 84%.

— В чем заключается важность проекта?

Стратегическая важность, и даже уникальность проекта заключается в том, что система автоматически сопоставляет все необходимые документы и проводит анализ объектов. При отсутствии или несоответствии технической, или разрешительной документации алгоритм выдает признак нарушения. С помощью алгоритмов возможно проанализировать тысячи объектов в кратчайшие сроки и выделить из них именно те, которые обладают наибольшим риском правонарушения.

— Насколько реален сценарий, при котором нарушения будут фиксироваться в полностью автоматическом режиме – как превышение скорости?

Во многом переход к автоматической фиксации выявленных алгоритмами признаков нарушений идет уже сейчас. Благодаря изменениям в федеральном законодательстве в нашем виде контроля можно использовать данные, полученные с использованием работающих в автоматическом режиме средств фото- и видеофиксации нарушений (ст. 74 248-ФЗ). Сейчас мы занимаемся модернизацией нашего вида контроля с еще большим внедрением таких механизмов и все большей автоматизацией принятия решений.

Наш подход, конечно, зависит от типа нарушения. Например, обращения, связанные с использованием объекта недвижимости без оформленных земельно-правовых отношений или захламления земельных участков, в ближайшем будущем можно проверять без участия человека. Сегодня мы видим, что выводы, которые делает алгоритм, объективны, и по ним не требуется дополнительная перепроверка и выезд на место.

Однако сложные нарушения, такие как нецелевое использование земельных участков или возведение объектов самовольного строительства, пока еще требуют сбора доказательной базы, в основном из архивных источников. В этих случаях для нас алгоритм выдает лишь признак правонарушения, он попадает специалисту для проведения камеральной проверки, запроса необходимой архивной разрешительной и технической документации. Решение принимается уже по итогу ручной обработки.

— В каком направлении будет развиваться проект?

Сегодня ведется разработка новых алгоритмов по новым типам правонарушений. Также не прекращается работа по совершенствованию текущих.

Объединить разные платежные системы в единое пространство, работать с любыми формами денег и сделать ненужными карты лояльности – всё это вопрос самого ближайшего будущего. О платформе, реализующей эти задачи, рассказывает Вячеслав Пивовар, директор по работе с экспертами и региональному развитию компании «Цифровые платежи» (торговая марка Joys) и номинант премии Data Award.

— Как родилась платформа Joys? На какие потребности рынка она отвечает?

Идея создания платформы родилась в процессе прохождения первого в России акселератора по большим данным Data Explorer при поддержке фонда «Сколково», Ассоциации больших данных и крупнейших игроков рынка больших данных.

На сегодняшний день на рынке преобладает тенденция построения корпоративных экосистем: это и экосистемы крупных банков, и частных компаний, и даже стартап-проекты часто развивают одновременно несколько продуктов, либо дополняющих друг друга, либо расширяющих продуктовую линейку. С 2018 года мы строили свою инновационную платежную цифровую инфраструктуру, интегрированную с программами лояльности, и уже тогда обратили внимание на то, что в процессе нашей работы формируются большие объемы финансовых и нефинансовых данных. Распространение цифровых денег дало нам возможность получать в режиме реального времени информацию о том, что, где, когда и кто покупает. Применяя современные технологии и методы обработки данных, стало возможным строить прогнозные системы с высокой точностью персональных рекомендаций.

Наш продукт призван повышать удовлетворенность и вовлеченность клиентов наших заказчиков за счет онлайн-предоставления данных по покупательскому портрету клиентов на основе большого числа источников данных и без необходимости интеграции с кассовым ПО; мы повышаем прибыльность клиента, его lifetime value. Говоря простым языком, наши заказчики знают, что у них происходит в рамках взаимодействия человека внутри экосистемы, но стоит ему оплатить товары и услуги за пределами экосистемы, другой картой или цифровым кошельком, эти данные становятся недоступными. Мы можем такие данные агрегировать, обезличивать, анализировать и давать рекомендации по включению продукта или услуги в экосистему, основанные на реальном спросе клиентов наших заказчиков.

Для компаний, производящих востребованные продукты или оказывающие услуги, мы даем возможность попасть на радары крупных экосистем. Для экосистемных компаний мы предлагаем с наименьшими затратами получить продукт или услугу, которая востребована у текущих клиентов, вне рамок их экосистемы.

— Что собой представляет платформа?

Это платежная экосистема нового поколения, посредством шлюзов объединяющая разные платежные системы и позволяющая работать с любыми формами денег, в том числе криптовалютами и цифровыми активами, при оплате товаров и услуг в соответствии с законодательством. Мы позволяем создавать и привязывать к средству платежа многоуровневые системы лояльности ретейла и производителей, работать с большими данными и стриминговой аналитикой. Таким образом, создается платежная инфраструктура, интегрирующая разные цифровые платежные системы: национальные, частные, фиатные, криптовалютные. Разрозненные системы объединяются в единое сквозное платежное пространство. Кстати, мы единственный в России легальный сервис оплаты за товары и услуги криптовалютами.

— Что принципиально иного вы можете предложить по сравнению, скажем, с операторами фискальных данных? Или это то же самое, только для альтернативных платежных сервисов?

Еще до закрытия чека оплаты процессинг Joys получает чек со всеми деталями, включая штрих-код товара. Это дает нам больше информации, чем данные операторов фискальных данных. Мы интегрируем программы лояльности и знаем, кто, что, где, когда и вместе с чем купил. Joys генерирует большие данные о потребительском поведении, позволяет формировать портрет потребителя, анализировать и использовать эти данные, прогнозировать спрос в реальном времени.

На сегодняшний день у нас более 500 компаний-клиентов программ лояльности. Мы сделали уникальный продукт, объединив программы лояльности и метод платежа СБП в одном действии. В момент оплаты по QR-коду происходит оплата и применение условий программ лояльности (начисление, списание и т.п.), это позволяет реализовывать программы лояльности не только торгового предприятия, но и производителей. В скором будущем различные решения, использующие карточки программ лояльности или идентификацию по номеру телефона на кассе, останутся в прошлом.

— Это все в песочницах, или есть продуктивные кейсы?

Наше решение находится на этапе внутреннего тестирования. Мы ведем активные переговоры с коммерческими заказчиками, инвестиционными фондами и частными лицами. Получена заинтересованность в совместной реализации проекта с крупными ИТ-компаниями и корпорациями. В качестве государственной меры поддержи в прошлом году мы получили грант от Фонда содействия инновациям на коммерциализацию нашего продукта с применением технологий искусственного интеллекта. Кроме того, нас поддержал «Яндекс», предоставив грант на использование облачной инфраструктуры и сервисов. В середине года планируем провести пилот с первым коммерческим заказчиком.

— Какова роль блокчейна в платформе?

Архитектура решения позволяет использовать любую блокчейн-сеть совместно с процессингом проекта, в том числе и смарт-контракты для решения различных задач при формировании платежей и формирования индивидуальных маркетинговых предложений, интегрироваться с банками, финансовыми институтами, системами лояльности или создавать новые.

Проект использует внутреннюю валюту, которая используется в процессах для смарт-контрактов и платежей, и это позволяет сформировать единый распределенный реестр платежей и чеков в блокчейне, когда покупатели расплачиваются разными криптовалютами. В блокчейн записывается не только, кто купил и где купил (номера кошельков), но и состав чека, что позволит проводить глубокий анализ потребительского спроса в том числе с использованием искусственного интеллекта, делать анализ уровня продаж, спроса, динамики цен и прочие аналитические исследования.

— Вы активно участвуете в различных акселераторах и программах развития…

Да, только в 2021 году у нас было несколько достижений. Например, мы заняли первое место в акселераторе РСХБ. Второе место по итогам программы развития технологических стартапов Skolkovo Data Explorer. Наша платежная экосистема получила грант 20 млн руб. от Фонда содействия инновациям. Наконец, мы — резидент Инновационного центра «Сколково». Направление экосистемы – платежная цифровая инфраструктура для умных городов на базе технологий блокчейна, больших данных и искусственного интеллекта. Имеем три заявки на патенты, улучшающие новые методы платежей, использование которых запланировано повсеместно в России с 2023 года.

— В чем роль проекта для российского рынка?

Стартапам и бизнесу мы предлагаем готовые финансовые решения экосистемы, доступные программы лояльности и самые передовые цифровые технологии. Для государства мы предоставляем инфраструктуру для перехода на цифровые платежи и возможность построения национальной цифровой платежной системы. С точки зрения социальной значимости, с использованием наших технологий и уникальных токенов мы также делаем искусство доступным широким массам населения, даем возможность обладания через цифровые инструменты, стимулирования и поощрения творческих личностей.

На наших платежных технологиях реализован ряд проектов социальной значимости – например, «Русская политология» (пожертвования ученым, авторам статей); NUTSon – соцсеть, помогающая авторам интересных идей находить средства для реализации своих проектов; Intelligent University – внутренняя бонусно-платежная система международного онлайн-университета непрерывного дополнительного образования.

— В каком направлении будет развиваться проект?

Мы продолжим развитие нашей цифровой инфраструктуры, до конца года планируем завершить интеграции с оставшимися производителями кассового ПО и получить 100-процентный охват рынка России. Это даст нам постоянный поток данных в реальном времени. Кроме того, планируем кратно увеличить количество компаний-клиентов программ лояльности, завершить интеграции с банками партнерами; для ряда банков мы предоставляем решение «последней мили». Нами сформирована стратегия по выходу на международные рынки Азии, Африки и ряда других стран. Совместно с Ассоциацией больших данных мы планируем получить от их партнеров актуальные финансовые датасеты для дальнейшего обучения и коммерциализации нашей технологии искусственного интеллекта.

Есть масса молодых специалистов, которые искренне желают, чтобы качество жизни людей в регионах России и других странах стало лучше за счет цифровых технологий, ребята хотят решать социально-экономические задачи с применением искусственного интеллекта и анализа данных. Осознание того, что можно повысить точность и эффективность принимаемых управленческих решений в социальных сферах, а в ряде случаем создание полезных сервисов для людей как в локальном, так и в международном масштабе, — весьма сильная мотивация. В реализации этих стремлений помогает Агентство стратегических инициатив и команда Центра цифрового развития с проектом Цифровые решения для регионов – DataMasters. Проект реализуется уже три года, и в разное время в его создание и развитие внесли большой вклад Вера Адаева, Михаил Дубцов, Яна Коваленко, Андрей Петров, Даниил Половинка, Валерия Хатян, Татьяна Заикина и Светлана Гиляровская. Международный конкурс по решению глобальных социальных задач World AI & Data Challenge стал площадкой для разработки множества решений, способных приносить реальную пользу людям. Об истории и развитии этого проекта рассказывает Яна Коваленко, директор проектов Центра цифрового развития АСИ, руководитель проекта DataMasters и номинант премии Data Award 2022 .

- Что собой представляет проект «Цифровые решения для регионов – Datamasters», какова его цель?

Проект направлен на решение социально-экономических задач за счет внедрения механизмов управления, основанных на данных. В его рамках развиваются практические компетенции в государственных органах по управлению, основанному на данных и компетенции в области технологий искусственного интеллекта и анализа данных среди дата-сообщества.

Проект нацелен на преодоление дефицита актуальных данных для принятия управленческих решений в органах власти, сокращение издержек в государственном секторе и улучшение качества жизни людей. Одним из основных инструментов формирования цифровых решений является Международный конкурс цифровых решений World AI&Data Challenge, направленный на объединение государств, сообществ, владельцев данных, ИТ- и дата-специалистов для решения глобальных социально-экономических задач и тиражирования лучших практик по всему миру.

- Как пришла идея создания проекта?

В рамках образовательного интенсива «Остров 10-21» команды органов государственной власти регионов обучались управлению на основе данных, где мы увидели запрос на создание цифровых решений. При этом у органов власти отсутствовали компетенции в части постановки задач на основе данных, разработки самих решений и их внедрения. Для развития этих компетенций и закрытия обнаруженных потребностей мы запустили в 2019 году «Конкурс цифровых решений», сначала только в России. Его основным элементом стало создание цифровых решений на открытом коде для решения социально-экономических задач регионов. Практика конкурса вызвала большой интерес со стороны партнеров, а также ряда зарубежных стран. В связи с этим в 2020 году АСИ совместно со Всемирным банком продолжило реализацию проекта как международный конкурс цифровых решений World AI&Data Challenge по решению социально-экономических задач.

- Каковы «фишки» конкурса, в чем его отличия от множества других?

Конкурс состоит из трех этапов. На первом этапе конкурса выявляются проблемы в регионах и странах, которые затем формулируются в задачи. Важным критерием постановки задачи является достаточность предоставленных данных для ее решения, либо возможность найти данные в открытых источниках.

На втором этапе команды ИТ-специалистов разрабатывают решения для отобранных наиболее качественных задач.

Финальный этап, который отличает конкурс от множества других соревнований и хакатонов – этап внедрения. Именно на этом этапе формируется качественный диалог между сообществами. Ведь когда решения разработаны, регионы совместно с командами разработчиков внедряют их с максимально заявленными социально-экономическими эффектами. От слаженности их работы зависит успех внедрения. На этом этапе осуществляются доработки под нужды заказчиков, и важно корректно определять требования, тестировать решения с профильными специалистами и устанавливать метрики эффективности.

Оптимизация размещения экипажей скорой медицинской помощи, рекомендательная система помощи врачам при назначении лекарственных препаратов, анализ потока посетителей общественных пространств по видео с помощью искусственного интеллекта, сервис составления школьных расписаний на основе генетических алгоритмов машинного обучения, анализ содержания загрязняющих веществ в водных объектах – только часть решений, которые уже используются или пилотно внедряются в регионах.

- Откуда берутся данные для решения актуальных задач регионов?

При постановке задач регионы загружают имеющиеся у них обезличенные данные согласно заявленной проблематике, а также прикрепляют ссылки на открытые источники – например, данные Росстата, региональные и международные источники, открытые библиотеки данных или данные из открытых репозиториев. Кроме того, по мере прохождения акселерации задач эксперты из ведущих компаний страны обогащают задачи данными (например, государственными наборами данных, данными операторов сотовой связи и прочими источниками информации). Создавая свои решения, команды разработчиков используют сервис GitASI, создают в нем репозитории, в которых размещают решения на открытом коде, инструкции по развертыванию и лицензии. Там же ребята хранят и дополнительные данные, которые нашли самостоятельно в рамках работы над решением на втором этапе конкурса.

Все данные, задачи и цифровые решения публикуются на платформе DataMasters – в библиотеке задач или библиотеке цифровых решений на открытом коде.

- Каких результатов уже удалось достичь?

C 2019 года регионы России и представители других стран подали на конкурс более 450 задач.

Решения нашего сообщества уже помогают снижать аварийность на дорогах, бороться с бедностью, повышать туристическую узнаваемость регионов, помогать слабовидящим в письменной коммуникации, развивать НКО, оперативно реагировать в период весеннего половодья.

Таким образом, готовые цифровые решения на открытом коде, разработанные с использованием собственных данных или данных, предоставленных крупными игроками отрасли и разработчиками, встраиваются и внедряются в административные и бизнес-процессы. Это влечет за собой прорывное развитие не только различных отраслей экономики, но и сферы государственного управления. На сегодняшний день уже более 30 регионов и несколько стран внедрили решения конкурса.

- Насколько велик охват проекта?

В рамках проекта мы активно развиваем дата-сообщество, в котором на сегодняшний день уже более 16 тыс. человек.

Всего в проект вовлечено более 90 российских и международных экспертов в сфере AI&Data, в том числе и из таких крупных компаний, как «Мегафон», «Яндекс», МТС, «Сбер», Microsoft, «Вымпелком», Промсвязьбанк и т.д. При этом мы развиваем и региональную сеть экспертов, которые участвуют в проведении хакатонов и помогают при внедрении решений.

На сегодняшний день в общей сложности проведено порядка 100 дата-хакатонов с участием более 500 команд разработчиков. В проекте уже участвуют порядка 70 регионов и семи стран (Узбекистан, Казахстан, Украина, Беларусь, Сингапур, Молдавия, Киргизия) в разных форматах от постановки задач до внедрения и тиражирования, в том числе разработчики из 82 регионов России и 26 стран.

В проект активно вовлекаются вузы страны. Это возможность «прокачать» компетенции студентов и выявить, каких компетенций не хватает. Кроме того, вузы могут использовать реальные задачи заказчиков проекта и решенные примеры для обучения студентов.

- Каков возрастной состав участников и роль молодежи в этом проекте?

Мы видим, как в проект вовлекаются участники различного возраста, уровня ИТ-навыков и специализации. В том числе этому способствует отсутствие жестких требований по формированию команд; главное требование – участникам должно быть больше 14 лет. Тем не менее, в проекте преобладает молодежь. Например, в этом году возраст участников преимущественно составлял 18-25 лет. При этом важно отметить, что девушки не отстают от парней в разработке – их более 40%. Самыми активными участниками остаются московские ребята, далее идут команды из Свердловской области, Санкт-Петербурга, Ростовской области и Чеченской Республики. В проекте участвует и вузовское сообщество – это команды из 175 вузов страны. Топ-5 регионов по вовлеченным студентам: Ростовская, Тамбовская, Астраханская, Липецкая, Свердловская области.

- Приведите пример наиболее значимых социальных задач, которые удалось решить.

Действительно, на конкурсе бывают как локальные задачи, так и более масштабные. Например, в 2019 году была решена задача по анализу профиля бедности. Результатом его внедрения в Ростовской области стал выход более 10 тыс. семей региона из группы людей с доходами ниже прожиточного минимума. У некоторых жителей региона после заключения социальных контрактов (договоров финансовой поддержки между малоимущими семьями и органами соцзащиты населения) даже появился свой бизнес. Кроме того, в результате использования решения был обнаружен еще один район с высоким присутствием малоимущих на северо-востоке региона. После этого министерство труда и социального развития Ростовской области внесло изменения в бюджет и увеличило сумму на социальные контракты практически вдвое, а также предусмотрело новые виды мер поддержки согласно портрету малоимущих семей. Это решение внедрено уже более чем в пяти регионах и показало хорошие эффекты.

Также в результате взаимодействия с представителями разных сообществ мы увидели, что есть ряд социальных задач, которые уже может решить искусственный интеллект – например, распознавание азбуки Брайля. Один из участников конкурса разработал решение, позволяющее сделать фото страницы с брайлевским текстом и получить ее расшифровку в виде обычного текста. Благодаря этому решению у преподавателей инклюзивных школ снизилась нагрузка на глаза и упростилась работа в период дистанционного режима образования. В семьях, у которых есть незрячие дети, появилась возможность у родителей проверять домашние задания и привлекать для детей репетиторов, не владеющих шрифтом Брайля. Самое главное, данное решение значительно расширило возможности письменной коммуникации незрячих людей с родственниками и обычными людьми. Это решение используется 84 регионами России, Узбекистаном и другими странами.

Важно отметить, что в рамках проекта мы не только ищем решения для конкретных задач – на местах формируется принципиально другая система управления, которая позволяет принимать более выверенные, глубоко просчитанные решения. Данные и разработанные на их основе инструменты позволяют повысить эффективность расходования бюджетных средств. Например, приоритезируются траты на дорожную инфраструктуру в местах аварийности для снижения ДТП.

Одно из наиболее перспективных решений по мониторингу аварийности на дорогах развернуто для всей страны, активно используется в 40 городах России и в Молдове. Сервис представляет собой интерактивную карту ДТП и позволяет выявлять очаги ДТП, подбирать меры по снижению факторов, влияющих на их возникновение (камеры, светофоры, лежачие полицейские), выявлять неочевидные закономерности и предсказывать аварийно-опасные участки, выявлять выполнение социального стандарта по обеспечению доступности территории общественным транспортом.

Еще одна любопытная практика, которую массово внедряют уже более 30 регионов – анализ цифрового следа туриста. Она позволяет отображать «цифровой портрет» туриста на основе анализа открытых данных, и любой субъект РФ сможет составить маркетинговую стратегию по привлечению туристов на основе анализа социальных сетей, таргетировать поток из других регионов, увеличить посещаемость действующих туристических объектов и гостиниц.

- В каком направлении планирует развиваться DataMasters?

Мы планируем и дальше развивать культуру разработки, применения и доработки решений на открытом коде как среди органов власти и разработчиков нашей страны, так и среди других стран. Нам важно, чтобы на платформе DataMasters появлялись решения, разработанные не только в рамках нашего проекта, но и созданные органами власти и командами разработчиков или крупным бизнесом с развитой ИТ-функцией. Примером может служить решение, разработанное Центром искусственного интеллекта МТС на основе технологий компьютерного зрения, которое помогает в сохранении и изучении дальневосточного леопарда.

Со своей стороны, мы будем валидировать и тиражировать такие решения – это будет способствовать быстрому росту их качества и эффективному использованию бюджетов на ИТ. Сегодня у разработчиков мало опыта монетизации решений на открытом коде, поэтому акселерация команд в этом направлении – одна из перспектив проекта. Мы также будем развивать библиотеку данных в социально-экономических сферах и расширять географию проекта.

Развитие экосистемы «Сбера» потребовало перехода на новый уровень организации управления данными: возникла необходимость предоставить к ним доступ широкому кругу пользователей внутри компании и реализовать работу с данными как сервис. Нужно было дать пользователям возможность самостоятельно искать и заказывать данные, а кроме того, обеспечить автоматизацию процессов data governance и безопасности. Речь идет о создании «единого окна» доступа к данным, объем которых уже превысил 100 Пбайт.

Решением проблемы стало внедрение разработанной системы «Супермаркет данных», в рамках которой пользователь, работая с каталогом данных «Сбера» с применением поиска на естественном языке, может заказывать данные разово или получать их в виде регулярной поставки. При этом пользователь освобожден от выполнения служебных рутинных операций, связанных с получением доступа, изучением инфраструктуры и структуры данных и т. п., — все процессы централизованы и лежат «под капотом» клиентского сервиса.

О создании «Супермаркета данных» рассказали номинанты премии Data Award 2022 Борис Рабинович, старший управляющий директор — директор Департамента управления данными Сбербанка, CDO «Сбера», и Мария Юшанова, начальник Управления распространения данных Сбербанка.

— Каким был процесс получения данных пользователями раньше? В чем заключались ключевые проблемы?

Борис Рабинович: Для того чтобы начать использовать данные, сначала требовалось понять, где они расположены. И в банке, и в любой другой крупной компании есть множество учетных, клиентских и прочих систем. Аналитики должны были выяснить, где можно раздобыть необходимые данные, и обратиться за доступом к ним. После оформления всех необходимых заявок и их согласования приходилось разбираться со структурой данных и разрабатывать ETL-процесс для загрузки информации в то место, где будут строиться бизнес-решения.

Одно дело, когда такая проблема касается десятка или даже сотни сотрудников, и совсем другое — когда их счет идет на тысячи. Поэтому появилась идея оптимизировать и автоматизировать этот процесс: создать описание данных, их структурированный каталог, облегчить заказ данных, упростить доступ к ним. Но самое важное — заменить разработку тысяч ETL-процессов на единый сервис поставки данных. В масштабах «Сбера» это кратно сокращает трудозатраты и время доступа к данным. Важно отметить, что данные собраны в полном соответствии с действующим законодательством, с разрешения клиентов, и хранятся и обрабатываются они только в обезличенном виде.

— В чем суть созданного решения?

Б.Р.: Цель реализации нашего дата-сервиса — радикальное сокращение времени на доступ к данным, а также упрощение их поиска и потребления. Все происходит аналогично тому, как мы создаем заказ в интернет-магазине: находим нужный «товар» через поисковую строку на портале или в каталоге, добавляем в «корзину» и оформляем разовую или регулярную доставку.

Если раньше для получения данных требовался опытный ИТ-специалист, то теперь процесс доступен любому сотруднику. Более того, прежде даже специалисту на поиск, доступ и выгрузку данных требовалось до 60 дней, а сейчас процесс занимает не более трех часов.

Пользователь может заказать данные в пакетном режиме (разовая поставка, регулярная поставка по времени или по событию) в виде снэпшота или инкремента. Кроме того, работает потоковая поставка данных в режиме, близком к реальному времени.

— Из каких компонентов состоит «Супермаркет данных»?

Мария Юшанова: Важно понимать, что «супермаркет» — не только магазин с данными, где осуществляется заказ и дистрибуция данных. Это конгломерат, который обеспечивает все сопутствующие сервисы.

Супермаркет состоит из трех крупных частей: портал, бэк-офис и ядро, где происходит выполнение и обработка поступающих заказов. Обычно клиентский путь таков: пользователь заходит в супермаркет, видит структурированный каталог либо пользуется поиском на естественном языке — и поисковик предлагает ему необходимые дата-сеты с описанием. После этого пользователь набирает себе «в корзину» необходимые данные, при необходимости накладывает на них фильтры. Если у пользователя еще нет доступа к этим данным, ему не нужно создавать заявку на доступ — и в этом ключевое изменение: она будет сформирована автоматически и обработана по соответствующим правилам, в зависимости от категории данных.

— Сколько времени потребовалось на реализацию проекта, какие этапы он включал?

М.Ю.: Мы начали этот проект еще в 2019 году — с сессии дизайн-мышления. Мы видели возможности для ускорения доступа к данным и думали над тем, как их можно оптимизировать, — именно так и родилась идея супермаркета данных. Далее мы разработали MVP, который работал сначала только на пакетные загрузки и лишь внутри платформы Hadoop. Следующим этапом шло усложнение функциональности: мы развивали доставку на разные площадки, подключали различные системы хранения, увеличивали частоту поставок, охватили потоковые данные. Третий этап включал развитие с точки зрения управления доступом и правил data governance.

В этих направлениях зачастую работа шла параллельно — у нас всегда амбициозные цели: требуется всё, сразу и качественно. Поэтому понадобился еще год после появления MVP.

Мы увеличиваем ассортимент данных, расширяем «зоны» доставки данных, повышаем вариативность поставок и оптимизирум многое другое. На данный момент у нас 57 интеграций, включающих логистику от поставщика до потребителя в разных режимах в сопровождении обеспечивающих сервисов, таких как сервисы защиты данных, федеративного доступа, сервисов поставки и так далее.

— Расскажите об этапе дизайн-мышления.

М.Ю.: Это наша нормальная практика, появившаяся с переходом на Agile и ставшая важнейшей частью всех проектов. Таким образом совместно с заказчиком мы проговариваем не только запуск крупных продуктов, но и любые достаточно крупные изменения в них. Это позволяет сделать сервисы правильнее и удобнее, учесть все возможные нюансы, взглянуть на проблему со всех точек зрения. Кстати, в таких сессиях участвуют не только бизнес-пользователи, но и сотрудники служб безопасности и сопровождения.

Основные пожелания были очевидны: чем быстрее доступ к данным, тем лучше, и при этом решение не должно обойтись слишком дорого. Но именно в процессе дизайн-мышления, в котором участвовали разные категории потребителей, был найден оптимальный вариант взаимодействия пользователя с сервисом — принцип самообслуживания. Кроме того, мы выявили потребность в поиске данных на естественном языке и в наличии рекомендательного сервиса.

— Какие организационные изменения потребовались?

Б.Р.: Функции CDO в банке уже много лет, все процессы и политики уже давно выстроены. Поэтому в SberData была просто выделена команда, отвечающая за этот инструмент.

— Как «Супермаркет данных» стыкуется со стратегией управления данными, какое место в ней занимает?

Б.Р.: Это ключевой элемент в стратегии управления данными, и подразделение кибербезопасности нас в этом поддерживает. «Супермаркет» — единая точка доступа к данным в контуре «Фабрики данных» (единой платформы для работы с данными), и нет никакого другого способа получить данные, кроме как через него. Здесь проходят все процессы, связанные с правами доступа, распространением данных.

В рамках платформы сам бизнес-заказчик может увидеть все, чем он владеет, какие у него есть подписки, каков их статус. Аналогично, все службы могут понимать, кто к каким данным обращается, какие у кого права. Это краеугольный камень работы с данными.

— Сколько людей работает над этим продуктом?

Б.Р.: В SberData за «Супермаркет данных» отвечают около 40 человек.

— Поиск на естественном языке в каталоге данных — действительно громадный шаг навстречу пользователям. Как это решение реализовано, что оно собой представляет?

М.Ю.: В первую очередь данные должны быть описаны, причем строго по стандартам. У нас есть продукт «Карта данных», в нем владельцы данных получают физическую модель данных, за которую отвечают, и описывают эти данные на естественном языке по определенным стандартам. Далее описание данных выгружается в «супермаркет», и через поиск, реализованный на ElasticSearch, становится доступным пользователям.

Обычно пользователи не вводят запрос полностью, а указывают, например, «кредиты юридических лиц». Этого достаточно для того, чтобы подтянуть информацию по всем необходимым таблицам и атрибутам.

— На какие результаты от «Супермаркета данных» рассчитывали, как они соотносятся с практикой?

Б.Р.: Важным эффектом стала демократизация данных, именно на нее мы рассчитывали больше всего. Как и в случае с любым хранилищем, вопрос финансового эффекта — очень спорный, на него вряд ли кто-то сможет ответить. Вероятно, его можно оценить через человеко-дни в «условных миллиардах» для банка. Но ведь речь идет не столько об экономии времени работы специалистов, сколько об ускорении процессов и сокращении времени вывода продуктов на рынок. Поэтому мы больше склонны рассматривать эффекты с точки зрения ресурсов, занятых в работе с данными, и задействованной в этом инфраструктуры.

У платформенного подразделения есть преимущество в том, что мы можем принять проактивное решение о развитии инструментов управления данными, которые, по нашим оценкам, должны быть востребованы бизнесом. И бизнес-подразделения (возможно, после некоторых колебаний) действительно впоследствии начинают их применять.

До реализации «Фабрики данных» мы использовали «озерца» данных. Они были плохо связаны между собой, имели собственную инфраструктуру и процессы загрузки данных, сопровождения и разработки. Когда внедряется централизованный инструмент, для меня как CDO, отвечающего за платформу, важна его востребованность. И я вижу, что на платформу приходят десятки, сотни, а затем и тысячи человек — все сообщество потребителей данных переходит на целевую инфраструктуру. Ключевой драйвер этого «великого переселения» — продукты, которые существенно упрощают жизнь пользователей. Этот комплекс автоматически затягивает в себя все наше комьюнити D-people — дата-сайентистов, аналитиков и инженеров. Мы на это рассчитывали и ровно это получили в итоге. Более того, возможно, мы недооценили востребованность «супермаркета» и сейчас видим рост потребления сервисов, существенно опережающий заложенные темпы.

— А какими количественными результатами можете похвастаться?

М.Ю.: На текущий момент через «Супермаркет данных» по подпискам осуществляется более 70 тыс. поставок данных ежемесячно для более чем 2700 пользователей, и рост продолжается. Мы добились огромных результатов в высвобождении времени наших сотрудников от рутинных операций. С внедрением тегирования данных мы автоматизировали доступ к ассортименту. А после добавления подписки в корзину и разрешенного доступа к данным можно получать данные с задержкой от 15 минут до 3 часов, в зависимости от их объема.

Важно отметить, что платформа «Супермаркета данных» обеспечивает потоковую поставку данных в режиме, близком к реальному времени. В планах — довести производительность системы до 10 млн операций в секунду, что позволит вывести, например, рекомендательные системы на качественно новый уровень.

— Насколько радикальным стало сокращение времени разработки продуктов?

М.Ю.: Поиск данных и доступ к ним занимал несколько недель, и еще полтора месяца — разработка процесса ETL. Это время могло различаться в зависимости от объема и вида данных, а также других факторов, но в среднем составляло около трех месяцев. Именно о таком сокращении сроков реализации проектов идет речь, и, с учетом количества запросов на данные, это гигантские объемы.

— В результате внедрения «Супермаркета данных» у всех пользователей появилась возможность попробовать себя в новой роли — специалиста по работе с данными. Насколько востребованным это оказалось в реальности?

Б.Р.: ИТ-специалисты могут сами извлечь необходимую часть данных с помощью SQL-запроса и проанализировать их. Но ведь большинство сотрудников не обладают такими знаниями. Поэтому было важно дать им инструмент, позволяющий без какого-либо программирования и чьей-либо помощи получить данные и заняться их анализом. Благодаря этому нам действительно удалось привлечь новые группы бизнес-пользователей.

Важность фактора удобства подтвердил резкий скачок объема потребляемых данных. Планируя инфраструктурные мощности для «супермаркета», наши специалисты проанализировали число потенциальных пользователей, наиболее востребованные данные и частоту их потребления. Однако почти сразу же мощностей перестало хватать. Пользователи стали заказывать кратно больше данных, чем делали это обычно. Анализ причины оказался прост: людям было интересно сделать заказ, положив данные в корзину легко и быстро.

— Было ли что-то еще, что вызвало ваше удивление?

М.Ю.: Все же процесс был выстроен так, что вначале мы пообщались с нашими пользователями, узнали их потребности и пожелания и лишь затем их реализовали. Поэтому других сюрпризов, помимо скачка потребления данных, не было.

— В каком направлении будет развиваться проект?

Б.Р.: В дальнейшем предполагаем развивать клиентские пути и повышать удобство сервисов. Например, мы планируем реализовать функционал «джойнов» — объединять данные из разных источников. Мы видим, что в этом есть потребность: многие агрегируют информацию в собственных витринах или лабораториях. Если сотрудник кладет в одну подписку бухгалтерскую информацию и данные о сделках, то понятно, что в дальнейшем он будет объединять их между собой. Мы можем брать это на себя и сразу формировать джойн при предоставлении подписки. Это качественное улучшение — доставлять не только сырые данные для анализа, но и полуфабрикаты, готовые к применению.

Кроме того, мы прорабатываем внедрение нескольких стримов, связанных с искусственным интеллектом, — например, по прогнозированию объемов нагрузки, производительности и надежности логистической цепочки. Это позволит существенно улучшить клиентский опыт, повысить доступность данных и расширить круг их потребителей.

Розничные компании, находящиеся в условиях серьезной рыночной конкуренции, вынуждены непрерывно искать способы повышения своей конкурентоспособности и устойчивости на рынке. Но как понять, поможет ли реализация очередного предложения изменить бизнес к лучшему и стоит ли вкладываться в эту инициативу.

Чтобы ответить на эти вопросы, крупные интернет-проекты нередко применяют A/B-тестирование. Его суть заключается в том, что предложенные инициативой изменения вводятся только для части пользователей, тогда как для другой части все остается по-прежнему. По истечении некоторого времени данные по этим двум группам сравнивают, оценивают, а затем делают вывод о том, позволили эти изменения улучшить нужные показатели или нет. Масштабирование инициативы на всех пользователей происходит лишь в том случае, когда показатели действительно улучшились.

Работает ли метод A/B-тестирования в розничной компании с большим числом офлайн-точек? Опыт X5 Group свидетельствует о том, что работает, причем успешно: практически любая выдвинутая в компании бизнес-инициатива на самом старте «упаковывается» в дизайн-эксперимент с гипотезами и методикой оценки, а затем по итогам проведенной работы проходит проверку A/B-тестированием. Если результаты пилота признают полезными, его масштабируют на весь бизнес. О том, как A/B-тестирование работает в условиях X5 Group, какую пользу оно приносит и какая работа с данными за этим стоит, рассказывает Михаил Неверов, директор по анализу данных компании и номинант на премию Data Award 2022 .

- A/B-тестирование широко применяется в электронной коммерции. Как можно объяснить то, что оно достаточно редко используется в традиционном ретейле? И почему ваши коллеги посчитали, что оно им необходимо?

Традиционно в ретейле используют подход like-for-like (LFL) с разного рода усложнениями. Это базовый показатель, но он не всегда полностью отображает картину мира — особенно для узких бизнес-пилотов. Ситуация в ретейле динамично меняется, причем влияют на нее множество факторов. A/B-тестирование позволяет лучше, чем LFL, отслеживать границы случайных и неслучайных изменений. Оно редко применяется в «классическом» ретейле, вероятно, потому, что для проведения A/B-тестирования нужен достаточно большой объем данных — это необходимо для статистической значимости результатов. Поэтому если, например, розничная сеть охватывает всего 10 магазинов, то ей придется использовать именно LFL, поскольку для проведения A/B-тестирования имеющегося у нее объема данных будет недостаточно.

- В чем видят пользу A/B-тестирования бизнес-пользователи X5 Group ?

Процесс A/B-тестирования предоставляет компании общий подход к оценке разных бизнес-инициатив, что повышает ее точность. Он позволяет схожим образом оценивать и инвестиционные инициативы, и внедрение изменений (например, замену кассового оборудования на новое), и продуктовые инициативы. Компания получает возможность одинаковым образом получать ответ на поставленные вопросы: приносит ли та или иная инициатива деньги, какова ее выгода, следует ли ее продолжать? При проведении A/B-тестирования не нужно каждый раз изобретать новый велосипед — это универсальная форма проверки бизнес-гипотез.

A/B-тестирование — удобный и полезный инструмент принятия решений в отношении инвестиций. Каждый год компания проводит около 400 A/B-тестов. С их помощью мы получаем возможность уже на ранних этапах выявлять невыгодные инициативы и прерывать их финансирование, что позволяет более разумно распорядиться средствами.

- Кто явился непосредственным заказчиком платформы A/B-тестирования в X5 Group? Какие заинтересованные лица выступили в качестве спонсоров проекта по ее созданию?

Вся наша компания заинтересована в том, чтобы решения на основе статистических данных применялись на всех уровнях, потому что это делает процессы прозрачными как для сотрудников, так и для менеджмента.

Амбассадорами применения A/B-тестирования в компании стали специалисты из бизнес-единицы «Х5 Технологии» — центра компетенций по ИТ и большим данным для всех бизнесов и торговых сетей группы. Мы начинали с экспериментов на ИТ-продуктах, затем распространили идею на все торговые сети и теперь развиваем подход вместе с ними. До создания платформы мы проводили анализ данных фактически вручную. Когда пользователи убедились в том, что подход работает, а количество тестов перевалило за сотни, мы, чтобы не наращивать штат аналитиков, решили автоматизировать A/B-тестирование. Так, собственно, платформа и появилась.

- Как происходит сбор данных для A/B-тестирования, из каких источников они поступают и как их используют при проведении тестов?

Исходные данные для A/B-тестов — это чеки наших покупателей с указанием времени и места, где они были оплачены. Чеки обрабатывают, агрегируют, с помощью различных приемов сокращают статистические выбросы, после чего оценивают эффект. Большая часть первичных данных хранится в Hive. Разумеется, в платформе есть своя витрина данных, и в ней происходит некоторое упрощение исходных данных.

- Какие виды обработки и анализа используют в ходе A/B-тестирования в вашей компании? Как формулируют гипотезы и выбирают методы для проведения очередного исследования?

Исходной точкой для проведения A/B-тестирования является некая инициатива, в отношении которой бизнес хочет принять решение об инвестициях. Мы формулируем дизайн эксперимента: выбираем метрики, определяем, в частности, что будем проверять (розничный товарооборот или средний чек), фиксируем ошибки первого и второго рода. Затем происходит подбор контрольной пилотной группы, а по окончании A/B-теста — оценка результатов.

Из методов применяем медицинское тестирование, а также более современные подходы и основанные на них собственные разработки, отражающие специфику офлайн-бизнеса. Помимо этого, используем дерево принятия решений, нейронные сети, дискриминантный анализ, бустинг, байесовские классификаторы. Эти методы не являются чем-то принципиально новым для рынка, но мы как раз сторонники того, чтобы использовать проверенные подходы.

- Как проводят эксперименты, а затем оценивают и интерпретируют результаты исследований на основе A/B-тестирования?

Процесс организован следующим образом. Бизнес-сотрудники — пользователи нашей платформы формулируют гипотезу и вместе с adhoc-аналитиками «закрепляют» ее, то есть проводят предварительную оценку эффекта. Затем берется нужный объем данных, и в кластере A/B-тестирования его разделяют на две группы: в первой изменения происходят, а во второй — нет. Потом, по прошествии времени, проводится сравнение экспериментальной и контрольной групп. Если изменения есть, мы их оцениваем, интерпретируем (в частности, объясняем, можно ли считать их статистически значимыми) и выносим вердикт относительно гипотезы. После этого наши выводы валидируются специалистами из финансового блока. Дело в том, что при работе с финансовыми показателями в ретейле есть специфика: здесь применяются сложные методики расчета и аудита. И чтобы быть уверенными в правильности наших выводов в отношении инвестиций, мы проводим оценку результатов совместно с коллегами из финансового департамента. Это особенно важно, когда попадаются пограничные значения. Всего в A/B-тестировании принимают участие четыре стороны: бизнес, аналитики, специалисты по рискам и финансам.

- Можно ли говорить о том, что в компании выстроен процесс A/B-тестирования?

Да, процесс есть, он работает. Если вы придете на работу в X5 Group и предложите какую-нибудь бизнес-инициативу, то непременно станете участником этого процесса.

- И много ли в нем творческой или субъективной составляющей?

Если в процессе участвуют люди, доля субъективности тоже может быть. Инициативы очень разные, поэтому нередко приходится придумывать дизайн эксперимента и формализовывать его вплоть до стандартного процесса. Субъективная составляющая здесь, скорее, в экспертных оценках: мы часто привлекаем экспертов, чтобы они помогли ответить на вопрос, следует ли считать изменение того или иного показателя в ходе эксперимента индикатором того, что этот эксперимент прошел удачно.

- Удалось ли избавиться от влияния человеческого фактора на A/B-тестирование?

Мы избавились от него ровно в той мере, в какой это было эффективно. В зависимости от дизайна эксперимента мы можем использовать разные модели (у нас их большое количество). Обычно их выбор — это либо коллегиальное решение, либо выбор на основе предыдущего опыта. Кроме того, мы, естественно, привлекаем экспертов, чтобы они помогли интерпретировать полученные результаты.

- Какое место занимает платформа A/B-тестирования в общем ландшафте аналитики и управления данными в X5 Group?

У платформы обособленное место. Она выведена в отдельный контур, потому что отвечает на чувствительные для бизнеса вопросы. Было бы странно, если бы команда, которая выдвинула инициативу и готова взяться за ее реализацию, имела возможность полностью самостоятельно и независимо от других коллег принимать решение о ее успешности. У нас более 100 инициатив и продуктов, которые прорабатываются и реализуются в постоянном режиме, не говоря уже о больших стримах или экспертных направлениях. Чтобы компания могла одинаковым образом получать ответы на вопросы о целесообразности инвестиций в инициативы, их команды были отделены от процессов принятия решений по таким предложениям. A/B-тестирование — это, если угодно, самый независимый инструмент для оценки инициатив.

- В каких направлениях планируете развивать платформу A/B-тестирования в обозримом будущем?

У нас три основных направления развития. Первое — расширение количества вариаций экспериментов. Иногда встречаются очень сложные кейсы, для которых в библиотеках моделей нет соответствующего решения. В таких случаях нам приходится что-то дописывать или как-то улучшать базу экспериментов. Второе направление — повышение их точности. Иногда даже дополнительные полпроцента точности могут полностью изменить оценку инициативы. И третье — сокращение времени на получение результатов оценки, что, очевидно, ускорит принятие решений в отношении инициатив.

Работа с просроченной задолженностью не только давно вышла в правовое поле, но и стала технологичным бизнесом, напрямую зависящим от аналитических инструментов. Анализ качества приобретаемых портфелей задолженности напрямую влияет на прибыльность компании и эффективность процессов взыскания, а скоринг должников становится основой для персональной работы с ними.

Сервис по возврату проблемной задолженности ID Collect, являющийся частью международной финтех-группы IDF Eurasia, создавался с пониманием того, что работа с данными важна для общего успеха бизнеса. Андрей Савгуров, директор по анализу данных ID Collect и номинант на премию Data Award 2022 , рассказывает об истории реализованных в компании проектов и достигнутых результатах.

— Как в компании зарождалась работа с данными?

Еще изначально, только запуская компанию, мы делали ставку на технологичный подход. С самого начала было ясно, что для принятия правильных управленческих решений по покупке портфелей задолженностей нужно основываться на точных количественных данных по сборам, поведению должников, операционным показателям, обработке долгов и т. д. Поэтому требуется хорошо понимать, чем одни портфели отличаются от других; почему какие-то долги взыскиваются лучше других; чем банковские должники отличаются от должников сервисов альтернативного кредитования; в чем различия при взыскании задолженности по разным кредитным продуктам.

— С чего и когда вы начали? Что было сделано за это время?

Мы начали в 2018 году, когда было принято решение создать аналитическое хранилище данных. В нем мы собирали клиентские данные, статистически значимые показатели по должникам, по их поведению, по сборам. За это время провели большую работу: собрали все исторические данные по приобретенным портфелям, поработали над качеством данных, частично обогатили их. Кроме того, провели аналитику самой эффективности взыскания. Нам удалось понять, как эта эффективность зависит от разных типов портфелей с разными параметрами. Проанализировали, какие параметры сильнее всего влияют на собираемость, и, наконец, разработали скоринговую систему, которая эту собираемость прогнозирует.

— Какова цель реализуемых в компании проектов в области работы с данными?

У нас две большие цели по работе с данными. Первая — как можно точнее давать оценку прогнозов перед покупкой портфеля, чтобы точнее оценить доходность и максимальную цену, которую мы можем дать. Вторая цель — правильно отслеживать и анализировать эффективность уже сделанных вложений. Это позволяет нам улучшать процесс взыскания, повышать прибыльность.

— Как решается вопрос качества данных? С этим традиционно возникают большие проблемы…

На качество данных мы сразу обратили пристальное внимание, так как без этого эффективную аналитику и вообще скоринговую модель создать невозможно. Поэтому у нас есть выделенный аналитик по качеству данных, который занимается контролем качества информации, поиском ошибок и постановкой задач по их устранению, обогащением базы данных и т. д.

— В чем заключалась наболевшая проблема бизнеса? В чем суть реализованного проекта?

Основная проблема заключалась в необходимости прогнозировать доходность портфелей просроченной задолженности. Главная цель — не сработать себе в убыток при покупке портфеля и максимизировать прибыль. То, что мы сделали, позволяет заранее оценивать рентабельность каждого портфеля и понимать, какую маржу мы получим, какую максимальную цену можем дать по тому или иному портфелю, чтобы в итоге сделка оказалась экономически выгодной. Вообще, цессионные портфели приобретаются на специализированных площадках по принципу аукциона. Поэтому всем участникам, которые торгуются на них, важно понимать, где проходит граница цены, которую они готовы дать по тому или иному портфелю, чтобы покупка в итоге стала прибыльной. И еще более важно сразу отсеивать низкорентабельные и тем более убыточные предложения.

— Что собой представляет решение?

На данный момент это скоринговая модель, написанная на Python. Перед торгами к нам приходит реестр с данными по должникам. По каждому портфелю, еще до покупки, в обезличенном виде доступен определенный набор данных: социально-демографические параметры (возраст, пол, образование, социальный статус), сумма задолженности, платежная дисциплина должника, сумма процентов по основному долгу, сведения о передаче задолженности в коллекторское агентство и пр.

Мы прогоняем эти данные через скоринг и оцениваем, какую сумму денег мы можем взыскать в итоге. Наша финансовая модель берет прогнозы сборов, считает приблизительные расходы, которые мы понесем, добавляет маржу. В зависимости от этих параметров высчитывается максимальная цена, которую мы можем дать за портфель.

— Какие источники данных использовались в ходе проекта? И как в целом определяется, какая информация нужна?

Источников данных несколько. Основной источник — наша CRM-система. В ней мы храним всю информацию по долгам, портфелям, клиентскую информацию по должникам. Там же находится история работы с должниками, сведения об их платежном поведении, в том числе данные от предыдущего кредитора, анкетная информация и т. д. Проведя анализ, мы понимаем, какие параметры имеют высокую информативность.

— Какие инструменты применяются и почему именно они?

У нас есть несколько инструментов. С точки зрения баз данных используются Microsoft SQL Server, Oracle и Mongo DB, все это сливается в корпоративное хранилище ClickHouse. Для визуализации отчетности мы применяем Tableau, для разработки скоринга — модели Python. Это весьма популярные инструменты, с ними работают многие, и для решения наших задач они весьма эффективны. Ну и еще одна из причин: эти инструменты применяются во всей финтех-группе IDF Eurasia.

— Какие ресурсы потребовались для реализации проекта?

В ходе проекта команда несколько трансформировалась, но над последней моделью работали пять человек: два дата-сайентиста непосредственно разрабатывали скоринговые модели; два дата-инженера готовили дата-сеты, анализировали весь наш цессионный портфель и предлагали гипотезы по улучшению; один эксперт занимался качеством данных. По времени создание последней модели заняло около 4–5 месяцев.

— В чем заключалась самая большая проблема в ходе работ?

Как это обычно бывает, главная проблема — с качеством данных. Но стоит отметить и отсутствие достаточного количества данных для обучения. Со временем эта проблема решается. В дальнейшем уровень точности прогнозов будет планомерно повышаться по мере обогащения модели все большим объемом исторических данных.

— Какие эффекты удалось получить и за счет чего?

Нам удалось существенно повысить точность прогноза сборов по портфелям за счет разработки отдельных моделей по разным типам продуктов, сегментов, а также секторов — кредитных организаций и банков. Кроме того, мы смогли ощутимо улучшить качество нашего совокупного портфеля, находящегося в работе, за счет более точного анализа. Делая оценку перед покупкой, мы приобретаем портфели с более высоким уровнем собираемости.

Если говорить о наших показателях в цифрах, то после запуска скоринговых моделей мы уменьшили издержки почти на 25%, снизили ошибочность прогнозов примерно на 40%, а также повысили собираемость минимум на 15%.

— А каких результатов вы ожидали сами?

Нам удалось не только достичь желаемых результатов, но и в какой-то мере даже превзойти их. Мы не останавливаемся, постоянно совершенствуемся, пробуем новые модели, новые подходы, новые методы. Тут нет предела совершенству.

— Удалось ли показать экспертам из бизнеса что-то новое?

Разумеется, опытные коллеги, работающие с взысканием задолженностей, прекрасно понимают, какие параметры портфеля сильнее всего влияют на собираемость и эффективность. Но все же скоринговая система выявила некоторые неожиданные параметры, которые на деле оказались одними из самых важных и серьезно повысили качество модели. Эксперты не предполагали, что они так важны.

— Что дальше? Какими вы видите дальнейшие направления развития своей работы?

Мы активно работаем над разработкой поведенческих скоринговых моделей. Они позволяют анализировать поведение клиентов уже после покупки их задолженности, после начала взаимодействия с ними.

Кроме того, мы работаем над оптимизацией процессов по линии взыскания (реструктуризация, soft, legal и hard collection), основываясь на анализе данных, применяя машинное обучение для оптимизации издержек и увеличения сборов. Важно понимать, что у всех должников могут быть свои обстоятельства, и мы используем индивидуальный подход, помогая каждому подобрать оптимальные для него условия погашения долга. В частности, мы планируем создать модель по реструктуризации задолженности, которая бы позволяла оценивать наш портфель и определять клиентов, которым можно сделать скидку или реструктуризировать долг. Снизив свои требования, но подняв процент взыскания, мы работаем на максимизацию прибыли компании. И конечно, мы планируем улучшать и точечно донастраивать уже существующие модели.

Сократить время приезда скорой помощи на вызовы к больным — это самая важная задача для сферы экстренного здравоохранения. Сокращение времени даже на несколько минут, достигнутое при помощи анализа данных, становится дополнительной возможностью сохранить жизнь. Очевидно, что время реагирования скорой существенно зависит от того, как расположены точки базирования экипажей по отношению к основным районам, из которых приходят обращения.

В Рязани реализовали проект по оптимизации размещения экипажей скорой медицинской помощи для сокращения времени приезда на вызов. Он стал одним из победителей в конкурсе World AI&Data Challenge 2021 года. Результатами внедрения этого проекта стали оптимизация расположения подстанций, формирование расписания с указанием количества размещаемых экипажей и, как следствие, сокращение времени приезда экипажей на вызов. О выполнении проекта рассказывает Кирилл Поляков, руководитель департамента реализации проектов АНО «Цифровой регион» (Рязань) и лауреат премии Data Award 2022 .

— В чем заключалась проблема?

Пандемия 2020 года еще больше обострила ситуацию с нехваткой экипажей скорой помощи в Рязани. Если в условиях привычной сезонности станция еще справлялась с прогнозируемым количеством вызовов и соблюдала регламентные сроки, то после увеличения числа обращений в несколько раз это стало уже невозможным. При этом на существенное изменение в размещении самих подстанций или кратное увеличение количества бригад и автомобилей, конечно, рассчитывать не приходилось. Мы поняли, что надо искать решение в условиях имеющихся ограничений.

— Как решалась задача размещения экипажей скорой помощи до запуска цифровой платформы?

До того как началась разработка решения, размещение выполняли исходя из опыта руководства и основываясь на примерном количестве жителей в определенных районах (по данным переписей населения).

— Как родилась идея создать систему для оптимизации работы скорой?

Как известно, если не получается менять что-то физически, то необходимо поменять организацию. Мы исходили из того, что подход, предполагающий зависимость количества экипажей от числа граждан, зарегистрированных по адресам, закрепленным за подстанциями, зачастую неэффективен: фактическое проживание не всегда соответствует месту регистрации. Таким образом, мы решили, что, имея набор данных о фактических вызовах по различным адресам, можно создать гораздо более точную модель размещения экипажей, которая будет учитывать не прописанных граждан, а вероятность поступления вызова из конкретного района, причем с высокой точностью.

— Какие варианты решения этой задачи рассматривались? Или подача на конкурс World AI&Data Challenge была единственным вариантом?

Варианты всегда есть. Мы планировали решать задачу самостоятельно — например, договориться с региональным ИТ-вузом и дать им задачу на проработку или найти подрядчика и попробовать сформировать решение с ним. Но когда пришло предложение участвовать в конкурсе, организованном АСИ, мы поняли, что именно это — оптимальный способ. Во-первых, помимо того, что задачей занимались профессиональные разработчики, можно было выполнить экспертные оценки качества кода, эффективности решения и возможности его расширения. Конечно, оценить столько параметров самостоятельно нам было бы сложно. Поэтому конкурс стал для нас наилучшим выходом.

— Как была сформулирована задача для конкурса?

По требованиям конкурса, в задаче надо было обязательно указать имеющуюся проблему, критерии оценки качества решения и допущения. Поэтому задача была сформулирована следующим образом: по нанесенным на карту точкам вызовов скорой помощи (на основе имеющихся маршрутных листов) с помощью алгоритмов машинного обучения спроектировать оптимальную модель размещения и наполнения бригад в различных точках города, которая позволит максимально быстро и эффективно реагировать на вызовы в зависимости от складывающихся условий. При этом главным требованием было максимальное сокращение прогнозируемого времени ожидания приезда бригады.

— Какие данные использовались и откуда добывались?

Обезличенные данные были предоставлены коллегами со станции скорой помощи. Информация о поступивших вызовах включала маршрутный лист бригады (адрес, дата, время, тип жалобы), время приезда, принявшую подстанцию, а также лечебное учреждение, если помощь была оказана не на дому.

— Что в итоге представляет собой созданное решение?

Сейчас это веб-сервис, который позволяет загружать в установленном формате информацию о прошлых вызовах и формировать расписание для подстанций — количество экипажей, которое должно быть размещено по определенному адресу.

— Перечислите сильные стороны созданной платформы.

Это реально удобное и простое решение. Оно не требует специальных знаний и размещено в облаке. Подгрузка данных осуществляется в том же формате, в котором они выгружаются из системы скорой помощи. Интерфейс ведет пользователя по процессу, и, что немаловажно, реализована максимально эффективная «защита от дурака». Поначалу, когда мы только начали общаться с коллегами из скорой, они испугались и решили, что им навязывают очередную громоздкую и сложную систему. Но когда мы очно продемонстрировали, как работает решение, то они сказали, что с ним справится даже не слишком уверенный пользователь ПК.

— В чем заключалась самая большая проблема при запуске решения?

Конечно, в первую очередь проблема в людях. Благодаря политической поддержке АСИ проблем с запуском сервиса не было. Но убедить людей в том, что система не создает новые проблемы, а решает текущие, очень сложно. Существует некоторое недоверие к цифровым технологиям, искусственному интеллекту и т. д. Однако, когда коллеги увидели, что выводы, сделанные программой, в принципе соответствуют их предположениям и только больше их конкретизируют, они однозначно признали эффективность решения.

— Назовите основных пользователей системы.

Это руководство скорой помощи и Министерство здравоохранения.

— Что выяснилось в результате запуска решения?

После запуска подтвердилась гипотеза о том, что необходимы изменения в размещении экипажей. Скажем, в новый, активно застраивающийся район надо больше бригад, хотя люди там не регистрируются, предпочитая сохранять прописку в других районах — например, у родителей. Подтвердилось и предположение о том, что при размещении необходимо учитывать сезонность: весна и осень в «молодых» районах более критичны. Сейчас мы продолжаем работать и анализировать — может быть, получится выявить новые закономерности.

— Какие факторы теперь учитываются при размещении экипажей?

Самое главное — сейчас учитывается фактически поступившее количество вызовов, а не число жителей, прописанных в районе.

Коллеги из скорой помощи — довольно опытные специалисты, поэтому каких-то неожиданностей для них не было. А мы, например, узнали, что количество вызовов в праздники увеличивается. Еще интересно то, что зачастую в отдаленные районы скорая приезжает быстрее, чем в центр, — скорее всего, из-за пробок: иногда быстрее добраться до другого района, чем проехать пару кварталов.

— Какие достигнутые результаты вы можете отметить?

Сейчас идет тестирование решения: нам необходимо подготовить нормативные документы, провести апробацию в условиях, более-менее соответствующих тем, что были в эталонном периоде. Но с учетом того, что сокращение времени приезда даже на пару минут уже является огромной победой — спасенными человеческими жизнями, я думаю, что достижения будут очевидны всем.

— Есть ли возможность развития созданного решения? В каком направлении?

Конечно, такие возможности существуют. Например, можно обеспечить синхронизацию с базой вызовов в режиме реального времени. Следует доработать анализ маршрутных листов и донастроить маршрутизацию. Наконец, можно попробовать промоделировать распределение экипажей на большее количество подстанций по другим адресам, чтобы оценить эффективность такого решения.

Осенью 2021 года X5 Group первой из ретейлеров запустила свой собственный подписочный сервис. Подписка «Пакет» сочетает в себе опыт развития программ лояльности, создания собственных экосистем и стимуляции качественного спроса. Наличие этого продукта способно качественно изменить взаимоотношения между торговыми сетями и покупателями: ключевыми приоритетами становятся уровень обслуживания и сохранение лояльности подписчиков. К тому же такой подход формирует более осмысленное покупательское поведение и формирование инвестиционного подхода к повседневным тратам.

Технологическим фундаментом продукта стала платформа X5ID, формирующая «золотую запись» данных покупательского поведения для всех бизнес-единиц и торговых сетей X5. О реализации проекта рассказывает Евгений Галимский, директор по развитию сервиса идентификации в экосистеме и номинант на премию Data Award 2022 .

— Как появилась идея создания сервиса «Пакет»? Каковы его цели?

Ключевая цель проекта — за счет экосистемного подхода укрепить лояльность существующих клиентов X5 Group, нарастить розничный торговый оборот (РТО) внутри торговых сетей и бизнесов группы, привлечь новых клиентов благодаря выгодному и новаторскому для России набору сервисов. Идея с подпиской без конкретных предложений по ее содержанию появилась в рамках трехлетней стратегии компании.

— Что собой представляет решение?

Подписка «Пакет» — это проект, направленный на привлечение и удержание клиентов в контуре Х5 Group, программа лояльности нового поколения, полностью обеспечивающая базовые потребности клиентской миссии «Еда» и предоставляющая наборы привилегий за ежемесячный платеж. «Пакет» включает в себя не только гарантированные кешбэки, но и бесплатную доставку, бесплатный доступ к медиаконтенту и скидки от компаний-партнеров.

— Что принципиально нового привносит сервис во взаимодействие ретейлера с покупателями?

Принципиально новой является рекуррентная модель: купи что-то (подписку), а далее получай повышенные выгоды в течение месяца.

— Какие задачи требовалось решить при создании этого продукта?

Задачи можно разделить на три типа. Во-первых — технологические. Требовалось сделать так, чтобы предложения внутри продукта «Подписка» были технически исполнимы, в том числе с учетом корневых систем каждого бизнеса.

Следующая категория задач — продуктовые. Требовалось понять, как эта подписка должна выглядеть для клиента и какие драйверы существуют внутри нее.

Наконец, маркетинговые задачи — объяснить людям, что такое «подписка на еду», как она связана с базовой программой лояльности и чем отличается от нее.

— Какие проблемы возникали, как их решали?

Основная проблема — необходимость быстрой интеграции решения с множеством внутренних сервисов (Comarch, мобильные приложения и т. п.). Для этого потребовалось создать отдельную процессную схему и обеспечить постоянную коммуникацию рабочих групп со смежными командами.

Самым сложным на этапе запуска MVP было сформулировать первый драфт (составные части подписки) и найти компромисс с каждой из бизнес-единиц для тестирования гипотез. Мы стартовали с 28 вариантами подписки, предлагая каждый из вариантов разным группам клиентов Х5. Основными динамическими параметрами были ценовое предложение, скидка или кешбэк и размер предлагаемой скидки и кешбэка. В результате оценивали реакцию аудитории, модель потребительского поведения и обратную связь.

— Какова роль данных в реализации этого проекта? Что является ИТ-фундаментом сервиса «Пакет»?

ИТ-фундаментом стал собственный разработанный сервис со своим набором данных о пользователях. При этом основным идентификационным модулем является платформа X5ID, которая в том числе представляет персональные данные о пользователе, номерах карт лояльности и т. п. Она формирует «золотую запись» данных покупательского поведения для всех бизнес-единиц и торговых сетей в контуре группы компаний. Благодаря платформе клиентских данных (customer data platform, CDP) профиль пользователя обогащается идентификаторами пользователей в Интернете (cookies), что обеспечивает возможность не только построить сквозную маркетинговую воронку для последующей аналитики, но и обеспечить персонализированную автоматизированную медийную и CRM-коммуникацию. Значимая роль в проекте отведена разработанной нами платформе Dialog.X5.

— В прошлом году X5 участвовала в конкурсе с платформой Dialog.X5, которая стала основой аналитических сервисов для партнеров. Какова ее роль в нынешнем проекте?

Благодаря Dialog.Х5 (а конкретно — модулю Targeting) мы можем формировать сегменты клиентов по определенным признакам и делать им таргетированные предложения в платных медиа на основе имеющихся данных. Допустим, мы собрали сегмент клиентов торговой сети «Пятерочка», которые делают покупки всех категорий товаров, кроме бытовой химии. Мы предполагаем, что если предложить таким пользователям подписку с визуальным креативом и сообщением с фокусом именно на бытовой химии, то они могут осознать потенциальную выгоду и воспользоваться нашим предложением.

В качестве еще одного примера использования Dialog.X5 можно привести работу с сегментами клиентов и чеками в разрезе РТО за месяц. Мы нашли сегмент гостей Х5, которые находились «на грани» окупаемости подписки. За основу взяли стоимость подписки и собрали сегмент клиентов, траты которых находились в диапазоне 3,5–4 тыс. руб. в месяц. С помощью креатива мы доносили до клиента мысль о том, что, немного увеличив РТО в месяц, он не просто окупит подписку, но и получит еще бонусы от партнеров: бесплатный доступ к онлайн-кинотеатру и музыке на тот месяц, когда активна его подписка.

Такие сегменты и гипотезы можно формировать сотнями и тысячами.

— С какими данными работает сервис, помимо информации, предоставляемой клиентом при регистрации? Чем они обогащаются и как используются?

В первую очередь это данные, предоставляемые X5ID: регистрационные, контактные, данные о лояльности. Кроме того — собственные данные пользователя: статус оплаты, начало и завершение действия подписки и т. п. Больше пока никакие дополнительные данные не используются.

В перспективе нам будет интересно наблюдать за поведением нашего клиента за пределами ретейла. Сейчас мы понимаем о клиенте всё в ситуации, когда он планирует закрыть свою потребность в еде. Но ведь, помимо этого, существует и его обычная жизнь, где у него есть хобби, интересы, семья и другие потребности, которые влияют на качество жизни. Именно подобные обогащения будут нас интересовать в ближайшей перспективе.

— Лучшее понимание потребностей клиентов и их поведения имеет ценность только для ретейлера? Или для покупателей тоже есть польза?

Х5 системно работает с данными, и это позволяет не только получать экономический эффект от продуктов для офлайн-магазинов (алгоритмы для спроса, промо или работы с ассортиментом). Если ретейлер хорошо понимает своего клиента, это помогает формировать оптимальное предложение для него в зависимости от изменения его предпочтений. А это означает, что клиент будет получать необходимый продукт в самом удобном для него канале.

— Каков на данный момент процент заказчиков сервиса от общего количества клиентов X5? Что ожидается в дальнейшем, есть ли целевой показатель?

Продукт показал свою востребованность. Хотя проект является новым для России и в тестовом формате был запущен лишь осенью 2021 года, уже более 100 тыс. подписчиков регулярно пользуются возможностями «Пакета». 80% подписчиков остаются в активном статусе более четырех месяцев. Более того, мы видим рост объема ежемесячных покупок в торговых сетях и сервисах Х5.

До конца года планируем увеличить число подписчиков в несколько раз.

— Что с финансовым эффектом? И вообще, насколько серьезной может быть доля доходов от таких сервисов?

Мы рассчитываем на значимый финансовый эффект от реализации проекта. Пока говорить о конкретных показателях рано — это только первый год существования подписки. На горизонте 2–3 лет выручка может вырасти в несколько раз.

— Каковы планы по развитию сервиса, основой для каких новых продуктов он может стать?

Основные планы в 2022 году — это продуктовые доработки и фичи, которые упрощают знакомство с продуктом и максимизируют конверсию в его использование. При этом подписка может стать дополнительным инструментом для любого бизнеса Х5 в плане привлечения новой аудитории (например, за счет перетоков пользователей между бизнесами), а также использоваться как часть собственной программы лояльности.

— Ожидаете ли вы, что в будущем подобные сервисы станут массовыми на российском рынке?

На мой взгляд, подписочная модель актуальна в тех сферах бизнеса, где есть высокочастотное потребление услуг и товаров. Допустим, для застройщиков подписочная модель слабо реализуема, так как человек за жизнь может позволить себе купить в среднем одну квартиру. В сегменте же продуктового ретейла она более чем жизнеспособна.

Отдельно следует сказать о социальной значимости подобного проекта. Можно сказать, что мы стимулируем более осмысленное покупательское поведение и формирование инвестиционного подхода к повседневным тратам. Как следствие, это способно повысить общий уровень жизни, финансовой грамотности и благосостояния покупателей в средне- и долгосрочной перспективе.