Статьи

При построении коммуникаций с клиентом бывает важно учитывать не только историю операций и взаимодействий с ним, но и другие индивидуальные особенности. В «Сбере» реализовали сквозную аналитику для формирования персонализированных коммуникаций, включив в нее сегментацию по психометрии клиентов. О реализации проекта рассказывает Ирина Фадеева, управляющий директор отдела развития и продаж продуктов глобальных рынков розничным клиентам «Сбера» и номинант на Data Award.

- Как возникла идея связать психотипирование клиента с персональными коммуникациями?

Мы понимаем, что ускорение развития технологий и переход бизнеса в цифровое пространство сильно перегружает человека, заставляет его сильно фильтровать входящий поток информации, развивает «слепоту» к несвоевременной, сложной, непонятной информации.

Еще в 2020 году в Accenture констатировали, что 75% потребителей с большей вероятностью будут покупать у того, кто узнает клиента по имени, рекомендует варианты, основанные на прошлых предпочтениях, знает историю покупок. Но в мире информации мало быть своевременным и ненавязчивым.

Особенности способов коммуникации, восприятия, взаимодействия, принятия решений, стимулирующие факторы для каждого из нас разные. На основании этого логичным подходом является обогащение имеющихся знаний о клиентах данными о его склонностях к потреблению контента в определенном виде. Имея такие знания, возможно адаптировать креативы – например, картинки и тексты – под особенности каждого психотипа.

В Центре исследования данных и персонализации Лаборатории нейронаук и поведения человека в «Сбере» уже была такая разметка, поэтому мы обогатили продуктовые данные новыми знаниями для получения более глубокого анализа цифрового профиля клиента в наших продуктах.

- В чем особенность решаемой задачи?

Мы исследуем особенности восприятия коммуникаций отдельных групп клиентов на основании данных по полу, поколению, психометрии, доходу, поведению в продукте с целью улучшения клиентского опыта, снижения рекламной нагрузки и персонализации продуктового

- Почему это важно для бизнеса «Сбера»?

Текущая стратегия банка предполагает человекоцентричный подход к развитию отношений с клиентом, а персонализированные коммуникации – одна из составляющих такого подхода. Чем больше инструментов применяется для выявления истинных предпочтений клиентов, тем лучше мы будем слышать и понимать клиентов, тем прочнее будут отношения между нами.

- Какие цели были поставлены перед проектом, какие принципы пытались соблюсти?

В первую очередь, мы рассчитывали на увеличение показателей конверсии коммуникаций и рост удовлетворенности клиентов, а также рост финансовых показателей – дохода и оборота. Из принципов выделить можно несколько: простота восприятия, понятность информации, своевременность подачи информации.

- Какие данные используются?

Для сбора статистики по эффективности коммуникаций используются витрины коммуникаций, витрины нейролаборатории «Сбера», витрины по операциям с металлами и валютами, а также витрина с набором банковских параметров клиента.

- Какой математический аппарат применяется?

Каждая кампания запускается в формате A/B-теста, для подведения итогов которого используется расчет t-статистики Стьюдента для случая биномиального распределения. При уровне значимости 95% принимаются решения о результатах проводимых пилотов.

- Как вообще банк может определить психотип клиента?

Команда банка на основе данных ряда психометрических тестов и разработанных эвристик построила серию ML-моделей, которыми разметила активную базу клиентов «Сбера».

- Какими силами реализовывался проект?

Созданный инструментарий – это результат слаженной работы нескольких команд. Над проектом работал отдел развития продаж продуктов глобальных рынков – команда Digital Sales & Communications, команда аналитики Retail FX/PM и Лаборатория нейронаук и поведения человека.

- Что представляет собой созданное решение, кто его основные пользователи?

Для визуализации результатов запусков коммуникаций был построен дашборд в Qlik Sense. Он представляет собой набор различных графических визуализаций. Для фильтрации результатов есть возможность выбрать тип коммуникации – пуш, смс, баннер и т.д., – пол, поколение клиента. Для каждой отдельной кампании или набора кампаний можно получить круговую диаграмму распределения доходов от кампании по психотипам, горизонтальную гистограмму распределения доходов по поколениям в разрезе полов, вертикальную гистограмму распределения эффектов от кампании по клиентам в разрезе уровня доходов клиентов, вертикальную гистограмму распределения эффектов от кампании по клиентам в разрезе уровня объемов пассивных средств у клиентов.

Этот дашборд позволяет следить за эффективностью направляемых на клиентов коммуникаций и отслеживать, на каких именно клиентов лучше влияет та или иная кампания.

- Пытались ли оценить эффекты в финансовом выражении?

Персонализированные коммуникации по сегментам, психотипам клиентов суммарно позволили нам значимо увеличить средний отклик клиентов в активных коммуникациях на 15%. В пассивных коммуникациях удалось вырастить коэффициент конверсии на 20%.

- В каком направлении будет развиваться проект?

Сейчас мы интегрируем аналитику в процессы написания текстов и разработку имиджей, а также переложили полученные знания о клиентах в построение персонализированных маркетинговых кампаний.

Эксперты «СберАналитики» создали аналитическое решение для комплексной оценки внутреннего туризма в России. Панель «Туризм» – информационно-аналитическая панель для анализа ключевых индикаторов состояния туристической отрасли в регионах России. Это первый на рынке продукт, разработанный специально под нужды государственных и региональных властей. Он позволяет выявлять целевые туристические аудитории и потребительские предпочтения, оценивать эффективность мер по развитию туризма, выявлять точки роста для развития инфраструктуры, оптимизировать стратегию развития туристической отрасли, получать обратную связь от туристов на основе онлайн-опросов и др. О развитии панели «Туризм» и ее роли в развитии региональных инициатив в сфере гостеприимства рассказывает Денис Козицкий, директор по развитию ИТ и инновациям ООО «ТОТ» (бренд «СберАналитика») и номинант на премию Data Award.

- Что происходит в туристической отрасли, какие вызовы перед ней стоят?

По нашему исследованию туристический поток в 2023 году увеличился на 28,6%. Всего было совершено 153 млн туристических поездок, где туристы потратили 1,8 трлн руб. И эти показатели будут увеличиваться в ближайшие несколько лет.

В ситуации кратного роста интереса к внутреннему туризму перед регионами России стоит задача повышения конкурентоспособности туристических продуктов. Критически важным оказывается правильная настройка стратегии развития с опорой на потребности реальных гостей регионов. Но как понять, кто и когда приезжает? Какие локации наиболее популярны? На что тратит деньги турист? На все эти вопросы можно ответить с помощью больших данных.

Важно понимать, что развитие внутреннего туризма – одна из приоритетных национальных целей нашей страны. По оценкам президиума Госсовета РФ, каждый рубль, вложенный в туристическую индустрию, дает 2-3 руб. в смежных отраслях. И бороться есть за что – сфера туризма составляет 3% ВВП России по данным Росстата.

- Два года назад «СберАналитика» участвовала в Data Award 2022. Какие события в жизни компании вы можете выделить за прошедшее время?

За два года мы существенно расширились по многим направлениям: появились новые продукты и компетенции команды, появилось много новых партнеров. Хотелось бы отметить несколько основных направлений преобразований.

За последние годы мы расширили наш инструментарий работы с данными. Например, сейчас развиваем новое направление по количественным и качественным исследованиям, что позволяет нам дополнить большие данные некоторой эмоциональной составляющей – это особенно важно при исследовании туризма. Для нас важно, чтобы наши клиенты максимально эффективно использовали данные, поэтому мы стали предлагать нашим клиентам консалтинг на больших данных. Этот список можно продолжать и далее.

Активно развиваем наши партнерства с вузами (РЭУ им. Плеханова, СПбГУ, ВШЭ) в части обучения и развития специалистов в сфере больших данных. Считаем очень важным развивать образовательное направление и вкладываться в работу с молодыми специалистами. Так, для студентов был проведен курс по большим данным, а также ключевые работники «СберАналитики» стали наставниками студентов в части подготовки курсовых и выпускных работ. Ждем ребят к себе на работу в будущем.

Мы постоянно думаем над тем, как улучшить и обогатить наши данные, поэтому ищем партнерства с ключевыми поставщиками других видов больших данных на рынке. Для развития продуктов по чековой аналитике были налажены партнерства с крупными владельцами чековых данных, например, с «Первым ОФД» и Х5 Group. Данные поступают регулярно, и мы получаем более точную и достоверную аналитику для клиентов.

Также мы усиливаем внутренние требования к кибербезопасности и безопасности данных. Инфраструктуру и данные необходимо защищать, поэтому в «СберАналитике» внедряются новые решения кибербезопасности. Также прорабатываются внутренние процессы, благодаря которым мы можем соответствовать современным требованиям безопасности данных.

Наша команда активно занимается регистрацией интеллектуальной собственности, все новые продукты и решения «СберАналитики» включаются в Реестр российского ПО Минцифры и в Реестр программ для ЭВМ. Всего за 2022-2023 годы были включены в реестр 14 программ для ЭВМ и 13 в Реестр российского ПО. В настоящий момент новые разработки в рамках продуктов проходят процедуру патентования.

Наконец, отдельно отмечу работу с государственным сектором, в рамках которого мы разрабатываем и продукт «Туризм». Считаем очень важным способствовать цифровизации государственного сектора и повышению качества данных для мониторинга развития регионов нашей страны.

- В чем фишка предлагаемого решения?

«Сбер» располагает информацией о тратах более 108 млн россиян и 6 млн юридических лиц. Доля покрытия безналичных расчетов превышает 70%, что повышает полноту выборки и ее репрезентативность. Точность расчетов показателей обеспечивают собственные запатентованные алгоритмы обработки данных. На данный момент «СберАналитика» получила семь патентов, среди них алгоритмы для определения объема торговли в точках продаж, технологии способа обработки данных и подготовки структур данных для просмотра и визуализации, алгоритмы по определению плотности туристического потока. Таким образом, большие данные значительно обогащают существующие в туристической отрасли статистические источники, повышают точность, наглядность и скорость получения таких данных.

Подчеркну, что наши исследования проводятся на основе обезличенных и агрегированных данных о финансовом поведении клиентов банка. Персональная информация и любая информация, составляющая коммерческую тайну, не раскрывается. Помимо собственных данных, для анализа туристического потенциала мы привлекаем информацию из внешних источников, тем самым предоставляя сведения, закрывающие все потребности клиентов. Мониторинг всей туристической отрасли становится доступным региональным властям уже в течение недели после подписания договора.

- Какие технологические новшества появились в ваших решениях?

Среди важных изменений можно выделить несколько. Во-первых, автоматизирован расчет базисных и продуктовых витрин данных с учетом продуктовых требований (еженедельно и ежемесячно), витрины круглосуточно доступны аналитикам для работы. Во-вторых, базовые и продуктовые витрины рассчитываются автоматически с помощью планировщика задач на AirFlow, что позволяет освободить ресурс аналитиков от выполнения рутинных задач по обновлению витрин данных. Кроме того, внедрена система проверок полноты и точности данных как технических полей, так и бизнес-показателей, что дает заказчику максимально точную информацию.

Наконец, отмечу внедрение ИИ-функций и алгоритмов. Для панели с целью прогнозирования туристического потока стала использоваться модель SARIMA, которая объединяет четыре компоненты: авторегрессию (AR), позволяющую учесть влияние прошлых значений турпотока на будущие, интеграцию (I), позволяющую учесть стационарность временного ряда и скользящее среднее (MA), которое учитывает шум и случайные колебания в данных путем усреднения предыдущих ошибок прогнозов. Также она учитывает сезонные колебания (S) в данных, что является определяющей характеристикой туристических поездок.

Применение ИИ-модели позволяет с высокой точностью спрогнозировать основные характеристики туристической индустрии на несколько сезонов вперед. А возможность предсказания бюджетных эффектов от развития отрасли делает продукт уникальным на фоне конкурентов.

- И что получается в итоге?

Заказчик получает аналитику в максимально удобном формате – в режиме реального времени на информационной панели ему доступны более 50 показателей туристической отрасли региона в помесячной динамике с ретроспективой данных с 2019 года. Среди индикаторов – объем туристического и экскурсионного потока, география туристов, продолжительность поездки, лояльные категории туристов, социально-демографический обезличенный и финансовый обезличенный профиль туриста, поведение и потребительские предпочтения, оборот туристической отрасли и точки притяжения (где больше всего тратят). Каждый показатель можно рассматривать в разрезах по полу, возрасту или доходу, что дает возможность для региональных органов власти и бизнеса таргетировать и адаптировать свой продукт под портрет туриста и его потребительские привычки.

- Какие данные используются?

Для получения наиболее актуальных выводов оценка туристического потока проводится в несколько этапов. На первом этапе собираются данные из различных источников. На втором этапе среди населения выделяются туристы, на основе таких критериев, как активность, домашний регион или поездка. Затем формируются профили туристов: социально-демографические и финансовые данные. На четвертом этапе выделяется до 50 категорий обезличенных и агрегированных трат туристов. На последнем этапе проводится экспертная дооценка.

- Два года назад вы говорили о 19 регионах России, пользующихся вашими сервисами. Как изменилась эта цифра?

К панелям «Туризм» и «Мониторинг экономики региона» на сегодняшний день присоединились уже 44 региона. Каждый год мы развиваем партнерства с новыми регионами и городами нашей страны.

- Какие факторы сдерживают их интерес? И вообще, насколько готова туристическая отрасль быть data-driven?

Потенциал рынка больших данных для туристической отрасли сейчас огромен. Во-первых, национальный проект «Туризм и индустрия гостеприимства» и существенные бюджетные инвестиции в туристическую инфраструктуру создают новые запросы на качество данных о развитии туристической отрасли в регионах России. Во-вторых, растет конкуренция на рынке больших данных для туризма. Разнообразные продукты в сфере больших данных для туристической отрасли предлагают сотовые операторы и онлайн-сервисы бронирования: конкуренция позволяет рынку в целом расти и лучше адаптироваться под нужды заказчика. Наконец, мы видим, что у регионов постоянно возникают запросы на новые метрики, что говорит о зрелости нашего заказчика по отношению к data-driven решениям. Например, возникают уникальные запросы на расчет гастротуризма или туристических маршрутов. В ответ на эти запросы мы оперативно дорабатываем свои продукты и дополняем их новыми модулями.

Если говорить про факторы, которые ограничивают интерес регионов к использованию наших сервисов, выделю необходимость сопоставления методологий получения данных из различных источников, в том числе из официальных. Этот вопрос уже не раз подсвечивался на разных публичных площадках, и в настоящий момент мы совместно с Советом Федерации, Минэкономразвития и Росстатом ищем возможности интеграции официальных источников с большими данными для уточнения индикаторов, которые используются в отчетах.

- Приведите примеры конкретных результатов использования туристической аналитики регионами.

Новгородская область десятилетиями привлекала туристов, но именно благодаря нашей аналитике удалось определить, что область уже перестала быть местом исключительно для однодневных экскурсионных поездок. Для дальнейшего развития и увеличения финансового потока региона требуются новые места размещения и досуга, которые откроют дополнительные возможности для бизнеса.

Подключение к панели «Туризм» в Ставрополье позволило выяснить точное количество гостей региона в разное время года. По итогам работ был утвержден перечень мероприятий отраслевой стратегии по комплексному инфраструктурному развитию городов-курортов региона Кавказские Минеральные Воды.

Наш продукт также получил высокую оценку у губернатора Смоленской области. Алексей Островский отметил, что для улучшения инвестиционного климата нужно понимать, какие инструменты актуальны и важны для предпринимателей. Данные «СберАналитики» как раз помогли увидеть зоны, которые важно проработать для увеличения инвестиционной привлекательности региона.

По нашим отчетам бизнес Нижнего Новгорода получил понимание, где и для кого создавать объекты для максимизации прибыли.

- Регионы не могут добыть подобные инсайты самостоятельно из других источников?

Ключевая проблема для оценки туристического потока на уровне муниципального образования – это отсутствие утвержденной на федеральном уровне методологии. При этом именно города – основные точки интереса туристов, в них сконцентрированы знаковые туристические аттракторы и инфраструктура. Так, к нам обратился комитет по развитию туризма города Казань с просьбой оценить портрет целевой аудитории и географию туристов. Благодаря аналитике получилось узнать долю туристического и экскурсионного потока, а также выявить основные регионы-потребители туристического продукта города. Сформированный портрет туриста стал основой для составления программы событийных мероприятий на 2024 год, а также учитывался при формировании маркетинговой стратегии продвижения на внешние рынки.

- Вероятно, регионы могут быть заинтересованы не только в шаблонных решениях…

В последнее время к нам все чаще поступают запросы на узкоспециализированные исследования – например, по вопросам медицинского, гастрономического, горнолыжного туризма, анализа событий, исследования маршрутов туристов. Например, совместно с АНО «Проектный офис по развитию туризма Москвы» мы реализовали два проекта, которые расширили представление о возможностях больших данных для оценки туризма.

Первый пример – выявление туристических маршрутов. К нам обратились с задачей комплексного анализа перемещений туристов по туристическим маршрутам, состоящим из нескольких регионов и городов. Команда «СберАналитики» оценила загруженность существующих маршрутов и выявила, что туристы из дальних регионов чаще остальных вместе с Москвой посещают культурную столицу – Санкт-Петербург, а туристы из соседних регионов совмещают вместе с Москвой регионы, которые удобно использовать как транзитные. По итогам работ были разработаны рекомендации создания новых маршрутов для туристов через Москву, а также на основании демографической аналитики была доработана маркетинговая кампания продвижения.

Второе исследование было посвящено оценке кулинарных предпочтений москвичей и туристов. Детализированные данные по тратам позволяют проверять гипотезы о пересечении потребительских интересов туристов и местных жителей. Так, например, туристы в 1,6 раза чаще, чем жители столицы, выбирают рестораны высокой ценовой категории, а еще чаще – в 2,5 раза – выбирают рестораны, отмеченные гидом Michelin.

Также большие данные дают возможность формировать уникальные выводы о корреляции между домашним регионом туриста и его кулинарных предпочтениях: туристы из Татарстана чаще всего обедали в Москве в ресторанах русской кухни, а гости из Башкирии выбирали места, где представлен выбор блюд на гриле. Подобные детализированные исследования позволяют максимально персонализировать и адаптировать туристический продукт под запросы конкретных пользователей.

- А как насчет возможностей обратной связи от туристов?

Кроме статистических данных, панель «Туризм» предоставляет возможность работы с онлайн-опросами аудитории для выявления эмоционального состояния, потребностей и планов населения. Так, мы уже сейчас можем сказать, что 60% наших респондентов планируют путешествия в 2024 году, причем 84% – по России, а наиболее популярным регионом для планирования путешествий остается Краснодарский край.

- В чем роль продуктов «СберАналитики» для развития туристического бизнеса?

Управленческие решения, основанные на больших данных, позволяют существенно повысить качество сервиса и минимизировать отрицательные эмоции туристов о поездке. Знания о потребителе позволяют открывать уникальные направления и разрабатывать новые маршруты, увеличивая приток финансовых средств в регион от туризма. Благодаря полученной с помощью панели «Туризм» информации, регионы адресно занялись развитием туристической инфраструктуры и мониторингом эффективности принимаемых мер.

Решения, основанные на оценках «СберАналитики», могут быть разными: от запуска дополнительных авиарейсов и строительства гостиниц до организации тематических фестивалей, от разработки новых маршрутов до развития сети Wi-Fi и современных остановочных пунктов. В итоге, турист будет отдыхать в тех условиях, на которые рассчитывает, и получать услуги по той цене, которую готов платить: пятизвездочные отели или доступные хостелы, рестораны высокой кухни или небольшие семейные кафе, новые развлекательные площадки или выставки. Таким образом, адаптация стратегий с использованием больших данных становится актуальным инструментом формирования качественных сервисов и повышения лояльности пользователей.

Туризм – это отрасль экономики, которая не только генерирует существенные доходы в бюджет страны, но и является основой для формирования локальной идентичности и новых местных брендов. Развитие внутреннего туризма позволит повысить уровень знаний граждан о разных частях нашей страны, создать рабочие места в малом и среднем бизнесе и укрепить социально-экономические связи регионов. Мы с уверенностью можем сказать, что Панель «Туризм» является драйвером развития внутреннего туризма и надежным партнером российских регионов для привлечения и удержания туристов.

Для сети АЗС «Газпромнефть» создана автоматически обновляемая база данных всего ИТ-оборудования, участвующего в бизнес-процессах сети автозаправочных станций. Цель проекта – повышение эффективности процесса инвентаризации оборудования, улучшение качества принятия управленческих решений на основе аналитики. О реализации проекта рассказывает Филипп Сильвестрович, специалист направления отраслевых решений «Газпромнефть-Центр» и номинант на премию Data Award.

- Для чего создавался проект?

Станции сети АЗС «Газпромнефть» располагаются в 50 регионах России, собирать данные обо всем оборудовании вручную – трудозатратная задача. Однако актуальная информация об оборудовании крайне необходима, в том числе для планирования его замены и расчета реальной стоимости использования.

- Почему это важно для компании?

Сеть АЗС «Газпромнефть» стремится улучшать качество сервиса для своих клиентов. Повышение эффективности управления инфраструктурой оборудования наших заправочных станций – часть этого процесса.

- Какой подход был выбран?

Команда создала функционал Автодискаверинга. Онлайн мы получаем все учетные данные об оборудовании (серийный номер и т.д.), отслеживаем перемещение оборудования между автозаправочными станциями и сервисной компанией, в реальном времени формируется актуальный список всего ИТ-оборудования.

- Что собой представляет созданное решение?

Это веб-приложения с данными в двух форматах: по отдельной АЗС и свод по выбранному пулу АЗС. Мы постарались объединить информацию по всему оборудованию. Также для каждого параметра фиксируются критически важные события. Благодаря интеграции с ITSM-системой происходит наполнение и актуализация информации по конфигурационным единицам CMDB (Configuration management database).

- На каких платформах и технологиях построена система?

Обработка данных — на российской интеграционной платформе Интернета вещей АggreGate, хранение – на Postgres Pro. Получение данных обеспечивается по протоколам MQTT, SNMP, используется инструмент Windows Management Instrumentation. Конечно, работаем с базами данных смежных систем, API подрядчиков.

- Что в построенной системе получилось особенно удачным?

Наполнение CMDB в ITSM-системе позволяет использовать актуальные конфигурационные единицы в ITSM-процессах: incident management и problem management, а также для расчета совокупной стоимости владения оборудованием. Предиктивная аналитика снижает возможные причины выхода оборудования из строя.

- Какие результаты достигнуты и ожидаются?

Созданное решение охватило более 14 тыс. единиц оборудования: автоматизированные рабочие места, сетевое оборудование, система управления, периферия. Они опрашиваются по 100 тыс. параметрам: модель устройства, серийный номер, версия прошивки, модель процессора, версия ОС, MAC-адрес и т.д. Система фиксирует около 4,7 тыс. изменений в месяц.

Уже достигнута экономия на проведении инвентаризаций, важную роль играет улучшение качества данных в учетных системах. Это напрямую влияет на скорость и качество принимаемых решений. Наконец, упрощаются процессы соблюдения стандартов и корпоративных политик.

- Каковы направления развития решения?

В планах улучшение качества и объема собираемых данных за счет автоматизации процессов: обнаружение новых устройств, контроль несанкционированных изменений. Развитие существующих и внедрение новых процессов IT service management для повышения качества ИТ-сервисов в компании и, как следствие, повышение качества услуг на АЗС для наших клиентов.

Ранняя диагностика заболеваний позволяет значительно повысить шанс на более быстрое выздоровление и сохранение качества жизни пациента. Решения на базе искусственного интеллекта способны помочь врачам как можно раньше диагностировать патологию, начать терапию на ранних стадиях и сократить расходы на лечение. Кроме того, за счет этого снижаются риски возможных врачебных ошибок, которые, по данным Минздрава, ежегодно становятся причиной около 70 тыс. осложнений.

билайн совместно с Сеченовским Университетом (Первый МГМУ им. И. М. Сеченова — Прим. ред.) создал цифровые медицинские продукты с использованием ИИ. Доступ к большим объемам медицинских данных вуза позволяет использовать их для обучения моделей искусственного интеллекта, разработанными командой MedAI билайна. О реализации таких проектов рассказывает Александр Арутюнян, руководитель по продуктам на основе ИИ для медицины «Вымпелком» и номинант на премию Data Award.

- Какова история участия билайна в медицинских проектах, и в каких медицинских направлениях вы работаете?

Мы принимаем участие в медицинских проектах с 2021 года, сотрудничая с одним из ведущих медицинских вузов страны – Сеченовским Университетом, а также работая в партнерстве с другими разработчиками искусственного интеллекта для здравоохранения. Более того, в феврале 2024 мы создали совместное предприятие с университетом – MедТех ИИ. Поэтому можно с уверенностью сказать, что наша команда наработала уже достаточно серьезный опыт в сфере медицинских исследований и разработок.

Сейчас мы продолжаем наши разработки в применении ИИ для помощи врачам в диагностике патологий тазобедренного сустава на снимках МРТ. Также мы активно работаем над задачами использования ИИ в области патоморфологии. На рынке пока предлагается не так много решений для этого вида диагностики, несмотря на то, что применение ИИ может существенно повысить качество гистологических исследований и снизить временные и ресурсные затраты специалистов.

Кроме этого, на нашей повестке – развитие направлений диагностики атрофического гастрита с помощью ИИ и дистанционный мониторинг пациентов, которые мы считаем очень важными и нужными как для самого пациента, так и для развития здравоохранения в целом.

- Каких целей пытается добиться компания? Это коммерческая или социальная история?

Наша цель – разработка ИИ-решений в медицине, которые помогут улучшить качество и доступность медицинских услуг за счет повышения скорости и эффективности диагностических исследований. Известно, что ранняя диагностика заболевания имеет важное значение для сохранения здоровья и жизни пациента, а в масштабах страны – здоровья значительного количества ее граждан, снижая при этом стоимость лечения, затраты для медучреждений и системы здравоохранения. То есть, здесь речь идет об экономическом эффекте от внедрения ИИ технологий в медицинскую практику.

С другой стороны, ИИ сокращает, например, время анализа снимка и подсчета морфологических параметров, помогая специалистам при постановке диагноза. Рутинные задачи передаем современным ИИ системам и получаем сервис «второго мнения», который способен вывести работу врачей на новый уровень.

Ну и, наконец, многим знакома ситуация, когда приходилось долго ожидать результатов биопсии, на основе которых будет поставлен диагноз. И без преувеличения можно сказать, что это один из самых тяжелых опытов, через который проходит человек – в течение 10 или даже более дней ожидать заключение диагностики. ИИ может существенно ускорить анализ, а значит сократит время ожидания результатов для пациента.

Поэтому, отвечая на вопрос, можем сказать, что это и коммерческая, и социальная, и «человеческая» история.

- Какие принципы пытаетесь соблюдать, каковы требования к создаваемым решениям?

В разработке наших ИИ решений для медицины мы придерживаемся нескольких важных принципов. Главный из них – решения должны быть высокоточными и надежными, чтобы использоваться для помощи в диагностике и лечении. Нам важно валидировать результат работы искусственного интеллекта на разных исследованиях для подтверждения точности моделей. Валидация моделей происходит следующим образом: мы проверяем работу моделей вместе с профильными специалистами, при возможности сопоставляем с клиническими данными.

Еще один важный принцип – решения должны повышать эффективность медицинских организаций, сокращая временные и финансовые затраты, и кроме этого подходить для решения широкого круга задач. Кроме того, важно соблюдать удобство для пользователя: решения должны быть интуитивно понятными и удобными в использовании для врачей и пациентов.

Наконец, этичность и безопасность. Решения должны соответствовать этическим нормам, поэтому вне зависимости от результата работы ИИ, диагноз ставит квалифицированный специалист. Кроме того, с учетом чувствительности информации о состоянии здоровья, должна обеспечиваться конфиденциальность данных пациентов и высокий уровень их защиты.

- В чем заключаются основные проблемы в ходе реализации проектов? Как их решаете?

Лучше назовем их вызовами. Во-первых, это доступ к данным. Для разработки эффективных решений нужны высококачественные медицинские данные. Сеченовский Университет обладает большими массивами накопленных данных со снимков МРТ и анализов гистологических препаратов. Вместе со специалистами университета мы создаем размеченные датасеты, которые служат основой для обучения и совершенствования наших алгоритмов ИИ. Для разработки решений используются данные пациентов, которые согласились на соответствующую обработку данных.

Во-вторых, нужна экспертиза в области здравоохранения. Для разработки моделей необходимы глубокие знания в области медицины. Безусловно, эксперты университета дают нам ценные сведения о медицинских практиках, диагнозах и методах лечения. Разработчики и специалисты по работе с данными из нашей команды совместно с коллегами-врачами анализируют и размечают большое количество диагностических исследований.

Приведу пример из жизни, как синергия команд билайна и Сеченовского Университета работает в фокусных областях медицины для создания качественных алгоритмов. Для тренировки модели на распознание структур в гистологическом снимке желудка мы разбирали разницу между бокаловидными клетками желудка и скоплений муцина (который является структурным компонентом слизи) – они очень похожи, выглядят как белое пятно внутри железы, но бокаловидные клетки являются признаком патологии, а муцин – часть здоровой железы.

В гистологических исследованиях почки нужно было научиться различать внешне похожие здоровые и онкологические клетки. Более того, клетки не всегда выглядят как в учебнике, и часто встречаются переходные варианты. С экспертизой врачей мы не только научились различать их, но и разрабатываем точную классификацию для разметки ядер клеток почки.

Резюмируя, можно сказать, что разложить клетки, ткани, или органы на объекты для обучения моделей – очень непростая задача. Но наши разработчики вместе со специалистами Сеченовского Университета вполне успешно справляются с ней.

- Приведите примеры нескольких показательных проектов. Чем они интересны?

Хочу привести примеры, как использование ИИ технологий билайна может помочь выявлять вероятность различных заболевания на ранней стадии, существенно повышая шансы на более быстрое выздоровление.

Первый из них – анализ гистологических исследований почки для определения паттернов фиброза и воспаления. Трансплантация органов – порой единственный способ спасти жизнь пациента и значительно улучшить ее качество. Но трансплантация органа представляет собой очень сложный процесс. Часто он сопряжен с различными осложнениями, в том числе фиброзом тканей и воспалениями, которые сигнализируют об отторжении органа. Технологии компьютерного зрения позволяют сегментировать исследуемую ткань и определять паттерны фиброза и воспаления. Своевременное выявление фиброза и воспаления дает возможность принять меры по предотвращению прогрессирования заболевания и сохранению функции трансплантированной почки. Например, может быть проведена коррекции иммунных терапий, что предотвратит отторжение трансплантата.

Еще один пример – анализ гистологических исследований почки для определения ядрышковой градации (опухолевых клеток). С помощью технологий компьютерного зрения сегментируются ядра клеток и определяются потенциально опухолевые клетки на всем снимке. Раннее обнаружение онкологического заболевания повышает шансы на успешное лечение и увеличивает выживаемость пациентов. Начатая на ранней стадии терапия может предотвратить распространение опухолевых клеток и снизить необходимость радикальных хирургических вмешательств.

- Каких успехов удалось достичь?

Мы создали ИИ-решение для анализа гистологических препаратов почки для определения потенциально опухолевых клеток. Программа разработана для автоматизации определения с помощью ИИ классификации ядер клеток почки в рамках существующей классификации ВОЗ. Модель рассчитывает относительную плотность ядер опухолевых клеток различных типов и предоставляет эту информацию для анализа врачу. Результаты работы программы выражены в форме горячих карт и новых гистологических биомаркеров, обладающих прогностической ценностью.

Разработали ИИ-решение для анализа гистологических препаратов почки для определения вероятности паттернов фиброза и воспаления. ИИ помогает стандартизировать исследования и количественно оценить морфологические характеристики, улучшив воспроизводимость в клинической практике. Наш подход помогает отличить пограничные изменения от отторжения. ИИ-модель глубокого обучения продемонстрировала высокую точность предсказания клинических баллов по классификации Баннфа, что делает ее перспективным инструментом помощи для патологоанатомов.

- В чем роль медицинских проектов для билайна?

Медицинские проекты являются одним из важных направлений для нашей команды MedTech, которая занимается разработками в сфере здравоохранения, и важны для билайна в целом. Создавая такие решения, мы используем наши технологические возможности и ИИ экспертизу для улучшения качества жизни. Наконец, билайн – коммерческая компания, и такие проекты открывают нам возможности для коммерческого роста и новые области для бизнеса.

- Каковы направления развития медицинских инициатив в билайне?

Направления развития наших медицинских инициатив включают разработку, интеграцию и внедрение моделей ИИ в лабораторные и медицинские системы, а также развитие направления дистанционного мониторинга пациентов с использованием речевых технологий. Для этого мы будем расширять сотрудничество с медицинскими учреждениями и научным сообществом.

С точки зрения лабораторных систем важное для нас направление развития – патоморфология атрофического гастрита, который в последние десятилетия стал очень распространенным заболеванием. Своевременная диагностика, включая гистологическое исследование биопсийных образцов слизистой оболочки желудка, играет одну из ключевых ролей в выявлении и оценке степени атрофии. Мы разрабатываем алгоритмы машинного обучения, которые позволят определять вероятность и классифицировать изменения тканей с высокой точностью. Регулярный мониторинг состояния слизистой оболочки желудка позволяет врачам выявлять и контролировать прогрессирование заболевания, что существенно снижает риск развития его осложнений, включая рак желудка.

Что касается дистанционного мониторинга, то мы разрабатываем мониторинг с использованием речевых технологий, который будет обеспечивать эффективное и удобное взаимодействие между пациентами и врачами, а также позволит оперативно реагировать на изменения в здоровье пациентов. Речевые технологии также могут применяться для мониторинга побочных эффектов лекарственной терапии и, соответственно, быстрой коррекции. Дистанционный мониторинг актуален в онкологии, диабетологии, во время реабилитации после операций. В целом, дистанционный мониторинг с использованием речевых технологий представляет собой инструмент для обеспечения качественного медицинского ухода, повышения качества сервиса для пациентов и оптимизации ресурсов здравоохранения.

- Что нужно для развития ИИ-проектов в медицине? Какие шаги необходимы со стороны бизнеса, государства и научного сообщества?

Развитие ИИ-проектов в медицине требует комплексного подхода, объединения усилий со стороны бизнеса, государства и научного сообщества. Со стороны бизнеса необходимы инвестиции в исследования и разработки решений ИИ, которые способны помочь врачам эффективно и своевременно решать сложные медицинские задачи и отвечают реальным потребностям пациентов и системы здравоохранения.

Со стороны государства важно создание гибкой регуляторной среды, которая сможет обеспечить баланс между инновациями и частной жизнью пациентов. В то же время государство может выделять средства на исследования и разработки ИИ в медицине, поддерживая академические учреждения и исследовательские лаборатории. И конечно, необходимы кампании по повышению осведомленности людей о возможностях и преимуществах технологий ИИ в здравоохранении.

Научное сообщество может помочь с профильной экспертизой для разработки новых методов и алгоритмов ИИ, которые будут решать медицинские задачи. Это будет способствовать внедрению ИИ в практику здравоохранения, обеспечивая научное обоснование, данные для датасетов и поддержку для принятия решений.

По нашему мнению, только совместные усилия бизнеса, государства и научного сообщества могут ускорить развитие и внедрение ИИ-проектов в медицине, улучшая результаты для пациентов, повышая эффективность системы здравоохранения и открывая новые возможности для медицинских исследований и инноваций.

В «Северстали» разработали «Автотемп 2.0» – программный комплекс по оптимизации графика посада и управлению темпом прокатки и выдачей слябов из печей на основе моделей машинного обучения. Решение внедрено на стане 2000 Череповецкого металлургического комбината – одном из самых производительных станов горячей прокатки в России. За первые восемь месяцев работы решения экономический эффект составил 72,6 млн руб. О реализации проекта рассказывает Светлана Потапова, руководитель кластера «Искусственный интеллект» «Северстали» («Северсталь Диджитал») и номинант на премию Data Award.

- Что собой представляют процессы управления станом 2000, в чем заключалась проблема, почему это важно?

На стан 2000 со склада слябов поступают стальные заготовки – слябы –различных геометрических параметров и марок. Их подают в нагревательные печи в определенной последовательности, в соответствии с графиком прокатки, составленным по определенным правилам. В печах производится нагрев слябов – в среднем от двух до четырех часов, – затем они по очереди поступают в черновые и чистовые клети для дальнейшего обжатия до нужной толщины. После этого раскатанный металл сматывается в рулоны и транспортируется на следующие переделы. И именно печи являются ключевой точкой, определяющей производительность всего прокатного стана.

Проблема заключалась в том, что операторы вручную высчитывали и задавали темп прокатки. Назначение слишком медленного темпа прокатки приводит к тому, что слябы не успевает забирать чистовая группа клетей, и происходит остановка выдачи металла из печей. А если выдавать слябы из печей с темпом медленнее необходимого, увеличенные паузы приводят к потере производительности стана. Ошибка в темпе прокатки может привести к возврату слябов, снятию их с прокатки, столкновению хвоста предыдущей полосы и головы следующей, отсутствие готовности моталок и так далее – вплоть до поломки оборудования. Учитывая это, оператор выставлял темп всегда с небольшим запасом – но правильно ли он его высчитает? Нам было важно «оцифровать» этот процесс и снизить влияние человеческого фактора.

- Как задача решалась ранее?

С 2015 года на ЧерМК был внедрен комплекс «Автотемп», в который были заведены исторические значения машинного времени прокатки слябов и исторические паузы, сумма которых и образует темп прокатки. Они позволяли операторам стана ориентироваться в устанавливаемых значениях темпа. Но даже в этих условиях многое рассчитывалось вручную. Поэтому требовалась улучшенная версия, в которой все подсчеты выполнялись бы автоматически. В ситуации, когда мы боремся за каждый процент эффективности, мы не можем позволить себе непродуктивные паузы.

- Что представляет собой созданное решение?

Комплекс «Автотемп 2.0» включает в себя несколько компонентов: модель предсказания машинного времени прокатки сляба в чистовой группе клетей, алгоритм определения минимальной паузы между слябами, управление временем нагрева сляба в печи и оптимизация распределения необходимых пауз на очередность слябов. Решение позволяет рассчитать оптимальное время и отправить сигнал на выдачу слябов из нагревательных печей стана. Согласование графика выдачи с темпом прокатки металла позволяет осуществлять безопасную автоматическую выдачу из печей. Решение обрабатывает поступающую информацию по текущему состоянию печи, времени выдачи слябов, положению каждого из слябов, времени прокатки слябов и всем возникающим задержкам и ежесекундно пересчитывает свой прогноз.

- Какие данные собирали для обучения модели? Какие объемы потребовались?

В основе решения «Автотемп 2.0», наряду с большим количеством учтенных технологических ограничений, лежит модель машинного обучения с использованием алгоритма градиентного бустинга, с высокой точностью предсказывающая время прокатки металла в стане. Она учитывает такие параметры, как длина и ширина сляба, толщина готового продукта, температура конца прокатки, марку стали, назначение металла, класс прочности и многие другие. При этом был использован массив данных за два года. Для оптимизации посада слябов используется жадный алгоритм поиска, выбирающий печь для следующего посада сляба. Ровный ход печей, с равномерным нагревом по зонам, осуществляется благодаря применению алгоритма квадратичной оптимизации.

- Какими силами и в какие сроки реализован проект?

«Автотемп 2.0», как и все наши решения, разрабатывался в тесной связке с производством. В процессе разработки и при внедрении решения была задействована большая команда. В нее входили, помимо специалистов «Северсталь Диджитал», эксперты из производства плоского проката Череповецкого металлургического комбината, сотрудники АСУТП и другие сотрудники ИТ-команды. Разработка решения вместе тестированием заняла порядка полутора лет. В промышленную эксплуатацию комплекс запустили в третьем квартале 2022 года.

- С какими другими решениями осуществляется взаимодействие?

Для увеличения производительности участка печей решение объединено с конфигуратором посада слябов, оптимизационной моделью по выбору следующей к посаду печи. Кроме того, решение интегрировано с моделью нагрева металла. Зная расчетное время выдачи из печей, модель оценивает время нахождения каждого из слябов в нагревательной печи, что позволяет корректировать ее параметры и повышает энергоэффективность участка и качество нагрева сляба.

- Что в ходе проекта было самым сложным, как решались эти проблемы?

Отдельным вызовом было тестирование решения на одном из ключевых агрегатов комбината, где каждый час простоя приносит миллионы убытков. С ростом сложности решения усложняется и поиск возможных ошибок и недочетов. Для начального тестирования решения и наладки логики работы выдачи с печей наша большая команда экспертов разработала цифровую имитационную модель участка нагревательных печей. В ней можно произвести симуляцию выдачи слябов из печей и проигрывание различных сценариев работы стана 2000: отсутствие готовности печи к выдаче, выдача из печи раньше назначенного времени, выдачи из печи позже назначенного времени и прочие.

- Какие результаты достигнуты?

Решение полностью управляет выдачей сляба, за счет чего исключается человеческий фактор и снижается вероятность незапланированных простоев одного из ключевых агрегатов предприятия. За первые восемь месяцев работы решения экономия времени прокатки за счет оптимизации пауз составила 55 часов, что позволило дополнительно произвести более 50 тыс. тонн металлопроката. Экономический эффект составил 72,6 млн руб. Среднюю паузу при прокатке удалось снизить на 1 секунду на сляб.

- Как это соотносится с ожиданиями?

Этот результат соответствует нашим ожиданиям. Стоит отметить, что даже на этапе первой версии решения, которая появилась в 2015 году, задача управления темпом прокатки уже так или иначе была решена. С помощью машинного обучения мы исправили существовавшие недостатки и дополнительно оптимизировали технологический процесс – нам важна каждая секунда.

- Чем этот проект важен для компании?

Для компании высокая производительность стана 2000 – это возможность произвести для большего количества клиентов горячекатаный прокат с лучшими качественными характеристиками, а значит и получить дополнительный эффект на показатель EBITDA. Помимо финансовой составляющей, мы повышаем качество принимаемых решений за счет перехода на data-driven подход и достигаем значимых эффектов уже на начальной стадии внедрения решения.

- Что дальше? Каковы возможности для дальнейшего развития решения?

Сейчас мы ведем разработку модели компьютерного зрения для контроля наличия слябов на транспортере в процессе выдачи слябов из нагревательных печей стана 2000, что также влияет на сокращение паузы перед выдачей слябов.

«Промсвязьбанк» разработал и внедрил универсальную платформу для построения аналитических хранилищ данных – Единое Хранилище Данных (ЕХД ПСБ). Она реализована на импортозамещенном стеке технологий и вносит весомый вклад в технологический суверенитет банка. Накопленная экспертиза при реализации данного проекта может быть полезна и другим участникам банковского рынка, а также госкомпаниям – участникам директив импортозамещения.

Создание ЕХД ПСБ позволило, в числе прочего, решить такие важнейшие задачи, как централизация работы с данными, использование единых сквозных методологий расчета показателей, а также расширить число используемых внутренних и внешних источников данных. О реализации этого проекта и его роли для развития банка рассказывает Екатерина Варламова, директор департамента управления данными ПСБ и номинант на премию Data Award.

- Какие проблемы стояли перед банком, какую бизнес-задачу решали?

В рамках стратегии цифровой трансформации перед банком стояли не просто задачи, а настоящие вызовы с учетом значимых изменений контекста внешней среды. ПСБ является опорным банком для оборонно-промышленного комплекса – мы реализуем гособоронзаказ и сопровождаем госконтракты, а с введением санкций к нашей стране задача обеспечения технологического суверенитета стала особенно острой. Амбициозные цели ПСБ по развитию бизнеса и директивы импортозамещения требовали не просто повторить ранее разработанный функционал на российских технологиях, а дать качественный скачок в управлении и использовании данных во всех ключевых бизнес-процессах банка.

Здесь важно отметить, что помимо задачи по импортозамещению мы решали более масштабную задачу по созданию универсальной масштабируемой платформы для построения аналитических хранилищ данных.

- Почему это важно для банка?

В рамках бизнес-стратегии развития ПСБ еще в 2020 году была разработана и утверждена стратегия по управлению данными. Она содержит полный комплекс задач по работе с данными, в том числе: повышение качества данных, их унификацию, обеспечение целостности и доступности данных, контроль доступа и их защиту.

Проект направлен на обеспечение стратегических целей банка в части работы с данными. Для банка это поддержка статуса надежного и безопасного отраслевого банка страны, для клиентов — обеспечение высокого банковского сервиса как в коммерческом сегменте, так и для отраслевого направления ОПК. К этому направлению работ относится быстрая настройка сервисов, в том числе на сайте и в мобильных каналах связи за счет оперативного реагирования на отклонения в приложениях. Наконец, для государства важна поддержка госорганов необходимыми аналитическими данными.

- Какой подход был выбран?

При выборе подхода мы придерживались нескольких базовых принципов, и первый из них – это 100% технологический суверенитет. Во-вторых, платформа должна быть надежна и масштабируема. В-третьих, новая платформа должна быть позволить бизнесу быстрее, а главное – дешевле использовать данные в принятии управленческих решений.

ЕХД ПСБ – универсальная платформа для построения аналитических хранилищ данных, она может быть использована как самостоятельное решение, в организациях любого масштаба и любой отрасли для построения хранилищ данных. Она уже зарегистрирована в едином реестре российских программ Минцифры.

При проектировании системы приоритетный выбор был отдан российским технологиям. Очевидно, что отдельные архитектурные решения и гипотезы требовали прототипирования и пилотирования, так как у банка стояли высокие требования к надежности и производительности решения. И здесь российские решения, включая Arenadata DB, в рамках сравнительных тестов производительности, показали результаты, сопоставимые с лучшими мировыми аналогами, что стало приятным открытием для наших специалистов.

- Что представляет собой созданная система, какие данные она охватывает?

Платформа ПСБ ЕХД аккумулирует данные из более чем 20 информационных систем банка, а также более 50 внешних источников данных. Она создана на основе российских технологий и открытого ПО, что обеспечивает полный технологический суверенитет.

Основными инструментами для создания ядра системы выступили продукты компании Arenadata: Arenadata DB и Arenadata Hadoop. Инструменты Kafka, AirFlow, NiFi и пр. легли в основу универсальной транспортной системы, входящей в ядро ПСБ ЕХД – PSB DataCollector.

- Что сделано в рамках реализации проекта?

Нами разработано качественно новое масштабируемое ядро системы хранения, обработки и поставки данных, отвечающее как директивам импортозамещения, так и требованиям информационной безопасности. Кроме того, оно обеспечивает поддержку растущих объемов бизнеса, вызванных объединением новых банковских структур и открытием новых отделений. ПСБ первым из системно значимых банков начал работать в Крыму и Севастополе, а также пока единственный федеральный банк в новых российских регионах.

Итеративное повышение качества данных за счет использования подхода совместных сводных проектных команд с бизнесом позволило получить первые значимые результаты уже в течении первых месяцев работы с данными.

Возможности ad-hoc анализа в задачах управления доходностью клиентов, привлечением и удержанием были предоставлены бизнес-пользователям в течение первых трех месяцев реализации проекта.

- Какие проблемы возникали в ходе реализации проекта? Что было самым сложным?

Как и весь рынок, с 2020 года мы столкнулись с такими масштабными вызовами, как пандемия коронавируса, затем – с санкциями в отношении нашей страны и банка, увеличение требований со стороны регулятора и усиление контроля за исполнением директив импортозамещения. Как одним из первопроходцев данной темы, нам пришлось столкнуться со множеством трудностей, но из них можно выделить наиболее сложные и интересные для решения.

Например, изменение ИТ-ландашфта банка параллельно с построением платформы аналитического хранилища данных потребовало постоянно учитывать как внутренние, так и внешние изменения связанных проектов. Также важно отметить, что это одно из первых крупных внедрений Arenadata DB, и нам приходилось совместно создавать и накапливать экспертизу. Благодаря общим усилиям нашего банка и вендора накоплен огромный практический опыт. И третье, что мы понимали уже на старте, – безопасность данных является основой такого решения, как корпоративное хранилище данных в текущих реалиях нашей страны.

- Как эти проблемы решали?

Принято считать, что изучение новых технологий для ИТ-специалистов является одним из сильных мотивирующих факторов. В нашем проекте мы получили его отражение в полном объеме, причем не только для ИТ, но фактически для всех вовлеченных в проект специалистов. Требовалось не только спроектировать новую архитектуру решения, но и ежедневно итерационно адаптировать ее под новые требования – как в части работы с отечественным ПО, операционными системами, оборудованием, так и параллельно изменяющимся ИТ-ландшафтом, ужесточением проверок и требований информационной безопасности, а также растущими требованиями бизнес-заказчиков, связанными с параллельным расширением бизнеса и регионов присутствия. Это реальный вызов для всей проектной команды, начиная от методологов бизнес-заказчиков и заканчивая специалистами сопровождения.

Первое, что мы сделали еще на старте проекта – договорились с информационной безопасностью банка о всестороннем сотрудничестве. Учитывая характер данных, которые поступают в хранилище, вовлечение ИБ-специалистов уже на стадии открытия проекта позволило отразить и учесть требования к надежности и сохранности данных на всех этапах его реализации.

Другой важный фактор – это люди, их компетенции и вовлеченность. В текущих реалиях на рынке просто нет готовых специалистов, которые уже внедряли бы российские разработки в таких масштабах. Поэтому мы сделали дополнительный акцент на привлечении в команду аналитиков и архитекторов не только из банковского сектора, но и телекома. Нас интересовали эксперты из кросс-функциональных предметных областей, имеющие опыт работы с различными СУБД и системами с разной нагрузкой, специалисты, имеющие опыт разработки коммерческих, а также полностью «закрытых» систем, «инфраструктурщиков» и «безопасников». Никто из нас не решал подобную комплексную задачу в системе столь «высокой неопределенности», поэтому поиск оптимально работающего решения задачи стал даже более важным мотивирующим и объединяющим фактором, чем директивы регулятора.

Также, совместно с вендором мы запустили работы по архитектурному надзору и всестороннему аудиту разрабатываемой системы. Мы организовали взаимодействие с внутренней командой и вендором таким образом, чтобы все понимали ключевые цели проекта и работали по сути единой командой на общий результат, несмотря на регулярные изменения контекста внешней среды. Это позволило постоянно адаптировать архитектуру целевого решения к изменениям, получая надежное и масштабируемое решение.

- Какие из первых результатов вы можете выделить?

Качество клиентских данных физических лиц «карточки клиента», используемых в аналитических задачах и операционных процессах банка, улучшено на 56%. Это достигнуто благодаря разработанным системам мониторинга и контролям качества данных. На их основе внедрены новые проверки корректности ввода и обогащения данных на уровне фронт-офисных систем. Повышение качества данных позволяет сократить среднее время на обслуживание клиентов, повышать доходность каналов продаж и, что еще важнее, улучшать клиентский опыт.

- Как это отразилось на результатах банка?

Только за счет дедубликации рассылок по двум каналам коммуникаций и сокращения времени работы клиентских менеджеров при актуализации персональных данных, нам удалось достичь экономии более 8 млн руб. Совокупно за 2023 год уже удалось высвободить 22 тыс. часов на продажи и консультации по всей сети. В сегментах продаж улучшение качества одних только телефонных номеров позволило повысить процент успешных дозвонов и, как результат, заключить дополнительные контракты общей доходностью 15,7 млн руб.

Фактически, при улучшении качества карточки клиента всего на 4%, общая конверсия повысилась на 1%. Потенциал доходности при росте конверсии составляет до 15%, что превысит 47 млн руб. на новом потоке клиентов.

Коллеги из розничного блока также выделяют влияние проекта в задачах разумного потребления и охраны окружающей среды: так, например, дополнительная экономия бумаги на заявлениях об изменении персональных данных составила 7 млн руб., что равносильно 189 деревьям или среднему городскому парку.

С учетом текущих результатов и показателей эффективности по привлечению новых клиентов, по оценкам розничного блока, ожидается шестикратное увеличение эффективности розничных продуктов.

- А как изменилась жизнь сотрудников банка?

С точки зрения результатов проекта, использование расширенных наборов данных позволило решать новые аналитические задачи. Платформа ЕХД ПСБ используется в задачах привлечения и удержания, оценки банкротств, проблемной задолженности, эффективности взысканий и на многих других направлениях. Ключевыми пользователями являются такие подразделения как ЦОР ГОЗ, департамент финансового мониторинга, розничный бизнес, маркетинг, операционный департамент и т.д. Более 200 пользователей банка получили доступ к расширенной и детальной аналитической и транзакционной информации, включая обогащение данными из внешних источников (более 50 внешних реестров), в соответствии с ролевой моделью доступа.

Все наборы данных и технологии, которые нашли отражение в стратегии по управлению данными банка, рассчитаны на дальнейшее использование моделей искусственного интеллекта.

- Что реализовано с точки зрения безопасности данных?

Безопасность данных стала краеугольным камнем в архитектуре нашей системы. Наряду с использованием высоко доверительных программных систем и библиотек данных, нами была разработана модель безопасности данных и управление сегментами «чувствительности». Реализовано более 700 объектов доступа в классах чувствительности «персональные данные», «ОПК/ГОЗ», «общие». Внедрена система логирования системных, программных и пользовательских операций. Модель безопасности позволяет исключить риск несанкционированного доступа к данным, в том числе вызванного внешним воздействием.

Ведутся работы в направлении выделения дополнительных сегментов данных в физические подсегменты хранения, а также работы по реализации последующих аттестационных мероприятий в соответствии с приказами Минобороны.

- В каком направлении планируется развивать проект? Каково его будущее?

Если заглянуть в далекое будущее – 2040-е годы, то здесь хочется привести слова председателя ПСБ Петра Михайловича Фрадкова, что будущее будет сконцентрировано в отраслях высокотехнологичного сектора: «Экономика России будет полностью сконцентрирована на том, что мы сейчас называем высокотехнологичным сектором – виртуальная реальность, большие данные, искусственный интеллект и пр. В свою очередь банки в том виде, в котором они существуют сейчас, умрут, но с учетом влияния онлайн-технологий и ИТ-индустрии они переродятся в другом виде».

Поэтому наше решение продолжит свое развитие в части больших данных и расширения спектра моделей искусственного интеллекта. Чтобы будущее наступило завтра, работать над ним нужно уже сегодня.

Низкая скорость и большое количество ошибок в процессах учета рабочего времени и начисления заработной платы стали стимулом для внедрения в торгово-логистической компании «Континент» подходов data-driven. В результате удалось радикально повысить эффективность процессов и обеспечить их прозрачность. О реализации этого проекта рассказывает Светлана Пашнина, директор по персоналу логистической компании «Континент» и номинант на премию Data Award.

- Что стало причиной реализации проекта, откуда растут его корни? Почему это важно для вас?

Причин для реализации проекта было несколько. Критичным было отсутствие цифрового сервиса сбора и расчета KPI для подразделений и сотрудников компании, а также неэффективная работа с данными кадровой службы и службы расчета заработной платы. Отмечалась сложность и несвоевременное получение сотрудниками компании информации от кадровой службы и службы расчета заработной платы – справок, расчетных листков и т.д., отсутствие общей точки входа для получения услуг и информирования подразделениями и сотрудниками компании. У команды продаж была необходимость в аналитических инструментах, и у сотрудников всех подразделений были нарекания к непрозрачности процедуры расчета зарплаты.

- В чем заключались типичные бизнес-проблемы и головные боли кадровой и расчетной служб?

Главная проблема заключалась в неэффективной работе: рутинные процессы требуют продолжительных временных затрат. При этом отмечалась запутанная маршрутизация типовых процессов и неудобство в использовании программных решений для выполнения операций. Были трудности со сбором и обработкой новых данных – массово использовались Excel-файлы и бумажные носители информации.

Больным местом было управление зарплатами и выплатами. Расчет и обработка зарплаты, учет отпусков, больничных, налогов и других вычетов требовали точности и внимательности. Проблемы с ошибками в расчетах могли привести к недовольству сотрудников и даже к нарушению трудового законодательства.

Изменения в законодательстве и требования к отчетности также традиционно являются причиной головной боли для кадровой службы, так как ей приходится постоянно адаптироваться к новым правилам и требованиям. Необходимо наличие актуальной информации и изменений в корпоративной информационной системе.

Были очевидны проблемы в эффективной коммуникации с персоналом. Обработка запросов и коммуникация с сотрудниками по кадровым вопросам и финансовым вопросам затрудняется большим числом работников и их географической удаленностью: компания присутствует в 12 регионах России, в компании работает 1,7 тыс. сотрудников.

- Какой подход к их решению был выбран?

Мы начали движение в сторону data-driven. Ключевым элементом был признан анализ данных о текущих процессах кадровой службы и службы расчета заработной платы и их процессных взаимодействиях с другими подразделениями. Была необходима оценка времени, затрачиваемого на выполнение различных задач, выявление узких мест в процессах и анализ данных о производительности и удовлетворенности персонала.

Второе важное направление – идентификация ключевых метрик. Предстояло определить ключевые показатели эффективности (KPI) для подразделений. Эти метрики включают в себя время обработки запросов, точность расчетов зарплаты, уровень удовлетворенности сотрудников, качество получаемых аналитических данных и другой информации и т.д.

На основе данных анализа сформирована стратегия улучшения процессов кадровой службы и службы расчета заработной платы. Она включает в себя автоматизацию рутинных задач, внедрение цифровых сервисов для сбора и анализа данных, обновление информационной системы и другие мероприятия. После разработки стратегии происходит реализация изменений. Это подразумевает внедрение новых программных решений, изменение процессов работы и другие мероприятия, направленные на улучшение эффективности персонала.

Наконец, после внедрения изменений проводится мониторинг и оценка результатов с использованием данных. Это позволяет оценить эффективность внесенных изменений, выявить новые проблемы и корректировать стратегию дальнейших действий на основе данных.

- Это требует массовой цифровизации процессов…

Еще одним ключевым направлением усилий стала цифровая трансформация. Она включала схожие этапы. Начали с оценки текущего состояния. Провели анализ текущих процессов с целью выявления узких мест и проблемных зон, анализ текущей цифровизации в работе всех подразделений. Это включает в себя оценку эффективности текущих систем, программ и процессов. На основе результатов оценки разработали стратегию цифровой трансформации. Она включает в себя выбор и внедрение цифровых решений, таких как системы для кадровой службы и службы расчета заработной платы и средства отчетности и аналитики.

Далее следует внедрение выбранных технологий и их тиражирование, проводится мониторинг и анализ результатов их использования. Это позволяет оценить эффективность внедренных изменений и их влияние на работу подразделений, а также выявить новые возможности для улучшения.

И важно понимать, что требуется постоянное совершенствование. Цифровая трансформация — это непрерывный процесс, поэтому важно постоянно улучшать системы, процессы и методики работы подразделений на основе новых технологий и передовых практик.

- Что собой представляет созданное решение?

Это комплексное модульное решение, состоящее из четырех модулей: «Помощник кадровика», «Помощник расчетчика», «Личный кабинет сотрудника Веб» и «Личный кабинет сотрудника Мобильное приложение». Ядром системы является платформа «1С:Предприятие».

Например, личный кабинет сотрудника – это портал, позволяющий взаимодействовать с корпоративными информационными системами и получать всю необходимую актуальную информацию о своей деятельности в компании в режиме реального времени. Скажем, сотрудник отдела продаж и логистики может видеть и анализировать свои показатели и показатели своих сотрудников. Для менеджеров доступна информация по подчиненным и вакансиям. Есть возможность коммуницировать с кадровой службой и службой расчета заработной платы. Для служб эксплуатации и ИТ-подразделения выведен мониторинг по инфраструктуре с показателями и оповещением в режиме реального времени.

- Какие сложности возникали при реализации проекта?

У нас было восемь географически распределенных площадок на которых осуществлялся запуск. Происходило внедрение новых интеграционных потоков в существующую информационную систему (WMS, ERP, HRM, TMS). Требовалось создание большого количества новых модулей, компонентов и печатных форм. Активно создавались новые и преобразовывались старые аналитические инструменты, их категоризация, стандартизация и перевод в цифру. Возросли и нагрузки на инфраструктуру: средняя нагрузка составила 500-800 пользователей одновременно, а пиковая нагрузка достигала 2 тыс. запросов в секунду.

- Как изменились процессы сотрудников, чем их жизнь стала лучше? Приведите несколько примеров.

Полностью изменились бизнес-процессы работы кадровой службы и службы расчета заработной платы, а также работа задействованных в проекте подразделений: логистики, отдела продаж и др., особенно в части расчета заработной платы и кадровых операций – утверждение табелей, ввод неявок и пр.

Например, при расчете KPI руководитель отдела логистики вместо нескольких часов расчетов KPI в Excel по своим 240 сотрудникам стал их получать нажатием одной кнопки. Обработка данных по зарплате перешла полностью в информационную систему. Реализация проекта позволила отделу продаж видеть свои KPI в течение месяца. Вся необходимая аналитика по продажам доступна менеджерам и торговой команде на веб-портале. Сотрудники склада видят свою выработку и показатели, что позволяет сделать начисление зарплаты более прозрачной. Сократились вопросы о формировании начислений и расчета зарплаты.

Аналитические инструменты и отчеты у руководителей всегда под рукой через личный кабинет, что позволяет ускорить и качественно улучшить бизнес-процессы команды продаж и логистики. Сотрудники могут взаимодействовать с кадровой и расчетной службой в онлайн-режиме (справки, информация об отпусках и т.п.), что позволило минимизировать количество личных обращений в данные службы и получить качественный и быстрый сервис.

- Что в рамках решения было реализовано особенно удачно?

Все решения принесли значимые результаты для работы всех подразделений, они имеют общую ценностную составляющую как комплексный проект. Но если проводить оценку с точки зрения массового охвата и количества функциональных возможностей, то можно выделить личный кабинет сотрудника.

- Насколько хорошо решение воспринял персонал?

Для кадровой службы и службы расчета заработной платы данное решение максимально упростило жизнь. Оно позволило сократить временные трудозатраты на рутинные операции. У сотрудников появился автоматический контроль и постановка задач – как собственных, так и других подразделений, нет больше необходимости напоминать о не утвержденном табеле или других операциях в ходе маршрута выполняемых бизнес-процессов. Это позволило переключиться на более важные и интересные задачи

Личный кабинет сотрудника после анонса и тиражирования используется практически всеми сотрудниками компании для решения своих повседневных рабочих задач, что говорит о его приятии.

- Каких результатов уже достигли? А что ожидается в перспективе?

Достигнуто сокращение ошибок кадровой службой и службой заработной платы практически до нуля. Как следствие, меньше конфликтных ситуаций между сотрудником и работодателем. Произошло ускорение и оптимизация практически всех бизнес-процессов за счет доступности данных из корпоративных информационных систем. Достигнута экономия ФОТ за счет оптимизации штата кадровой службы и службы расчета заработной платы. Компания выстроила новую мотивационную модель в работе всех подразделений, получила качественную аналитику за счет нового инструментария по деятельности подразделений, а также удобную экосистему для решения повседневных рабочих задач.

- Как вы видите дальнейшие направления развития проекта?

Проект имеет модульную архитектуру, он продолжает развиваться и масштабироваться. В разработке и тестировании находятся новый модуль «Помощник рекрутера», запущен голосовой робот для найма персонала на основе ИИ и новый функционал в личном кабинете сотрудника.

Стратегия по управлению данными была принята в «М.Видео-Эльдорадо» в 2021 году. Она распространяется не только на дата-офис, но и на весь цифровой блок, а также сотрудников операционных подразделений, ведь каждый бизнес — процесс, ИТ-система, цифровой продукт — является и потребителем, и генератором данных. О том, какая роль в управлении данными отводится их качеству, и об их влиянии на бизнес, рассказывает Данила Наумов, CDO «М.Видео-Эльдорадо» и номинант на премию Data Award.

— Почему обеспечение качества данных стало актуальным для «М.Видео-Эльдорадо», да и ретейла в целом?

К середине 2023 года мы подошли достаточно зрелыми с точки зрения управления данными. У нас внедрен организационный фреймворк Data Mesh, сформированы 10 доменов данных со своими инженерными командами. При этом данные воспринимаются не как статичная, а как динамическая сущность, то есть продукт со своими метриками и планами развития, назначены владельцы данных. Есть централизованная платформа данных, включающая в себя ETL, хранилища, BI, инструменты MLOps, а также самописный каталог данных M.Data.

Кроме того, в компании внедрен федеративный орган – Дата Комитет, состоящий из владельцев доменов данных и представителей корпоративных функций архитектуры и информационной безопасности. Он устанавливает корпоративные политики в области работы с данными и согласует планы по развитию платформы данных.

Качество данных стало для нас очевидной зоной роста. Во-первых, мы занимались «тушением пожаров» вместо того, чтобы действовать проактивно. Мы узнавали об инцидентах с данными от пользователей и только после их обращения в поддержку. Во-вторых, хотя у нас уже были сформированы проверки качества для наиболее чувствительных данных, они являлись уникальными разработками со своей спецификой. Например, продукт по управлению ассортиментом магазинов крайне отзывчив к качеству данных – как загружаемых, так и расчетных. Стоимость потерь для компании в случае несвоевременной загрузки данных в этом продукте оценивалась в 60 млн руб. в день. Внедрение каждой новой проверки качества данных становилось долгой и ресурсоемкой задачей, не поддающейся масштабированию и переиспользованию. По мере роста бизнеса появлялось все больше ключевых data-driven процессов. Так возникла необходимость реализовывать такие проверки быстро и дешево.

— Какие из проблем были наиболее чувствительными?

Согласно внутренним опросам, отсутствие контроля за качеством данных входило в тройку «больных вопросов» по управлению данными, а повышение качества данных (валидация, достоверность, консистентность) – в тройку ожиданий. Пользователи, даже найдя данные в M.Data, не могли понять, достаточного ли качества эти данные для их задач и были вынуждены обращаться за поддержкой. И, наконец, из-за отсутствия процессов и политик управления качеством данных у владельцев данных просто не было возможности ставить долгосрочные и среднесрочные цели по развитию их активов.

Независимые оценки по методологии CMMI Data Management Maturity подтвердили необходимость разработки политики управления качеством и достоверностью данных на основе критических элементов данных, а также рекомендовали расширить платформу данных инструментами мониторинга и контроля их качества.

— На чем вы фокусировались при повышении качества данных?

Чтобы сформировать стратегическое видение по развитию качества данных, нам было важно определиться не только с тем, что мы делаем, но еще и с тем, что мы точно не делаем. Изучив теорию, мы выделили четыре блока управления качеством данных (Data Quality, DQ).

Первый из них – мониторинг DQ в соответствии с заведенными правилами и проверками. Мониторинг не меняет сами данные, а считает показатели DQ для конкретного актива в системе-источнике или хранилище данных. Второй блок – профилирование. Это статистический контроль – например, количество значений, частотная характеристика значений. Профилирование может быть как инженерное (количество заполненных полей, пустые поля и др.), так и бизнесовое. Третий блок – управление инцидентами. По мере запросов от пользователей или возникновения в результате мониторингов инциденты необходимо фиксировать и обрабатывать. И, наконец, клинзинг – процесс исправления ошибок не только в отчете или хранилище, но еще и в системе-источнике.

Рассылка в Telegram по инциденту на свежесть данных

— Что из этого оказалось важнее всего?

Проанализировав боли и ожидания, мы решили, что важнее всего сфокусироваться именно на мониторинге. Например, у команды логистики 95% проблем касались несвоевременной или неполной загрузки данных в хранилище.

Проверку качества данных над транзакционными системами-источниками мы решили оставить вне рамок нашего проекта, так как DQ-проверки – весьма ресурсоемкая операция, зачастую требующая полного сканирования, что сильно снизило бы производительность транзакционных систем. DQ-проверки в транзакционных системах релевантны только при распределенных транзакциях, и даже в этом случае сканирование будет осуществляться силами команд этих транзакционных систем. При этом, если мы на стороне аналитических систем находим ошибки, мы должны передавать информацию о них в команды исходных систем.

— Если обобщить, то какие цели перед вами стояли?

Мы хотели выстроить процесс управления DQ и обучить ему как инженерные команды дата-офиса и представителей других цифровых команд, так и операционные функции. Кроме того, требовалось внедрить дешевый, быстрый и автоматизированный инструмент, а также упростить предоставление информации о результатах проверок всем категориям заинтересованных пользователей. И, наконец, выстроить процесс и механизм передачи информации об ошибке в данных на сторону систем-источников.

— Как изменился процесс по управлению качеством данных?

Раньше если пользователь обнаруживал проблему с данными, он в самом худшем случае самостоятельно исправлял данные в своем дата-активе – например, внутри выгрузки в Excel. Таким образом, в компании появлялась новая, более качественная версия данных, а остальные пользователи продолжали работать с некачественными данными.

Раньше наш стандартный процесс выглядел следующим образом. Пользователь заводил инцидент в службу поддержки, которая вносил минорное изменение в дата-актив, если оно не требовало существенных доработок. В ином случае поддержка обращалась в соответствующую инженерную команду (конвейер данных), которая в свою очередь узнавала у пользователя требуемые изменения. Если пользователь не являлся владельцем дата-актива, изменения согласовывались с владельцем данных. Далее команда разработки модифицировала дата-актив, а приемочное тестирование проводилось с владельцем данных. В конце концов владелец подтверждал качество данных и передавал обновление на поддержку. Из-за этой непростой схемы нас в шутку называли дата-сатанистами.

В текущей версии количество субъектов и сущностей остается тем же, но связующим дополнительным звеном становится инструмент Data Quality. Пользователь заходит в дашборд DQ, дата-каталог или получает уведомление от системы мониторинга и видит текущий уровень качества данных.

Рассылка в почту на статистическое отклонение

— Есть ли у вас требования для инструмента Data Quality?

Конечно, мы сформулировали их на основе анализа потребностей. Главных требований три.

Система должна преимущественно запускать проверки над теми же хранилищами платформы данных, в которых и хранятся данные. Запуск внутри инструмента DQ должен осуществляться только для кастомных проверок, требующих использования данных одновременно из нескольких систем.

Для масштабирования инструмента результаты проверок DQ должны представляться в нашей внутренней BI-системе, привычной для всех. Иначе мы бы сосредоточились не на внедрении процесса, а на внедрении ИТ-системы.

Система должна бесшовно интегрироваться с нашим самописным каталогом данных M.Data для отображения метрики DQ и истории проверок непосредственно в карточке дата-актива.

— Можно ли назвать то, что вы сделали, инновационным?

В общем-то, да. Мы приняли решение сделать собственный инструмент качества данных — M.DQ. Силами шести человек за три месяца инструмент был запущен в эксплуатацию. В следующие два месяца он был масштабирован на все инженерные команды дата-офиса в каждом домене данных.

Интеграция метрик Data Quality в карточку дата актива в каталоге данных

— Измеряли ли эффективность проекта? Как оценить пользу для бизнеса от решения?

Эффективность можно показать на примере конкретных кейсов и бизнес-процессов, в которые было встроено это решение.

Например, команда логистики при планировании перемещений и поставок товаров использовала весогабаритные характеристики товара (ВГХ) из ERP. В какой-то момент коллеги заметили несоответствие данных фактическим значениям. В частности, не совпадали габариты товаров. DQ-команда выявила, что большинство аномальных значений выглядят как 1х1х1. Вместе с коллегами из команды мастер-данных выяснили, что заведение данных происходит сразу в нескольких системах: ВГХ для клиентов заводится в одной системе, для внутренних пользователей – в другой. Поля были обязательными для заполнения, но не было никакого контроля над процессом, поэтому при заведении нередко указывали пустые значения. На момент внедрения проверки в системе значилось более 5 тыс. наименований с некорректными габаритами. Логисты брали средние значения ВГХ по товарной группе, и неправильные расчеты приводили к ошибкам маршрутизации, необходимости ручных корректировок при планировании рейсов, а это означает задержки и отмены клиентских заказов.

Другой кейс – дубли чеков. Только за четвертый квартал 2023 года вторая линия поддержки дата-офиса обработала более 300 таких инцидентов качества данных. Это значит, что более 300 инцидентов не дошло до пользователей. Мы считаем, что демонстрацией зрелости в области управления качеством данных является и то, что мы поставили метрики качества в персональные KPI владельцам данных. Мне пришлось выступить амбассадором нововведения: я взял на себя самые востребованные дата-активы: чеки, заказы, веб-трафик, розничный трафик и основные справочники. За первый квартал 2024 года мы замерили текущие показатели DQ по этим активам и поставили измеримые цели на второй квартал. Для владельцев других доменов данных во втором квартале 2024 года мы сформируем показатели DQ по критическим элементам данных, и поставим цели на следующие кварталы.

Еще один важный кейс для любого ретейлера – расчет премий для сотрудников розницы. Иногда не вся атрибутика чека бывает верно загружена: не везде определяется продавец, кассир и категория товара. Была осуществлена проверка, и теперь наши коллеги заранее «отлавливают» отклонения и обрабатывают 150-200 обращений в месяц в рабочем режиме. При закрытии периода премия рассчитывается правильно.

И последний пример. Как известно, мы передаем фискальные данные в ФНС, а они в свою очередь сравнивают их с ОФД. Если есть хоть какое-то отклонение, из ФНС поступает запрос в бухгалтерию на проверку и корректировку. Когда возникали случаи несовпадения данных по причине сбоев в передаче данных с локальных касс в ОФД, это фиксировалось бухгалтерией через личный кабинет ОФД и требовало правок на стороне директора магазина. Конечно же, инциденты возникали в последний момент перед закрытием отчетного периода, что вызывало проблемы. Сейчас эти отклонения выявляются заблаговременно.

— Каковы основные итоги проекта?

Во-первых, мы успешно выстроили процесс управления качеством данных. Теперь при создании и изменении дата-активов силами инженерных команд конвейеров данных заказчику предлагается создать проверки DQ. Во-вторых, мы измеряем уровень качества данных. В каждом домене данных выделены критические элементы данных, по которым в динамике измеряется и отслеживается уровень качества данных, который доступен всем желающим. В-третьих, мы сократили срок реализации проверок DQ с двух недель до четырех часов. Теперь стандартные проверки может создавать даже представитель операционной функции, а разработчики не тратят время на сопутствующие процессы (оповещение, хранение и т.п.). В-четвертых, уже решили более 100 конкретных бизнес-кейсов. Наконец, мы можем масштабировать количество критичных элементов данных, не раздувая штат разработки и поддержки.

— В чем заключаются основные факторы успеха?

Очень помогла поддержка со стороны дата-архитекторов, и корпоративных архитекторов. Важную роль сыграло выделение отдельной команды для разработки инструмента. Кроме того, правильным было подключение центральной второй линии поддержки дата-офиса. Возможность передачи DQ-проверок, созданных с помощью общего инструмента, являлась решающим фактором, чтобы команды стали приобщаться к инструменту, а не плодить собственные наработки. И для любого подобного проекта важна удобная система оповещения в разных каналах.

— Каковы направления развития проекта?

Мы хотим, чтобы у всех владельцев доменов данных появилось персональное целеполагание, основанное на метриках качества данных по дата-активам у них во владении. Для этого мы замеряем текущий уровень и согласовываем с владельцами целевые уровни.

Также через инструмент M.DQ мы хотим фиксировать контракты – то есть требования пользователей к данным, находящихся во владении у других, и проверять исполнение этих требований через проверки качества данных. И, естественно, планируем увеличивать количество дата-активов с проверками качества данных, наращивать базу стандартных проверок для увеличения скорости внедрения.

В 2023 году был запущен веб-сервис «РосНавык», который обеспечивает пользователям полную информацию о требованиях и трендах на рынке труда, позволяя им принимать обоснованные решения в области образования и профессионального развития. О создании этого проекта и его роли в развитии российского рынка труда рассказывает Вячеслав Гойко, генеральный директор «Академии Дата-Дайвинг» и номинант на премию Data Award.

- В чем заключается решаемая проблема?

В последнее время буквально все вокруг говорят о нехватке специалистов на рынке труда. Мы сталкиваемся с тем, что экономике прямо здесь и сейчас нужны определенные специалисты, которых в нужном количестве не готовят образовательные учреждения. С другой стороны, остро стоит проблема синхронизации требований работодателей и содержания самих образовательных программ, чтобы выпускник, приходя на рабочее место, не слышал знаменитую фразу: «Забудьте все, чему вас учили в университете». Как раз для решения этой проблемы и создан сервис аналитики данных рынка труда «РосНавык».

- Почему это важно?

Самое главное в жизни человека – быть счастливым, а образование выступает фундаментом нашего будущего, и очень важно, чтобы этот фундамент был сделан качественно и мог выдержать все нагрузки в будущем. Таким образом, большой вклад в построение счастливой жизни у всех нас вносит система образования, и крайне необходимо сделать так, чтобы выпускник университета был готов к тем вызовам, которые ждут его на рабочем месте. В то же время экономика нашей страны, да и мира в целом, претерпевает сильнейшие изменения, и возможность быстро настраивать образовательные программы под изменяющиеся потребности рынка труда создают устойчивость и залог конкурентоспособности страны.

- Какие цели были поставлены перед проектом?

Миссия проекта – развитие кадрового потенциала страны, когда при переходе из школы в университет, из вуза на место работы решения будущим студентом и его родителями принимаются на основе данных о ситуации на рынке труда. Мы начали с задачи разработать и представить на российском рынке простой инструмент аналитики данных рынка труда для широкого круга пользователей. «РосНавык» позволяет автоматически извлекать из текста вакансий навыки и компетенции, наиболее востребованные работодателями в разных профессиях и регионах России.

- Какие данные используются?

Сервис работает на основании открытых данных о вакансиях с сайтов-агрегаторов HeadHunter, «Работа России», SuperJob, «Работа.ру». Данные в автоматическом режиме ежедневно выгружаются и агрегируются в общую базу данных. В процессе разработки для текстовой аналитики данных о вакансиях было использовано платформенное решение PolyAnalyst компании Megaputer Intelligence.

- Что представляет собой разработанное решение?

Функционал сервиса включает в себя интерактивный аналитический дашборд, который состоит из виджетов, позволяющих фильтровать данные по региону, отрасли, опыту работы, зарплатному предложению и многим другим параметрам. Имеется доступ к регулярно пополняющейся базе вакансий из открытых онлайн-источников. Кроме того, возможна разработка дополнительных аналитических решений под индивидуальный запрос пользователя.

В отличие от прочих аналитических сервисов, «РосНавык» предоставляет актуальные данные о ситуации на рынке труда, дает возможность обратиться к ретроспективным данным и проследить динамику изменения запросов на навыки и компетенции.

Алгоритм автоматической классификации текстовых данных вакансий разработан на основании экспертных мнений и прошел процедуру экспертной оценки. Для «дообучения» алгоритмов было проведено более 30 онлайн-сессий, в которых приняли участие более 100 экспертов – представителей различных отраслей деятельности, классифицировали навыки и компетенции с учетом профессиональной специфики.

- Кто является основными потребителями сервиса?

Веб-сервис предоставляет образовательным учреждениям возможность быстро реагировать на изменения спроса на те или иные компетенции, создавая и обновляя образовательные программы в соответствии с актуальными запросами работодателей. Для соискателей, студентов и выпускников сервис полезен как инструмент для профориентации и построения личной карьерной траектории. Местные органы власти могут использовать его для анализа специфики рынка труда в регионе, разработки региональной политики занятости и содействия трудоустройству граждан. Работодатели могут использовать возможности сервиса для планирования кадровой политики, анализа конкурентов и принятия управленческих решений на основе данных.

- Каких результатов удалось достичь?

В настоящий момент на «РосНавыке» зарегистрировано более 3 тыс. пользователей. Сервисом пользуются методисты и разработчики образовательных программ из более чем 100 университетов со всей страны.

С помощью сервиса разработаны и актуализированы более 20 образовательных программ дополнительного и основного профессионального образования. К их числу относится разработка магистерской программы «Дата-аналитика для бизнеса», анализ трендов в сферах бизнес-аналитики и экономической безопасности для сборки программ Российского университета кооперации, а также разработка образовательной программы «Бизнес-ассистент руководителя» и актуализация образовательной программы «Библиотекарь будущего: от буквы до цифры» в рамках Федерального проекта «Содействие занятости».

Кроме того, в августе 2023 года проведена первая Всероссийская школа анализа данных рынка труда для сотрудников кадровых центров из 7 субъектов РФ. В рамках Школы специалисты кадровых центров осваивали навыки анализа больших данных на базе нашего сервиса для профориентации и помощи в трудоустройстве соискателям.

- А что можно ожидать в дальнейшем?

Например, мы ожидаем массового обновления и создания образовательных программ под запрос рынка труда, причем как программ основного, так и дополнительного профессионального образования, в учреждениях высшего профессионального образования. Еще одно возможное направление – запуск образовательных программ по приоритетным направлениям и подготовка специалистов с соответствующими, актуальными на рынке труда, компетенциями. Можно упомянуть разработку профориентационного теста и банка обучающих материалов для самостоятельного планирования карьеры пользователями. И напрашивается использование возможностей сервиса для подготовки научно-исследовательских работ по тематике анализа рынка труда России.

- В чем социальная значимость проекта?

Во-первых, важно сокращение разрыва между спросом и предложением на рынке труда. Во-вторых, происходит формирование общего языка для взаимодействия и взаимопонимания между работодателями и образовательными организациями. Производится определение областей для инвестиций в образование и развитие навыков и прогнозирование тенденций и потребностей рынка труда. Наконец, мы создаем основу для разработки государственной политики в области занятости.

Таким образом, аналитика рынка труда обеспечивает основу для принятия информированных решений, которые способствуют экономическому развитию, социальной стабильности и повышению качества жизни населения.

- Куда будет развиваться проект?

Мы идем в сторону интеграции «РосНавыка» с EdTech-системами образовательных учреждений – системами электронного обучения, видеопорталами, сервисами для профориентации и т.д. – и государственными системами, где граждане могли бы выстраивать свои профессиональные треки развития. Помимо этого, есть амбициозные идеи по использованию наших данных для обновления профессиональных стандартов в ключевых отраслях экономики, и тогда будет можно влиять на содержание образования в целых отраслях.

Развитие медицины и повышение качества отечественного здравоохранения невозможно без полноценной систематизации данных. Именно эту задачу решает система бизнес-аналитики для медицины «ЕЦП.BI», зарегистрированная в реестре отечественного программного обеспечения как модуль «Аналитические показатели» медицинской информационной системы «ЕЦП.МИС». О реализации и роли этого проекта рассказывает Ольга Лебедева, руководитель направления «ЕЦП.BI» компании «РТ МИС» и номинант на премию Data Award.

– Какие цели преследовались при создании «ЕЦП.BI»?

Мы рассчитывали создать единое аналитическое информационное пространство на всех уровнях: регион, медицинская организация, подразделение, отделение, врач. Было важно выстроить процессы для оперативного принятия управленческих решений на каждом уровне, выработать четкую методологию расчета показателей бизнес-аналитики, а также минимизировать факты искажения информации и ошибки при ручном вводе через несистемные источники.

– Каких подходов старались придерживаться?

С точки зрения методологии нужно было охватить все значимые сферы здравоохранения, учесть нормативно-правовые акты РФ, сохранить общеизвестную медицинскую терминологию для корректной интерпретации данных. Следовало обеспечить перспективность использования накопленных бизнес-данных для анализа прогнозируемых событий, а также гибкость структуры для наращивания новых показателей или оперативного обновления текущих. Для этого было проведено согласование с группой методологов и экспертов-практиков в сфере здравоохранения.

– Что собой представляет созданное решение?

Основное назначение «ЕЦП.BI» – анализ ситуации в региональном здравоохранении, мониторинг слабых мест в задачах повышения качества и доступности медицинских услуг для населения, визуализация ключевых показателей с помощью интерактивных аналитических панелей. Система позволяет мгновенно принимать управленческие решения на основании всесторонней аналитики по множеству показателей, планировать с учетом текущей ситуации в здравоохранении региона и инфраструктуры. Отдельно следует отметить мониторинг выполнения показателей федерального проекта «Создание ЕЦК на основе ЕГИСЗ». Этот раздел «ЕЦП.BI» важен для организаторов здравоохранения. Он обеспечивает оперативный контроль показателей федерального проекта.

– Кто является ключевым пользователем?

У решения несколько категорий пользователей. Это губернаторы, региональные органы здравоохранения, главные врачи и руководители отделений медорганизаций, главные внештатные специалисты Минздрава.

В зависимости от роли пользователя функциональность системы заметно различается. Например, губернатор видит общую ситуацию по всем актуальным направлениям деятельности здравоохранения региона в разрезе муниципалитетов и медицинских организаций, главные врачи – информацию по своей организации в целом до уровня врача, руководители отделений получают информацию в пределах своей зоны ответственности.

– Какие платформы использованы?

Решение интегрировано с медицинской информационной системой в части исходных данных. В проекте не используются сторонние системы. «ЕЦП.BI» разработан на импортонезависимых платформах, которые зарегистрированы в реестре отечественного ПО.

– Какие основные проблемы возникали при разработке решения?

Стояли две основные проблемы — бизнес-уровня и технологического уровня.

Эксперты отмечали избыточность отраслевых отчетных форм. Для их подготовки нужны большие усилия по сбору данных, при этом информация остается разрозненной, что мешает принятию решений. Мы придумали, как решить эту бизнес-проблему, и предложили «дерево показателей», где «веточками» являются различные направления в здравоохранении. Все множество показателей оформили в виде дашборда с возможностью посмотреть значение, отсортировать по рейтингу, динамике и отобразить на карте. В основу этого решения заложен процессный подход.

С технологической стороны была проблема в построении архитектуры решения. Мы сделали несколько попыток, прежде чем нашли рабочий вариант, который учитывает специфику «широкой» базы источника данных, медицинской информационной системы.

– Какие результаты достигнуты?

Сегодня «ЕЦП.BI» помогает отслеживать показатели цифровой трансформации здравоохранения на региональном уровне. Получая информацию по каждому из показателей, по множеству разрезов и представлений, руководитель принимает решения на основе данных. Прикладная часть «ЕЦП.BI» включает более 270 аналитических показателей по 31 направлению, в том числе демографии, мониторингу смертности, деятельности медицинской организации, мониторингу беременных, доступности сервисов, сердечно-сосудистым заболеваниям и другие.

На данный момент функциональные блоки системы внедрены в шести регионах: Республике Карелии, Курганской, Рязанской и Пензенской областях, Кабардино-Балкарской Республике и ЯНАО.

– От чего зависит готовность региона внедрять ту или иную функциональность системы?

В первую очередь, от готовности руководителей использовать модель управления, где аналитика является частью их работы. Во-вторых, от уровня цифровой зрелости: чем она выше, тем полнее аналитика, а сбор данных легче.

– Что говорят пользователи? Собираете обратную связь?

Много говорят про алгоритмы. В основном удивляются, что формула простая, а описание алгоритма может достигать нескольких страниц, и тут становится виден масштаб работы специалистов медицинских организаций, которая требуется, чтобы собрать с виду простой отчет. Вижу, что меняется в целом подход к аналитике, формируется аналитическая культура, становится меньше ручной обработки данных.

– В чем роль проекта для общества?

Система бизнес-аналитики позволяет сократить расходы за счет синхронизации информации на всех уровнях, оперативного принятия управленческих решений, четкой методологии расчета показателей, минимизации фактов искажения информации. Развитие аналитической культуры пользователей повышает качество и доступность медицинских услуг для населения за счет полноты и разнообразия информации.

Когда мы соединяем для анализа информацию о том, сколько человек живет и работает на конкретной территории, сколько болеет и чем именно, мы можем понять, каких врачей не хватает, как изменить структуру медицинской организации и так далее. С развитием аналитических технологий здравоохранение быстрее адаптируется под потребности населения.

Благодаря этому организаторы здравоохранения могут проводить мероприятия по информированию населения, повышению качества работы медицинских организаций и качеству оказания медицинской помощи населению. Таким образом, достигаются экономические и социальные эффекты.

– В каком направлении планируете развивать проект?

Продолжим развивать функциональность модуля как рекомендательную систему. Например, в настоящее время уже существует возможность задавать критичность отклонения показателя от нормы, построить линию тренда.

Планируем наращивать число аналитических показателей. На данный момент реализовано 30-40% от задуманного объема: основные показатели смертности, доступности, заболеваемости и другие. В приоритете — разработка показателей для главного врача по работе служб медицинской организации.

Еще одно направление развития связано с использованием технологий искусственного интеллекта в профилактике здоровья людей. Оно включает специально подготовленные данные о диспансеризации, профилактике, цифровом профиле здоровья пациента и других аспектов.