2020/06/04 10:07:27

Никита Блинов, Rubbles: «Мы находим процессы, данные о которых можно превратить в деньги для клиента»

О том, за счет чего умные аналитические решения приносят выгоду и как помогают работникам на предприятиях, в интервью TAdviser рассказал Никита Блинов, сооснователь и главный исполнительный директор компании Rubbles (Раблз).

Никита
Блинов
Мы отбираем именно те проекты, где анализ данных и машинное обучение принесут ощутимый эффект

От аналитики больших данных ждут очень многого. Что в ней главное: математика или бизнес-интуиция, позволяющая увидеть перспективную нишу для ИТ-решений?

Никита Блинов: Оба условия необходимые. Правда, слово «интуиция» я заменил бы на «холодный расчет». Именно он, на наш взгляд, первичен. Математика — это умения, навыки, и они очень востребованы — сейчас специалистов мало. Но проблема с кадрами постепенно разрешится, этому можно обучить. А бизнес-подходу научить сложнее. Это история про опыт людей в каждой конкретной отрасли, более того, в каждой конкретной задаче внутри нее.

Чистая математика сама по себе не приносит денег. Нужен продукт или бизнес-процесс, который за счет этой математики можно оптимизировать. Скажем, розничной сети прогноз спроса необходим для решения конкретной задачи: чтобы минимизировать списания (когда товара привезли больше, чем было нужно) и упущенную выручку (когда товара завезли меньше, чем можно было продать). А предсказание поломок оборудования становится ценным только тогда, когда интегрировано в работу бригад техобслуживания и значимо повышает их эффективность.

Мы в Rubbles очень четко «на берегу» понимаем, где, образно говоря, лежат деньги. Где можно заработать больше, а где сэкономить, в том числе время сотрудников. Анализ данных — тема настолько хайповая, что есть большой соблазн углубиться в проекты, в которых есть много данных, но мало ценности для бизнеса. Мы этого избегаем и отбираем именно те проекты, где анализ данных и машинное обучение принесут ощутимый эффект.

Как это происходит? Как вы понимаете, на что стоит потратить время?

Никита Блинов: Начиная работу над любым проектом, мы просеиваем идею через «сито» факторов, которые говорят о том, стоит это делать или нет.

Первый фактор — это экономический эффект. Львиная доля аналитических ИТ-решений — это история про оптимизацию существующих процессов. Нужно понять, в чем будет ценность от анализа данных и как ее измерить. Это и подразумевает понятие «холодного расчета» как одной из двух главных составных частей аналитики больших данных.Российский рынок HR-tech: оценки, перспективы, крупнейшие поставщики. Обзор TAdviser 100 т

Второй фактор отбора — данные, их наличие. Это не обязательно многие терабайты данных, а любой объем, в котором человеку уже трудно найти закономерности самостоятельно. Это означает, что машинный анализ может дать эффект. Иногда нужно собрать данные по внутренним источникам организации, а иногда — дополнить данными из внешних источников. Также важно разобраться с природой данных — нередко бывает так, что никто из сотрудников уже точно не помнит, откуда данные взялись и что конкретно они означают.

Третий фактор — процесс, который мы оптимизируем. Во-первых, он должен быть регулярным, желательно ежедневным. Например, менеджер торговой сети на регулярной основе планирует закупки продукции. Банки ежедневно осуществляют коммуникации с клиентами. Диспетчер фабрики ежедневно следит за выработкой смены. И так далее. Во-вторых, этим процессом должны заниматься люди и в рамках своего повторяющегося бизнес-процесса принимать решения, напрямую влияющие на бизнес компании. Цена их ошибок обычно достаточно высока: для магазина это списанный, а не проданный товар, для банка — недовольный клиент, которого можно потерять, а для фабрики — невысокая выработка. Значит, и экономический эффект от системного повышения качества таких процессов будет существенным.

Неужели такое «сито» работает для всех отраслей? И если да, то технологии наверняка потом используются разные? Бизнес ведь абсолютно разный.

Никита Блинов: Безусловно, есть много индустриальной специфики, но в любой отрасли есть процессы, в которых персонал принимает регулярные решения, напрямую влияющие на экономику компании. В этом контексте нет большой разницы между менеджером торговой сети, маркетологом банка или диспетчером фабрики. Поэтому единая методология оценки привлекательности проектов по оптимизации таких процессов вполне оправдана.

Касательно технологий — вы правы, тут различий от индустрии к индустрии и даже от процесса к процессу много. Но все равно есть большая общая часть.

Представьте готовое решение в виде слоеного пирога. Нижние слои практически одинаковы, это инфраструктурная часть: сбор данных, их очистка, верификация, объединение в единую понятную и удобную для обработки архитектуру. В верхних слоях появляются элементы моделирования, у которых чаще всего есть индустриальная специфика. Разными будут конкретные инструменты — модели, признаки, отчеты, дашборды, а также бизнес-приложения для пользователя в рамках его процесса. С таким подходом оптимизация нового процесса в новой компании или целой индустрии заключается в том, чтобы внедрить и настроить эти слои: где-то некоторые уже созданы, нужно только достроить недостающие, а где-то нет ничего, нужно «печь» весь «пирог» полностью. Мы эволюционно развивали этот «слоеный пирог», разрабатывая приложения для новых индустрий с абсолютно разными процессами: банков, сетей супермаркетов, горно-обогатительных комбинатов, сервисных и производственных предприятий, телекома, FMCG-компаний, ресторанов быстрого питания и т.д.

А в чем выгода такого подхода для заказчика?

Никита Блинов: Скорость и гибкость. Технологическая платформа Rubbles позволяет создавать решения на основе анализа данных очень быстро, даже если внедряются они в новой отрасли. Если придерживаться аналогии с «пирогом», большая часть слоев уже готова и в любом случае используется многократно. Этот подход экономит массу ресурсов по сравнению с разработкой с нуля. А для тех отраслей, в которых мы давно работаем, есть уже готовые бизнес-решения. Если подытожить, то процессы, которым интеллектуальные системы аналитики данных приносят несомненную пользу, есть в любом крупном предприятии масштаба Enterprise: банки, ритейл, производство, энергетика, горная или нефтяная промышленность. Мы разрабатываем систему для оптимизации таких процессов. Наша миссия — находить такие процессы и превращать данные о них в деньги для клиентов.