CDO Award

Раньше телеком-операторы были теми немногими компаниями, где бизнес строился на данных. В последние годы, когда предприниматели массово осознали ценность Big Data, телеком делает на это направление стратегическую ставку, инвестиции операторов в работу с данными растут.

Проекту Big Data в МТС недавно исполнилось три года. Команда выросла с двух десятков сотрудников до 250 экспертов. Чистый экономический эффект от работы с большими данными в компании оценивают в 3,5 млрд руб. О пути своего подразделения и достигнутых результатах рассказывает Леонид Ткаченко, директор по Big Data МТС и претендент на премию CDO Award. Его выступление станет одним из гвоздей программы форума BIG DATA, который состоится 27 марта.

Термин Big Data появился уже довольно давно. Что изменилось в последние годы? И связаны ли произошедшие изменения с шумихой, начавшейся вокруг больших данных?

Математическая основа того, что сейчас делается, была известна с середины XX века. Но компьютеры того времени стоили миллионы долларов, и даже простую нейросеть пришлось бы обсчитывать месяцами. Лишь недавно вычислительная мощь компьютеров выросла настолько, что математику нейросетей и алгоритмы машинного обучения можно экономически эффективно использовать.

Леонид Ткаченко: «Работа с большими данными — это как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро»

Big Data — свежий маркетинговый бренд, раскрученный производителями оборудования. Под этим брендом вендоры стали продавать возможность скоростной обработки и дешевого хранения огромных массивов данных. Некоторое время у них ушло на то, чтобы представить миру эти технологии, и теперь не использовать их уже невозможно — сразу станешь аутсайдером. Это группа технологий, которая действительно несет ценность бизнесу.

Сейчас продукты на основе больших данных внедрены во все функциональные направления МТС. Маркетинг и продажи, розничная сеть, техника, закупки, финансы и даже HR.

HR — не самая очевидная область для применения технологий больших данных...

Что касается HR, то, например, мы предсказываем отток сотрудников: руководители видят, какова вероятность увольнения конкретного сотрудника в ближайшие два месяца. Я пока не слышал про аналогичные проекты, хотя знаю, что подобные работы кое-где ведутся. У нас сначала получилась модель, которая надежно предсказывала увольнение за пару недель. Но столь короткого периода мало, чтобы принять решение о том, нужно ли бороться за сотрудника. Нам удалось найти более тонкие ранние предикторы. У нас была отличная обучающая выборка — огромная накопленная история уволившихся сотрудников.

Удержать сотрудника — важно для любого руководителя, особенно работающего с дефицитными и высокооплачиваемыми специалистами. Наши менеджеры активно пользуются этим инструментом: если вероятность увольнения ценного сотрудника начинает расти, возникает повод поговорить с ним, да и самому подумать о том, что идет не так.

Другие модели позволяют среди десятков тысяч сотрудников МТС выявить самых перспективных: талантливых, пусть пока и незаметных. В крупной организации не все работники на виду, можно упустить людей с выдающимися способностями. А что, если они не просто уволятся, а уйдут к конкурентам и там раскроют свой потенциал? Big Data позволяет избегать таких рисков. Эти модели в области HR не приносят, казалось бы, прямого, поддающегося подсчету экономического эффекта, но в нашем бизнесе, находящемся на острие технологического прогресса, основной актив — это лучшие профессионалы.

Три года назад в МТС появился департамент Big Data. Что это значило для компании?

В тот момент компания решила инвестировать в это направление и поискать дополнительную ценность в данных. Что очень важно, изначально это подразделение организовали иначе, чем все остальные в компании. Обозначили финансовую цель, бюджет — и позволили самим выбирать, как инвестировать средства, в каких направлениях работать. Мы получили полную операционную свободу, чего никогда не было раньше. Но вместе со свободой появилась и ответственность.

Такой формат работы очень хорошо себя показал. Сейчас, по прошествии трех лет, он считается хорошим примером мотивации и организации работ, и на него многие ориентируются. Наработанный опыт мы стараемся распространить на другие продуктовые направления — в частности, на работу с мобильными приложениями.

А что назначение главой департамента Big Data значило для вас как для человека, прежде занимавшегося стратегическим маркетингом? Какие изменения произошли в ваших подходах к работе?

Изменения очень серьезные. Это уже не первый раз, когда мне пришлось заниматься чем-то принципиально для себя новым, в чем раньше немногое понимал. Большие данные находятся на стыке ИТ, математической статистики и бизнеса. За эти три года я, безусловно, подтянул свои знания в ИТ.

Сейчас мне приходится управлять значительно большей командой. Раньше мой коллектив состоял из 30 человек, а теперь в нем 250. В небольшой команде ты каждого хорошо знаешь, можешь лично с каждым пообщаться и хорошо видишь их работу. Когда подчиненных несколько сотен, характер управления сильно меняется: ты не управляешь непосредственно людьми (тем более на микроуровне), а создаешь условия для их работы.

Как вы понимаете роль CDO в современной, «умной» компании? Одни подразумевают скорее техническую, а другие — более бизнес-ориентированную роль…

Я однозначно «заточен» на бизнес. Внутри нашего подразделения есть четыре отдела: два продуктовых и два инфраструктурных. Один из инфраструктурных отвечает за ИТ-платформу, а другой — за инфраструктурные продукты. Руководитель последнего и есть в моем понимании «чистый» директор по данным. Наращивание объема знаний о наших абонентах — это то, с чем он засыпает и просыпается.

Какая стратегия работы с большими данными принята у вас?

Стратегия уже три года неизменна, в ней три ключевых элемента. Первый — постоянное увеличение знаний об абонентах. Любые данные, способствующие этому, сразу же оказываются в нашем data lake. Неважно, знаем мы, как потом будем их использовать, или нет, есть ли у нас какие-то бизнес-идеи или их еще предстоит придумать.

Вторая задача — обеспечение доступа к этим данным для сотрудников компании, разумеется в соответствии с их обязанностями. На рабочий стол каждого специалиста надо положить максимальное количество нужных ему данных. В очень многих наших подразделениях бизнес-анализ является частью работы. Сотрудники действительно принимают решения на основе данных.

Третья составляющая стратегии — построить на базе собранных данных новый бизнес. Продукты, создаваемые сейчас, новым бизнесом не являются — мы просто помогаем работать нашим подразделениям. Новым бизнесом мог бы быть, например, сервис по подбору пар — идеальных семей на основе глубокого знания о людях.

Конечно же, эта третья часть скорее перспективная. Мы не ставим никаких сроков, а просто копаемся в данных, строим модели и проверяем гипотезы.

Несколько лет назад прогремело слово «уберизация», заставившее многих пересмотреть свои взгляды на конкурентов и направления развития бизнеса. Сделали ли какой-то вывод из этого в МТС? Как изменились потребности в данных?

Надо сказать, что телеком эта тенденция затронула несильно. Другое дело, что телеком-компании действительно исчерпывают возможности развития внутри своих отраслей и начинают шире смотреть вокруг. Когда стае львов перестает хватать еды на своей территории, они начинают поглядывать на чужую, и будет серьезная схватка.

Ничто не вечно — это так. Положение в отрасли, кажущееся незыблемым, может в одночасье развалиться с появлением какой-то новой технологии. У нас есть только один естественный барьер — лицензии на передачу сигнала. Однако ситуация не безоблачная: некоторые направления перестали расти, некоторые — стагнируют. Классический телеком расти уже не будет, и именно поэтому мы инвестируем в большие данные, пытаемся искать свои ниши в финтехе, цифровой рекламе и создании контента.

Какими инфраструктурными решениями поддерживается работа с данными?

У нас используются три технологии. Первая — Hadoop, дешевая с точки зрения хранения и обработки единицы данных, но сложная. Чтобы с ней работать, нужно знать специфические языки программирования. Таких специалистов мало, и стоят они дорого. Вторая технология — massive parallel processing, MPP. У нас ее поставщиком является Teradata. Хранение и обработка с ее помощью обходятся в разы дороже, но при этом используется распространенный язык SQL. И наконец, есть еще более дорогие системы реального времени, используемые для решения специфических задач. От этих систем требуется мгновенная обработка данных.

Все имеющиеся данные мы разбиваем на три класса в зависимости от того, что с ними собираемся делать. Конечно же, основная часть данных хранится в Hadoop — «холодном» хранилище. Его дешевизна позволяет складировать туда все подряд, не разбираясь, понадобятся ли эти данные в будущем. «Теплые» данные, с которыми ведется активная работа, обрабатываются в Teradata, и минимум «горячих» данных, используемых для маркетинга в реальном времени, находятся в самых дорогих системах. К тому же реализовано гетерогенное хранилище: часть «теплых» данных мы загрузили в Hadoop таким образом, что доступ к ним остался через Teradata. Тем самым сочетаются удобство доступа и дешевизна хранения, и все больше данных в целях экономии мы будем организовывать именно так.

Чем сейчас мобильный оператор может выделиться из конкурентов в условиях примерного равенства цен и качества связи?

Все телеком-компании мира бьются над этой проблемой. Мы намерены сделать следующее: создать вокруг нашей абонентской базы экосистему, в которой классический телеком будет только одной из составляющих. Главное, что там должно появиться, — финтех-сервисы для наших абонентов, решающие их ежедневные потребности в финансовом обслуживании. Помимо финтеха, в нашу экосистему мы будем добавлять как можно больше развлекательных активностей человека.

Где большие данные в реальном времени — там машинное обучение и искусственный интеллект. Банки уже заявляют, что существенная часть их продаж происходит с участием ИИ. А что видите вы?

Мы не ставим цель использовать искусственный интеллект для решения любой задачи. Где-то эти модели работают, где-то — нет. Как правило, они хорошо работают там, где есть большая обучающая выборка — много фактуры, чтобы построить нейросеть и обучить ее. Иногда задачи лучше решаются более простыми методами. Но перспективы действительно внушительные, ведь искусственный интеллект прогрессирует гораздо быстрее человеческого.

Расскажите о нескольких ключевых недавних проектах.

Один из проектов реализован на основе системы Workforce Management для нашей розничной сети, состоящей из 5 тыс. салонов, и касается управления рабочим временем продавцов. Раньше директор каждого салона, исходя из своих соображений, сам решал, когда и кому работать. Он не был мотивирован экономить: в салонах всегда был избыток персонала, и мы были вынуждены переплачивать. При этом все равно периодически возникали очереди, поскольку внезапный наплыв покупателей предсказать никто был не в состоянии. И вот мы построили модель, которая на основе анализа транзакций магазинов за прошлый год прогнозирует на месяц вперед, сколько будет клиентов в данном магазине в каждый час в течение дня. Модель работает с достаточной точностью, чтобы было возможно построить обоснованное расписание работы сотрудников и получить значимый экономический эффект. Повысилась загрузка сотрудников, и сократились очереди.

Кроме того, мы можем спрогнозировать, когда клиенты хотят сменить свой телефонный аппарат, пытаемся понять, на какой именно, и обращаемся к ним с персональными предложениями. У нас огромная розничная сеть, и очень важно имеющимися знаниями помогать ей работать эффективнее. Наши абоненты должны покупать телефоны именно у нас, мы стараемся оказаться первыми, кто сделает им заманчивое предложение. Пока у нас огромный потенциал для роста.

Часто приходится слышать про этику больших данных. Где та граница, за которую нельзя заступать?

Понятно, что мы обязаны действовать в рамках законов. Этика — совершенно другой разрез. Важно понимать, что наша жизнь неизбежно становится все более прозрачной. Уже сейчас любой человек оставляет мощный цифровой след. До глубокой обработки большинства этих данных еще не дошли руки, но это произойдет буквально завтра. Поэтому нас в будущем ожидает одно из двух: либо мы перестанем стесняться чего-либо и смиримся с прозрачностью (и тогда жизнь людей сильно изменится), либо люди, зная, что всё становится известным, начнут жить жизнью праведников. Мне кажется, что более вероятен первый вариант.

Куда движутся большие данные в МТС? Какую роль они будут играть, как могут изменить бизнес компании?

Я думаю, что рано или поздно в ходе работы с данными мы найдем Клондайк: наткнемся на ту самую золотую жилу, позволяющую создать новый бизнес — что-то совершенно новое. Мы стараемся действовать как конвейер по проверке гипотез. Надо пропахать имеющиеся данные вдоль и поперек. В этом смысле работа с большими данными — как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро. С помощью множества экспериментов надо «перещупать» как можно больше возможностей, стараясь ни обо что сильно не удариться. Если в этой комнате что-то есть, оно обязательно найдется.

Интеллектуальные сервисы возникают во все большем числе организаций, зачастую открывая для тех новые направления бизнеса. Например, «Почта России» в процессе доставки заказов из интернет-магазинов и прочих отправлений, а также других взаимодействий с клиентами становится обладателем уникальной информации о потребностях и интересах людей. При этом ключевым объектом является домовладение (его почтовый ящик). Этот подход уникален, поскольку собираемая информация не исчерпывается только сведениями о персоне, а позволяет намного расширить понятие о поведении и мотивации потенциальных потребителей, их окружении и возможных потребностях. «Мы знаем, кому будут интересны детские товары, а кому — автозапчасти, кто любит кулинарию как хобби, а кто — как гурман», — утверждает Кристина Барыш, руководитель отдела управления клиентской аналитикой департамента директ-маркетинга ФГУП «Почта России» и претендент на премию CDO Award. На знаниях о домовладениях базируется недавно созданная линейка продуктов «Директ-Мейл», подразумевающая целевое распространение рекламных сообщений по почтовым ящикам. Мы поговорили c Кристиной Барыш об истории этого проекта, его результатах и перспективах.

— «Почта России» — огромная структура, и ее бизнесу совершенно точно ничто не угрожает. Какие перед ней стоят вызовы, какие есть проблемы и куда она движется? Зачем ей нужна работа с данными?

Есть очень распространенное заблуждение относительно того, что мы занимаемся исключительно почтовыми услугами — письмами, посылками и т. п. Но наш спектр услуг гораздо шире: мы предоставляем финансовые, страховые и некоторые государственные услуги, продаем авиа- и железнодорожные билеты. У нас развита розничная сеть по продаже товаров народного потребления в регионах — в отдаленных регионах «Почта» иногда является чуть ли не единственным связующим звеном с цивилизацией. Задач по развитию бизнеса очень много. Если говорить о логистике, то основная проблема здесь — завоевать устойчивое положение на рынке, дающее возможность не только конкурировать с другими, но и считаться сильным игроком. Мы много лет идем к этому, и небезуспешно — проводимые опросы и наблюдаемая в реальности картина говорят об этом. Мы всеми силами уходим от штампа, что «Почта» — это всегда медленно, люди возвращаются к нашим услугам. Наша задача — сделать свои процессы лучше, чем у конкурентов.

Кристина Барыш: «Мы знаем, кому будут интересны детские товары, а кому — автозапчасти, кто любит кулинарию как хобби, а кто — как гурман»

— Где тут данные?

Они вокруг нас. В процессе предоставления услуг, в наших системах проходят транзакции — начиная от поэтапных отметок, как посылка перевозится из китайского интернет-магазина в Москву, до сведений о том, как крупный банк доносит свою услугу до небольшого поселка. Объем собираемых данных очень велик. И это не просто продажи, как, например, у большинства ретейлеров, а взаимодействие с людьми на разных стадиях: предзаказ, заказ, доставка, вручение, оплата. Каждое действие состоит из множества операций, имеющих свою ценность: данные клиента, данные об оплате, длительность ожидания и т. п. Покупка одного журнала раскладывается на разные информационные потоки, которые можно анализировать и использовать в совершенно различных задачах.

— Когда возникла идея обратить имеющиеся данные во благо бизнеса?

В 2014 году руководство «Почты России» поставило задачу наконец развернуться «лицом к народу» и реализовать клиентоориентированный подход, повысив качество обслуживания. Для этого требовалось проанализировать, кто наши клиенты, какими услугами пользуются, как часто к нам обращаются. Данных было много, но они были разрозненны, находились в разных системах: до 2010 года филиалы «Почты» были самостоятельными, в том числе в плане использования ИТ-платформ. Только после появления ФГУП информация стала доступной для общего использования, и то лишь в агрегированном состоянии, — изучать транзакции было невозможно, да и потребности такой не возникало. Фактически речь шла о создании CRM всероссийского масштаба.

— Задача вообще реализуемая? Вероятно, возникли большие проблемы…

Мы стали выбирать те системы, в которых можно «увидеть» клиента, и использовать их в качестве источников данных. Столкнулись с огромными проблемами: в одном источнике клиент представлен только лицевым счетом, в другом — только паспортными данными, в третьем — фамилией с инициалами. Даже когда мы целенаправленно занялись сбором информации о клиентах, наполнение клиентской базы конкретными знаниями было минимальным. Фактически мы не могли идентифицировать одного и того же клиента, если он пользовался разными услугами.

Оказалось, что главным связующим звеном должно стать домовладение — конкретный адрес. Во-первых, это основной объект, с которым работает «Почта» в процессе доставки. Во-вторых, приходящий к нам человек контактирует с нами именно через свой почтовый адрес. Вот на основе адреса и стали сопоставлять имеющуюся разрозненную информацию. При начальном наполнении системы мы рассматривали 1,2 тыс. источников данных, сейчас активно используем 27 из них. Собрав эту информацию воедино, мы смогли не просто увидеть клиентов и понять, какими услугами они пользуются, но и уяснить их потребности. Получилось 64 млн клиентов — чуть меньше половины населения России.

Однако работа, ввиду своей масштабности, выходила весьма дорогостоящей. Рано или поздно должен был встать вопрос о монетизации собранных данных.

Пришли к выводу, что для монетизации самих клиентских данных у нас очень мало согласий на коммуникацию (около 1,5 млн из имевшихся в базе 64 млн человек). Кроме того, зачастую мы практически ничего не знаем о персонах, проживающих по конкретному адресу, но очень многое знаем о потребностях этой семьи. Переосмыслив ситуацию, мы решили, что правильнее будет присваивать признаки и свойства, которые мы видим у конкретных клиентов, домовладениям. Более того, многие из этих признаков присущи именно домовладениям, а не конкретным персонам. Скажем, если по какому-либо адресу осуществляется доставка из интернет-магазина автозапчастей, значит, в семье есть машина, и неважно, кому конкретно она принадлежит и как зовут владельца. А важно то, например, что это показатель определенной покупательной способности. Пользователями машины часто являются сразу несколько человек в семье, и, следовательно, все они — заинтересованные лица. Когда мы кладем в почтовый ящик такой семьи рекламные предложения по автоаксессуарам, мы имеем гораздо больший охват, чем когда делаем предложение одному человеку.

Это стало уникальной находкой: до идеи присвоения признаков именно домовладениям, выявления их покупательной способности и создания продукта на основе этих данных никто в России точно не додумался. Кроме того, пока у нас никто не ограничивает коммуникации через почтовый ящик. Таким образом, CRM в процессе своего создания трансформировалась в нечто совершенно иное и гораздо более эффективное — инструмент работы с домовладениями.

После нескольких тестовых проектов было принято решение о создании B2B-продукта, который получил название «Директ-Мейл». Для нас это оптимальное решение по использованию имеющихся данных, а продукт на его основе показывает вполне осязаемые результаты.

Наша цель — занять существенную долю на рынке печатной рекламы в почтовом ящике. Безымянные листовки люди выбрасывают, а письма с нашим логотипом вскрывают, так как к ним повышенные доверие и интерес. Это могут быть не просто рекламные сообщения, а образцы товаров. На данный момент основные наши клиенты — именно компании, распространяющие образцы своей продукции. Очевидно, что их намного лучше рассылать не вслепую, а по конкретной целевой аудитории, и эффективность таких коммуникаций весьма высока.

— Какие данные используются для анализа потребностей домовладений?

Здесь хочется обратиться к пониманию термина Big Data. Часто компании собирают всё, до чего могут дотянуться. Наш подход принципиально иной, избирательный: мы берем лишь то, что нам реально нужно, в чем мы видим ценность для проекта.

Наши большие данные состоят из трех частей. Первая — собственные транзакции, их 65% от общего объема. Вторая часть — внешние данные (8%), которые мы вынуждены приобретать или брать из открытых источников для обогащения своих данных. Например, информация о марках и моделях машин позволяет нам интерпретировать данные автовладельцев и лучше понимать их поведение. Данные Росстата о размере населения городов помогают компаниям-клиентам определить, где они хотят распространяться — в миллионниках или небольших центрах. Оставшаяся часть данных — синтетическая, это результат переработки нашими алгоритмами первых двух категорий.

В нашей системе используется 1,2 трлн записей — это лишь небольшая часть общих больших данных «Почты России», примерно 15%.

— Почему столь мал процент внешних данных?

Потому что добыть их довольно сложно. Зачастую требуется их приобретение, а если речь идет о персональных данных, требуется согласие клиента на передачу третьим лицам. Когда мы делаем совместные проекты, то иногда договариваемся о возможности обогащения данных. Еще один перспективный вариант (но он пока не использовался) — соцсети. С ними возможны бартерные отношения: мы можем, скажем, обменяться с ними данными (разумеется, не нарушая законов), чтобы они предоставили нам профили клиентов. Но, конечно же, тогда нам потребуется ряд согласований с вышестоящими инстанциями.

— Приведите несколько примеров проводимой аналитической работы.

По каждому домовладению выявляются группы и подгруппы признаков, с которыми в дальнейшем ведется работа. При оценке признаков часто используется аналитический подход. Дело в том, что любой признак формируется на основе данных из нескольких источников, достоверность которых различна. Например, источником данных об автомобилистах являются присылаемые штрафы (персоналии, разумеется, не рассматриваются) — и это источник абсолютно достоверный. Другой источник — доставка посылок из магазина, торгующего автозапчастями. Это тоже источник с высоким уровнем доверия — примерно 80%. Еще один источник — подписка на издания для автолюбителей. Совпадение признаков, полученных из разных источников, дает основание говорить о том, что признаки присвоены правильно. Важно, что происходит регулярный — раз в две недели — пересмотр всех признаков. Немаловажно еще и то, что все «нераспознанные» транзакции прокручиваются снова и снова с учетом вновь появившихся данных: в конечном итоге они могут дать результат.

Всего в России чуть более 70 млн домохозяйств, по 25 млн из них мы знаем пол и возрастной состав. У нас достаточно широкая подгруппа «Дети», мы их разделяем на подгруппы по полу и возрастным группам, в соответствии с особенностями развития ребенка. Еще одна важная группа — дистанционные покупатели, они разбиты на подгруппы по приобретаемым товарам и услугам. Мы знаем даже средний чек и выводим данные о доходах, сопоставляя информацию о частоте покупок и среднем чеке. Востребованной и нетипичной в плане привычных характеристик является группа признаков «Интерес», которая включает от одного до нескольких увлечений, присущих людям в домовладении: кулинария, садоводство, здоровый образ жизни, рукоделие и «сделай сам», коллекционирование, интерес к искусству, политике и др.

Важно понимать, что когда мы выявляем у домовладения тот или иной признак, то говорим о наличии определенной потребности. Например, если в квартире живет бабушка, которая регулярно покупает игрушки или выписывает детский журнал, то для нас неважно, живет на самом деле там ребенок или нет, нам важна именно покупательная способность, потому что именно ее мы продаем своим заказчикам. Важно наличие потребности, а не физическое нахождение потребителя в этом месте. «Покупатель» и «потребитель» — разные сущности, и мы ищем именно покупателей, на это и направлено наше решение.

Рассматривая же конкретных лиц, а не домовладения, мы можем не увидеть реального покупателя. Например, ювелирные изделия, которые носят женщины, часто покупают мужчины.

— Какова архитектура созданного решения?

Мы используем СУБД Microsoft SQL, на ней действуют аналитический инструмент Pentaho BI Suite и рабочий инструмент аналитиков («калькулятор») — разработка отечественной компании Manzana Group. В составе решения нет никаких кластеров Hadoop, это исключительно рабочие базы с множеством SQL-таблиц. Реализация системы абсолютно несложная.

Разумеется, у «Почты России» есть и свой Hadoop — большая система, названная Data Cloud, куда сливается вся имеющаяся информация. Она является для нас одним из источников данных, но для непосредственной монетизации не используется. Сейчас разрабатываются шины, которые позволят всем оперативно получать оттуда данные, но пока каждому департаменту для получения данных приходится делать специальный запрос.

— Вы знаете о «соседях», наиболее заинтересованных в информации или работающих примерно в одинаковых с вами направлениях?

У нас были конкретные и понятные цели: сначала найти клиента, затем — домовладения. И мы под них «вытягивали» определенные данные. Сейчас другие департаменты часто приходят к нам за помощью и советом, однако мы их потребности можем удовлетворить далеко не всегда именно по причине ограниченности видов данных. Наведение порядка в «большом» хранилище должно серьезно подтолкнуть к его более эффективному использованию. К сожалению, из-за огромного масштаба работ все это происходит довольно медленно.

— Каких результатов уже удалось достичь, а что еще ожидается?

Самое главное — у нас появился работающий продукт, который позволяет зарабатывать деньги. Оборот по нему за прошлый год составил 1,2 млрд руб. Проект многократно окупается, даже если сложить все усилия, потраченные за четыре года.

Сейчас на базе построенного решения действуют три вида сервисов: обычное раскладывание рекламно-информационных материалов; «Директ-Мейл Стандарт» — прицельное раскладывание по нашим признакам; услуга «Геопочта» — охват определенного круга лиц в конкретном районе. Кроме того, к нам приходит много заказчиков с собственной клиентской базой и задачей по приведению в порядок имеющихся адресов. Наконец, наиболее продвинутые желают к своей базе адресов получить наши признаки, чтобы на их основе потом вести маркетинговую работу. Услуга «Директ-Мейл» вносит в финансовый результат наибольший вклад: во-первых, она недешевая, а во-вторых — довольно эффективная и поэтому популярная.

В целом то, что руководство «Почты» дало возможность реализовать этот проект, — большая гордость для нас. Он находится на уровне продуктов для крупных коммерческих организаций — банков, интернет-компаний и телеком-операторов. Возможность поискать ценность в данных, найти эту ценность и реализовать на базе своих находок продукт очень значима для нашей команды.

— В каких направлениях ожидается развитие проекта?

В первую очередь мы нацелены на развитие клиентского сегмента — крайне важно получить легализованные данные для прямых персональных контактов. Тогда услуга «Директ-Мейл Стандарт» дополнится возможностью омниканального взаимодействия — например, отправив образцы товаров, можно будет «добивать» клиента через электронную почту и SMS конкретными предложениями. Та самая маркетинговая многоволновая стратегия, о которой много лет пишется, но которая в реальности очень мало кем реализуется, станет возможной. В 2019 году мы выпустим продукт «Директ-Мейл Омниканальный» и будем предлагать его компаниям, заинтересованным в долгосрочном результате. Для этого нам нужно сократить разрыв между адресами, о которых мы что-то знаем, и людьми, давшими согласие на взаимодействие с ними. Сейчас из 70 млн домовладений мы знаем признаки для 41 млн. Это 57% — по нашим оценкам, очень хороший результат. Но главное — этого достаточно, чтобы делать полноценный продукт в масштабах всей России, хотя, разумеется, всегда есть к чему стремиться.

Второе направление развития — изучение регионов, которые зачастую представляются компаниям белыми пятнами на карте. Крупные федеральные компании вынуждены фокусироваться на городах-миллионниках и имеют крайне ограниченные возможности для взаимодействия с клиентами в регионах с низкой плотностью населения. У нас довольно много заказов с просьбами изучать населенные пункты численностью до 20–40 тыс. человек.

Спутниковым мониторингом транспортных средств уже давно никого не удивишь — любая компания, обладающая серьезным парком техники, не пускает его на самотек и пытается наладить за ним контроль. Однако телематические инструменты способны решить далеко не все управленческие вопросы. Даже при успешной блокировке явных коррупционных схем открытым остается вопрос доверия данным и дальнейшего повышения эффективности компании. О контроле данных и об организации процесса их выверки рассказывает Леонид Кушнир, заместитель генерального директора по ИТ компании «РесурсТранс» и соискатель премии CDO Award.

- В чем заключаются вызовы, стоящие перед компанией?

Мы занимаемся транспортным аутсорсингом и управляем парком примерно из 10 тыс. единиц транспортных средств. Любой аутсорсинг всегда сопряжен с потребностью в снижении себестоимости. Приходится не только конкурировать с другими игроками рынка, но и предлагать услуги дешевле, чем предлагают внутренние транспортные подразделения. При этом нужно не нарушать законодательство и соблюдать требования безопасности. Мы должны находить всё новые и новые способы работать дешево, качественно и безопасно.

Сокращение издержек на транспорт было одной из приоритетных задач. Я взял на себя проект по использованию в этих целях инструментов телематики, углубился в него и стал детально разбираться. На стыке телематических и учетных платформ требовалось создать процесс, который позволил бы получать достоверные данные об эксплуатации транспорта и понесенных в связи с этим затратах.

- В чем особенность выбранного вами подхода?

Леонид Кушнир: «Система проверки пробега автотранспорта стала для нас пробным камнем и показала свою эффективность. Мы поняли, что такие решения себя оправдывают, и глядим дальше — нацеливаемся на самообучающиеся системы и нейросети»

Наш подход подразумевает глубокое погружение в детализацию процессов. Я много общаюсь с коллегами из транспортной отрасли и вижу, что они зачастую не до конца осознают сложившуюся ситуацию. Внедрив телематическую систему на базе какой-либо из существующих платформ, они считают, что у них все хорошо. Да, в этих системах на карте можно увидеть машины и их уровень топлива, и всё выглядит вроде бы нормально, но на самом деле картина не столь радужна. У компаний много данных, но их никто не проверяет. А проверять нужно, причем каждый день. Это несложно сделать, если предприятие невелико и директор сам готов разбирать инциденты с водителями. Но когда парк исчисляется сотнями или даже тысячами машин, между руководителем и водителями находится несколько управленческих уровней. На каждом из них данные искажаются из-за того, что менеджеры стремятся решить свои личные задачи. Возможен и прямой сговор водителей с начальниками колонн и участков с целью использования ресурсов в своих интересах.

- То есть дело не столько в том, что телематика врет, сколько в человеческом факторе, проявляющемся на разных управленческих ступенях?

Техническая погрешность тоже есть. Заявленная точность средств телематики — 4%, точность показаний одометра — до 20%. На показания приборов влияют загруженность машины, износ шин, погрешность самого одометра, рельеф местности, дорожное покрытие и пр. Поэтому разница между плановым и фактическим потреблением горючего может доходить до 20%. И это исключительно объективные факторы.

Есть и другие погрешности: например, если давление в шинах понижено, показания пробега увеличиваются на 5%. Подспустив колеса, водитель такой нехитрой манипуляцией вполне может обмануть технику. В транспортных компаниях машины проезжают минимум 5 тыс. км в месяц, и эти 5% превращаются во вполне ощутимую сумму.

Второй фактор — непосредственное воздействие на оборудование с целью накручивания показаний. К сожалению, в России это очень популярное занятие. При попустительстве руководства водитель может накрутить пробег до 100%, такие прецеденты случались неоднократно, и поэтому приходится исходить из того, что словам сотрудников не следует доверять. Причем манипуляции настолько профессиональны, что отследить их без помощи спутников невозможно. Требуются решения, способные автоматически контролировать правдоподобность цифр, заносимых в учетные системы.

- В чем проблема перехода на данные объективного контроля?

После принятия решения о том, что мы доверяем только данным спутникового мониторинга, пришлось пройти аудит в KPMG, который подтвердил, что так можно делать — у нас есть письмо от Министерства финансов, разрешающее принимать к учету пробег по системе ГЛОНАСС. Таким образом, появилась возможность принимать пробег от системы мониторинга.

Мы несколько раз пытались внедрить системы мониторинга, однако в реальности они не работали. Проблема кроется именно в расхождении данных. Сначала пробовали сверять показания, предоставленные водителем, с системой мониторинга. Диспетчеры, выявляя расхождения, считали показания мониторинга ложными и принимали показания от водителей, потому что «нет оснований им не доверять», прикрывались инструкциями и регламентами.

Мы ввели показатель качества работы системы — процент принятия пробега по системе ГЛОНАСС, то есть данных, которым мы полностью доверяем. Он не превышал 30%. Мы выезжали в филиалы и разбирались на местах, но переломить ситуацию не получалось.

Решили, что проверять данные должны независимые сотрудники, выделенные в отдельное подразделение — центр компетенций в Нижнем Новгороде, где 10 человек следили за пробегом транспортных средств. Но работа по-прежнему велась вручную: диспетчер, принимая путевой лист от водителя, связывался с центром компетенций и запрашивал информацию о достоверности пробега. В случае недостоверности данных оборудование считалось неработающим и создавалась заявка на его ремонт. Конечно, мы сразу столкнулись с тем, что водители стали ломать оборудование, пришлось организовывать быструю его поставку и замену. В результате этих усилий мы вышли на показатель достоверности данных 90%, а затем и 95%. Мы считаем, что это уже хорошо.

- На каком этапе возникло желание уйти от человеческого труда?

В пилотном центре компетенций работали 10 сотрудников со средней зарплатой 35 тыс. руб. Каждый из них может обрабатывать данные 50 машин, а у нас ежедневно выходят на линию 8 тыс. машин. При масштабировании проекта это означает наем 160 диспетчеров и колоссальные издержки на фонд оплаты труда.

Мы начали анализировать данные. Я проводил экспертную оценку закономерностей с целью роботизировать процесс сверки данных. В результате удалось разработать алгоритмы принятия решений, как совсем простые, так и довольно сложные — при тех или иных параметрах качества системы мониторинга, параметрах спутников, датчиков скорости.

Усилиями партнеров в телематическую платформу Wialon и учетную систему — собственную конфигурацию на базе «1С» — был встроен модуль по анализу качества данных. Проверка осуществляется не только по телематическим данным, но и по путевым листам и их последовательности, а также с учетом прежних инцидентов с водителем. Появляются «черные» и «серые» списки транспортных средств, анализируются прочие закономерности, и самые частые события не остаются без внимания.

Разработанную систему удалось масштабировать на 8 тыс. единиц транспортных средств. Теперь для сверки данных не нужно звонить в диспетчерский центр. Сам робот мгновенно дает ответ на вопрос, корректен ли пробег по системе мониторинга. У нас осталось лишь шесть диспетчеров, они обрабатывают спорные моменты. По нашим оценкам, лишь 2% показаний попадают в диспетчерский центр для принятия нестандартных решений, все остальные проверяются автоматически.

Не менее важно то, что радикально ускорились процессы. Раньше у диспетчера было два часа на обработку заявки вручную, и люди на местах были вынуждены ждать, не имея возможности закрыть документы. Приходилось тратить больше времени на выполнение своих обязанностей. Роботизация высвободила много времени.

- Каков достигнутый эффект?

Реализация проекта дала возможность снизить пробеги на 30%. Прямая экономия на топливе составила 470 млн руб. в год. Эффект превзошел ожидания. Мы рассчитывали на сокращение затрат хотя бы на 10%.

Сэкономленные средства пошли на дальнейшие ИТ-разработки и обновление парка машин. Обновление парка положительно сказывается на лояльности и клиентов, и водителей.

- В чем заключается роль этого проекта для развития компании?

Наши идеи удалось реализовать совершенно небольшими усилиями партнеров, наладивших интеграцию между системами и разработавших и вписавших ботов в наши системы. Теперь, если мы видим в каком-то регионе снижение уровня приема данных, это становится известно руководству и является поводом для разбирательств, заканчивающихся в том числе увольнением руководства филиала. Например, в астраханской автоколонне руководство сменили трижды, прежде чем показатель честности приблизился к среднему по стране.

Конечно, важно использовать получаемые данные в системе мотивации. При показателе качества данных ниже 95% руководство участков, автоколонн и филиалов автоматически лишается премий. Во многом благодаря этому удалось выйти на впечатляющие показатели экономии.

- А каким вы видите будущее интеллектуальных систем в вашей компании?

Внедрив систему мониторинга транспорта, мы получили данные, с которыми можно работать. Это стимулирует дальнейшую работу, направленную на их анализ. Только посредством роботизации, ускорения процессов и улучшения производительности труда в целом мы можем сделать услуги дешевле и качественнее. Система сама должна выполнять многие рутинные, а желательно и более сложные операции. Инструменты должны частично вытеснить человека.

Мы многое делаем для перевода процессов под управление роботами: налаживаем максимально детализированный учет, в том числе запчастей, анализируем поставщиков и эффективность работы с ними и формируем уровень доверия к ним. С помощью системы мониторинга мы контролируем, вовремя ли техника подана клиенту, создаем систему контроля загрузки водителей.

Система проверки пробега автотранспорта стала для нас пробным камнем и показала свою эффективность. Мы поняли, что такие решения себя оправдывают, и глядим дальше — нацеливаемся на самообучающиеся системы и нейросети.

Например, сейчас думаем о создании цифровых помощников руководителей, способных выступать консультантами. У нас много руководителей (например, почти 250 начальников участков), и их уровень подготовки различен. Многие недостаточно хорошо понимают свои показатели эффективности и не всегда владеют всеми существующими методами решения проблем. Разработанные роботы могли бы на базе опыта наших лучших специалистов подсказывать пути решения задач. После прохождения стадии «помощника» они естественным образом превратятся в полностью роботизированные системы, руководящие сотрудниками.

Розница – один из тех бизнесов, где вложения в большие данные и современную аналитику способны дать реальный и немалый экономический эффект. Однако, чтобы раскрыть их потенциал в полном объеме и вовремя, необходима планомерная, сложная работа. Антон Мироненков, директор по большим данным Х5 Retail Group, соискатель премии CDO Award, рассказывает о создании в компании дирекции по большим данным, ее первых достижениях и планах на ближайшее будущее.

- Как и почему в Х5 появилась структура для работы с большими данными?

Год назад в компании по теме больших данных не было ничего, дирекция по большим данным создавалась с нуля. Хотя, конечно, системы аналитики в компании использовались, без них мы не могли бы ежедневно пополнять товарами более 14 тыс. магазинов и платить зарплату 200 тыс. сотрудникам. Но не было централизованного хранилища данных по клиентам, которые можно быстро извлекать в нужных разрезах, обрабатывать и делать на их основе важные для бизнеса выводы. За год удалось создать такое хранилище, внедрить средства работы с ним, включая современные инструменты визуализации, и все это собрать в единую систему.

Антон Мироненков: «В сфере больших данных люди – самый ценный и самый дорогой ресурс»

Все началось с идеи. Мы проанализировали опыт западных ретейлеров по применению аналитики больших данных, в том числе побывали в нескольких компаниях и поняли, что обладание такими компетенциями может стать конкурентным преимуществом. Вместе с консультантами мы описали структуру нового подразделения, какие специалисты нам понадобятся, какая требуется инфраструктура, как выстроить data governance и т.д., и затем начали искать людей и параллельно формировать инфраструктуру.

При этом мы столкнулись с типичной проблемой, которая так или иначе возникает при создании подобных структур: данных в компании много, но прежде чем их можно будет использовать, все они требуют обработки. Их надо чистить и структурировать. Например, мы обнаружили, что данные по программе лояльности и чековые данные о покупках хранятся в разных форматах. Поэтому задача была не просто запустить инфраструктуру, куда можно складывать данные, но и обеспечить, чтобы данные собирались в правильном виде.

Параллельно с созданием инфраструктуры и сбором данных мы стали выяснять, какие потребности бизнеса можем реализовать. Было собрано около 200 кейсов и для тех из них, которые обладали потенциалом принести наибольшие выгоды для Х5, были сформированы продуктовые команды. К настоящему моменту ряд продуктов доведен до стадии MVP (minimum viable product), один запущен в продуктивную эксплуатацию.

- Что это за продукт?

Набор отчетности для переговорных кампаний с поставщиками. Если раньше для анализа поставщика приходилось долго и сложно сравнивать данные из десятков таблиц Excel, то сейчас буквально двумя кликами можно получить исчерпывающую информацию по любому вендору – история взаимоотношений, на каком они уровне находятся в данный момент и где потенциал для дальнейшего развития.

С решением постоянно работают более 100 сотрудников.

- Каким образом выделялись продуктовые направления, которые приносят деньги. Это были ваши гипотезы, результат серьезного анализа или запрос от бизнеса?

Они появились из нескольких источников. Во-первых, лучшие мировые практики. Во-вторых – обсуждение с бизнесом, показавшее, какие из этих практик работают не только на Западе, но и у нас. И в-третьих – идеи, появившиеся в результате мозгового штурма в команде. Затем выявленные направления были приоритезированы. Впрочем, любой, кто в ретейле работает не первый год, скажет вам, что основные деньги в нашем бизнесе приносят правильная работа с ассортиментом, ценообразование, промоактивности. Конечно, эти направления оказались в приоритете и в Х5.

Затем мы стали глубже анализировать каждое из направлений – какие данные используются, что должно получиться на выходе, степень возможной автоматизации. Будет ли это инструмент, который помогает принимать решение, как в случае отчетности для переговорных кампаний, или полная автоматизация определенных процессов так, чтобы человек в них вообще не участвовал. Ведь, как правило, пользователей можно условно разделить на «отличников», «хорошистов» и «троечников». Если в процесс вмешивается «отличник», у него получается лучше чем у системы, по крайней мере на начальном этапе, но если в систему вмешивается «троечник», получается хуже. На большом масштабе автоматизация позволяет в среднем результат подтянуть до более высокого уровня. Это не значит, что люди не нужны. Они теперь системно занимаются тем, чтобы процесс работал правильно, а не улучшением результата процесса на каждом из его этапов, то есть меняют алгоритм вместо того чтобы искать правильные решения в отдельных точках.

- Речь идет о внедрении машинного обучения или пока только автоматизации заданных алгоритмов?

Мы используем различные подходы, в том числе машинное обучение. В некоторых случаях простая линейная регрессия дает хороший результат. Например, в продукте «Ассортимент» статистическими методами на основе чеков строится дерево принятия решения покупателем, а оптимизация ассортимента реализуется с помощью машинного обучения.

Еще один классический оптимизационный инструмент применяется в ценообразовании. На входе он получает большое количество параметров (исходные цены, цены конкурентов, маржинальность товаров, условия по логистике), чтобы на выходе ежедневно генерировать оптимальные цены на товары в магазинах.

При этом мы никогда не зацикливаемся на одном подходе для конкретной задачи, модель должна становиться все более точной со временем. Специалисты из команды data science находятся в постоянном поиске улучшений: если из этого метода мы выжали все, давайте попробуем вместо деревьев решений применить нейронную сеть, а затем добавим к ней дополнительные слои. Наш продукт – это не монолит, а живой организм, который постоянно дорабатывается. Поэтому продуктовые команды работают по принципам Agile – они отвечают за то, чтобы бизнес-результат был лучше и лучше с каждой итерацией.

- Сколько продуктов реализовано за год?

У нас восемь продуктовых команд. Но потребностей у бизнеса больше, и периодически приходится формировать временные девятую и десятую команду, чтобы срочно реализовать ту или иную задачу.

- Какова связь стратегии дирекции по большим данным с бизнес-стратегией компании?

До того, как возглавить подразделение по работе с большими данными, я отвечал за стратегию Х5, поэтому прекрасно представляю задачи бизнеса и могу говорить с ним на одном языке. Это очень помогло в формировании нашей продуктовой линейки. Наш план на текущий и будущий год увязан со стратегией компании в целом и со стратегией каждой торговой сети, входящей в Х5.

Несколько лет назад в X5 было принято решение о децентрализации. Каждая сеть получила достаточную свободу, чтобы развивать собственное клиентское предложение, в чем-то конкурировать, иметь ресурсы для самостоятельного ведения бизнеса. Как следствие, сети различаются и с точки зрения используемых ИТ-решений. Даже данные в анкетах программы лояльности в разных сетях не идентичны, хотя и пересекаются процентов на 80. Поэтому обычно мы не можем сделать одинаковый продукт для всех трех сетей.

Часто бывает так, что мы разрабатываем решение, например, для «Пятерочки», рассказываем о нем в «Перекрестке», и менеджеры сети высказывают желание получить аналогичный продукт. Тогда продуктовая команда делает кастомизацию решения под другую сеть. Происходит миграция знаний и продуктов между торговыми сетями.

- Как организована работа вашего подразделения?

Команды работают по принципам Agile и включают в себя все необходимые группы специалистов – data science, аналитики данных, бизнес-аналитики, менеджеры продуктов, DevOps. Есть и системные инженеры, которые отвечают за инфраструктуру определенного уровня. Базовую инфраструктуру для нас поддерживает ИТ. Но у нас остается возможность разворачивать инфраструктурные слои более высокого уровня, необходимые для наших решений. Это нетипичный подход, но по-другому скорости просто не достичь. Чем больше ресурсов в одном месте сконцентрировано, тем быстрее можно двигаться. А скорость – это наша первоочередная задача.

Процессы data governance реализуются в нашей дирекции и в ИТ. Мы занимаемся контролем качества данных во входных потоках, которые получаем на свой кластер. Но кроме этого необходимо обеспечивать качество данных на источниках, которые расположены в других местах корпоративной архитектуры. За это отвечает ИТ.

Сейчас процессы data governance включают в себя сбор, обеспечение качества, описание собранных данных и формирование требований к конечным витринам. Очень важной составляющей data governance являются также корпоративные политики работы с данными, но здесь мы еще в самом начале пути. Корпоративная политика задает стандарт ввода данных для бизнес-пользователей, тем самым закладывается основа для того, чтобы данные были качественными при всех дальнейших использованиях.

Нам необходимо наладить процесс регламентации ввода данных, и это займет немалое время, поскольку груз проблем в этой сфере за годы существования компании накопился очень большой.

- Какие данные используются для реализации ваших продуктов – внутренние данные компании или вы привлекаете также внешние данные с рынка?

Мы активно обсуждаем с телекомом, с банками, какие решения мы можем сделать вместе, обогащая данные. И пришли к выводу, что те данные, которые есть у нас, гораздо более полезны другим игрокам, нежели нам полезны внешние данные с рынка. Почему? Потому что у нас очень много данных внутри компании, и их, как правило, достаточно для реализации различных идей по улучшению бизнеса. Наша основная задача при работе с данными — наладить процесс получения и постоянной актуализации этих данных, а также сделать так, чтобы данные, которые единожды получены, неважно из какого источника, были доступны всем заинтересованным бизнес-пользователям.

Надо отметить, что в Х5 с большими данными работает не только дирекция больших данных. Наиболее сложные вещи, которые требуют написания кода и ведут к созданию продукта, мы делаем централизованно. Это специализированные задачи, которыми должны заниматься квалифицированные специалисты, а в сфере больших данных люди – самый ценный и самый дорогой ресурс.

При этом от бизнеса постоянно возникает большое количество сиюминутных запросов, поэтому мы обеспечиваем бизнес-пользователей данными, с которыми они могут самостоятельно делать любую аналитику. Причем очень важно, чтобы все было совершенно прозрачно – где взять нужные данные, как их обработать и что делать с результатом. Но если одна и та же задача возникает постоянно, мы берем ее на себя. Мы стараемся освободить аналитиков от рутины, чтобы они могли заниматься более продуктивными задачами.

- Что представляет собой технологическая инфраструктура больших данных в X5?

У нас полный стек необходимых инструментов. «Холодные» данные собираются в озере данных на базе Hadoop, дальше в зависимости от приложения данные перемещаются в более быстрые базы – Greenplum, Qlickhouse. Для загрузки данных используются классические ETL-инструменты, для визуализации – Qlicksense, Tableau.

- Что было самым сложным за этот год?

Самое сложное – наладить работу команды. Наш Agile пока часто «перпендикулярен» тому, как работает остальная компания. С одной стороны, бюджет, оргструктура, регламентированный процесс найма человека, с другой – скорость процессов Agile. Как увязать между собой еженедельные спринты с ежегодной оценкой эффективности сотрудника? Объясняем, договариваемся, где-то меняем процессы в самой компании.

- А что вы можете поставить в заслугу дирекции больших данных?

Главное достижение – скорость. Я очень рад, что удалось меньше чем за год собрать сильную команду. Когда к нам приходят на собеседование специалисты по data science, они спрашивают, с кем будут работать, и быстро соглашаются, когда слышат фамилии. Для меня это показатель качества команды. Второй показатель – то, что за короткий период мы довели несколько продуктов до стадии MVP и один до промышленной эксплуатации и уже получаем много положительных отзывов от пользователей.

Мы построили гибкую инфраструктуру, в которую можно быстро адаптировать дополнительные инструменты, если понадобится. Развернули хранилище из более 80 узлов в кластере, которое удалось быстро наполнить.

Скорость – это главное, к чему мы стремимся. Я постоянно говорю ребятам: «возможно, вы сделаете это гораздо лучше через год, но тогда это уже никому не будет нужно». Меняются потребности бизнеса, технологии уходят вперед, а задачи надо решать здесь и сейчас.

- Не в ущерб качеству?

Это же Agile. Конечно, продукты дорабатываются. Но для этого и нужен постоянный диалог с бизнесом.

- Какой эффект получит бизнес от продуктов на базе больших данных, когда они будут введены в промышленную эксплуатацию? Например, я – постоянный клиент «Перекрестка». Какие я почувствую улучшения?

Возьмем для примера такое решение, как ассортиментный план. Главный результат его применения состоит в том, что, если раньше вы приходили в супермаркет и клали в корзину 7 товаров, то сейчас будете класть 8. Вам не придется обходить несколько магазинов, вы здесь найдете все, что вам нужно. И в целом увеличивается число клиентов сети, когда люди понимают, что могут найти в магазине все необходимое и, возможно, по более выгодной цене, чем у конкурентов.

Другой пример – промоакции. Продукт позволяет правильным образом изучить аудиторию в конкретной локации, понять, какие магазины рядом, как правильно сделать скидку на определенный товар и каким людям из программы лояльности нужно ее предложить. Пилот по этому решению продемонстрировал рост трафика в магазинах на несколько процентов – это очень хороший результат. Лояльность покупателей тоже выросла.

- Ваши планы на будущее?

Главная цель ближайших нескольких месяцев – вывести в продуктив те продукты, которые сейчас находятся на стадии MVР. Это не самая простая задача, поскольку необходимо быстро и без лишних затрат масштабировать успешный пилот с сотни на несколько тысяч магазинов.

В апреле должны быть завершены проекты по ассортименту и ценообразованию. Весной планируется улучшить качество прогнозирования продаж в сети магазинов «Перекресток». Это обеспечит повышение точности заказа товаров на склад, как результат, сократится количество продуктов, которых нет на полках, и это, в свою очередь, положительно отразится на продажах.

Большие данные перестали писать с заглавных букв, волна ажиотажного интереса к этой теме спадает. В «сухом остатке» остаются конкретные бизнес-задачи по организации работы с данными в компании и множество связанных с ними вопросов. Своим пониманием роли директора по данным и рекомендациями по выстраиванию работы исследователей поделился Виктор Кантор, консультант и эксперт по машинному обучению.

- Действительно ли российским компаниям требуются директора по данным (Chief Data Officer, CDO) или обсуждение CDO — лишь дань моде?

Многие вещи, приходя в нашу жизнь, сначала являются данью моде, но постепенно обретают больше смысла. Пока у всех разное понимание того, что должен уметь и делать CDO. Кто-то, называя себя так, фактически выполняет работу главного исследователя данных CDS (Chief Data Scientist). Кто-то считает, что CDO не должен быть исследователем данных, а должен думать о том, какие данные компании следует собирать, хранить и использовать и каким образом. Еще одна популярная точка зрения: CDO должен уметь смотреть на данные с позиции бизнеса. В моем представлении CDO отвечает за все, что касается сбора данных и извлечения из них пользы для бизнеса, а значит, должен разбираться и в аналитике, и в инфраструктуре, и в бизнесе.

- Нужна ли отдельная должность CDO или его функции может выполнять директор информационной службы либо директор по цифровизации (Chief Digital Officer)?

Должна ли быть эта функция отдельной или ее можно доверить кому-то из топ-менеджеров, зависит от того, какие люди работают в компании. Если у сотрудника достаточно компетенций, чтобы справляться с задачами CDO — как в плане технических навыков, так и в организации своего рабочего времени, то не вижу проблемы в совмещении. Но и отдельная должность может быть вполне оправданной.

- Из каких специалистов можно вырастить CDO? Какие для этой должности требуются специфические знания и навыки?

Вырастить директора по данным можно из бизнес-специалиста, из аналитика или инженера, но при этом нужно трезво оценивать его реальные компетенции. Если человек пришел из инженеров и не вполне понимает бизнес или пришел из бизнеса и не знает, что в аналитике действительно возможно, а что — просто фантазии, то, будучи на позиции CDO, он своими решениями может навредить компании.

- Как правильно организовать работу с данными? Зачем выделять в структуре компании подразделение data science? Не эффективнее ли будут распределенные команды специалистов по данным?

Распределенная команда или одно подразделение — это вопрос вкусов и сопоставления плюсов и минусов каждого варианта с целями компании. В одном подразделении, как правило, более налажены такие вещи, как экспертиза, контроль качества работы, повторное использование результатов, но менее — плотное взаимодействие со смежниками. В команде, распределенной по отделам или по продуктам, общение со смежниками более активное и эффективное, но контроль качества, обмен опытом и развитие экспертизы остаются в каждой маленькой части команды, если не предпринимать дополнительных усилий. Бывает даже так, что команды независимо решают одну и ту же задачу, вместо того чтобы объединить усилия и воспользоваться результатами работы друг друга.

Для решения этой проблемы можно организовать различные мероприятия, принимать общие для всех аналитиков регламенты. Но когда у людей ближайший общий начальник — например, генеральный директор, рабочее взаимодействие несколько осложнено. Можно выделить кого-то, кто будет отвечать за всю работу с данными при том, что сама команда распределенная, но тогда у руководителей подразделений data science будет сразу по два начальника, а это тоже непростая ситуация, хотя и привычная для многих (в корпоративном мире никого не удивишь и тремя начальниками, указания которых постоянно противоречат друг другу). Все сводится к тому, что люди, которые сидят в офисе порознь, общаются меньше. Так что выбирайте, с кем ваш исследователь данных должен общаться меньше — с коллегами или со смежниками.

Я бы рекомендовал сначала сконцентрировать компетенции по data science в одном отделе. Этот отдел может работать с другими подразделениями как с заказчиками, решая для них задачи, и постепенно формировать список проектов. Как только проекты будут собираться в большие направления, для работы над этими направлениями в DS-отделе можно выделить группы. Когда их сотрудники и руководители будут готовы, а задач будет у всех много, можно подумать о распределении команды по отделам, но если компания не очень большая, то это совсем не обязательно. Конечно, если в организации работают 10 тыс. человек в нескольких бизнес-подразделениях и треть этих сотрудников имеют отношение к проектам по анализу данных, возможно, лучше завести несколько отделов data science. Но в небольшом стартапе не надо множить сущности. Так что выбирайте золотую середину — сравнивайте плюсы и минусы и принимайте решение.

Как построить эффективное подразделение data science в условиях дефицита опытных специалистов?

В условиях нехватки высококвалифицированных кадров я бы рекомендовал инвестировать в перспективных молодых сотрудников.

Мой рецепт состоит из нескольких пунктов. Во-первых, нанять одного-двух узнаваемых и компетентных специалистов в качестве руководителя подразделения или эксперта, чтобы вокруг этих людей собиралась команда. Во-вторых, привлечь в команду уже проявивших себя сотрудников младшего и среднего уровня — например, из топовых выпускников образовательных проектов. Далее надо сделать все, чтобы членам команды было комфортно, нравилась рабочая атмосфера, окружение и задачи. Это обеспечит их лояльность компании и желание продолжать работать. Наконец, не препятствовать их карьерному росту.

Последнее очень важно. Если вы осознанно инвестируете в перспективных сотрудников и они быстро развиваются, оправдывая эти инвестиции, то самое нелогичное и непоследовательное — отказывать им в повышении. К сожалению, так происходит почти всегда и везде. Но если человек повысил свой профессиональный уровень и понимает это, то повышение он все равно получит — не в вашей компании, так в другой. А нового сотрудника вы найдете не сразу и будете платить ему больше, чем старому. Так что, инвестируя в амбициозных и перспективных, важно сразу понимать, что вас ждет, и быть последовательными.

Конечно, необходимо уяснить, кому в компании нужно эффективное применение data science. Если только руководителю этого подразделения, то в общем-то без разницы, как строить команду. Очень опасная тенденция последних лет — создавать отделы data science, руководствуясь соображением: «Нам нужно машинное обучение, нам нужен анализ данных — сделайте его нам». И содержательно уже не важно, что там будет, главное — чтобы «у нас было машинное обучение». В первую очередь следует разобраться, нужно ли компании подразделение data science и зачем, обрисовать круг его задач, выяснить, чем это может быть полезно бизнесу и до какой степени.

По способности собирать огромные объемы самых разнообразных данных о своих клиентах мало кто может соперничать с мобильными операторами. Анализом данных они наверняка занимались всегда. Однако лишь недавний всплеск интереса к подходам, связанным с большими данными, искусственным интеллектом и машинным обучением, сделал их попытки работы с клиентами более успешными и результативными.

«Мы сами не сразу поняли, чего в реальности можем добиться, пока не начали всерьез копаться в имеющихся данных, пытаясь получить новые знания о своих клиентах», — признает Леонид Ткаченко, директор департамента Big Data МТС. Очень быстро выяснилось, что возможности мобильного оператора действительно очень велики. В компании с легкостью способны видеть, даже кто с кем живет, причем не только среди собственных абонентов.

Проекту Big Data в МТС недавно исполнилось три года. Сначала команда проекта состояла из 20 сотрудников, сейчас же в ней насчитывается 250 опытных экспертов, а чистый экономический эффект за время ее существования составляет 3,5 млрд руб. Оказалось, что накопленные оператором данные действительно могут быть полезными, и эту пользу вполне получается извлечь.

Стратегия работы с большими данными в МТС неизменна на протяжении всего времени и включает в себя три ключевых пункта. Первое направление — это сбор и приумножение знаний о своих клиентах. Второй элемент, гораздо более сложный, — обеспечение доступа к данным для всех сотрудников. Требуется в буквальном смысле положить необходимые данные  сотрудникам на рабочий стол и дать им возможность зарабатывать для компании деньги. Наконец, надо пытаться создавать на основе данных новые бизнесы, не имеющие отношения к основному — телекоммуникационному.

«Говоря о приумножении знаний о клиентах, мы считаем конечной целью создание в наших ИТ-системах цифрового двойника абонента. Мы пытаемся получить всю законную информацию о нем, даже не понимая, как будем ее использовать и пригодится ли она вообще», — говорит Ткаченко. Стоимость хранения сейчас настолько невелика, что в хранилища данных попадает все, до чего компания может дотянуться. Источников, из которых черпается информация, очень много. К ним относятся как внутренние источники — биллинг и «кликстрим» (виртуальный след, который пользователь оставляет во время нахождения в Интернете), так и внешние источники, включая социальные сети и всевозможные справочники.

«К концу 2020 года мы планируем охватить все возможные источники и агрегировать их в нашем озере данных. К тому времени знания о клиентах станут максимально полными», — продолжает Ткаченко. Когда проект начинался, объем полезных данных об абонентах составлял около 100 Тбайт — ничтожно мало по нынешним меркам. Сейчас данных более 1,5 Пбайт. В ближайший год в хранилище поступит еще 4 Пбайт данных.

«В начале проекта сведения о каждом абоненте включали примерно 1 тыс. метрик, начиная с базовых и заканчивая сложными, моделируемыми: профессия, место работы, наличие домашних животных. Сейчас их около 2 тыс., через год будет 3,5 тыс., а в принципе, мы видим возможность собрать 5 тыс. метрик по каждому клиенту», — говорит Ткаченко. Сейчас клиентские данные в системах обновляются раз в день, и в компании хотят добиться того, чтобы все данные, которые важно иметь в реальном времени, были максимально к нему приближены.

Для обеспечения доступа к данным используется решение Teradata Alation. По сути, это поисковая система поверх хранилища данных. Бизнес-пользователь может ввести в нее любой запрос, и она подскажет, какого вида метрики и данные об абонентах есть в системах, где они находятся и какова их актуальность.

За время работы подразделение Big Data успело реализовать достаточно много проектов, но три из них хотелось бы отметить особо. Это автоматическое вычисление индекса NPS, психотипирование абонентской базы и оптимизация работы персонала в розничных магазинах.

Промоутеры и критики

Индекс потребительской лояльности (Net Promoter Score, NPS), который вычисляют исходя из соотношения выявленных лояльных и недовольных клиентов (соответственно промоутеров и критиков), до сих пор остается ключевым показателем практически для любой компании. В той или иной степени его используют все, определяя с помощью прямого опроса клиентов. Этот индекс действительно важен: опыт показывает, что он сильно связан с оттоком клиентов. Однако качество проводимой оценки (ответы не всегда правдивы) и стоимость этого процесса вызывают вопросы.

«Многие компании занимаются вычислением NPS в попытках понять, насколько довольны их клиенты. Можно констатировать, что работа эта крайне дорогостоящая. К тому же по результатам выборочных опросов остается неясным, кто именно из абонентской базы лоялен, а кто является критиком», — говорит Ткаченко. В МТС создали модель, с помощью которой автоматически в любую секунду можно рассчитать лояльность каждого из 60 млн абонентов с точностью 70–80%. По итогам проекта компании удалось выявить 3,5 млн критиков из московской базы абонентов, а проведенный кластерный анализ позволил выделить 15 их профилей. С точки зрения бизнеса — это 15 видов «болезней» клиентов, которые можно лечить.

Одну из самых больших групп объединяло то, что люди, ее составляющие, часто ездят по России, тарифицируются во внутрисетевом роуминге и плохо представляют себе стоимость услуг. Эти абоненты были недовольны списанными средствами, постоянно звонили в контакт-центр и интересовались остатком. Очевидно, им нужна большая информированность. Вторая группа, получившая название «небольшой пакет», — это люди, систематически выходящие за ограничения своего тарифа и расстроенные дополнительными списаниями средств. Здесь решение тоже очевидно: предложить им чуть больший пакет услуг по цене чуть выше (или даже прежней) — и эти клиенты перестанут быть несчастными. К сожалению, далеко не все проблемы могут быть решены столь простыми действиями.

Психотипы и геолокация

Еще один интересный проект, предпринятый МТС с целью оптимизации маркетинговых акций, — психотипирование абонентов на основе их поведения. Идея состояла в том, чтобы дифференцировать коммуникации с каждым из абонентов. Возможностей для этого традиционно не хватало. Ведь даже в Интернете при показе контекстной рекламы баннер демонстрируется хоть и не всем подряд, но один и тот же, а реакция на него не всегда будет желаемой. «Мы решили провести сегментирование клиентов и интегрировать его во все каналы — SMS, почту, мобильное приложение. Даже в контакт-центре автоответчик может разговаривать с клиентом по-разному», — рассказывает Ткаченко. У компании имелись обучающие выборки, и поэтому без особых проблем удалось разметить всю абонентскую базу по методологии Big Five.

Третий проект связан с геопозиционированием — это то, в чем мобильному оператору не может быть равных. В прошлом году МТС купила два портала по продаже билетов на развлекательные мероприятия — Ticketland и «Пономиналу». Вполне естественной стала попытка на основе информации об абонентах повысить продажи билетов. «Это действительно неплохо получается, потому что мы прекрасно знаем, на какие мероприятия ходил человек», — констатирует Ткаченко. В результате произошел значимый рост коэффициента кликабельности (click-through rate, CTR) — от 4 до 10% людей реагируют на сообщения о мероприятиях, подобранные специально с учетом их интересов.

Сколько человек нужно, чтобы закрыть магазин?

Не менее интересен проект из категории Workforce Management по управлению графиками работы сотрудников Русской телефонной компании — «дочки», управляющей монобрендовой розничной сетью МТС. Справедливости ради следует отметить, что данная задача не совсем вписывается в проекты департамента Big Data, однако лишь у данного подразделения существует хранилище такого размера, в котором возможно собрать и обработать детальнейшие данные об операциях из 6 тыс. салонов МТС, где работают 30 тыс. сотрудников. У каждого из офисов есть начальник, который на глазок определял, когда и сколько людей должны работать. Идея состояла в том, чтобы математически обосновать необходимость наличия в магазине определенного количества людей.

На основе данных о товарообороте за предыдущий год удалось составить двухнедельный прогноз продаж в каждом магазине: сколько будет осуществлено транзакций каждого типа с точностью до 15 минут. Фактически появилась модель спроса, и стало возможным оптимально распределить сотрудников.

Интересной находкой оказалось изменение регламента открытия и закрытия магазинов. Традиционно служба безопасности требовала, чтобы магазины открывались и закрывались двумя сотрудниками. Однако собранные данные показали, что во многих случаях в начале и конце рабочего дня операций настолько мало, что второй человек оказывается ненужным, да и правонарушений в отношении сотрудников во время этой «зоны риска» также немного. Двукратное сокращение числа работников, занятых в эти часы, дало огромный экономический эффект: удалось снизить затраты на ФОТ на 10%. Что немаловажно, при этом не произошло оттока персонала (судя по всему, работа в утренние и вечерние часы радовала далеко не всех) и даже несколько возросли продажи.

Аналитики сходятся во мнении, что рынок вступил в стадию формирования экосистем, в рамках которых все действующие лица будут получать удобные и взаимовыгодные сервисы. Финтех эту стадию уже практически прошел, а остальным направлениям предстоит преодолеть этот путь. Логичным продолжателем пути пионеров становится HR-сфера, включая поиск и подбор сотрудников.

В «Севергрупп» сформирована концепция развития человека, объединяющая технологии в области поиска работы и сотрудников и управления персоналом (HR Tech), образования и повышения квалификации (Ed-Tech) и самозанятости. Речь идет о компании TalentTech: в рамках ее экосистемы будет работать «единое окно» как для компаний, так и для кандидатов. С ее помощью бизнес сможет находить подходящих специалистов, а люди получат понимание, в каком направлении имеет смысл развиваться, какие навыки необходимы, где учиться, куда устраиваться. Sever.AI — один из продуктов этой будущей экосистемы, который отвечает за область рекрутмента на базе искусственного интеллекта и машинного обучения. Над этим проектом сейчас работают чуть больше 20 человек. Рассказывает о проекте Азат Шамсутдинов, директор по цифровым технологиям Sever.AI, — номинант на премию CDO Award, учрежденную проектом CIO.ru и издательством «Открытые системы».

— Что в самых общих чертах представляет собой проект Sever.AI?

Sever.AI состоит из трех основных блоков: поиск и оценка резюме кандидатов; коммуникация (звонок, SMS, электронная почта или чат), чтобы узнать об интересе к вакансии; проведение и оценка видеоинтервью. Прежде всего мы хотим помочь компаниям и HR-специалистам: автоматизировать рутинные, механические процессы в области рекрутмента и организовать быстрый поиск качественных кандидатов. Наша платформа позволяет одновременно и получить доступ ко всем релевантным кандидатам на рынке, и возможность сосредоточиться только на самых подходящих из них — благодаря оценке «подходимости» для конкретной вакансии в конкретную компанию.

Как это работает. Специалист по найму заходит в систему, дает описание вакансии как на сайте для поиска работы (требования, обязанности, местоположение и т. п.), а дальше начинает свою работу платформа Sever.AI. Сначала она находит резюме подходящих под вакансию кандидатов. Каждое резюме получает балл, определяющий его соответствие вакансии. Система интеллектуальна: скажем, если в описании вакансии указано требование «знание Excel», а человек пишет о «знании MS Office», робот поймет, что кандидат подходит по параметру «знание Excel». Наши эксперименты показали, что робот оценивает резюме объективнее, чем человек. Робот, в отличие от человека, не устает, у него не бывает плохого самочувствия или скверного настроения, поэтому он сильно выигрывает, к тому же его работу без проблем можно масштабировать, добавив мощности аппаратного обеспечения.

Результат первого этапа работы — выборка релевантных кандидатов. После робот взаимодействует с выбранными кандидатами — узнает, насколько интересна им вакансия. Общение происходит по телефону, по электронной почте, посредством SMS и мессенджеров. В ходе разговора кандидат может задавать уточняющие вопросы, используя в том числе сленг. Например, вопрос в чате «з/п скок?» робот поймет вполне правильно. Если кандидат подтверждает интерес к вакансии, его приглашают на видеоинтервью — вопросы выводятся на экран, время на подготовку и ответ ограничено.

Затем Sever.AI просматривает видео с ответами, анализируя те же три основных источника информации, что и человек: изображение (внешнее поведение кандидата), звук (его речь, тембр) и текст (содержание ответов). Например, по видеоряду система анализирует изменение микровыражений лица в зависимости от вопросов, считывает реакцию человека. По звуку можно отследить изменение тембра голоса, темп речи и множество других параметров. Смысл сказанного анализируется после перевода речи в текст. В зависимости от вакансии система взвешивает все перечисленные параметры, агрегирует их и выставляет еще одну оценку кандидату. И здесь важно, что по видеоинтервью уже можно определить, насколько человек соответствует не только вакансии, но и профилю компании.

Как Sever.AI видит кандидата

В итоге получается три оценки: по резюме, по коммуникации и по видеоинтервью. Лишь после этого к процесcу подключается живой человек, уже на этапе, когда имеется релевантная выборка кандидатов, заинтересованных в вакансии и подходящих по профилю. Он проводит традиционные очные интервью и принимает окончательное решение. Конечно, человек всегда может вмешаться на любом этапе. Например, просмотреть найденных кандидатов и пригласить на видеоинтервью или даже на очную встречу, если соискатель очень понравится.

— Подобные проекты в первую очередь фокусируются на рутинных задачах HR. Их проще реализовать или они действительно важнее для компаний?

В первую очередь это потребности клиентов. На рутинные задачи крупные компании тратят очень большие ресурсы, особенно это касается массовых позиций с высокой текучестью. Рекрутерам вполне можно облегчить жизнь, сделать так, чтобы они занимались более полезными для компании делами, а не рутиной, просматривая однотипные резюме, задавая одинаковые вопросы и получая схожие ответы. Эту работу вполне можно переложить на роботов.

— Какое влияние окажут подобные сервисы на развитие HR-служб?

Сейчас от HR-специалистов требуется достаточно быстро находить кандидатов, и время закрытия позиции (time to hire) имеет в их работе все большее значение. У многих компаний есть вакансии, не закрываемые годами, недоукомплектованные подразделения. Кроме того, текучесть персонала в последние годы возросла: люди все активнее переходят из одной компании в другую. В России добавляется еще один фактор: демографическая яма 90-х годов. Поэтому повышается потребность в решениях, которые позволяют как можно быстрее находить нужных специалистов.

Как показывает практика, в среднем HR-специалисты приблизительно половину своего рабочего времени тратят именно на поиск кандидатов. Отдав рутину машине, они смогут сконцентрироваться на гораздо более важной задаче — удержании сотрудников. Наконец, появится возможность для более интеллектуального подхода к HR: имея больше исходных данных, можно проанализировать, какие из принятых кандидатов дольше и лучше работали. Удастся вывести всю работу кадровых отделов на качественно иной уровень.

— Sever.AI изначально задумывался как внутренний проект «Северстали», призванный обслуживать внутренние кадровые потребности этой гигантской структуры?

Sever.AI звонит кандидату

Это совсем не так, проект изначально был независимым стартапом. Название не имело никакого отношения к «Северстали», его придумали под впечатлением от сериала «Игра престолов». Именно оттуда рабочее название, связанное с «Севером»: Sever.AI — для российского рынка и North.AI — для зарубежного. Лишь некоторое время спустя произошла сделка с «Севергрупп», ставшей стратегическим инвестором компании.

— Почему робот при просмотре и анализе анкет эффективнее лишь в несколько раз, а не в десятки и сотни раз? Очевидно же, что в такой работе компьютер имеет огромное преимущество перед человеком — «аналоговым» существом.

Действительно, компьютер несопоставимо быстрее человека. Отчасти наше преуменьшение обусловлено тем, что неподготовленный клиент может посчитать неправдоподобным слишком пугающий разрыв в эффективности между человеком и роботом. Кроме того, у некоторых HR может возникнуть страх того, что компьютер способен полностью исключить человека из этого процесса. На самом деле это вовсе не так.

Наши пилотные проекты показывают, что кадровая проблема связана не только с дефицитом кадров, но и со сложностями в поиске именно релевантных для компании кандидатов. Дело в том, что один и тот же кандидат на одну и ту же должность может одной компании подойти, а другой — нет, причем по каким-то внутренним установкам: корпоративной культуре или другим факторам. В результате компании тратят на поиск неоправданно много времени. Чтобы поправить положение, можно нанять больше специалистов по подбору персонала или пытаться использовать новые технологии. Второй вариант перспективнее, так как для бизнеса в ближайшие 10 лет демографическая ситуация не улучшится.

— Уйти от человеческого фактора — это здорово. Но как же опыт и интуиция? Не окажется, что бездушный компьютер пропустит то, что заметил бы опытный кадровик?

На первых этапах работы с кандидатом робот видит ровно то же, что и рекрутер. Именно поэтому люди подключаются лишь на последнем этапе взаимодействия, когда уже имеет смысл применять опыт и интуицию. И, как бы нам ни хотелось верить в обратное, наш опыт показывает, что на первых этапах — при оценке текста резюме и ответов на вопросы видеоинтервью — робот объективнее человека, на него не влияют внешние факторы.

— Почему речь идет именно про массовые позиции? Ведь нанять «правильного» топ-менеджера экономически гораздо выгоднее, чем тысячи кассиров.

Тут все просто. Топ-менеджер оценивается на совсем другом уровне, такая оценка требует более глубокого анализа его опыта, а этот опыт выявляется при личном общении. К тому же роботов надо на чем-то обучать, а данных о топ-менеджерах на рынке явно недостаточно. А значит, ошибка робота-рекрутера в оценках кандидатов топ-уровня будет очень велика.

Однако наше решение вполне можно использовать не только при подборе массового персонала, но и в поиске более квалифицированных специалистов — например, программистов или менеджеров среднего звена. На таких вакансиях роботы будут отрабатывать довольно хорошо. Кстати, совсем недавно мы, отчасти в качестве эксперимента, нашли себе разработчика с помощью Sever.AI.

— Каковы основные проблемы, возникающие в ходе работы над проектом?

Учитывая масштабы «Севергрупп», с данными больших проблем нет — в одной «Северстали» работает более 50 тыс. человек, можно и обучаться на этих данных, и использовать их для оценки качества модели.

В первую очередь проблемой становится соответствие ожиданиям клиентов. Часто они хотят получить готовое работающее решение и не желают включаться в работу по его созданию. А ведь робота нужно сперва обучить, настроить, и все эти процедуры должны проходить с участием заказчиков, требуется понять их внутреннюю кухню. Поэтому приходится объяснять клиентам, что их участие в проекте все-таки необходимо.

Есть две модели подготовки роботов к оценке резюме. Выбранная модель влияет, с одной стороны, на время старта и степень вовлеченности клиента, а с другой — на точность и качество результата. По первой («обучение с учителем») мы отправляем определенное число анкет рекрутерам заказчиков и просим оценить их, обучая робота на их разметке. По второй модели роботу не нужно обучаться на разметке, он анализирует внешние факторы — например, пытается понять, что написано в вакансии, сканирует сторонние сайты, изучает похожие вакансии, усваивает терминологию. Он понимает рынок — видит, какие вакансии появляются, какие уходят, как изменяется портрет того или иного специалиста. Кстати, машина обучается быстрее живого рекрутера. Для обучения с учителем требуются сотни анкет, во втором случае речь идет о десятках тысяч.

Для оценки коммуникации с кандидатами робот учится на различных текстах, книгах и фильмах. Для работы с видеоинтервью система обучается на сотрудниках клиента: они записывают интервью, и робот отсматривает записи. На этом этапе появляется «портрет сотрудника компании», и робот пытается найти людей, соответствующих такому портрету, — тем самым удается добиться не только соответствия требованиям интервью, но и культуре компании.

— О каких объемах данных идет речь?

Сейчас это терабайты. Для работы с социальными сетями понадобятся совершенно другие ресурсы и подходы.

— На каких решениях построена инфраструктура для работы с данными?

Для хранения больших данных у нас используется Hadoop, для обработки данных — Spark, для обработки потоковых данных — Spark Streaming. При дальнейшей обработке применяем разные инструменты, в том числе проприетарные — Tableau, Power BI. Можем использовать внешние базы SQL для тех проектов, где нет больших данных и нужны быстрые доступность и обработка.

Все зависит от потребности и оптимальности. Если за счет коммерческого продукта мы добьемся большей эффективности, то использовать будем его. Если же без особых потерь можно использовать продукты open source, то ориентируемся на них.

— В чем основные проблемы управления данными?

У нас главная проблема — тоже кадровая: трудно найти подходящего человека, который будет отвечать за определенную область, например за хранение или обработку данных. Рынок специалистов крайне узок, их очень мало.

Вторая проблема — динамика рынка. Создавая модели, мы сначала хотели пойти путем обучения на исторических данных — например, имеющихся у клиентов данных о кандидатах. Однако вакансии очень быстро устаревают, требования к сотрудникам постоянно меняются, поэтому модели очень плохо обучались.

Кроме того, данные у всех HR-департаментов разные и их качество далеко от идеала. Люди редко задумываются, что их данные когда-либо могут понадобиться для анализа, и хранят их в виде картинок, текста, почтовых сообщений — в абсолютно разрозненном виде. Далеко не в каждой компании можно сформировать цельную картину для обучения модели.

— В итоге исторические данные стали абсолютно ненужными?

От обучения на исторических данных пришлось полностью отказаться. Но я все-таки верю, что из них тоже можно извлечь ценность, когда поставлены другие цели. Если компания захочет увидеть эволюцию какой-либо позиции — изменение рынка, чтобы спрогнозировать будущее, то без исторических данных не обойтись.

— Какие методы машинного обучения используются в рамках проекта?

Применяются практически все, ведь приходится использовать все виды данных: текст, аудио, видео, картинки. В первую очередь всё, связанное с нейросетями, а также последние наработки по тематическому моделированию, которое неплохо развито в России. Ну и стандартные алгоритмы, которые всеми используются.

— Сейчас решение охватывает всю подготовительную часть работы при рекрутинге. А каковы планы его дальнейшего развития?

Со временем станет все сложнее найти хороших кандидатов на работных сайтах. Важно будет отлавливать соискателей не в момент создания и публикации резюме, а гораздо раньше — когда они только задумались о возможной смене работы и подали соответствующие сигналы. Поэтому в перспективе мы начнем плотнее работать с соцсетями и поисковиками, возможно, с банками и онлайн-ретейлерами — теми, у кого будут такие данные.

Кроме того, планируется доработка той части, которая связана с набором кандидатов: где их взять, откуда пригнать трафик, чем заинтересовать. Потом будем добавлять тесты на профессиональные навыки, возможно в игровой форме. Это позволит минимизировать ошибки. Ведь резюме можно написать очень привлекательное, и даже есть профессиональные услуги в этой области. Из-за этого существует поток нерелевантных кандидатов. Чтобы снизить долю людей, которые ошибочно попадают на стадию видеоинтервью, их когнитивные навыки можно проверить путем тестов.

Далее пойдем в сторону онбординга — адаптации сотрудников, их подбора под определенную команду, а также оценки их лояльности, вероятности увольнения и способов удержания.

— Каких результатов позволяет добиться решение и каким образом?

Робот не субъективен. Кроме того, в поиске подходящих кандидатов по резюме в среднем он эффективнее рекрутера на 20%. Сейчас 9 из 10 найденных роботом кандидатов являются подходящими. Рекрутер же предлагает 6–7 подходящих человек из 10.

Пилоты показали ускорение времени закрытия позиций почти вдвое. Если говорить о бюджетах, то многое зависит от массовости вакансий. В крупных компаниях и при работе с позициями высокой текучести экономия на процессах рекрутмента может составлять до 90%.

Например, в пилотном проекте с розничным банком при показателе текучести 128% экономия за год использования сервиса составила 50%. При больших масштабах и больших показателях текучки персонала эффект будет еще заметнее.

— Каковы сейчас результаты у компаний, которые уже являются вашими клиентами?

В одну из крупнейших российских нефтехимических компаний мы полностью внедрили все разработанные блоки, решение было запущено летом. В этом проекте любопытнее всего показатель конверсии. Как выяснилось, кандидаты охотно разговаривают с роботом — конверсия из найденных кандидатов в отклик составляет около 60%. Более того, с роботом многие общаются охотнее, чем с человеком, потому что могут задать ему вопросы, которые стесняются озвучивать рекрутеру. В результате до этапа видеоинтервью доходит около 20% кандидатов. И это очень хороший показатель — нормой считается 5%. Добиться такого результата получается в том числе благодаря непрерывному взаимодействию с кандидатом, общению с ним. Например, живой рекрутер может забыть напомнить о запланированном собеседовании, а вот автоматизированная система не забудет. Как это ни печально, зачастую робот может обеспечить более «человеческое» отношение к кандидату.

— Способны ли технологии искусственного интеллекта полностью автоматизировать функцию HR и в какой последовательности это будет происходить?

В целом развитие технологий HR накладывается на одну важную вещь — положение самого HR внутри компании. Еще 20 лет назад вышла первая статья про то, что HR, как и ИТ, должен перерасти обслуживающую функцию и превратиться в бизнес-партнера. Ведь, несмотря на огромную важность для бизнеса, HR-директора часто занимают в корпоративной иерархии не самую сильную позицию. И вопрос не только в высоте положения, но и в том, насколько реально они вовлекаются в процессы формирования стратегии компании.

Поэтому развитие HR-технологий будет зависеть от того, насколько компании будут следовать тренду роста значимости HR и насколько сам HR будет готов брать на себя ответственность за управление такими проектами. В сфере HR сейчас вообще довольно низкий уровень проникновения технологий по сравнению с другими бизнес-функциями. Во многом по причине того, что бизнес изначально недостаточно серьезно воспринимал эту сферу и лишь сейчас здесь начинается волна внедрения современных систем. Насколько мы сможем продвинуть технологии и где будет пролегать граница между человеком и роботом, зависит от готовности самих HR уйти от аналогового мира к более эффективным решениям.

— Искусственный интеллект начинает захватывать мир с тех направлений, в которых сотрудники полноценно используют в работе лишь одну свою когнитивную функцию — например, с контакт-центров. Насколько перспективен с этой точки зрения HR?

Разумеется, для нас голос, в отличие от контакт-центра, — не единственный и не главный источник информации. Однако именно тот факт, что робот может оценить кандидата объективно с самых различных точек зрения, делает его в данном процессе более эффективным по сравнению с человеком. Но важно отметить, что, во-первых, рекрутмент — лишь отдельная и весьма обособленная часть HR-процесса. Она исторически более проработана — известна, понятна и хорошо описана. Во-вторых, мы решаем лишь часть задач процесса рекрутмента.

— Не может ли оказаться, что в остальном работа HR слишком «человеческая» и не очень поддается передаче ИИ?

Мы не являемся оголтелыми энтузиастами и прекрасно понимаем, что есть определенные границы. Полностью убрать из процессов человека пока невозможно и неэффективно. Однако применение простейших CRM-подходов к работе с кандидатами и минимальная аналитика показывают, что «человечность» этой сферы преувеличена. Мы видим на своих продуктах, что тандем человека и технологий оказывается в разы эффективнее.

— А клиенты сами готовы к таким переменам?

По большей части готовы. Действительно, часто компании, создавшие инновационное решение, сталкиваются с тем, что рынок не готов воспринять новые идеи. Лет пять назад нас бы не поняли.

HR-департамент одной из телекоммуникационных компаний на встречу с нами неожиданно пригласил своих инженеров по данным — видимо, чтобы «вывести шарлатанов на чистую воду». Нам удалось найти общий язык, эти специалисты оценили правдоподобность наших обещаний. Такое бывает. Однако чаще всего технологический уровень компаний, составляющих нашу целевую аудиторию, вполне адекватен. До середины прошлого года многими нашими коллегами была проделана большая работа по обучению рынка. И конечно, наличие реальной бизнес-боли значительно повышает скорость «созревания» заказчиков.

Компании вынуждены становиться все более интеллектуальными, встраивая аналитические инструменты в процессы принятия решений и делая анализ данных неотъемлемой составляющей управления. Во многом в этом и заключается смысл цифровой трансформации. Дмитрий Рубин, директор департамента систем автоматизации ИТ и процессов обслуживания компании Naumen, рассказывает об управленческих проблемах на пути к цифровой трансформации, пользе сервисного подхода в этом процессе и своих взглядах на место искусственного интеллекта в цифровом будущем предприятий.

- Как вы считаете, каковы основные проблемы бизнеса на пути к цифровой трансформации?

Сначала необходимо определиться с самим термином «цифровая трансформация», или «цифровая революция». В моем понимании это переосмысление всех составляющих бизнеса с точки зрения возможностей, предоставляемых современными технологиями. Именно технологии выступают инструментом для достижения целей: оперативно реагировать на запросы рынка, адаптироваться к меняющимся экономическим условиям, минимизировать риски и издержки.

Проблем на пути к цифровым преобразованиям несколько. В первую очередь — нежелание менять привычный уклад. Иногда оно связано со страхом перед новым и неизведанным, иногда – с уверенностью, что можно обойтись без изменений. Но следует понимать, что даже лидеры рынка рискуют потерять позиции, если не будут адаптироваться к новым условиям.

Не менее существенной проблемой является экономическая целесообразность цифрового преобразования. Изменения требуют финансовых вложений, а бизнесу важно понимать, за счет чего он станет больше зарабатывать или меньше тратить. В то время как далеко не каждый проект трансформации имеет четкое экономическое обоснование, подкрепленное статистическими данными. Остается либо прибегнуть к детальному анализу всех составляющих проекта, либо полагаться на веру в лидера. Найти такого лидера от бизнеса со знанием ИТ – задача крайне важная. Зачастую первые лица компаний не имеют достаточных знаний, а ИТ-директору не под силу совершить цифровую трансформацию в одиночку. Решить проблему может диалог между ИТ и бизнесом.

Даже в тех компаниях, где понимают необходимость преобразований, не всегда есть четкий алгоритм действий. Специфика российского рынка такова, что на нем не так много компаний с абсолютно одинаковыми бизнес-процессами. Универсальной схемы цифровой трансформации нет. Важно не бросаться оптимизировать все и сразу, а сконцентрироваться, расставить приоритеты исходя из насущных проблем компании.

- Какова роль ИТ в решении всех этих проблем?

ИТ выступают основным советником бизнеса на пути к трансформации. Именно ИТ нередко демонстрируют эффективность новых технологий на собственном примере, становясь драйвером трансформации в рамках всего бизнеса.

Генеральные директора все больше проявляют интерес к технологиям и преимуществам, которые эти технологии несут бизнесу, а ИТ-директора становятся полноценными партнерами в управлении компанией. При этом ИТ нередко берут на себя обучающие функции для снижения порога входа в цифровую эру для сотрудников, помогая им адаптироваться в новых условиях.

Хорошим примером сотрудничества и передачи опыта ИТ в бизнес является использование идей сервисного подхода и автоматизации процессов взаимодействия сервисных служб на базе единой сервисной цифровой платформы. ITSM-практика доказала свою эффективность в управлении ИТ, а теперь уверенно демонстрирует ее в управлении бизнес-процессами.

- Что может получить бизнес от перехода на сервисную модель и зачем на нее переходить?

Одни из критериев эффективности процессов трансформации – оптимизация процессов, сокращение затрат и повышение удовлетворенности клиентов. Все это можно обеспечить благодаря внедрению сервисного подхода. Доказательством тому служат более 400 успешно реализованных проектов на базе Naumen Service Desk. Так, компания «Новапорт», одна из крупнейших сетей региональных аэропортов России, повысила контроль и качество обслуживания в восьми аэропортах. Благодаря автоматизации процессов сервисного обслуживания удалось на 50% повысить оперативность обработки запросов и на 15% уменьшить количество инцидентов. В дальнейшем решение планируется использовать за рамками ИТ – для автоматизации заявок в Общем центре обслуживания.

Переход на сервисную модель взаимодействия на базе цифровой платформы может быть одним из первых шагов в цифровой трансформации. Многие наши заказчики уже прошли этот путь и развиваются дальше.

- Согласны ли вы с тем, что четвертая технологическая революция строится на машинном обучении и искусственном интеллекте?

Несомненно, триада «люди-процессы-технологии» дополнилась четвертым компонентом – данными. Они служат новым источником знаний для автоматизированных систем и процессов, их использование открывает поистине большие возможности в части оптимизации деятельности компании. Данные являются базисом для систем искусственного интеллекта. Чем данных больше, чем они лучше сегментированы и структурированы, тем большую пользу можно от них получать для решения прикладных задач. В связи с этим позиция директоров по данным (Chief Data Officer, CDO) в компаниях уже нередко становится обязательной наряду с СЕО и СIO.

- Ранее компания Naumen заявила о создании линейки решений Naumen Service Management Intelligent Automation (SMIA) и создании Центра интеллектуальной автоматизации. Чем обусловлено развитие данного направления?

Наша компания является ведущим российским производителем ПО для управления сервисными процессами и объединенными центрами обслуживания. Мы много инвестируем в развитие наших продуктов, и одно из основных направлений инвестиций сейчас – разработка решений на основе технологий больших данных и машинного обучения. В ходе цифровой революции востребованность этих технологий со стороны заказчиков будет неуклонно расти. Именно это стало толчком для создания Центра компетенций по интеллектуальной автоматизации и линейки SMIA. Naumen Service Management Intelligent Automation может внедряться на универсальных платформах для построения решений по автоматизации бизнес-процессов, интеллектуального мониторинга и анализа экосистемы предприятия – Naumen Service&Data Platforms. Сюда входят универсальная платформа для автоматизации бизнес-процессов Naumen Service Management Platform и платформа для построения систем интеллектуального мониторинга и анализа экосистемы предприятия Naumen Data Aggregation Platform.

Уже сейчас у нас есть решения для интеллектуальной классификации, приоритизации и маршрутизации обращений, поступающих от пользователей и клиентов, что позволяет фактически упразднить первую линию обслуживания и сократить как минимум до 20% время на решение запросов.

Алгоритмы предиктивной аналитики позволяют интеллектуально обнаруживать и предотвращать от 30% инцидентов в инфраструктуре еще до их возникновения, благодаря чему снижаются затраты на эксплуатацию оборудования. Интеллектуальные чат-боты, умные базы знаний и системы генерации и распознавания речи предоставляют возможность строить комплексные роботизированные системы эксплуатации и клиентского обслуживания.

Мы также уделяем особое внимание фундаменту интеллектуальных систем – управлению и работе с данными. Технологии искусственного интеллекта призваны кардинально изменить подход к управлению данными. Предприятиям необходимо оптимизировать свои процессы, если они хотят успешно использовать большие данные и средства анализа, чтобы улучшить клиентское восприятие, достичь бизнес-целей, получить конкурентные преимущества и в конечном итоге занять лидирующие позиции на рынке. Мы готовы предоставить для этого гибкие инструменты, помогающие собирать данные, анализировать их и управлять ими.

- Какие отрасли наиболее готовы к использованию технологий искусственного интеллекта?

К ним проявляют интерес отрасли с максимальной конкуренцией, где компании находятся на передовой использования инновационных решений в целях получения конкурентных преимуществ: электронная торговля, финансовый сектор, ИТ и телеком. Не отстает и госсектор – этому способствует принятая программа «Цифровая экономика Российской Федерации на 2017-2030 годы», в которой основное внимание уделяется развитию цифровых технологий, в том числе базирующихся на больших данных, искусственном интеллекте и робототехнике.

Особое место искусственному интеллекту отводится в промышленности. Эксперты прогнозируют, что рынок ИИ в отечественной промышленности к 2021 году достигнет 380 млн долл. Здесь он используется пока в большей степени для увеличения срока службы промышленного оборудования и повышения эффективности его обслуживания.

- Насколько внедрение технологий искусственного интеллекта оправданно экономически и насколько оно организационно сложно?

Технологии на базе искусственного интеллекта призваны заменить человеческий труд, снизить затраты на операционные процессы. С одной стороны, обосновать экономический эффект от внедрения таких технологий довольно просто. С другой, очень многое зависит от базиса внедрения – состояния данных. Из-за этого эффективность внедрения может очень сильно различаться, что подчас дискредитирует и проекты, и саму технологию. Именно поэтому необходимо привлекать компетентных исполнителей, которые смогут организовать правильные процессы работы с данными, отслеживать их качество и полноценность, чтобы в конечном счете получать пользу от внедрения и применения ИИ. Только в этом случае гарантирован возврат инвестиций. Скажу, что все реализованные на сегодня проекты на базе решений Naumen SMIA сопровождались конкретными бизнес-результатами – в частности, снизились затраты на операционные процессы до 50% и выросла скорость принятия решений до 70%.

Конечно, все хотят верить в некую магию и в то, что внедрение технологий на основе ИИ быстро решит их проблемы. Мы видим свою задачу не только в том, чтобы разрабатывать и внедрять технологии, но и в том, чтобы обеспечить эффект от их использования у каждого заказчика.

- По вашим прогнозам, когда ждать массового использования технологий ИИ и машинного обучения?

Технологии ИИ и машинного обучения сейчас переживают настоящий информационный бум. Ожидания от них, как и от любых инновационных решений, могут быть весьма завышены на первоначальном этапе. Следует понимать, что результаты сильно зависят от ИТ-зрелости компании, базиса данных, формулировки целей и, конечно же, компетенций исполнителей. В ближайшие два года мы будем наблюдать рост количества проектов по внедрению искусственного интеллекта. Как прогнозируют в IDC, к 2019 году примерно 40% проектов цифровой трансформации, реализуемых в компаниях, будут использовать ИИ-сервисы. Через три года искусственный интеллект станет реальным инструментом для решения практических задач. Мы стремимся работать на опережение, развивая компетенции для выполнения проектов на базе прорывных технологий.

Из всех новомодных руководящих должностей, связанных с технологиями, должность директора по данным (CDO, Chief Data Officer) является главным кандидатом на то, чтобы остаться в компании надолго. В большинстве случаев директор по данным отвечает за выполнение различных связанных с данными функций, к которым могут относиться управление данными, обеспечение их качества и формирование стратегии данных. Кроме того, на него возложена ответственность за бизнес-анализ – процесс извлечения из данных ценных сведений. Некоторые функции, касающиеся управления данными, могут быть переданы ИТ-службе, а функции анализа – главному аналитику, чья зона ответственности, по мнению многих, пересекается с зоной ответственности директора по данным.

Впрочем, какими бы ни были конкретные обязанности директора по данным, к 2019 году, как прогнозируют в Gartner, эта должность появится в 90% организаций. Несложно понять, почему. Во многих компаниях не только боятся связанных с данными негативных последствий (некоторые уже пострадали от них), но и вынуждены решать фундаментальную дилемму данных.

«Представьте, что я традиционный ИТ-директор, и одна из моих обязанностей – это управление постоянными затратами, – указал директор по данным компании Dun & Bradstreet Энтони Скриффиньяно. – И тут мне говорят, что все поступающие потоки данных нужно где-то хранить, причем храниться они должны вечно, поскольку ценность их очень высока. После таких слов мой мозг просто готов взорваться. Старые методы захвата всех доступных данных для их последующего анализа и извлечения ценностей в сегодняшнем мире не работают. Некоторые данные действительно необходимо принимать и хранить. О других достаточно знать местонахождение и характер изменения. И наконец, какой-то объем данных имеет смысл хранить в течение короткого времени».

Роль и зона ответственности директора по данным

Большинство директоров по данным уже имеют в своем распоряжении независимую от ИТ-службы команду (или занимаются ее выстраиванием). Организованный в 2016 году Gartner опрос директоров по данным, главных аналитиков и прочих специалистов, занимающих сходные должности, показал, что у большинства из них имеется своя собственная группа, по численности значительно уступающая ИТ-службе. Бюджет ее в среднем составляет 21% от бюджета ИТ-службы организации. Впрочем, бюджет и численность подразделения могут значительно вырасти, если директор по данным сумеет доказать свою ценность для организации.

«Несмотря на то что некоторые руководители ИТ-служб и технические директора рассматривают учреждение должности директора по данным как посягательство на свою территорию ответственности, большинство из них рады передать дилемму данных кому-то другому, – указал аналитик, вице-президент Gartner по исследованиям Эндрю Уайт. – У них просто не остается времени на то, чтобы оптимизировать структуру данных. Таким образом, роль директора по данным получает легитимный статус».

Более двух третей директоров по данным, принимавших участие в опросе Gartner, сообщили, что к зоне их ответственности относятся качество данных, манипуляции над данными, управление основными данными, а также информационная стратегия, наука о данных и бизнес-анализ. Но директора по данным не должны разбрасываться. «Директор по данным, приносящий бизнесу дополнительные ценности, не отвечает за управление данными, – подчеркнул Уайт. – Эти вопросы отдаются на откуп технологам. Директору по данным следует сконцентрировать внимание на стратегии, выборе приоритетов и бизнес-сценариях. Он действует от имени других руководителей бизнеса. Иногда обстоятельства складываются так, что некоторые директора по данным вынуждены заниматься и управлением данными. Причем, по их же собственному свидетельству, особого прогресса они здесь не добиваются, увязая в спорах о технологиях».

Директор по данным против главного аналитика

«Несмотря на то что директор по данным и главный аналитик – это две разные роли, поручить их следует одному человеку, – считает партнер кадрового агентства BrainWorks Гай Гомис. – Лучшие специалисты сочетают в себе две эти роли. Большинство высококласных специалистов в области анализа хотят вырабатывать стратегию данных, назначать порядок работы компании с данными и владеть средствами анализа. Конечно, в этом есть определенный смысл. Извлечение из данных ценностей зависит именно от анализа, и он очень важен. Вместе с тем вам понадобятся продуманная стратегия данных и хорошее управление данными, иначе качественных данных для анализа вы просто не получите. Таким образом, лучше всего иметь в организации директора по стратегии данных и анализу, который будет заниматься как данными, так и анализом, поддерживая тесные взаимоотношения с ИТ-директором».

Кому должен подчиняться директор по данным?

Гомис полагает, что директор по данным должен подчиняться генеральному директору или директору по операциям и стоять на одной ступени с ИТ-директором и директором по маркетингу. Однако опрос, проведенный Gartner, выявил, что в большинстве компаний дело обстоит не так. Только 40% респондентов подчиняются генеральному директору или директору по операциям. В подчинении ИТ-директора находятся 16%, а 11% подчиняются старшему вице-президенту либо вице-президенту, не входящему в состав высшего руководства. Финансовому директору подчинены 5%, а начальниками остальных являются различные руководители технических подразделений.

Скриффиньяно, подчиняющийся непосредственно генеральному директору Dun & Bradstreet, считает, что однозначного ответа на вопрос, кому должен подчиняться директор по данным, не существует. «Я видел, что функции директора по данным выполняют в финансовой и ИТ-службе, в маркетинговом и научно-исследовательском подразделении и даже в отделе разработки продуктов, – признался он. – Иногда эта новая должность учреждается человеком, перегруженным собственными обязанностями, и возникает в подразделении, которым руководит ее создатель. Однако из этого не следует, что директор по данным должен непременно оставаться в указанном подразделении».

Какие качества должны быть присущи директору по данным?

Какими же навыками должен обладать директор по данным? «Сейчас у 70% имеется математическое образование, а у 30% – инженерное, – сообщил партнер кадрового агентства SPMB Майк Дунан. – Думаю, что в дальнейшем инженерное образование будет у 70%, потому что математики часто любят экспериментировать и отстаивать свою точку зрения на данные, вместо того чтобы создавать инфраструктуру для правильного использования данных и оказания бизнесу помощи в принятии решений».

Гомис заметил, что ему доводилось встречать и директоров по данным с маркетинговой подготовкой. Некоторые из них имеют степень MBA и никогда раньше не занимались анализом данных. «Большинство из них потерпели неудачу, – признал он. – Но в компаниях их навыки считались важнее навыков аналитиков».

Отрицательную роль играют неверные ожидания, обусловленные стереотипами, присущими многим директорам по данным. «Глядя на тех, кто занимал должность директора по данным и главного аналитика в последние три года, можно заметить, что текучесть кадров здесь довольно велика, – указал Гомис. – А после разговора с ними и их бывшими работодателями мы приходим к выводу, что ожидания компаний и кандидатов не совпадали».

Зачастую проблема нереалистичных ожиданий исходит от работодателя. «Главная ошибка руководства организаций заключается в том, что, закрыв вакансию, они уже считают проблему решенной, – пояснил Джастин Черилли, возглавляющий направление данных и анализа в консультационной компании Russell Reynolds Associates. – На самом деле, приняв человека на работу, вы только приступаете к устранению назревших проблем. Начинают возникать вопросы: кто у нас работает, что представляют собой наши процессы, как нужно изменить нашу культуру. Генеральный директор требует от директора по данным изменить все, но при этом не желает менять привычный порядок работы».

Вакансии директора по данным

Должность директора по данным востребована в самых разных отраслях, включая розничную торговлю, средства массовой информации, сферу финансовых услуг, высшего образования и государственного управления.

Из требований, предъявляемых к директору по данным, мы видим, что к зоне его ответственности относится представление данных в качестве важной составляющей стратегии роста, определение политик доступа к стратегическим данным, разработка и реализация централизованной стратегии данных для увеличения доходов, контроль за управлением данными, инвестиции в данные и организация соответствующего партнерства, а также выработка стратегии совместно с представителями высшего руководства.

Компании ищут высокомотивированных и квалифицированных новаторов, которые уже достигли ощутимых результатов и обладают опытом руководства подразделениями анализа и управления данными в течение семи и более лет.

– Minda Zetlin. What is a chief data officer? A leader who creates business value from data. CIO. 2017

28 марта на форуме Big Data 2018 мы объявили об учреждении премии CDO Award. Она будет присуждаться директорам по данным – тем, чья служба «на первый взгляд, как будто не видна», однако приобретает все большую значимость в условиях цифровизации экономики. На протяжении ближайшего года на портале CIO.ru мы намерены активно освещать успехи компаний по построению бизнеса, основанного на данных, анализировать их опыт и вместе с экспертным советом выбирать лучших. Целью этой премии является не только рассказ об опыте компаний, но и популяризация образа CDO как ключевой фигуры реализованных проектов. Желающие рассказать о себе могут заявить о своих амбициях по адресу cio@osp.ru.

Зарождение профессии Chief Data Officer тесно связано с осознанием компаниями ценности данных, которые постепенно превратились в актив компании, и этим активом надо управлять. Более того, их важность достигла уровня, достойного ранга директора. И уж если данные признаются «новой нефтью», то нужно строить инфраструктуру для их добычи и сбора, а также заводы для их перегонки. За это и отвечают нынешние директора по данным, и в тех случаях, когда бизнес компании критически сильно зависит от данных, они способны стать весомой фигурой в корпоративной иерархии.

Конечно, роль CDO сильно зависит от типа компании и исторически сложившихся факторов. Зачастую речь идет о гибридных ролях, связанных не только с построением хранилищ, обеспечением доступности и качества данных, но и аналитическими задачами. Например, в Gartner отмечают миграцию обязанностей CDO в сторону директора по аналитике. CDO нового поколения становятся более бизнес-ориентированными, чем классические директора по данным, решавшие скорее инфраструктурные задачи. Такие «CDO 2.0» действительно способны играть в современной компании важную роль, иногда становясь серыми кардиналами.

Как подчеркнул Азат Шамсутдинов, директор направления машинного обучения и искусственного интеллекта компании North.AI, в ходе круглого стола «Chief Dаta Officer – в авангарде цифровой трансформации?», когда компании принимают решение всерьез заняться данными и намерены пригласить CDO, они на самом деле хотят получить прибыль. Проблема в том, что людей с требуемыми знаниями – не только техническими, но и экономическими – на рынке очень немного. Очевидно, что при такой постановке вопроса CDO должен подчиняться напрямую первому лицу компании. Однако на практике чаще он находится между ИТ и финансовым департаментом, причем иногда у этих подразделений начинается борьба за контроль над данными.

По мнению Анджея Аршавского, директора центра анализа данных и математического моделирования НЛМК, реальное место CDO в компании определяется тем, как в ней распределены основные потребители данных: важно сбалансировать их интересы. Более того, CDO – это стратег, он должен оценивать не только текущее состояние данных и потребность в них, но и смотреть на перспективу. Картина потребления данных через несколько лет вполне может измениться, особенно с учетом появления систем искусственного интеллекта.

А каким вы видите CDO настоящего и будущего? Какими должны быть его компетенции и сфера ответственности? Наконец, какова его «команда мечты»? Мы открыты для диалога и ждем ваших историй по адресу cio@osp.ru.