Data science — новая нефть?

Значение данных в бизнесе быстро растет. Компании, которые не способны работать с неструктурированной информацией, проигрывают в конкурентной борьбе, предупреждают эксперты. «Ростелеком» провел мероприятие, посвященное искусственному интеллекту, науке о данных и машинному обучению, на котором обсуждались волнующие бизнес вопросы. Предлагаем вашему вниманию ключевые моменты этой встречи.

Data science (DS, — прим. ред.) — это деятельность, связанная с анализом данных и поиском лучших решений на их основе. Согласно исследованию «Аналитика больших данных как инструмент бизнес-инноваций», проведенному компаниями IDC и Hitachi Vantara, уже в 2019 году более 90% российских компаний из различных секторов экономики подтверждали, что они решают ряд задач с помощью технологий аналитики больших данных. 78% компаний в основном изучают неструктурированную информацию из различных источников и понимают, что анализ таких данных способен повлиять на результаты бизнеса. «Мы понимаем, что в классической схеме ретейла уже не можем существовать как раньше — реалии поменялись», — говорит руководитель направления по работе с данными «Леруа Мерлен» Максим Лисянский.

Один в поле не воин

Для решения задач аналитики данных в компаниях поначалу формировались самостоятельные команды, или дата-офисы. Сейчас участники рынка говорят о необходимости создания продуктовых команд, куда входят дата-сотрудники. Такие команды фокусируются на развитии какого-то конкретного продукта.

К примеру, ретейлер «Утконос» основал дата-офис в 2019 году. Сначала он решал задачи автоматизации бизнес-аналитики, отвечал за уход от Excel и запуск DS-проектов (прогноз, ценообразование, целевой маркетинг). С использованием технологии машинного обучения удалось точнее прогнозировать время обслуживания клиентов и способствовать увеличению заказов при сохранении уровня сервиса и тех же ресурсах. Кроме того, цифровой двойник склада позволил снизить пробеги транспорта на 15%, а благодаря АВС-методу (классификация ресурсов по степени их важности, — прим. ред.) в 1,5 раза снизились ошибки промо-прогнозов. То есть сформированные команды из ИТ-специалистов и менеджеров стали приносить реальные доходы.

От отрицания к принятию

Практически каждая компания проходила стадию отрицания со стороны бизнес-подразделений необходимости создания дата-офиса. Сначала бизнес не видел потенциал использования данных. Но после презентаций реализованных кейсов, прокачки продуктовых и операционных менеджеров у бизнеса стал появляться интерес, он начинал использовать аналитику для некоторых операционных процессов. Затем компания стала получать инсайты на основе данных, которые применялись для принятия решений, в качестве актива для стратегического планирования, постановки целей и оценки возможных рисков.

К примеру, в «Ростелекоме» задумались о масштабной трансформации информационных технологий (ИТ, — прим. ред.) в 2011 году, когда происходило объединение компании. В наследство от многочисленных региональных подразделений достался настоящий зоопарк ИТ. В итоге процессы информационной автоматизации совершенствовались медленно, что не устраивало бизнес-подразделения, которым нужны были быстрые результаты. Только через три года, в 2015-м, в «Ростелекоме» запустили единое корпоративное хранилище данных взамен локальных хранилищ, а спустя еще три года, в 2018-м, произошла централизация функции управления данными, наконец, годом позже было запущено направление data science.

«Когда дата-специалисты появляются в каждом направлении, то происходит трансформация менталитета у компании. Тогда уже приходит сам бизнес и говорит, что это мы можем решить с помощью данных», — поделился Максим Лисянский.

По словам генерального директора компании 3iTech Алексея Любимова, в последние годы стала меняться культура работы с данными. «Если еще недавно бизнес обрабатывал только профильную информацию, например, истории покупок или транзакции, то теперь он стремится использовать все доступные данные. Нашу платформу речевой аналитики банки и ретейлеры применяют как дополнительный источник информации, анализируя диалоги сотрудников с клиентами», — привел он пример.

Данные необходимо монетизировать

Отдельный вопрос — как добиться инвестиций в дата-проекты? Согласно упомянутому выше исследованию IDC и Hitachi Vantara, у более половины из опрошенных компаний есть выделенный бюджет на внедрение аналитики больших данных. Организации, которые уже используют такие решения, планировали расширение проектов и рост выделенных бюджетов. «Бизнес готов вкладываться, если ему гарантируется результат. А data science не может его гарантировать: не все кейсы могут оказаться успешными, не все гипотезы срабатывают», — обратила внимание управляющий директор практики прикладного искусственного интеллекта Accenture в России Лариса Малькова.

«Ожидания от внедрения решений с использованием технологий искусственного интеллекта часто не оправдываются. Многие компании инвестируют в DS, рассчитывая получить быстрый эффект, и часто разочаровываются. Возврат инвестиций в этом направлении возможен только при достижении определенного уровня технологий, процессов и культуры работы с данными в компании», — дополнил ее директор по управлению данными «Ростелекома» Сергей Носов.

С другой стороны, говорит Максим Лисянский, бизнес понимает, что рынок меняется и конкуренты развиваются: «Если мы не будем впереди их, то закроемся. И это позволяет обосновать необходимость инвестиций перед бизнесом. Рынок уже осознал, что данные необходимо монетизировать», — отметил он.

Зарплаты «перегрели» рынок

Историю науки о данных принято считать со дня основания в 1966 году Комитета по данным для науки и техники — CODATA, созданного в рамках Международного совета по науке. Сам термин “data science” вошел в обиход в середине 1970-х. В 2010-х годах из-за распространения мобильного интернета, роста трафика, перехода на цифровые рельсы профессия дата-сайентиста стала одной из самых востребованных.

Однако только в последние два года из-за DS на рынке труда случился ажиотаж. По данным исследования Академии больших данных MADE от Mail.ru Group и рекрутингового портала HeadHunter, с июля 2019 года по апрель 2020-го количество резюме специалистов по анализу данных и машинному обучению выросло на 33%. В целом в 2019 году вакансий в области анализа данных стало больше в 1,4 раза по сравнению с 2018-м. Объясняется это тем, что теперь ИТ-специалисты нужны не только технологичным компаниям.

Популярность профессии «перегрела» кадровый рынок и в части зарплатных ожиданий, отметил управляющий директор Газпромбанка Денис Занков. По данным сервиса «Работа.ру», в марте 2021 года среди ИТ-специалистов в России средняя зарплата дата-сайентиста уступала лишь техническому директору: 173 тыс. рублей и 183 тыс. рублей соответственно. Для сравнения, за специалиста по искусственному интеллекту компании были готовы платить в среднем 150 тыс. рублей, руководителю команды разработки — 144 тыс. рублей.

Такие расценки изрядно «раскачали» зарплатные ожидания соискателей. «Если человек хоть год проработал по направлению аналитики данных, то уже приходит в компанию устраиваться с космическими запросами, как с десятью годами опыта за плечами», — сетует директор департамента анализа данных «Ростелекома» Андрей Зима.

При этом, как отметила начальник управления розничного моделирования департамента анализа данных и моделирования Газпромбанка Елена Лунева, не все крупные компании готовы повышать внутренним специалистам с такой скоростью оклады, как приглашаемым с рынка. Лучше вырастить своего, уже работающего специалиста, до необходимой незакрытой в компании компетенции, согласились участники рынка.

Еще одна сторона «перегретости» рынка — неудовлетворенность самого сотрудника даже при условии высокой зарплаты. «Если сотрудник пришел на очень высокую зарплату, то потом попадает в ловушку. Ему не нравятся работа в выходные, коллектив, но терять то, что уже зарабатывает, он не хочет. И новую работу ищет с повышением как в карьером, так и денежном планах», — пояснила Лариса Малькова.

Новое стратегическое направление

На сегодня data science является одним из самых ярких трендов в бизнесе. При этом уже появляются и такие новые должности, как инженер по машинному обучению (machine learning engineer), ИИ-исследователь (A.I. researcher). В августе 2021 года Минтруд утвердил новый профессиональный стандарт — «Специалист по моделированию, сбору и анализу данных цифрового следа». В перечень его трудовых функций входит сбор и обработка цифрового следа в соответствии с моделью деятельности человека (либо группы людей) и информационно-коммуникационных систем, анализ данных цифрового следа, управление сбором и обработкой цифрового следа.

Как отмечают эксперты DS-платформы Anaconda, наука о данных еще продолжает путь к зрелости. В ближайшие два-три года она может стать стратегическим направлением бизнеса во многих отраслях.

https://telesputnik.ru/materials/trends/article/data-science-novaya-neft/?fbclid=IwAR1z6_96QSsTVTT6fCK_gWCLTsQ8x0JhpDyq7U7fWHU6wX396Xhlu-fm2nU