CNews: Какому бизнесу нужна операционализация аналитики?

Александр Ефимов: Многие организации начали использовать аналитику: научились делать модели, подготавливать для них данные, попробовали эти модели в бою и получили неплохие результаты. Сложности возникли на этапе встраивания этих моделей в бизнес. Я обратил внимание на исследование IDC, в котором говорится, что всего 35% организаций полностью встроили аналитические модели в свои процессы — они накопили большое количество данных, научились их самостоятельно анализировать, используя различные инструменты, а также внедрять в системы принятия решений. Например, в одном из подразделений «Сбербанка» на постоянной основе эксплуатируются более 200 моделей.

Количество моделей постоянно растет за счет уточнения имеющихся задач и увеличения их перечня, плюс появляются новые данные, которые нужно проанализировать. Чаще модели применяются в высоконагруженных системах: кредитный конвейер в банке или маркетинговая система онлайн-принятия решений, система транзакционного антифрода. И в большинстве случаев мы приходим к тому, что готовую хорошую модель приходится переписывать на язык конечной системы, в которой она будет применяться.

Так возник термин «операционализация», который как раз и означает адаптацию готовой модели к работе в продуктиве в нужной системе. Этот процесс стоит воспринимать как ModelOps, по аналогии с уже устоявшимся термином DevOps. Операционализация нужна компаниям, которые уже имеют десятки и сотни моделей или которые нацелены на быстрый рост количества аналитических задач. Она нужна бизнесу, у которого решения в большей степени принимаются на основе данных. К таким компаниям относятся представители телекоммуникационного рынка, банковского и страхового сектора, ритейла. Малый бизнес немного отстает, но он традиционно идет другим путем — обращается к различного рода сервисам и разовым или постоянным услугам по аналитике. Любой крупный бизнес, у которого базовые процессы уже отлажены, требует внедрения аналитики.

CNews: Интеграция модели в бизнес называется «последней милей» в аналитике, не так ли?

Александр Ефимов: Совершенно верно.

CNews: Как эффективно проработать основные точки перехода от данных к решениям?

Александр Ефимов: Это командная работа, и вовлечены в процесс не только аналитики, но и менеджеры, инженеры, технический персонал. Задействованы и те, кто решает задачу, и те, для кого ее решают. Важно создать прозрачный регламент, на основании которого всем участникам будет понятно, что происходит с моделью, на каком этапе они должны подключаться и какие действия от них требуются. Следует определить роли и зоны ответственности сотрудников. Важно, чтобы каждый понимал всю цепочку от постановки задачи и разработки аналитической модели до ее внедрения в систему принятия решений и контроля метрик при последующей эксплуатации. Следующий важный шаг — определение технических требований к регистрации, внедрению моделей, их последующему мониторингу и перетренировке. Процесс операционализации должен быть системным.

CNews: Почему так важно привлекать руководство и сотрудников к операционализации аналитики?

Александр Ефимов: Знаете, существует такое устоявшееся мнение, горячо любимое консалтинговыми и ИТ-компаниями: нужно вовлекать топ-менеджмент для поддержки изменений в организации. Несколько лет назад эксперты McKinsey провели исследование, в рамках которого опросили представителей двухсот компаний на тему успешного применения аналитики в бизнесе. Они пытались выяснить, что стало определяющим в успешной интеграции аналитики в бизнес, и с каким самым серьезным препятствием столкнулись организации. Респонденты из компаний с высоким уровнем цифровизации отметили тогда, что вовлечение топ-менеджмента стало самым важным фактором для успешного внедрения аналитики. Респонденты с низким уровнем цифровизации заявляли, что сложнейшим элементом оказалась разработка организационной структуры и регламентов.

Это исследование до сих пор не потеряло своей актуальности. Вопрос правильной организации рабочих процессов должен поддерживаться сверху, иначе появляются административные барьеры и недопонимание, а приоритет проектов снижается. Организациям требуется центр, который сформирует культуру и создаст процессы, которые вовлекают все заинтересованные стороны во внедрение аналитики в бизнес.

CNews: Каким образом подбираются методы для информационно-аналитической работы? Как собрать из них оптимальный комплекс?

Александр Ефимов: Всегда нужно отталкиваться от требований, возможностей бизнеса, от стратегии организации, ее масштаба. Ряд организаций развивают собственные компетенции по обработке и анализу данных. Таким организациям необходимы информационно-аналитические системы, которые дают максимальную гибкость и свободу. Они хотят формулировать гипотезу, проверять ее, затем погружать в бизнес. Такие организации ориентируются на стратегию собственной разработки и выбирают аналитические платформы класса Notebook-based..

Другие организации не хотят держать всю компетенцию внутри или не обладают такими ресурсами. Им нужно решение «из коробки»: чтобы все было максимально преднастроено, модели создавались с минимальными усилиями, а результаты показывались в виде красивых графиков и отчетов. И все это — максимально наглядно и без лишнего программирования. Такие организации хотят заниматься своим основным бизнесом, не превращаться в ИТ-интегратора для самого себя, и поэтому выбирают аналитические платформы класса Automation-focused. Это две противоположные концепции, реальная жизнь — где-то посередине. В связи с этим, в первом случае я могу максимально гибко настроить все, как хочу, под нужды своего бизнеса. Во втором случае сложно достигнуть высокого уровня гибкости, но это не является заградительным барьером. Нельзя сказать, что качество результатов во втором подходе заведомо будет драматически ниже. Пожалуй, наилучшим балансом обладают платформы класса Multimodal. Подробное сравнение разных классов систем хорошо описано в отчете Forrester.

CNews: Какой сценарий организации аналитических процессов в компании дает наиболее значительный экономический эффект?

Александр Ефимов: Сейчас все считают волшебной таблеткой нейронную сеть. О них всюду говорят, но тут есть несколько нюансов. Нейросети не интерпретируемы. Зачастую бизнес не может их понять и от этого возникает недоверие. Первый совет: не гнаться сразу за нейронными сетями. Можно использовать более простые алгоритмы, которые порой дают соизмеримый по точности результат. Плюс таких алгоритмов в том, что их можно объяснить бизнесу. Первым шагом лучше использовать простые интерпретируемые модели, особенно если бизнес ранее не использовал в принятии решений аналитические модели. Вторым шагом ради более высокой точности следует обращаться к нейронным сетям и сложным ансамблям моделей. Сегодня на слуху аналитиков много техник, которые позволяют продемонстрировать бизнесу сложную модель с разных ракурсов. SAS реализует как минимум четыре таких метода: Partial Dependency Plot (PD), Individual Conditional Expectation (ICE), LIME (Local Interpretable Model-Agnostic Explanation), SHAP (Shapley Additive exPlanations). Они помогают аналитику показать бизнесу, что сделала модель и почему она показала именно такие результаты. Но в целом же, можно немного пренебречь точностью и финансовым эффектом, но при этом использовать более понятную модель. Я рекомендую в таких ситуациях взвешивать на чаше весов ожидаемый эффект от каждой модели и степень доверия к модели и стабильности результатов ее работы.

Наконец, следует помнить, что любая аналитическая модель со временем деградирует и ее необходимо периодически актуализировать. После того, как модель разработана, необходимо обеспечить процесс регулярного мониторинга точности работы модели как по техническим, так и по бизнес-метрикам. Я бы даже рекомендовал относиться к отчетности по производительности модели столь же внимательно, как к отчетности по выручке, маржинальности и другим ключевым показателям.

CNews: С какими трудностями, касающимися интерпретации результатов анализа, вам приходилось сталкиваться?

Александр Ефимов: Трудности могут возникнуть еще во время сбора и подготовки данных. Если допустить ошибку на этапе агрегации данных, то все выводы могут быть испорчены. Зачастую бизнес оперирует бизнес-терминами, а аналитики работают с техническими терминами и данными. Между этими областями может возникнуть огромная пропасть и, как следствие, ошибочная интерпретация результатов. Компании начинают с этим бороться, мы все больше видим на рынке запросов по разработке бизнес-глоссариев. Компании начинают с того, что на поверхности, и описывают показатели, которые отображаются в отчетности. Например, о таком подходе рассказывали представители компании РЖД на прошлогоднем SAS Forum Russia. В качестве резюме обозначаю две вещи. Первая — это сами алгоритмы, какие-то интерпретируемые, а какие-то нет. Вторая вещь — это данные. Если организация уже матерая в аналитике, у нее возникает меньше проблем с точки зрения алгоритмов и восприятия результатов. Новичкам лучше показывать на примерах, как работает аналитика.

CNews: Может ли бизнес опоздать с внедрением аналитических инструментов навсегда?

Александр Ефимов: Никогда не поздно начать внедрять аналитику. Мы живем в такое время, когда все постоянно меняется. Аналитика — это повышение своей конкурентоспособности. Мы обсуждаем с нашими заказчиками причины взрывного роста интереса к ней, ответ слышим один: time-to-market. Им быстрее остальных нужно вывести свои идеи и продукты на рынок, а также без промедления реагировать на изменения на рынке. Во всех отраслях появляются новые молодые цифровые компании, которые изначально свою бизнес-стратегию строят вокруг аналитики. Такие организации быстро возникают и занимают свою долю рынка, а иногда — меняют его принципиально. С такими компаниями приходится конкурировать «старичкам», чей бизнес существует давно. Традиционные компании ищут способ максимально задействовать имеющиеся ресурсы: накопленные данные, имеющуюся инфраструктуру и человеческий капитал. Внедрять аналитику никогда не поздно. Можно стать неконкурентоспособным, но это в меньшей степени зависит от аналитики и в большей — от культуры и стратегии организации.

CNews: Как пандемия повлияла на бизнес SAS в России и в мире?

Александр Ефимов: Как и весь мир, мы ушли в цифровые каналы на удаленный режим работы. Такой переход произошел у всех по-разному и показал готовность компании к переходу в цифру. Ключевой момент в том, как наши заказчики взаимодействуют со своими конечными потребителями. Больше внимания теперь уделяется доставкам и логистике.

Запросов от заказчиков к нам сейчас приходит намного больше, потому что мы сразу сказали, что в этот сложный период готовы помогать, причем во многих случаях мы делаем это бесплатно. Например, у нас был и продолжается проект с онлайн-гипермаркетом «Утконос», который нацелен на оптимизацию запасов и своевременное выполнение заказов. Как только началась самоизоляция, сильно увеличилось количество онлайн-заказов, все быстро разбирают и не всегда можно обеспечить покупателей необходимым продовольствием. Здесь нужен комплексный подход – спрогнозировать спрос, обеспечить запасы на складе, оптимизировать процесс формирования заказов. Если нет нужного товара, клиенту лучше сразу предлагать доступные альтернативы, чтобы не задерживать доставку заказа.

Мы ожидаем, что бизнес будет активно реагировать на ситуацию и изменять свои базовые потребности в краткосрочной перспективе. Например, в банках уже стала актуальной перекалибровка моделей кредитного риска и выросло внимание к управлению качеством кредитного портфеля, особенно учитывая рост безработицы и возникновение новых видов мошенничества. В ритейле изменения будут связаны с новым покупательским поведением. С одной стороны, клиенты — те же самые, мы их знаем по картам лояльности, по паспорту. Но их поведение мгновенно изменилось. И с точки зрения поведения нашим заказчикам приходится заново узнавать своих клиентов. Кто-то раньше не использовал онлайн-банки, доставку продуктов и другие сервисы, а теперь люди быстро изменили привычки. Пользователи заново учатся принимать решения: что и как заказать, а наши заказчики с удивлением начинают открывать для себя своих клиентов, ведь они начинают заказывать другие вещи. Раньше люди заказывали что-то для удобства, а в продуктовые магазины ездили сами. Сейчас они заказывают в онлайне даже скоропортящиеся продукты. Но, кстати, есть и другая категория покупателей, которые теперь наоборот каждый день ходят в магазины, потому что это единственная возможность оказаться на свежем воздухе. И поведение таких людей тоже приходится заново изучать.

CNews: Как аналитические инструменты помогают справиться с COVID-19?

Александр Ефимов: Компания SAS уже 44 года занимается аналитикой. Data for Good — это направление, связанное с инициативами по некоммерческим проектам в компании. SAS помогает прогнозировать распространение вируса во всем мире. Мы сделали публичную карту и визуализацию, где отображается распространение эпидемии. Во многих странах на государственном уровне мы помогаем прогнозировать тренды, связанные с пандемией, оптимизировать работу медицинских работников и процессы внутри лечебных учреждений.

CNews: Какие тренды на российском рынке аналитики вы прогнозируете в 2020 году?

Александр Ефимов: Я не думаю, что ситуация будет принципиально меняться. Я бы сказал, что тренды сохранятся, но в более в прагматичном сценарии. Они будут сфокусированы на решении текущих задач: противодействие мошенничеству, техническая надежность бизнеса, переход в облака.

Может быть, облака станут более популярны в России. Мы уже фиксировали возросший интерес к управляемым аналитическим сервисам. Это отраслевые решения, доступные прямо из облака, они нацелены на получение результата.

Повысится интерес к методам и технологиям, исключающим человеческий фактор из процессов. Это касается кредитного конвейера, антифрод-систем, интернета вещей в промышленности, целевого маркетинга и в целом автоматизированных систем принятия решений. Хайп вокруг искусственного интеллекта, скорее всего, приземлится на практические задачи. Я думаю, что, когда пройдет период турбулентности, мы опять увидим, как организации с новыми силами ринутся осваивать ИИ.

CNews: Кто проявляет больший интерес к аналитике — госсектор или частный бизнес?

Александр Ефимов: Явно выделить нельзя, интересуются одинаково. Природа этого интереса у каждого немного разная. Раньше говорили про учетные системы, сейчас про них уже никто не говорит, потому что это просто базовый инструмент, который нужен всем. Для кого-то аналитические инструменты все еще являются диковинкой. Но мы уже на пороге понимания того, что это инструменты фактически первой необходимости. Это способ поддержания конкурентоспособности не только на уровне коммерческих компаний, но и среди государств на мировой арене.

CNews: Где предиктивная аналитика действительно работает?

Александр Ефимов: Она работает там, где много данных. Предиктивная аналитика изначально затевались для того, чтобы ежесекундно принимать решения за человека. Она раскрывается в полной мере, где необходимо применять массовые решения. Самые показательные примеры — это оценка действий клиентов и формирование предложений в реальном времени. «Газпромбанк» запустил такую систему вместе с нами. «Ренессанс страхование» запускают подобного рода решения для предстраховых проверок. «Почта Банк» одним из первых запустил систему, в которой аналитика оценивает вероятность того, является транзакция скомпрометированной мошенниками или нет.

Ритейлу интересно оптимизировать цепочки поставок, прогнозировать, какое количество конкретного товара в конкретном магазине будет куплено, чтобы не перегружать свои склады. Не отстает и сельское хозяйство. С холдингом «АгроТерра» мы составили подробную карту агрохимического состава земель, которая позволяет точечно определять, сколько микроэлементов и удобрений нужно для каждого поля и культуры. Не обязательно ограничиваться данными, которые накопили компании. Сейчас очень много источников, не являющихся внутренними, но они могут дать бизнесу уникальную ценность. Например, на основе открытых данных и данных, собираемых добровольцами, мы совместно с Международным институтом прикладного системного анализа исследуем процессы опустынивания и исчезновения лесов.

CNews: Вы чувствуете предел возможностей машинного анализа?

Александр Ефимов: Мы его еще даже не нащупали. Может быть, есть алгоритмические и вычислительные ограничения, но потенциал пока представляется безграничным. Алгоритмы уже умеют формировать видео, в которых виртуальный персонаж, не отличимый от человека, сообщает какую-то новость. Этим человеком может быть президент любой страны. Мы еще на пороге того, чтобы выйти в совершенно новую реальность. Является ли правдой то, что ты видишь на картинке и видео, как распознать, новость это или фейк? Мы на пороге новой эры восприятия информации, этот маленький пример — тому доказательство.