В Ростелекоме реализован проект Self-Service Analytics Platform, в результате которого удалось создать платформу для работы с данными, которую можно быстро и без серьезных затрат развернуть в любом достаточно крупном бизнес-подразделении. При этом фактически используется формат франшизы – команда проекта снабжает подразделение всем необходимым для выстраивания функции. О реализации проекта и его роли для компании рассказывает Дмитрий Тарасов, директор центра разработки аналитических решений «Ростелеком Корпоративные Системы» и номинант на премию Data Award.

- Расскажите об истории проекта.

Проект Self-Service Analytics Platform (SSAP) изначально родился как ответ на вызов, связанный с острой потребностью в аналитических решениях и интерактивной отчетности. Он реализовывался для сверхкрупной функции работы с дебиторской и кредиторской задолженностью «Ростелекома» и стартовал более трех лет назад. В силу большого количества процессов, данных и постоянно меняющейся обстановки в процессах, традиционная разработка «в граните и на века», очень плохо ложилась на потребности стейкхолдеров, выглядела крайне дорогостоящей и весьма тяжелой. Усугубляла ситуацию и классическая проблема крупных, слабо централизованных компаний – необходимых данных либо вовсе не было в доступе, либо они были фрагментарные и не сказать, что очень качественные. Выход был найден в создании развитой self-service функции работы с данными и аналитикой, которую пришлось делать значительно более «прокачанной» технически, чем это обычно принято.

- В чем заключалась проблема?

Часто под self-service ограниченно понимают возможность самостоятельно обратиться к готовым данным и сформировать несложный дашборд или выгрузку. В нашем случае все обстояло куда печальнее – нам нужно было упаковать в self-service весь цикл работы с данными: от обследования систем-источников и интеграционных решений до развитого хранилиза данных и BI-подсистемы. При этом система должна была остаться гибкой для изменений, обладать сравнительно дешевой стоимостью владения, не требовать сверхквалифицированных специалистов для обслуживания и развития, позволять бизнесу вести классическую self-service аналитику, формировать регламентные отчеты с высоким качеством данных (до четырех «девяток» включительно) и оставаться масштабируемой.

Звучит немного фантастично, но за два года работы мы это сделали: разработали компонентную модель решения и общую архитектуру, подобрали оптимальный стек, выстроили организационную и процессную модель, реализовали всю эту красоту технически, снабдили средствами мониторинга и администрирования, настроили каналы уведомления юзеров и поддержки о проблемах, внедрили автоконтроллинг качества данных, разработали набор метрик самоконтроля эффективности и благополучно «взлетели».

- Успешный «взлет» обычно провоцирует повышенный интерес к решению…

Да, довольно быстро мы поняли, что получившаяся функция работы с данными востребована не только внутри подразделения, работающего с дебиторской задолженностью. Она очень хорошо подходит для всех кейсов, когда разработка «Большого ИТ» или использование вендорских решений не подходит – по финансовым, организационным или политическим причинам. И таких зон в крупной организации много, гораздо больше, чем нам изначально казалось. Максимальная их концентрация, что весьма логично, пришлась на Общий центр обслуживания (ОЦО), как держателя функций поддержки, которые обычно не могут себе позволить тратить слишком много на ИТ-решения. И на этом этапе перед нами встал новый вызов – как масштабировать подразделение, работающее с данными, и его функционал на совершенно новые предметные области, которые еще и по объему данных дадут нам десятикратный прирост.

- Какой подход выбрали к решению задачи?

Нас спасли изначально верно подобранная архитектура, хорошо масштабируемая организационная модель и упаковка решения в контейнеры – в прямом и переносном смысле. Технические решения были виртуализированы почти сразу, для используемых инструментов развернут единый репозиторий, процесс разработки адаптирован под CI/CD поставки параллельных команд, а для команд, работающих над техническими решениями, введена специализация на предметных областях.

Кстати, команды зачастую формировались непосредственно из бизнес-среды вокруг сильного ядра. Например, команда, работающая над задачами аналитики и отчетности операционных подразделений HR, формировалась полностью из аналитиков внутри самого HR. Ребята прошли обучение производственному процессу, подтянули технические навыки, поработали 2-3 месяца с выделенными наставниками и вышли в «свободное плавание». Само собой, соблюдая требования и нормы процесса и оставаясь в зоне контроля основной команды.

Говоря в общем, мы стандартизировали процессы подготовки и развития команд self-service разработки, внутри них внедрена специализация сотрудников: бизнес-аналитик, дата-инженер, BI-разработчик. Были стандартизированы и кодифицированы принципы управления – от формата ведения плана до графика регламентных встреч. При этом мы постарались максимально сохранить сильные стороны self-service: гибкость, отзывчивость к изменениям, низкую стоимость владения, хороший показатель time-to market.

- Что в итоге получилось?

Как итог, мы получили уникальный, как нам кажется, продукт, который позволяет разворачивать функцию self-service работы с данными практически в любых условиях, не имея ограничений на тип источников, сложность интеграций, особенности ИТ-ландшафта. Решение не сильно требовательно к инфраструктуре, не сильно нуждается в «звездах» ИТ. Причем, что важно, мы не ограничиваемся только технической стороной вопроса. В нашем подходе учитываются вопросы подбора, развития, встраивания новой функции в организационную модель, настроенный процесс работы и даже работа с комьюнити в области данных.

Использованный нами технологический стек либо входит в реестр отечественного ПО, либо относится к open source, а процесс легко стыкуется с функцией RPA, развитием Data Science решений и с разработкой средств малой автоматизации.

- Как новое решение отразилось на бизнес-результатах?

За счет внедрения эффективных средств анализа работы с дебиторской и кредиторской задолженностью, своевременного выявления возможных и уже случившихся проблем с оплатой, выявления проблем и ошибок в данных, ежегодный прямой эффект составил более 100 млн руб. С учетом срока полезного использования системы в 10 лет, суммарный эффект превысит миллиард дополнительного денежного потока.

Эффект на оптимизацию резерва на сомнительные долги достигает более 50 млн руб. в год, то есть более 0,5 млрд руб. за срок жизни решения компания получит плюсом в операционный доход до вычета амортизации основных средств и нематериальных активов (OIBDA) и валовую маржу.

Аналитическая платформа работы с качеством процессов уже позволила улучшить ситуацию с качеством внутреннего сервиса на 8-10%, прогнозируется дальнейший рост показателя. Аналитика производительности сотрудников позволила высвободить более 40 FTE (full-time employee — «эквивалент сотрудника с полной занятостью»), и это еще не предел. В ходе внедрения системы выявлялось и исправлялось огромное количество неоптимальностей в процессах, внедрялись цифровые метрики, вводились автоматизированные KPI.

Сроки подготовки отчетности улучшились от 12% до 1000% – часть отчетности и аналитики стала формироваться до 10 раз быстрее. Как пример – если для подготовки отчетности о движении дебиторской задолженности с локализацией проблем до клиента и договора ранее требовалось до 45 дней с момента готовности данных (долгая консолидация данных, медленный анализ, выверка и исправление ошибок), то теперь на это уходит не более двух дней, из которых один – машинное время отработки конвейеров расчета и подготовки данных.

Выросло качество данных за счет постоянного их использования и внимания к результатам в цифрах. Нам удается поддерживать этот показатель на уровне не ниже 99%.

- Как новые технические возможности отразились на корпоративной культуре?

У нас сформировалось устойчивое дата-комьюнити, уже способное решать достаточно серьезные технические задачи. В значительной степени завершен процесс перехода на data-driven модель управления процессами в ОЦО. Фокус внимания аналитических подразделений сместился с бесконечной подготовки данных и формирования полу ручных отчетов на саму аналитику, то есть выявление и исправление проблем и «бутылочных горлышек». Кое-где функция дозрела до полноценной предиктивной аналитики, да и накопленные данные уже позволяют ею заниматься.

Если говорить о внутренних метриках, то за три года количество регулярных пользователей BI-отчетности приблизилось к 5 тыс. человек, а количество просмотров отчетов в месяц перевалило за 30 тыс.

- Какова роль этого проекта для бизнеса «Ростелекома»?

В результате проекта мы создали платформу для работы с данными, которую можно без сверхусилий и без серьезных затрат развернуть в любом достаточно крупном бизнес-подразделении. Это, в свою очередь, позволяет выстроить data-driven культуру работы с процессами, сократить потери, улучшить качество и скорость реакции на изменения. В целом, это позволяет намного лучше управлять процессами и бизнесом.

Аналогично тому, как при франшизе кофейни клиент, соблюдая свод правил, получит работающую кофейню, так и у нас – соблюдая не слишком сложный и адаптированной для развертывания в любой среде процесс и правила, а также пользуясь набором наших инструментов, упакованных в контейнеры и репозитории, удобной базой знаний и поддержкой, клиент получит функцию работы с данными и SSAP.

При этом мы не претендуем на роль «Большого ИТ», наша платформа вполне позволяет уживаться «на одной поляне» и с ним, и с командами бизнес-подразделений, выстраивая тесную координацию и симбиоз. Более того, именно так мы всегда и рекомендуем делать, отдавая в «Большой ИТ» системные и наиболее тяжелые интеграционные решения, а также системы с критической и закритической стоимостью рисков. А командам «на земле» можно оставить функцию классического self-service, отработку быстрых гипотез, ad-hoc задачи и непосредственно анализ.

- Каковы направления дальнейшего развития проекта?

Их несколько. С одной стороны, мы продолжаем натуральный экстенсивный рост, охватывая новые предметные области, процессы и показатели. Исходя из нашего понимания процессов и функций «Ростелекома» на сегодня, мы рассчитываем нарастить охват целевой аудитории до 10 тыс. уникальных пользователей в месяц и «пробить» показатель в 50 тыс. просмотров отчетности ежемесячно уже через полтора, максимум два года. В том числе за счет дальнейшего проникновения функции работы с данными в транзакционные подразделения и подключение новых предметных областей.

С другой стороны, мы планируем и далее развивать нетехнические стороны проекта: внедрить полноценную школу self-service команд, улучшить обучение владельцев продуктов, развивать комьюнити. Продолжаем систематизировать процесс продвижения разработанных продуктов и сервисов, обучение работе с ними для конечных пользователей. Развиваем площадку для кросс-коммуникаций self-service команд внутри компании.

Безусловно, будем уделять время росту качества self-service решений и контролю их соответствия общей ИТ-стратегии «Ростелекома» и стратегии работы с данными. В это отношении уже проделана большая работа, причем мы внимательно следим за балансом, стараясь не допустить излишней бюрократии или избыточного утяжеления процессов разработки.

Ну и наиболее интересным лично для меня направлением проекта является его интенсивное развитие за счет встраивания в функцию работы с данными ИИ-решений и упаковывая их в единый метаконтур работы с данными. Причем как со стороны интенсификации разработок, создания нового качества в процессе, так и для новых продуктов и сервисов, ориентированных на конечных пользователей.

Если же говорить про финансовые и экономические перспективы проекта, то мы смотрим в будущее с осторожным оптимизмом, так как за все время проекта у нас не было откровенно убыточных продуктов и команд – всегда появлялся эффект, позволяющий выводить итог работы команды в плюс.