CDO Award

В прошлом году мы учредили независимую премию CDO Award, адресованную директорам по данным. За время работы над проектом мы убедились, что тема вызывает большой интерес. Все больше компаний теперь воспринимают данные не как побочный продукт своей работы, а как полноценный актив, который может приносить пользу. Поэтому в их штате появляются руководители, отвечающие за максимально эффективное использование такого актива. Причем изменения не ограничиваются формальными действиями. Происходят сдвиги в корпоративной культуре — компании действительно становятся data-driven.

«Технари» и «бизнесмены»

Физики и лирики, теоретики и практики, ударники и борцы — видимо, такое разделение будет всегда, даже когда дело касается вполне конкретной дисциплины. Подводя результаты дебютной премии для директоров по данным CDO Award 2019, мы увидели четкое расслоение номинантов на «технарей» и «бизнесменов». Вторые ожидаемо вызвали гораздо больший интерес и у экспертного совета, и у сторонних наблюдателей. И это неудивительно: большинству из нас узнавать про достигнутые финансовые результаты и новые бизнес-модели всегда интереснее, чем читать про «кухню» Chief Data Officer — например, про проблемы с доступностью данных и их качеством, а также про изменения в корпоративной культуре, без которой компания никогда не станет data-driven.

Расслоение неслучайно: во-первых, формальной должности директора по данным во многих компаниях пока нет, во-вторых, даже при ее наличии фактические роли CDO могут существенно различаться. Место CDO в бизнесе компании и круг его обязанностей становятся предметом обсуждения во многих дискуссиях, так или иначе связанных с тематикой управления данными. В последнее время уже практически все соглашаются с тем, что CDO должен не только отвечать за технологии, но и активно участвовать в бизнес-деятельности, хотя ответственность за наличие и качество данных, необходимых бизнесу, никто с него снимать не собирается. От директора по данным теперь ждут конкретных, сугубо практических результатов, причем они нужны «вчера».

В Gartner также недавно подчеркнули, что нынешний директор по данным не просто становится более бизнес-ориентированным. От прежней направленности на бизнес-проекты и программы он должен смещаться на конечные продукты, имеющие «интеллектуальную начинку». Логика понятна: если CDO «первого поколения» был сосредоточен исключительно на управлении данными, то CDO 2.0 добавил к своим компетенциям аналитику. Если CDO 3.0 занялся вопросами цифровой трансформации, то директор по данным четвертого типа, продолжая развитие, не должен ограничиваться одним лишь руководством проектами в области данных и аналитики — он должен быть ориентирован на продукты и извлечение из них прибыли. Можно лишь добавить, что CDO все в большей степени становится политиком: для реализации проектов ему нужны союзники и «спонсоры инициатив».

Взгляд назад

Когда мы обсуждали номинации CDO Award 2019, то в качестве одной из главных рассматривалась номинация «За создание новой бизнес-модели, основанной на данных». Именно она больше всех отвечает духу премии и самой идее цифровой трансформации. Однако компаний, готовых продемонстрировать столь радикальные изменения в своем бизнесе, оказалось не так уж и много. В результате победителем в этой номинации стала «Почта России» — неповоротливый динозавр, выведший на рынок услугу директ-мейл (адресную рассылку на основе своих «знаний о почтовых ящиках» — потребностях домохозяйств, находящихся по конкретному адресу). Разумеется, в ходе обсуждений этого проекта в Сети звучали высказывания о том, что почтовому оператору стоило бы сначала разобраться со своим основным бизнесом (кстати, на мой взгляд, изменения к лучшему здесь бесспорны), но победа вполне заслуженна.

В номинации «Реализация инновационной идеи» экспертный совет был покорен стартапом Sever.AI, направленным на роботизацию процессов рекрутинга, а также искусственным интеллектом НЛМК, применяемым в производственных процессах. А ведь среди номинантов был очень яркий проект «корпоративного Гугла», реализованный в «Газпром нефти».

Наибольшая конкуренция наблюдалась в номинации «За повышение эффективности бизнеса» — компании ожидаемо были готовы делиться тем, как с помощью интеллектуальных сервисов повысить эффективность существующих процессов. Более того, именно здесь произошло столкновение гигантов, каждый из которых мог претендовать на победу. МТС и НЛМК оказались среди лауреатов в конкуренции с не менее впечатляющими кейсами «СИБУРа», «Уралсиба», X5 Retail и «Бургер Кинга».

Борьба была честной. Разумеется, в любых конкурсах присутствует человеческий фактор, но я считаю большим достижением то, что нам удалось не только найти достойных кандидатов с интересными проектами, но и собрать мощный экспертный совет — строгий, но справедливый.

Культура и качество

Несмотря на всю магию выраженного в цифрах экономического эффекта, не стоит забывать, что элементарное наведение порядка в информационном хозяйстве нередко дает больший результат, чем внедрение самых навороченных технологий. Именно поэтому мы решили добавить в нынешнем году номинацию «За обеспечение качества данных». Как известно, успех цифровых инициатив на 70% зависит от достоверности и доступности данных. Более того, из шести главных проблем, приведших к провалу проектов искусственного интеллекта, пять связаны именно с данными. И потому эта дополнительная, сугубо «технарская» номинация призвана дать шанс тем участникам, которые лишь начинают путь к data-driven-организации и пока не могут похвастаться яркими результатами. Кроме того, мы гораздо больше внимания намерены уделить вопросам культурной трансформации, она станет важным критерием оценки успехов компаний.

Мы рады объявить о старте премии CDO Award 2020. Наш прошлогодний дебют был успешным, и мы готовы развивать этот проект, делать его еще лучше. Нам интересны не только достигнутые результаты, но и то, с какими проблемами вы сталкиваетесь и как их решаете, и еще более интересно, как происходит трансформация компании.

Заявки принимаются до 31 января 2020 года, а объявление итогов и награждение лауреатов намечены на середину марта 2020 года. В рамках форума BIG DATA 2020, который состоится 25 марта, можно будет услышать выступления лауреатов премии.

Chief data officer (CDO) — позиция относительно новая, но уже ставшая популярной в современных компаниях. От CDO ждут конкретных результатов здесь и сейчас. Однако на практике уровень ожиданий оказывается серьезно завышенным. Сегодня становится очевидно: необходимо внедрять специальные инструменты искусственного интеллекта (ИИ), без которых ни один CDO не сможет справляться с возложенными на него обязанностями.

Цифровая трансформация ставит новые задачи, требует новых ролей и их исполнителей. Именно по этой причине позиция CDO с акцентом на управлении корпоративными данными стала востребованной. Можно говорить, что из нишевой должности в банках и телеком-компаниях она превратилась в общий институт в крупном бизнесе.

Gartner прогнозирует, что к 2021 году CDO в 75% компаний крупного бизнеса станет позицией уровня mission-critical — наравне с ИТ-директором, а также с руководителями финансового и операционного блоков. Однако на практике результаты работы CDO скорее разочаровывают, поскольку не приносят видимого внятного результата. Люди на этой должности в крупных организациях часто меняются, не оправдав ожиданий. Почему так происходит?

Кто виноват?

Во-первых, компании продолжают смешивать две роли — CDO и CDS (chief data scientist), перед которыми стоят совершенно разные задачи. Chief data scientist занимается собственно изучением данных, извлечением из них ценности для бизнеса — тем, что называется монетизацией данных. Задача же «классического» CDO — организовать управление жизненным циклом данных так, чтобы информация нужного качества и в определенном виде предоставлялась нужному адресату (включая CDS) вовремя по всей организации.

На практике такого эффекта пытаются достичь преимущественно организационно-процессными методами, создавая надстройки над соответствующей ИТ-инфраструктурой и системами. Если же организация крупная, со сложной иерархической оргструктурой, то организовать кросс-функциональное взаимодействие ее различных подразделений весьма затруднительно. А оно жизненно необходимо, чтобы данные оставались доступными и качественными на всех этапах своего жизненного цикла. В итоге «озера данных» превращаются в «болота», в которых «никогда нет того, что нужно» и данным в которых никто не верит. То есть работать с данными долго и дорого, их качество низкое и говорить о сколь бы то ни было значимой практической отдаче и той самой монетизации в такой ситуации сложно.

Вторым фактором является то, что хозяйство, которое вверяется в ведение CDO, в любой крупной компании поистине масштабно, носит комплексный характер и охватывает множество смежных областей. Любой бизнес-процесс сегодня автоматизирован, проходит через множество систем, порождает гигантский объем разных данных и к тому же постоянно изменяется. Взять все это под контроль, пусть даже озаботившись только рождающимися данными, и эффективно управлять из единой точки — крайне сложно. Особенно принимая во внимание иерархичность структуры управления. Политической воли топ-менеджеров, регламентов, документации и текущих инструментов уже не хватает для итогового успеха.

В-третьих, появление в штате CDO расхолаживает руководителей и сотрудников, они начинают рассуждать примерно так: «Теперь это не моя забота». Данные рассматриваются как побочная активность, необязательный факультатив. Коллективного энтузиазма обычно хватает максимум на пилотную фазу проекта по внедрению новых подходов к управлению данными в очень ограниченной предметной области.

По нашему практическому опыту можно сказать, что сегодня нет ни одной компании, которая не столкнулась бы с перечисленными проблемами при попытке развернуть полноценную стратегию в области управления данными с выделенным руководителем направления во главе.

Что делать?

Отправная точка CDO в любой компании сегодня — смещение внимания с хранилищ и фабрик данных (где уже «поздно пить боржоми»). Акцент делается на точках зарождения данных (чеки, запросы, входящие документы, карточки клиента и пр.) и на выстраивании процесса от производителя до потребителя. И когда такая работа начинается, выявляется главная проблема: у директора по работе с данными нет адекватных инструментов автоматизации его работы! Он — типичный сапожник без сапог.

ИТ-отрасль в целом проходила через аналогичную фазу в своем развитии. Занимаясь автоматизацией множества разнообразных бизнес-процессов для всех отраслей, ИТ-разработчики не очень заботились об автоматизации собственной работы. Причем такая ситуация начала меняться относительно недавно, о чем и свидетельствует бум спроса на DevOps, Continuous Integration и т. п.

Сейчас CDO находится ровно в том же положении: ему нужен софт, чтобы управлять всеми текущими задачами — контролировать потоки данных на всем тракте, технические и бизнес-метаданные, классификацию данных, модели и структуры, участников процесса в различных ролях и т. д. Но имеющиеся программные средства помогают мало, скорее удлиняют и усложняют рабочий процесс.

То есть ИТ для ИТ появились и успешно развиваются, а аналогичных по качеству ИТ для CDO пока нет. Хотя основные игроки сообщают, что Data Governance 3.0 есть в их дорожных картах. Оговоримся: инструменты для управления потоками данных и контроля их качества, ведения бизнес-глоссария и пр.  существуют. Но, во-первых, между собой они зачастую плохо интегрируются, а во-вторых, они «заточены» под работу с нуля, причем при условии, что она ведется правильным образом: «мы начинаем все описывать, и постепенно формируется единое поле активов под управлением со всеми связями и т. д.».

По факту же CDO приходится работать в среде, где много всего было сделано, но требуются огромные усилия по наведению порядка. Отслеживать в такой ситуации полный цикл работы с данными от источника происхождения до «озера данных», да еще с постоянными изменениями, без помощи продвинутых ИИ-алгоритмов попросту невозможно.

Чем же ИИ так хорош?

Высокая отдача ИИ применительно к задачам CDO обусловливается общей «заточенностью» искусственного интеллекта под решение проблем без заранее известных четких правил. ИИ может обучиться им сам. Компьютер в этом плане обладает необходимым уровнем самостоятельности, находит закономерности и совпадения — либо невидимые человеку, либо обнаруживаемые только в результате вложений тысяч человеко-часов. Если нужно в короткие сроки (а CDO сегодня работают в постоянном цейтноте) понять, как данные о клиенте из 10 разных систем соотносятся с одним и тем же объектом, то искусственный интеллект справится гораздо эффективнее человека. Например, в разных системах одной компании клиент может проходить под разными обозначениями — client, customer, shopper и пр., человеку требуется время, чтобы при классификации данных понять, что речь идет об одном и том же объекте. Машина всё сделает (после определенного обучения) практически мгновенно.

Кроме того, CDO всегда ограничен в ресурсах. Он не может нанимать бесконечное множество помощников и сотрудников под каждые проект и задачу. Отдельной проблемой становится формирование единого поля корпоративных знаний. Эксперты бизнес-подразделений хорошо знают свою предметную область, но требуется извлечь знания у каждого эксперта, свести их в одном месте (бизнес-глоссарии), предоставить доступ к этому массиву, задав корректный понятийный аппарат для всей компании. Это крайне длительный процесс, и здесь возможности ИИ трудно переоценить. Алгоритмы глубинного обучения и продвинутой аналитики могут прочесывать дата-сеты, статистику, метаданные, имеющуюся документацию в текстовом виде или даже картинки-схемы, существенно экономя время и обеспечивая качественные результаты.

Например, в банках, где традиционно оперируют широким набором самых разных документов и форматов, ИИ идеально подходит для систематизации и создания нового понятийного аппарата путем извлечения ценных знаний из уже существующего набора абсолютно разрозненных документов. Традиционными организационно-процессными методами такие задачи решить невозможно, или, по крайней мере, потребуются колоссальные усилия.

Как правило, CDO приходит в организацию с готовой проблематикой и от него ждут результатов работы не позднее чем через 6–7 месяцев. Чтобы уложиться в эти сроки, CDO хотя бы на 50% нужно быть искусственным интеллектом, опираться на эффективные ИИ-инструменты в своей работе.

Перспективы и результаты

Пять лет назад было принято начинать работу с людей: выделить штатную единицу, поставить цели, определить критерии оценки и т. д. Сейчас фокус резко сместился на поиск «правильных» подходов. Чем заниматься CDO в компании, перед кем отчитываться о результатах, с кого спрашивать — в целом ясно. Остается вопрос: каким образом ему достичь результатов в короткие сроки?

Только используя технологии, можно действовать результативно. И самое интересное, что у многих компаний для этого есть адекватный технологический стек. Иногда он даже содержит ИИ-функционал, пусть и базовый. Основная проблема — это низкий уровень локализации применительно к разным странам с их реалиями, глоссариями отраслевых терминов и национальными языками. Чтобы все это «взлетело», необходим творческий подход и понимание, что универсального решения нет.

В качестве примера можно привести решение для обогащения метаданными мастер-системы по оборудованию для крупной производственной компании: при помощи технологий обработки естественного языка из документации к оборудованию и описания технологических процессов извлекаются данные о спецификации для дальнейшего импорта метаданных в соответствующую систему управления мастер-данными компании.Таким образом процесс наполнения мастер-справочника оборудования ускоряется в разы.

Без ИИ соответствующей работой должно было бы заниматься целое подразделение из нескольких сотен человек. С ИИ 80% работ выполняется в автоматическом режиме, тем самым экономятся колоссальные средства и время.

Наконец, еще одна важная деталь: чем больше данных обрабатывают ИИ-инструменты, тем выше качество работы, что полностью отвечает задачам любого CDO сегодня. Кроме того, к этому следует добавить появление новых вызовов, обусловленных массовым переходом к работе по принципам Agile, когда зачастую никакой документации просто не остается. Вывод очевиден: роль ИИ-помощников в деятельности CDO будет расти с каждым днем.

Автор — Лариса Малькова, управляющий директор Accenture Russia, член экспертного совета CDO Award. 

С марта в Утконосе появилась должность Chief Data Officer. Компания считает использование данных во всех бизнес-процессах важным шагом на пути к цифровой трансформации и централизует свои усилия в этом направлении. Мы встретились с Данилой Наумовым, директором по данным онлайн-гипермаркета Утконос, в рамках SAS Forum Russia 2019. Он рассказал о стратегии компании на пути к «цифре», о первых шагах в новой должности и планируемых изменениях в работе с данными.

Скорость доставки, цены, качество продуктов — очевидные конкурентные преимущества любого ретейлера. Где здесь могут пригодиться данные?

Действительно, все это важно. А данные могут понадобиться при решении любой задачи. С точки зрения скорости доставки перед нами стоят проблемы оптимизации логистики, в области цен — вопросы, связанные как с регулярным ценообразованием, так и с промоакциями. И тут нам есть чем похвастаться. Актуальны также задачи ассортиментного планирования, добавления в ассортимент востребованных покупателями товаров и вывода непопулярных. Кроме того, есть возможность создания собственных торговых марок — для этого нужно знать, какими характеристиками должен обладать тот или иной продукт.

А какие еще преимущества могут дать компании сервисы, основанные на данных?

Часто диалоги об аналитике у ретейлеров так или иначе связаны с качеством управления запасами — прогнозированием спроса и оптимизацией товарных запасов, обеспечением их нужного уровня. И это не случайно — вопрос действительно критически важен. Отдельно надо сказать о целевом маркетинге: кластеризации клиентов, прогнозировании отклика на маркетинговые кампании. Разумеется, персональные предложения должны быть релевантными — это требование времени. В противном случае лояльность клиента резко падает. Хорошо показывают себя рекомендательные системы на сайте. Если они правильно построены, то существенно повышается средний чек. Мы постоянно занимаемся оптимизацией складских операций. Например, совершенствуем слоттинг — даем рекомендации, в каких местах следует хранить товар, чтобы процедура комплектации заказов была максимально быстрой, а на складе не возникало пробок.

Все это — внутренние истории. Возможно ли что-то, нацеленное вовне?

Не соглашусь с таким разделением. Наличие товара в продаже напрямую сказывается на поведении клиента, если же клиента не устраивают цены, он пойдет к другому ретейлеру. Потребность в подобной аналитике диктуется рынком. Мы очень долго были не просто лидером, а вообще единственной компанией, занимающейся доставкой продуктов. Наши трансформационные процессы обусловлены именно появлением конкурентов. В сфере онлайн-ретейла крайне тяжело выйти на новый рынок — например, в другой город. Обустройство складов и выстраивание логистических сетей стоит невероятно дорого и требует единовременных инвестиций. Офлайн-ретейлер, в отличие от нас, может позволить себе постепенно увеличивать число магазинов.

Существовала ли до вас в Утконосе должность директора по данным?

Такой должности не было. Но уже функционировал аналитический центр, который занимался BI-функцией, его начали формировать с лета прошлого года. Прежде аналитическая работа велась разрозненно: в каждом бизнес-подразделении были собственные аналитики. Аналитический центр был создан с вполне понятной целью — объединить аналитиков из разных подразделений, чтобы ликвидировать дублирование отчетов. Понятно, что в разных подразделениях аналитики зачастую занимались схожими задачами. Кроме того, параллельно велось несколько проектов, связанных с прогнозированием спроса и построением системы автозаказа. В этих направлениях были существенные наработки. Требовалось их развить и добавить в число используемых технологий машинное обучение и другие современные методы. И поэтому в Утконосе появился директор по данным.

Что появление этой должности фактически означает для компании?

Наша компания идет по пути цифровой трансформации, и мы разделили ее на три составляющих. Первая — переход от традиционной иерархической структуры к продуктовой структуре. Мы создали множество продуктовых команд, в них входят представители бизнеса, data science, бизнес-аналитики, ИТ (ее инфраструктурной части). Вторая составляющая трансформации — привлечение талантов извне, третья — использование данных во всех бизнес-процессах. Все решения должны приниматься на основании данных, а не экспертных мнений. Позиция человека должна подкрепляться объективными цифрами. Моя должность объединила три функции: BI-практику, развитие хранилища данных (data engineering) и применение продвинутой аналитики (data science) в бизнес-процессах. Функции data engineering и data science изначально входят в мою зону ответственности, эти функции мы выстраиваем с нуля. А аналитический центр раньше подчинялся директору по стратегии. Директор по стратегии решил поставленные задачи, должность упразднили и было принято решение функцию BI тоже отдать мне.

Вы пришли в компанию несколько месяцев назад. Какие задачи были поставлены перед вами?

По каждому из трех направлений передо мной поставлены вполне конкретные задачи. На аналитике по-прежнему лежит в первую очередь функция автоматизации отчетности. В data science главные направления, по которым мы начали работать, — это прогнозирование спроса для операционного блока и регулярное ценообразование для коммерческой дирекции. Что касается хранилища данных, то мы приступили к выбору СУБД, средств интеграции данных и уже вплотную планируем построение самого хранилища данных. Хочу отметить, что в отношении выбора инструментов для реализации проектов никаких «религиозных» предубеждений у нашей команды нет. Руководство компании мыслит категориями бизнес-кейсов и финансовых эффектов. Если мы понимаем, что у какого-то конкретного продукта стоимость владения существенно привлекательнее, чем у конкурентов, то наш выбор склоняется в сторону именно этого продукта. Еще одной ключевой составляющей для нас является скорость решения задачи. Например, мы вполне обоснованно выбрали коммерческую аналитическую платформу и отказались от стека решений open source. Важную роль при этом сыграл показатель time to market — время, которое потребуется, чтобы решенная задача начала приносить прибыль.

Как могло отсутствовать направление data science в электронной компании с такой историей?

Каждый блок решал свои задачи по отдельности, с помощью доступных инструментов и методов. Например, строили прогнозы спроса, решали задачи автозаказа, создавали модели прогнозирования оттока клиентов, занимались оптимизацией логистики. Однако есть множество задач, в которых применение продвинутой аналитики даст более существенный эффект, чем традиционные подходы. И эти задачи совершенно точно должны решаться централизованно.

Местные аналитические отделы будут упразднены? Как сейчас осуществляется взаимодействие с ними?

Я вижу два варианта. Первый — оставить решение аналитических задач в рамках «родных» бизнес-блоков. Если задачи решаются качественно и результаты устраивают бизнес, то незачем ломать работающую структуру. При этом было бы правильным при необходимости подключать «Офис данных». Например, когда местным аналитикам на каком-то этапе не хватает компетенций. Второй вариант — переход аналитиков в нашу команду, но здесь важно сделать это так, чтобы бизнес-функция не пострадала и ее задачи продолжали решаться. Далеко не каждому руководителю понравится такой подход, и единственный способ не допустить скандалов — поднять решение прежних задач на новый уровень.

С чего началась работа в новой должности?

Первое — согласование бюджетов с собственником. Согласовали и расширение штата — дополнительно 14 человек, и приобретение новых инструментов, и проведение работ. Сейчас начинается обсуждение, как именно эти средства потратить, а также сравнение ИТ-платформ для решения тех или иных задач. И конечно, естественным следствием расширения штата стал активный поиск персонала.

Что сейчас представляет собой часть ИТ-ландшафта, ориентированная на работу с данными? Какие платформы и решения применяются, каковы планы на будущее?

Разумеется, у нас есть множество источников данных: ERP, WMS, веб-сайт, система управления перевозками, BI-инструменты и аналитические решения SAS. Кроме того, есть инструменты, используемые бизнес-блоками. Мы проведем трансформацию хранилища данных и построим озеро данных. Планируем предоставить инструменты подготовки данных бизнес-пользователям, чтобы наиболее продвинутые могли не только смотреть отчеты, но и проверять собственные гипотезы, выстраивать модели данных. У нас есть пользователи, которые готовы так работать и ждут, когда возможность для этого у них появится.

Используются ли в компании большие данные, и если да, то в каких целях?

Да, большие данные у нас есть. В первую очередь это история покупок клиентов, история активности пользователей на сайте. Мы знаем, каким образом происходила каждая покупка и как клиент оказался на сайте. Все эти данные надо анализировать, чтобы оптимизировать маркетинг — например, оценивать и развивать каналы, по которым к нам приходят люди. Огромный блок данных связан с операциями на складах. Комплектовщики заказов перемещаются по складу с собственными терминалами, и их движение становится источником информации для оптимизации размещения товаров. Есть множество видеоданных, на основании которых принимаются решения о реструктуризации склада.

Насколько эффективно используются эти данные?

Довольно эффективно. Можно ли их использовать еще эффективнее? Безусловно, да.

Обычно выделяют внутренние эффекты от работы с данными (оптимизация, повышение эффективности и т. п.) и внешние (создание новых сервисов, ориентированных на извлечение прибыли). Какие из них приоритетнее сейчас, а какие могут быть значимыми в будущем?

В рамках каждой задачи производится оценка конкретного кейса. На данный момент для нас примерно равнозначны по приоритету оптимизация операций и решение задач коммерческой дирекции и маркетинга. В будущем мы считаем перспективным привлекать стартапы для анализа изображений и голоса, а также для анализа отзывов клиентов и даже просто постов в соцсетях.

У онлайн-гипермаркета гораздо более широкие возможности по работе с покупателями, чем у традиционного ретейлера. Вы видите своих клиентов в буквальном смысле насквозь. Что, с вашей точки зрения, могло бы быть реализовано лучше и как этого добиться?

Здесь может идти речь об углубленном анализе больших данных: активность клиента на сайте, история его запросов в поисковиках, анализ источников, по которым он перешел к нам. Но надо сказать, что у нас намного меньше клиентских данных, чем у банков. Гораздо больше знаний о клиенте нам пока дают все-таки его истории покупок.

Появления каких новых «умных» сервисов могут ждать ваши клиенты в обозримом будущем?

У нас много различных идей. Например, предоставление рецептов и услуг голосового помощника во время приготовления еды. Если сервис Утконоса предложил купить продукты, он вполне может помочь приготовить из них вкусное блюдо. Кроме того, могу назвать интеллектуальные сервисы, которые будут напоминать о покупке.

Как скоро появится возможность «залезть к клиенту в холодильник» — поставить там камеру и реализовать сервис автозакупок?

Технически это вполне можно реализовать уже сейчас. Но потребуются как минимум серьезные инфраструктурные вложения и доработка некоторых «юридических моментов».

В рамках форума BIG DATA 2019, организованного издательством «Открытые системы», состоялся круглый стол с номинантами премии CDO Award. Участники обсудили вопросы формирования стратегии, кросс-функционального взаимодействия и подходов, наиболее эффективных при поиске идей монетизации данных.

Три года назад, когда речь заходила о стратегии управления данными, это вызывало удивление. Два года назад о ней говорили как о направлении движения и развития подходов к управлению данными. Сейчас стратегия в том или ином виде появилась у всех крупных компаний, причем она включена в корпоративную стратегию, что само по себе можно считать колоссальным прогрессом.

Все участники дискуссии сошлись на том, что если не всеобъемлющая стратегия управления данными, то по крайней мере ее элементы должны быть. В первую очередь это подразумевает понимание приоритетов бизнеса, в соответствии с которыми решаются технические вопросы: выбор архитектуры, построение инфраструктуры, поиск и обогащение данных. При этом на практике стратегия существует по принципам Agile: формируется, проверяется на деле, подвергается коррективам и т. д.

«Стратегия — не монумент, высеченный в камне, а живой организм. Если не корректировать в процессе работы направление движения, можно прийти совсем не туда, куда планировалось изначально», — подчеркнул Антон Мироненков, директор по большим данным X5 Retail Group. Однако без стратегии нельзя идти вперед, особенно в крупной организации, следует хотя бы задать направление.

«Нужна цель. Кораблю без порта назначения никогда не дождаться попутного ветра», — согласился Юрий Сирота, руководитель департамента искусственного интеллекта и анализа данных банка «УРАЛСИБ». В «УРАЛСИБе» офис CDO располагается в блоке стратегического развития, поэтому вся деятельность началась именно с написания стратегии. Более того, в трехлетней стратегии развития банка, утвержденной недавно, отдельным пунктом выделена стратегия управления данными и их монетизации. Она является вспомогательным инструментом для реализации стратегии банка.

Игра на чужом поле

Как побудить бизнес выполнять обязанности владельцев данных, какими приемами пользоваться? Не секрет, что такие инициативы идут тяжело, но без активного вовлечения бизнеса не обойтись, и роль CDO здесь является ключевой. Как на практике удается продавать эту тему бизнесу?

«Обычно все в компании хотят, чтобы появилась волшебная кнопка, позволяющая решать существующие проблемы, но участвовать в ее создании не желают, — признал Мироненков. — Каждый раз идут многократные обсуждения. Несмотря на то, что вся дорожная карта развития больших данных включена в корпоративную стратегию, а дирекция больших данных напрямую подчиняется генеральному директору, все равно приходится непросто».

Ретейл мыслит относительно короткими временными отрезками, он не думает на 10 лет вперед. Если сегодня товар не продан, завтра его продать уже точно не удастся, а потому разговоры об эффектах, достигаемых через год, не находят понимания. Бизнес интересуется своими показателями: выручкой, прибыльностью и т. п. Лишь когда удается заинтересовать его, начинается диалог о том, как этих результатов достичь. И если для более эффективной работы нужны данные, бизнес поможет. По-другому уговорить его не получится.

«Нам очень сильно помогает то, что культура компании ориентирована на непрерывное повышение операционной эффективности», — отметил Александр Айваз, руководитель функции «Управление корпоративными данными» «СИБУРа». Данных традиционно не хватало, однако спрос на них сформировался сам собой. Пионерами стали подразделения, наиболее готовые к работе с данными, а популяризация их опыта и успехов привела к тому, что идеи были быстро подхвачены.

«Когда мы два года назад начали свою работу, бизнес-подразделения — доменный, сталеплавильный цеха и т. п. — были совершенно не готовы. Их руководство не было против, но абсолютно не понимало, о чем идет речь. Мы “высаживались в поля”, разговаривали с мастерами, пытались найти задачи, которые можно решить с помощью машинного обучения и оптимизации процессов на его основе, — рассказал Анджей Аршавский, директор по анализу данных и математическому моделированию НЛМК. — Предварительная работа отняла много времени и сил, но когда появившиеся первые решения начали приносить прибыль, бизнес стал воспринимать наши идеи. Сейчас внутри подразделений начинают зарождаться заказчики цифровых решений. Эти заказчики, с одной стороны, должны очень глубоко понимать производственные процессы, а с другой — суть анализа данных и возможности его применения».

«Успешные проекты упрощают решение всех вопросов. Видя примеры монетизации данных, бизнес выстраивается в очередь», — констатировал Сирота. Действительно, можно долго говорить про будущее, но настоящее всем гораздо интереснее. И чем больше ожидается экономический эффект, тем больше у бизнес-заказчиков желания сотрудничать.

«Мы всегда “играем на чужом поле” — в зоне ответственности подразделений HR, продаж, маркетинга и т. п. — и накопили большой опыт кросс-функционального взаимодействия. Восприятие наших усилий со стороны коллег далеко не всегда безоблачное», — отметил Леонид Ткаченко, директор департамента Big Data МТС. По его словам, многие руководители опасаются, что будут выглядеть не в лучшем свете на фоне чужих успехов. Поддержка первых лиц компании ощутимо помогает внедрять уже работающие инструменты.

Важно находить союзников внутри организации, а они появятся только тогда, когда будут получать пользу — пусть небольшую, но дающую быстрый и понятный эффект.

1.  
2.  
3.  
4.  
5.  

Юрий Сирота: «Успешные проекты упрощают решение всех вопросов. Видя примеры монетизации данных, бизнес выстраивается в очередь»

Антон Мироненков: «Должен ли хороший data scientist уметь готовить для себя данные? Конечно должен. Может ли человек, занимающийся подготовкой данных, заниматься их анализом? Вполне. Но у нас этим заняты разные люди»

Александр Айваз: «Если какому-либо подразделению понадобится проверить ту или иную гипотезу, оно вполне может реализовать проект самостоятельно — данные для этого уже есть»

Анджей Аршавский: «Примерно через 10 лет в компании будет налажено автоматически управляемое производство, основанное на глобальной оптимизации — от добычи и закупки сырья до конечных стадий производства. Это возможно сделать существующими технологиями, но предстоит большая работа»

Леонид Ткаченко: «Непосвященные люди ждут от big data эффекта, гораздо большего, чем реально возможный. Второго телекома из этого направления не вырастет — это стало очевидным за три года работы»

Пред.След.

Как заработать на данных?

«Что касается оптимизации локальных процессов, то у нас уже имеется выверенный подход, практически конвейер», — поделился Аршавский. На первом этапе несколько аналитиков общаются с производственниками и генерируют идеи. В офисе их перерабатывают в карточки инициатив — определяется, что именно надо сделать и каков будет принцип работы этой системы, оценивается предварительный эффект. После этого инициатива попадает в воронку приоритизации, где оценивается по разным критериям: сколько денег можно заработать, есть ли в наличии данные, как это стыкуется с приоритетами компании. Получается список (и сейчас он в НЛМК достаточно велик), из которого выбирается очередная задача, и начинается пилотный проект, построение модели. Если результат инициативы положительный, она переходит в проектную стадию, это подразумевает привлечение серьезных ресурсов и разработку полноценного решения с проведением промышленных испытаний и вводом в эксплуатацию.

Смотря в будущее, в НЛМК видят «суперцель». Она заключается в том, что примерно через 10 лет в компании будет налажено автоматически управляемое производство, основанное на глобальной оптимизации — от добычи и закупки сырья до конечных стадий производства. «Это возможно сделать с помощью существующих технологий, — уверен Аршавский. — Но предстоит большая работа. Мы проводим локальные проекты, чтобы будущие, большие решения стали возможными».

«У нас есть два направления: внутренняя монетизация и внешняя монетизация. Внешняя — то, на чем мы зарабатываем деньги извне, внутренняя — то, что влияет на показатели всей компании», — рассказал Мироненков. Пока на 80% это внутренняя монетизация, причем во всем мире ситуация похожая. Направления для реализации проектов определяют исходя из ожидаемого эффекта.

Это может показаться странным, но в МТС большинство проектов тоже внутренние. «Проблема в том, что непосвященные люди ждут от больших данных эффекта, гораздо большего, чем реально возможный. Второго телекома из этого направления не вырастет — это стало очевидным за три года работы», — посетовал Ткаченко. Да, по мере появления опыта эффективность проектов, направленных вовне, растет, но в масштабах телеком-бизнеса это капля в море. Нынешний потенциал внутренней оптимизации гораздо выше, но он конечен, и после нескольких раундов оптимизации эффекты иссякнут. Если будущее у больших данных есть, то оно кроется именно во внешних проектах — построении сервисов, основанных на данных. «Пока соответствующего рынка в России нет, все продукты на основе данных идут со скрипом, и это очень небольшие деньги», — признает Ткаченко.

Кому тащить рояль?

Для российского рынка характерно разделение двух должностей — Chief Data Officer (CDO) и Chief Data Scientist (CDS). Компании в большинстве случаев назначают ответственных за подготовку данных и отдельно — за их монетизацию. Каковы плюсы и минусы этих подходов?

«Это вопрос готовности каждой организации. Нам были нужны практические решения, поэтому мы шли от монетизации — придумывали задачи и реализовывали их на основе имеющихся данных», — подчеркнул Аршавский. Часто данных не хватало и вставали вопросы об их подготовке и доступности. Так появилась единая дирекция, занимающаяся задачами работы с данными и их анализа. Тем не менее вопрос управления данными довольно объемный и требует специфических компетенций. Возможно, уже в ближайшем будущем в НЛМК эти функции будут разделены.

В «СИБУРе» изначально пошли по пути разделения этих функциональных ролей. Был создан офис данных — функция «Управление корпоративными данными», где формируют стандарты, строят платформу управления данными. В соседней функции цифровизации создано направление продвинутой аналитики. Их ключевое различие — разная модель работы с компанией.

«У нас была создана отдельная команда для работы с каждой функцией, а в каждой функции есть data-партнер, который управляет взаимоотношениями с заказчиком. В функции цифровизации команды делятся по продуктовому принципу, реализуя подходы Agile», — объяснил Айваз.

В «СИБУРе» не хотят, чтобы работа с данными превратилась в узкое горлышко: если какому-либо подразделению понадобится проверить ту или иную гипотезу, оно вполне может реализовать проект самостоятельно — необходимые данные уже есть. В этом заключается перенос стратегии цифровизации в массы — заставить работать на эту цель всех.

В «УРАЛСИБе» тоже созданы две разные роли, и это было обусловлено стремлением распараллелить два процесса — создание данных и их анализ. К тому же сложно объединить необходимые компетенции в одном человеке.

«Я глубоко убежден, что в идеале это должна быть одна роль, — признался Сирота. — Тем не менее, если ваш подход работает, его можно признать правильным, если же есть проблемы и конфликты, подход надо менять». Все очень индивидуально и зависит от компетенций, существующих в организации. Гораздо чаще встречается ситуация, когда CDO выступает «подносчиком патронов» для Chief Analytics Officer, занимающегося вопросами монетизации.

«Всегда есть оргструктура, “нарисованная” HR-службой, и есть реальная жизнь. Должен ли хороший data scientist уметь готовить для себя данные? Конечно должен. Может ли человек, занимающийся подготовкой данных, заниматься их анализом? Вполне. Но у нас этим занимаются два отдельных специалиста», — отметил Мироненков. Важно исходить и из здравого смысла: сильный, «матерый» data scientist — очень редкий и ценный сотрудник, и заставлять его заниматься подготовкой данных — по меньшей мере странно. Кроме того, в X5 Retail эти специалисты не нужны в продуктовой команде 100% времени и поэтому часто работают одновременно в нескольких.

Не следует забывать, что 80% усилий в проектах обычно затрачивается на подготовку данных — сбор, интеграцию, унификацию, консолидацию, обеспечение качества. Этим занимается CDO, он выполняет всю невидимую внешне неблагодарную работу, именно он «таскает рояль». А играет на этом рояле CDS — его работа гораздо более видима для бизнеса, и она приносит конкретный эффект — зачастую финансовый.

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.

Объемы информации, необходимой для принятия решений, непрерывно растут. Но при этом нельзя допустить, чтобы на поиск необходимой пользователю информации уходило много времени. Информационные технологии, используемые в Научно-техническом центре «Газпром нефти» (НТЦ), позволяют создавать новые инструменты анализа и быстро находить нужные данные.

В НТЦ разрабатывают эффективные технологии добычи нефти на основе самых современных научных исследований. Еще одно важное направление деятельности компании, которым занимаются сотрудники Центра управления бурением «ГеоНавигатор» в Санкт-Петербурге — сопровождение высокотехнологичных скважин, расположенных не только в России, но и за рубежом.

В прошлом году здесь реализовали проект «Система когнитивного поиска», который способен поднять на качественно новый уровень работу сотрудников всей компании. О том, что дает компании «умный поиск», рассказал руководитель проекта в Научно-техническом центре «Газпром нефти» Евгений Кирьянов, номинант на премию CDO Award 2019.

- В чем суть задачи, которую решает этот проект?

Для нас, как и для любой наукоемкой компании, крайне важны исследования, связанные с решением повседневных бизнес-задач и преодолением технологических вызовов. Наши сотрудники постоянно нацелены на поиск новых решений, подходов и знаний. Чтобы осилить такие задачи, надо обращаться как к внешнему отраслевому опыту, так и к внутреннему опыту, накопленному сотрудниками компании.

Проанализировав имеющиеся базы данных и источники информации, мы увидели следующее. Во-первых, неизвестно, в какой из множества систем находятся искомые знания и ответы на вопросы. Во-вторых, сотруднику тяжело быстро найти информацию, требующуюся ему немедленно. Когда архивы измеряются сотнями терабайт и включают сотни тысяч документов, пользоваться стандартными локальными инструментами поиска в приложениях затруднительно.

Сначала мы попробовали построить поисковую систему на основе технологии Microsoft Share Point, но очень быстро выяснилось, что даже с ручным управлением, составлением словарей синонимов и настройкой фильтров стандартный поиск не справляется.

Поэтому мы решили создать собственную поисково-аналитическую систему, которая помогла бы сотрудникам максимально быстро находить ответы на свои вопросы и повысила бы эффективность экспертного сопровождения. Первая задача, которую мы перед собой поставили, — создание единой платформы для преодоления разрозненности источников данных, вторая — когнитивность поиска.

- Почему понадобилась именно когнитивная система?

Если документов немного, мы можем использовать поиск на базе совпадения слов, но когда число документов близится к миллиону, система выдает слишком много результатов. При этом в поисковой выдаче нет ранжирования по тому параметру, который важен сотруднику именно сейчас.

Система когнитивного поиска работает по-другому. Она сравнивает не буквы в словах, а смысловые значения слов, предложений и целых текстов, учитывает морфологию слов в запросе, понимает сокращения и специализированные термины. И например, по запросу «легкие фракции нефти» она выдаст результаты со словами «бензин» и «керосин». Даже если мы по-разному пишем одни и те же термины, система очень быстро сама обучается и понимает, что написанное по-русски и по-английски — это одно и то же. Система также работает с функциональными онтологиями, понимает вложенность терминов. В результате обучения нейронных сетей нашими экспертами система понимает из контекста документа, что это вложенные термины с разными написаниями.

Когнитивный поиск позволяет задавать вопросы с уточнениями и получать сфокусированные ответы, а фильтрация — оставлять в поисковой выдаче документы, удовлетворяющие нужным пользователю параметрам. Например, можно выбрать несколько конкретных источников данных или оставить только документы заданного типа.

- Подстраивается ли система под запросы конкретного пользователя? Вы создаете свой внутренний Google?

Сравнивать ее с Google и «Яндексом» я бы не стал, у нашей поисковой системы иные задачи. Мы только развиваем персонализацию и планируем в этом году сделать ее качественной. Дело в том, что наши сотрудники занимаются абсолютно разными вещами. Даже геологи, сидящие в одном отделе, могут решать совершенно разные задачи. Например, одни по стандартной модели рассчитывают запасы, а другие — развивают искусственный интеллект и нейронные сети в геологии. Соответственно, одним система должна выдавать более фундаментальную геологическую информацию, а другим — скорее «айтишную» или на стыке геологии и ИТ. То есть без персонализации работа системы не будет достаточно эффективной.

- Как вы выбирали подход к решению задачи?

Мы познакомились с имеющимися российскими и международными разработками, причем активно изучали опыт не только нефтяных и энергетических компаний, но и интернет-ретейлеров, поскольку в этом бизнесе поиск ощутимо влияет на результат. Затем провели несколько экспериментов, осуществили пилотное внедрение в офисе НТЦ в Санкт-Петербурге и принялись за разработку собственного решения совместно с компанией Nаumen. На реализацию проекта ушло 10 месяцев.

- Какие данные использует система и какова стратегия их сбора?

Объем внутреннего файлового хранилища «Газпром нефти» превышает сотни терабайт. Кроме него в первом прототипе системы мы использовали наборы данных из внешних онлайн-ресурсов, в совокупности около 70 тыс. документов.

В дальнейшем начнем расширять перечень внешних источников — примерно до ста, добавим также ресурсы, которые наши эксперты используют в своей работе.

- Какими технологическими средствами вы решали поставленную задачу?

В основе лежит система ElasticSearch, многое было разработано на языке Scala. Использованы и другие свободно распространяемые программные продукты, а также решения Naumen.

Поиск — это внутреннее клиент-серверное приложение, доступное сотрудникам в виде веб-сайта на корпоративных ПК или удаленно с личных ноутбуков. Сейчас единая поисковая платформа объединяет несколько сайтов, и мы работаем над ее расширением.

- Какие были основные сложности в ходе проекта, как их преодолевали?

Взаимодействие с любыми поисковыми системами выстраивается постепенно, вначале люди не доверяют возможностям технологии. Мы помним это по опыту взаимодействия с «Яндексом» и Google: несколько лет назад мы вбивали в строку запроса лишь одно-два слова, поскольку знали, что если введем предложение, то ничего в ответ не получим. Теперь мы спрашиваем все, что придет в голову, — и именно такое качество мы намерены развивать в своей системе.

Пользователи уже начинают больше доверять корпоративной системе: раньше поисковые запросы были в одно-два слова, сейчас длина запросов растет.

Технические сложности были из-за качества, а также разнородности входных данных (новости, НМД, книги, проекты и т. д.) и их источников (система распространения знаний, внешние ресурсы, сетевые папки). Качество отсканированных документов было очень разным, многие документы были «зашумлены», требовалась очистка, удаление нечитаемых фрагментов и нераспознанного текста.

- В какой срок вы рассчитываете накопить объем запросов, достаточный для интеллектуального роста системы?

У нас нет этой проблемы, потому что нам не требуется такого количества запросов, как у Google. Мы избегаем «холодного» старта, характерного для систем машинного обучения, базирующихся на сборе информации без «учителя». Например, новому геологу, введенному в нашу систему, мы дадим модель, уже обученную для другого сотрудника с наиболее близким функционалом. Мы проводили экспертное обучение, то есть подаваемые в систему материалы уже размечены, проанализированы экспертами и «готовы к употреблению». Поэтому острой нужды в накоплении большого количества данных нет. Тем не менее мы рассчитываем на то, что через год система будет работать гораздо лучше, чем сейчас, потому что она еще и самообучается.

- Каких результатов вам удалось достичь?

По экспертной оценке, сотрудники занимаются поиском информации и каких-либо документов по 30–50 минут в день. Мы сократили это время практически вдвое и надеемся еще улучшить результат. Время сотрудников высвобождается, и это дает компании существенный экономический эффект. Кроме того, благодаря точности и полноте результатов поисковой выдачи повысилась эффективность принятия решений.

И еще один важный итог. Мы провели эксперимент: две группы сотрудников получили задачу по определенному направлению и доступ к системе умного поиска для ее решения. При этом ни в одной из групп не было специалиста по данному направлению. И участники обеих групп решили задачу на таком уровне, который позволил применить их решение в компании. Оказалось, что система может выступать в роли эксперта в тех ситуациях, когда пользователь не знает точно, что ему делать. С помощью «умной системы» он может найти ответы на свои вопросы и решить задачи, с которыми не сталкивался прежде. Найти в Интернете видеоинструкцию и сразу сделать хорошо то, что делаешь впервые, сегодня уже не проблема.

Когнитивная система служит для управления знаниями и их трансфера между подразделениями.

- Как планируется дальше развивать этот проект, помимо персонализации поиска?

Мы уже начали распространять решение на весь холдинг, скоро откроем его всем сотрудникам. Будем расширять возможности подключения к платформе по API других приложений и источников знаний. Намерены развивать инструмент, позволяющий делать аналитику на основе семантики запроса. Хотим сильно продвинуться в создании знаний, которых не существовало до запроса. То есть, анализируя несколько источников, система должна уметь собрать из множества документов один и предоставить его в ответ на запрос пользователя.

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.

Для борьбы с отмыванием денег, обналичиванием, фиктивными зарплатными схемами, а также для ведения фрод-мониторинга и выявления подставных лиц и так называемых дропперов, участвующих в транзите обналиченных денег, банки берут на вооружение самые современные средства и концепции работы с данными. Ретроспективный анализ обогащают прогнозированием, встраивая в инструменты бизнес-аналитики технологии машинного обучения. Эту концепцию называют дополненной аналитикой. А когда дополненная искусственным интеллектом BI встраивается во фронт-офисные системы и анализ ведется в реальном времени — это уже концепция непрерывной аналитики. Чтобы эти концепции работали, нужны соответствующие BI-инструменты и специалисты, которые будут моделировать интересующие их явления и встраивать прогностические модели в интерфейсы BI-систем.

Юрий Сирота, старший вице-президент, руководитель департамента искусственного интеллекта и анализа данных банка «УралСиб» и претендент на премию CDO Award, рассказал на примере проекта Anti Money Laundering, как его подразделению удается монетизировать работу с данными.

- Как организована математическая работа с данными в вашем банке?

Исторически математические функции развивались в двух направлениях: в рисках и розничном бизнесе. Но большинство задач, требующих математического моделирования, оставались нерешенными. Поэтому было создано новое подразделение — департамент искусственного интеллекта и анализа данных или Artificial Intelligence and Data Analytics Office (AIDA), призванный развивать аналитическую культуру и реализовывать математические проекты исключительной сложности. В нем сосредоточены функции, связанные с математическим изучением данных, бизнес-аналитикой, искусственным интеллектом и интеллектуальной роботизацией процессов.

AIDA напрямую подчиняется заместителю председателя правления, поскольку руководство банка понимает перспективность этих направлений для бизнеса. Наше взаимодействие с заказчиками строится по принципу партнерства. Тематический лидер приходит от заказчика, а математическая и ИТ-имплементация проекта – задача AIDA.

Cтратегия развития аналитической функции в банке предусматривает ликвидацию барьеров между ИТ, центром аналитических компетенций и бизнесом, разработку подхода для интеграции результатов аналитики в бизнес-процессы, а также инвестиции в инфраструктуру и компетенции.

Основных компетенций три: инженерия данных, математический анализ данных и BI. Подготовка данных для анализа — процесс кропотливый, и в общей трудоемкости его доля составляет порой 90–95%, но иначе невозможно добиться реальных конкурентных преимуществ. Монетизация упомянутых технологий и навыков достигается в основном благодаря внедрению методологий исследования данных (data science).

Традиционно исследование данных применяется банками при оценке рисков, в маркетинге и продажах. Есть много примеров использования математики для сегментации клиентов, определения вероятности их оттока, покупки и кросс-продаж и, конечно, для рискового скоринга. Но этим применение данных методологий не ограничивается. По большому счету, предиктивной математике можно адресовать вопрос, касающийся любой финансовой сущности: куда она движется и как добиться того, чтобы она двигалась туда, куда нам надо? Предиктивное моделирование помогает понять, к примеру, какова будет выручка, как сделать, чтобы прибыль была больше, а отток клиентов — меньше.

- Какие задачи решались в одном из последних ваших проектов — Anti Money Laundering?

Этот проект нацелен на выявление токсичных, то есть совершающих противозаконные транзакции, клиентов. Главным образом это физические лица, малый бизнес и индивидуальные предприниматели с незаконными оборотами. Математические методы использовались, чтобы прогнозировать вероятность токсичности. Проект выполняла кросс-функциональная команда специалистов AIDA и службы финансового мониторинга.

- Почему такая работа важна для банка и отрасли в целом?

Объем токсичных операций контролируется Центральным банком в конце каждого квартала: за очень большие объемы банк могут наказать, и не только штрафом. Санкции предусмотрены достаточно серьезные, вплоть до отзыва лицензии.

Задача определения того, какой клиент токсичен, а какой нет, решается всеми банками, разница только в методах и точности. Если мы сильно «закручиваем гайки», отказываем многим клиентам в открытии расчетного счета, то получается, что «душим бизнес». Если же плохо выявляем токсичных клиентов, тогда через банк проходят токсичные обороты, несущие потенциальные риски. И то и другое — плохо, все банки в этом смысле зажаты между молотом и наковальней. Чаще всего банки идут по пути именно «закручивания гаек» — грубо отсеивают из входного потока клиентов предприятия малого бизнеса и индивидуальных предпринимателей, и это оборачивается ущербом для бизнеса.

- Какой подход выбран в вашем банке?

Чем точнее мы оценим вероятность токсичности, тем больше запустим в банк хороших клиентов и, соответственно, меньше плохих. Вопрос заключается в том, как отличить «хорошего» от «плохого». И этот вопрос — к аналитикам.

Нам удалось разработать достаточно точные предиктивные алгоритмы, которые показывают вероятность того, что клиент будет токсичным. Когда клиент обращается в банк за открытием счета, мы выводим коэффициент, показывающий вероятность его токсичности, по профилю, состоящему из 60 параметров. На основании полученного коэффициента банк принимает решение — открыть счет данному клиенту или отказать ему.

- На основе каких данных рассчитывается этот коэффициент?

Часть данных берется из анкет, заполняемых клиентом. Помимо внутренней базы банка, мы используем также базы ФНС и системы «Спарк» информационного агентства «Интерфакс». Когда клиент заходит в банк, мы уже имеем информацию о его деятельности, оборотах в других банках, взаимодействии с физическими и юридическими лицами, включая как добросовестных контрагентов, так и находящихся в черных списках. Всю совокупность информации обрабатываем, используем для моделирования и отсеивания клиентов в ходе всего их жизненного цикла в банке.

- В чем были основные сложности?

Сложно скомбинировать множество признаков таким образом, чтобы по 60 показателям присвоить клиенту итоговый балл и получить в итоге скоринг по степени токсичности. Слишком большая размерность. А в совокупности на разных этапах жизненного цикла клиента в банке анализируется порядка 320 характеристик. Сопоставить их и превратить множество значений в один-единственный скоринг нелегко.

Но математики с такими задачами справляются лучше, чем эксперты и инструментарий а-ля Excel. По профилям всех клиентов строится математическая модель, алгоритм предусматривает ее самообучение. Процесс обучения модели практически эквивалентен процессу ее создания.

- То есть токсичных клиентов она учится распознавать так же, как Google — котиков?

Да. В отличие от искусственного интеллекта человек не способен мыслить в пространстве 60 признаков, человеческий мозг не справляется с решением задач высокой размерности. Математический алгоритм под управлением человека решает задачу идентификации хороших и плохих клиентов гораздо лучше, нежели человек.

Самая большая проблема — подготовка данных, которые инженеры собирали и раскладывали «по полочкам» в базе данных. Это 90% всех трудозатрат. Затем математики разработали модель, при этом мы используем стек свободно распространяемого программного обеспечения, языки R и Python.

В дальнейшем во фронт-офисные системы банка внедрили шаблоны для заполнения сотрудниками. Из этих шаблонов информация уходит на серверы банка, там обрабатывается, и результат возвращается в офисную систему в реальном времени. Таким образом, при обслуживании в офисах банка каждому клиенту ставится в соответствие некоторая степень токсичности, и в зависимости от полученного результата счет ему открывают или не открывают. Эта модель уже больше года функционирует во всем банке и показала свою значимость.

- Каких бизнес-результатов удалось достичь?

Доля счетов, открываемых малым бизнесом и индивидуальными предпринимателями, выросла в полтора раза. Значительный темп роста малого бизнеса — это огромные прибыли для банка, полученные благодаря точному прогнозированию и разделению хороших и токсичных клиентов. Мы можем увидеть, в каких городах и отраслях доля токсичных клиентов выше, а также насколько она выше в компаниях с упрощенной системой налогообложения и там, где бухгалтер и генеральный директор — одно лицо. Кроме того, налицо очевидная монетизация деятельности крупнейшего департамента банка.

Проект оказал влияние на весь банк. После его реализации предиктивная математика стала применяться и в решении других задач. Число наших проектов растет, и общая стоимость портфеля проектов оценивается числом с очень большим количеством нулей. Это весьма значимый для банка результат, которого добилась небольшая команда математиков и разработчиков в партнерстве с бизнес-заказчиками.

- Что проект дал бизнесу, помимо финансового эффекта? Может ли идти речь о появлении новой бизнес-модели, развитии нового направления бизнеса?

Для любого бизнеса главный эффект — финансовый, притом что степень рискованности не растет. В данном случае степень потенциальных рисков не выросла, а финансовый эффект очень осязаем. Но, естественно, когда растет клиентская база, вполне могут появиться и новые направления для бизнеса.

- Достаточно ли накопленных за год данных, для того чтобы оценить эффективность модели? Может быть, «одобренные» алгоритмом клиенты покажут себя с нехорошей стороны только в следующем году?

Возможно. Ведь у компаний меняются собственники, руководители и, соответственно, меняется поведение. Не исключено, что кто-то неконтролируемо совершит противозаконное действие. Но соотношение риска и доходности значительно улучшилось.

Всё контролировать невозможно, как и выдавать кредиты только клиентам, которые никогда не обанкротятся. Всегда есть доля таких клиентов, но чем меньше эта доля, тем лучше. Бизнес у нас вырос, а риски не выросли.

- Что вас ждет впереди?

Постоянная работа над поддержанием моделей, повышением их точности. Точность достигается как добавлением новой информации, так и применением новых математических методов. У нас появилось много других моделей, которые оценивают информацию от службы безопасности и выявляют токсичных клиентов в ходе всего жизненного цикла в банке. Когда компания достигает порогового значения в неких действиях, мы можем говорить о вероятности того, что данный клиент токсичен. То есть формируется целая экосистема матмоделей, направленная на то, чтобы пресекать противозаконные действия клиентов и в то же время оптимально содействовать развитию бизнеса.

И, конечно, новые заказчики внутри банка, новые задачи и новые модели!

- Как еще вы применяете методы машинного обучения в банке? И какие варианты применения рассматриваете?

Мы изучаем имеющиеся на рынке решения для улучшения операционной эффективности. Применяем искусственный интеллект для анализа данных в продажах и маркетинге, для автоматического прогнозирования котировок на фондовом рынке, для прогнозирования потребности в наличных в банкоматах, кассах и допофисах, для предсказания выхода из строя ИТ-инфраструктуры.

Очень значимое направление — ИИ в работе с должниками, для определения вероятности того, что клиент выйдет в дефолт. Если вероятность высока, с клиентом начинают работать службы банка. Для банкротов рассчитывается вероятность погашения задолженности в течение определенного времени целиком или частично. Для управления воздействием на должника определяется, какая комбинация звонков, уведомлений и выездов повысит вероятность взыскания долга.

Год назад мы уже разговаривали с Анджеем Аршавским, директором по анализу данных и моделированию Новолипецкого металлургического комбината, о первых шагах по применению искусственного интеллекта для оптимизации производственных процессов компании. Тогда предварительные результаты прототипов и запущенных пилотов давали основания для осторожного оптимизма.

С тех пор многое изменилось. Было построено хранилище данных по основным производственным площадкам — так удалось решить проблему доступности данных. Подразделение data science занялось широкой апробацией различных идей и тестовых проектов: в прошлом году реализовано 23 проекта — как пилотных, так и «боевых». Три проекта уже запущены в промышленную эксплуатацию, а еще четыре находятся на стадии промышленных испытаний. Внедренные решения приносят ощутимую прибыль.

«Достигнут серьезный прогресс по сравнению с прошлым годом: от попыток мы перешли к результатам, — констатирует Аршавский, претендент на премию CDO Award. — Большинство пилотных инициатив, реализованных за последний год, воплотились в реальные проекты. Мы как дирекция достигли стадии зрелости и перешли на самофинансирование новых проектов». Сейчас в НЛМК работают над концепцией цифровой платформы и стратегией «цифровизации», рассчитанной на ближайшие пять лет.

«Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации»

- Что произошло за последний год?

Самое главное — мы достигли целевых экономических результатов от внедрения решений ИИ, поставили разработку решений на конвейер и перешли на режим самофинансирования. Важным достижением является то, что мы смогли сформировать полноценную команду data science. Мы также научились работать одновременно по большому спектру проектов полного цикла. Удалось завершить ряд внедрений систем в производство и получать прибыль. И последнее, но не менее важное достижение: разработана платформа данных и математического моделирования (озеро данных), куда стекаются производственные данные и производятся расчеты. Тем самым мы существенно упростили доступ к данным и их обработку в наших текущих и перспективных проектах. Сейчас к платформе подключается первая группа источников данных Липецкого комбината.

- Год назад в команде было буквально несколько человек. Появилось ли выделенное подразделение и что оно сейчас собой представляет?

Появилось функциональное направление — дирекция «Анализ данных и моделирование», куда входят 15 человек. До недавнего времени дирекция напрямую подчинялась президенту группы, а сейчас вошла в цифровой блок. В команде трудятся исследователи и инженеры данных, бизнес-аналитики, разработчики и проектные менеджеры. При этом мы не отказались и от аутсорсинга: у нас сформировался круг стратегических подрядчиков, с которыми мы реализуем разные стадии проектов. Часть проектов делается собственными силами, часть — с их помощью. Иногда пилотную часть реализуем самостоятельно, а разработка конечного продукта производится подрядчиком. Мы научились работать комбинированной командой, чтобы действовать наиболее эффективно.

- Что фактически означало для компании формирование выделенного подразделения?

Год назад наше направление было создано, чтобы проверить гипотезу о том, что технологии искусственного интеллекта, внедренные в производственные процессы, могут приносить прибыль. Подчеркну, это была лишь гипотеза. За 2018 год она была подтверждена реальными проектами. Более того, такие решения удалось поставить на поток, создать конвейер. Появился отлаженный бизнес-процесс, рождающий идеи, эти идеи затем апробируются и пилотируются; на их основе появляется минимальный продукт (MVP), который потом последовательно разрабатывается и становится полноценным продуктом, включающим интеграцию с внутренними системами, проведение промышленных испытаний, разработку методик оценки экономического эффекта, внедрение и передачу на поддержку.

Разумеется, есть огромная разница между идеей и пилотом, между пилотом и конечным продуктом. Мы научились их конвертировать друг в друга, а продукты научились тиражировать. Могу констатировать: мы реализуем весь цикл от идеи до тиражирования продукта.

- В прошлом году мы говорили о трех начатых пилотных проектах: экономии ферросплавов, поиске причин дефектов и оптимизации работы ТЭЦ. Какие проекты в итоге стали самыми важными и показали лучшие результаты?

В итоге мы реализовали сразу три проекта по ферросплавам — для разных установок и на разных площадках. Внедряем на зарубежной площадке NLMK Clabecq проект по прогнозированию выхода материала при листовой прокатке. Работы по оптимизации ТЭЦ также оказались успешными. Кроме того, мы запустили около 10 проектов по разным направлениям: по коксохимическому производству, увеличению темпа прокатки слябов на стане 2000 и др. Проект по устранению дефектов оказался сложнее, чем мы ожидали, и пока не завершен.

Мы сосредоточились на двух направлениях: удешевление и повышение эффективности производства и логистика. Охвачены сталеплавильное, прокатное, коксохимическое производства, начата работа по доменному производству. В логистике мы фокусировались на железнодорожном транспорте: оптимизации укладки слябов в вагоны и оптимизации оборота вагонов по внутренним железнодорожным станциям.

Как осуществляется приоритизация проектов? По каким принципам выбираете, «где копать»? Скорость, бизнес-потребность, ожидаемые эффекты?

Мы ранжируем инициативы исходя из их приоритетности для стратегических целей компании — в рамках «Стратегии-2022». Если проект отвечает целям этой стратегии — например, дает хорошую операционную эффективность или помогает выстраивать бережливое производство, то мы ориентируемся на экономический эффект, доступность данных и скорость реализации проекта. Для нас важно, чтобы заказчик тоже был готов — чтобы тот или иной цех понимал для себя значимость этого проекта. Не менее важно, чтобы техническая дирекция признала проект выполнимым и приоритетным.

- В целом ваше подразделение справляется с потоком задач? Или приходится устраивать жесткий отсев и проекты выстраиваются в очередь?

Да, образуется очередь, можно было бы делать и больше. Мы растем, развиваем свою команду. Список проектов очень широк, он за прошлый год вырос на 50%. И у всех из них достаточно большой экономический потенциал.

- Проблема исключительно в кадрах? Откуда брать дополнительные мощности?

Это кадры и процессы. Оптимизируя свои процессы, мы увеличиваем производительность, растет вероятность того, что проект будет успешным. Также имеет значение готовность к изменениям заказчиков — подразделений НЛМК. Наконец, играет роль эффективность внешних команд, привлекаемых к проектам.

Мгновенно нарастить все эти показатели невозможно. В ходе первых проектов было важно увидеть типичные проблемы, выстроить процессы, обеспечить в нужном объеме вовлеченность бизнес-подразделений.

- На первых этапах ожидалось, что в результате реализации проекта текущие процессы должны улучшиться на 5%. Что наблюдается в итоге?

Эта цифра подтверждается. Да, кое-где мы превосходим ее. Но одновременно становится понятно, что следующая волна оптимизации будет нести гораздо больший эффект — 15–20%. На этот более высокий уровень оптимизации мы выйдем, когда наши точечные решения будут собраны воедино.

- В итоге подходы к планированию эффективности меняются? Ведь те самые 5% родились из того, что меньший эффект незначим и его трудно измерить, а на больший не заявлялись из скромности.

Да, подходы к оценке экономического потенциала проекта тоже изменились. В ходе первых проектов мы научились считать эффект и пересчитывать его в экономию. Поэтому оценки стали более обоснованными, чем абстрактные 5%.

- Стратегия управления данными — это чуть ли не первое, чем пришлось заниматься. В чем она заключается, как видоизменяется?

Двумя столпами этой стратегии являются качество и доступность данных. Доступность обеспечивается путем создания единого хранилища, аккумулирующего в себе все источники данных. Разрозненность данных всегда негативно влияет на их доступность, мы это ощутили в полной мере на первых проектах: приходилось прилагать массу дополнительных усилий. Сейчас проблема осталась в прошлом. Еще проблема возникает в тех случаях, когда какие-то части производственного процесса просто не оцифрованы или данные теряются на самых начальных этапах их получения. Это решается согласованием нашей стратегии со стратегией развития АСУТП. К счастью, мы и АСУТП стали частью одного функционального направления — цифровизации.

Качество данных тоже важный и сложный вопрос. Качество может страдать по самым разным причинам. Данные могут быть неполными: какие-то измерения, необходимые для реализации проекта, не производятся. Также качество данных может зависеть от точности измерений или ручного ввода. Полнота данных может иметь даже временной аспект: например, они доступны за последние три месяца, а исторических данных нет — обучать модели не на чем. Мы разработали комплекс мероприятий, направленных на решение проблемы качества данных. У нас обозначены точки, где проекты нужны, но для их реализации отсутствуют данные. Совместно с бизнес-подразделениями НЛМК мы работаем над устранением этих белых пятен.

- Как архитектурно построена инфраструктура для работы с данными?

Мы выбрали подход с максимальным использованием открытых решений. Хранилище построено на Hadoop Spark (сборка российской компании Arenadata), шина данных, которая связывает его с окружением, реализована на Kafka, внутренние сервисы — на Python и Java. Экспериментируем с использованием различных баз данных NoSQL для хранения некоторых витрин данных. При построении участков, связанных с быстрой обработкой информации, экспериментируем с открытой версией Greenplum, различными иерархическими хранилищами.

- Какие работы по цифровизации компании сейчас ведутся?

Мы работаем над концепцией цифровой платформы производства. Под этим понимается создание решений для бизнеса — попытка абстрагироваться от терминов АСУТП или MES и построить платформу, на базе которой смогут эффективно работать интеллектуальные цифровые сервисы, которые приносят бизнес-заказчикам понятный и очевидный результат. Архитектурно это будет построено на самых современных технологиях. Это глобальное решение, оно должно быть реализовано в соответствии со стратегией цифровизации НЛМК.

- Это решение будет единым с платформой больших данных?

Это должна быть единая система. Раньше мы архитектурно разделяли производственные системы и все, что относится к платформе big data, а сейчас в рамках цифровой платформы все эти наработки должны быть объединены и приведены в соответствие друг другу. Технически это вполне реализуемо.

- В чем заключается задел на будущее, сделанный за прошедший год?

Он заключается в том, что в прошлом году мы реализовали некоторое количество проектов, которые подтвердили состоятельность заложенных в них идей. Мы будем их превращать в законченные продукты и прибыль следующего года.

Кроме того, мы пополнили наш банк идей новыми предложениями, расширив его на 50%. Таким образом, у нас появляется больше возможностей для отбора перспективных пилотных проектов в будущем году. Основная часть таких проектов по-прежнему будут производственными, однако мы намерены смотреть шире. Еще часть задач, вероятно, будут касаться сферы закупок, а часть — финансовой сферы.

- Куда движутся большие данные в НЛМК и как они в перспективе могут изменить бизнес компании?

Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. Однако понятно, что с точки зрения производства это субоптимальный режим. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации.

В целом мы видим три глобальных этапа развития больших данных и искусственного интеллекта. Первый — создание точечных решений для оптимизации производства, благодаря чему мы можем на 5–10% повысить технический эффект. На этом этапе мы находимся сейчас, и он будет длиться три-четыре года. Второй этап — создание решений для оптимизации групп внедренных точечных решений: с помощью искусственного интеллекта мы начнем оптимизировать связки смежных процессов. Этот этап продлится тоже четыре-пять лет. Затем мы намерены приступить к созданию глобальной системы оптимизации производства. На это уйдет еще пятилетие.

В 2018 году и в начале 2019-го «Ростелеком» провел ряд изменений в организации работы с данными. Реализованные проекты были призваны обеспечить импортозамещение, а также снизить стоимость аналитической отчетности и оптимизировать ее подготовку. Сергей Носов, директор по управлению данными ПАО «Ростелеком» и претендент на премию CDO Award, рассказывает об объединении четырех хранилищ данных в одно централизованное, повышении качества данных и проводимой образовательной работе.

- Что в компании изменилось за последние два года? Почему началась такая активность по направлениям, связанным с работой с данными?

«Ростелеком» развивается, и бизнес прекрасно понимает вызовы, которые бросает нам рынок. Мы понимаем, что бизнес-решения нельзя принимать, руководствуясь только опытом и интуицией. Взвешенные, оптимальные решения должны быть основаны на фактах, проверке гипотез реальными данными. Рост бизнеса, расширение продуктового ряда и всеобщая цифровизация приводят к тому, что данных становится все больше и их надо структурировать и систематизировать. Этим и обусловлена активность.

- Что конкретно было предпринято?

«Без спонсорства со стороны заказчика проект создания централизованного хранилища становится просто дорогой игрушкой для ИТ-специалистов»

Можно выделить несколько ключевых достижений, которые были объединены в рамках одного проекта — создания и запуска так называемого Data-офиса. Во-первых, это миграция нескольких федеральных хранилищ в целевое хранилище данных, построенное преимущественно на открытых решениях: Hadoop, открытой версии Greenplum, Airflow, Ni-Fi, Kafka. Посредством перевода централизованного хранилища на стек open source удалось сэкономить средства, сравнимые с годовым бюджетом построения хранилищ данных в крупных компаниях. С учетом требований, предписывающих компаниям с государственным участием переходить на отечественное ПО, это достижение особенно ценно.

В период миграции, несмотря на технологические проблемы, мы активно развивали функционал аналитической отчетности для ключевых бизнес-заказчиков. Оптимизировав работу с данными (построив полноценный конвейер от постановки задачи до реализации витрин или BI-отчетов) и переведя ключевые компетенции внутрь компании, мы сократили стоимость новых разработок примерно на 30% и ускорили внедрение новых решений.

Мы практически полностью автоматизировали получение ключевой управленческой отчетности сегмента B2C, которая год назад собиралась с макрорегиональных филиалов компании преимущественно в ручном режиме. Реализовав новый подход к построению отчетности, компания ушла от логики лицевых счетов к логике проникновения услуг в домохозяйства. Был создан полный профиль домохозяйств: от подключенных сервисов, объема трафика и финансовых показателей до наличия технической возможности предоставления услуг.

Одновременно шло формирование «золотой карточки клиента» (Customer Data Integration, CDI), завершить эту работу планируется в первом квартале нынешнего года; продолжается запуск отраслевого решения «Паспортизация объектов недвижимости» (ОРПОН), предусматривающего унификацию адресной информации в ключевых информационных системах компании с геокоординатами. Благодаря всем этим усилиям повысилось качество данных и возросло доверие к ним, а созданная аналитика теперь будет использоваться в ходе внедрения системы управления маркетинговыми кампаниями и в работе других более сложных решений. На основании этих данных реализован в том числе BI-проект «Тепловые карты», призванный выявлять те географические зоны, в которых требуется улучшить обслуживание или реализовать потенциал продаж. Например, в зонах активной застройки.

- Откуда появились четыре федеральных хранилища и какие функции они выполняли? Зачем потребовалось их объединить?

Первое хранилище появилось для сбора сводной базовой аналитики по всей компании. Когда «Ростелеком» объединился со «Связьинвестом», понадобилось собрать данные самостоятельных прежде телекоммуникационных макрорегиональных компаний, чтобы сформировать целостную картину. Интегрировать весь разрозненный ИТ-ландшафт в короткие сроки было сложно, и первое хранилище стало скорее инструментом для сбора агрегированной информации.

Второе и третье хранилища развивались практически одновременно на различных платформах. У проектов были разные заказчики (как и требования к разным предметным областям), а реализацией занимались раздельные команды, у них не было единого исполнителя и координатора.Первое хранилище появилось для сбора сводной базовой аналитики по всей компании. Когда «Ростелеком» объединился со «Связьинвестом», понадобилось собрать данные самостоятельных прежде телекоммуникационных макрорегиональных компаний, чтобы сформировать целостную картину. Интегрировать весь разрозненный ИТ-ландшафт в короткие сроки было сложно, и первое хранилище стало скорее инструментом для сбора агрегированной информации.

Реализацию четвертого хранилища было решено делать с нуля, в соответствии со всеми канонами: создать полноценное «озеро», собрав сырые данные из всех ключевых систем отчетности, сформировать модель данных и т. д. Однако усилия по построению четвертого корпоративного хранилища не принесли ожидаемого результата, и проект решили заморозить.

В какой-то момент стало понятно, что заказчикам всех четырех хранилищ для формирования полной картины требуется добавление одних и тех же новых предметных областей. После проведения функционально-технологического аудита выяснилось, что четвертое хранилище — самое технологически зрелое. Дорабатывать его для решения бизнес-задач было нецелесообразно, а вот использовать технологии и инфраструктуру — вполне возможно, да и компетенции у команды были хорошие. Следовало объединить методологии первых трех хранилищ и инфраструктуру четвертого, чтобы обеспечить и требуемый уровень доверия, и нужную производительность, и возможности масштабирования.

- В чем заключались основные проблемы?

Процесс объединения различных хранилищ данных, создание по-настоящему централизованного решения, которому будет доверять бизнес, с активным использованием открытых решений в период изменяющегося ИТ-ландшафта — это действительно вызов. При этом ключевые заказчики всегда хотят оперативно получать бизнес-результаты, несмотря на потребность в проведении существенных технологических доработок. Важно, что нам удалось решить практически все противоречивые и конфликтующие задачи: снизить стоимость владения, внедрить новую операционную модель, поддержать изменение ИТ-ландшафта, обеспечить доверие бизнеса к данным из централизованного хранилища и реализовать чуть ли не с нуля ключевую аналитику для розничного бизнеса.

- Импортозамещение в вашем случае — это пожелание или обязательное требование?

Для компании с государственным участием это тот самый случай, когда принудительный характер импортозамещения совпадает с экономическим интересом и внутренним пожеланием компании.

- Какие именно проблемы представляли наибольший вызов лично для вас?

Основная проблема в том, что очень сложно реанимировать доверие заказчиков к проекту, который себя первоначально не оправдал. Поэтому важно было создавать централизованное решение, не останавливая развитие аналитики по новым запросам бизнеса, обеспечивая при этом более оперативную, качественную и дешевую реализацию накопившихся требований.

Без спонсорства со стороны реального заказчика проект создания централизованного хранилища становится просто дорогой игрушкой для ИТ-специалистов. Если отсутствует доверие, то решение не используется, данные не верифицируются и не подтверждаются, бизнес вынужден создавать локальные, альтернативные источники сведений. Другими словами: нет доверия — нет сформулированной потребности — нет использования решения — нет бюджета.

- Как удалось уладить конфликты интересов, всегда присутствующие, если есть несколько заказчиков?

Путем грамотного перераспределения компетентных команд, устранения дублирования работ, построения полноценной архитектурной функции, эффективного управления бюджетом. При этом пришлось уделять достаточное внимание исследовательским работам, чтобы понимать, какие открытые решения мы можем применять в условиях ограниченного бюджета и как эффективнее использовать инфраструктуру.

Не менее важно выстраивание взаимоотношений с заказчиками. Заказчики должны быть готовы заниматься приоритизацией задач, а не ожидать, что все потребности будут реализованы одномоментно. Для задач линейного развития мы выделили под каждого заказчика отдельные команды, которым платили за фактически выполненные работы. Наконец, заказчик должен понимать, какие задачи и в какие сроки реально будут выполнены. Мы согласуем с ним тот объем работ, который будет выполнен в двухнедельном спринте.

- Сформулирована ли в компании стратегия управления данными?

У нас есть понятие целевой архитектуры, она представляет собой скользящее окно: целевая архитектура на 2018, 2019 годы и т. д., а также эталонная архитектура. Определено место каждой компоненты: как будет развиваться BI, хранилище данных, система мастер-данных, как закреплены зоны ответственности. В определенном смысле это можно назвать стратегией.

- В настоящее время разрабатывается национальная стратегия управления данными (НСУД). Какие вызовы она подразумевает, как готовится платформа «Ростелекома» к этому?

Можно ожидать, что государство будет ужесточать требования к работе с персональными данными. Проекты, заявленные в НСУД, будут в ходе своего развития требовать от компаний увеличения числа проверок и более тщательного контроля различного рода данных и обмена этими данными с различными ведомствами.

Поэтому мы готовимся к этим вызовам прежде всего в технологическом плане: создаем легкомасштабируемую, оптимальную по стоимости платформу для работы с данными с нужным уровнем отклика на запросы. При этом не забываем о необходимости повышать качество и полноту данных в информационных системах.

- «Ростелеком» довольно заметен в информационном поле. Какая работа проводится в этом направлении?

Совместно с технологическими и бизнес-партнерами мы создаем экосистему по работе с данными. Она состоит из нескольких уровней. Во-первых, мы запустили бесплатный образовательный проект «Ростелеком. DataTalks»: совместно с партнерами обучаем по очной форме более ста начинающих специалистов, даем им возможность погрузиться в мир данных. Тем, кто успешно закончит обучение, мы предложим работу в «Ростелекоме» и компаниях-партнерах. Кроме того, мы начали выпускать цикл статей на «Хабре» для специалистов среднего уровня о развитии корпоративного хранилища: разбираются реальные кейсы и проблемы, с которыми сталкивается компания. Наконец, для опытных специалистов мы проводим митапы, в ходе которых они могут глубоко изучить детали построения хранилищ данных на открытых решениях.

- Какова цель этих популяризационных мер? Вы готовите для себя кадры или есть и другие задачи?

Мы обеспечиваем информационный поток для специалистов всех уровней, делимся своим опытом с рынком. Для нас такая популяризация — это прежде всего инвестиции.

Инвестиция в ИТ-бренд компании, которая позволит нам в краткосрочной и среднесрочной перспективе нанимать высококлассных специалистов. Инвестиция в имеющуюся команду, поскольку участие в таких мероприятиях — хорошая мотивация. Кроме того, мы стараемся через эти активности проводить обучение собственной команды — например, через проект «Ростелеком. DataTalks». Внешнее обучение наших специалистов обходится дороже, чем запуск и реализация такого образовательного проекта. Наконец, инвестиция в получение новых ценных знаний извне, поскольку, создавая экосистему, мы упрощаем доступ к информации, лучше понимаем, с какими проблемами уже столкнулись другие компании. Это позволяет совершать меньше ошибок и меньше за них платить.

- Как вы видите развитие своего подразделения в «Ростелекоме»? Каковы его ближайшие задачи?

В ближайшие два года нам предстоит большая работа по завершению объединения хранилищ, созданию базовой и продвинутой аналитики для всех сегментов и заказчиков, интеграции решения CDI в ландшафт компании. Будем и дальше оптимизировать работу с нормативно-справочной информацией, устранять технические сложности имеющихся решений, развивать открытые решения, ускорять регламент подготовки данных. По направлениям, где уже удалось сделать качественный шаг вперед, мы большее внимание намерены уделять продвинутой аналитике.