Алексей Гуржиев
Большие данные, цифровизация и машинное обучение для собственников и топ-менеджеров, Или как зарабатывать больше с помощью информации
Введение
Выйти на самоокупаемость в XXI веке – непростая задача для любой компании, если она не использует большие данные, цифровизацию и машинное обучение в своей повседневной деятельности. Не говоря уже о том, что без этих инструментов невозможно увеличить прибыль и оптимизировать бизнес-процессы. Основная причина – перенасыщенный предложением рынок, на котором борьба идет за доли процента прибыли. А при таком масштабе привычные методы ведения бизнеса становятся бесполезными, и приходится прибегать к помощи вычислительной техники.
Изучив это руководство, вы поймете:
• Для чего бизнесу нужны «большие данные». Почему невозможно начать собирать их без цифровизации компании. Зачем создавать информационные панели для собственников и топ-менеджеров.
• Как устроено машинное обучение, каким образом оно связано с большими данными, какие задачи решает, за счет чего увеличивает прибыль и снижает издержки.
Несмотря на то, что тема, затронутая в этой книге, так или иначе касается программирования, вы не встретите здесь примеров программного кода. Я лишь схематично расскажу, что и за чем следует, чтобы у вас появилось хотя бы общее представление о предмете. Основное же внимание при изложении материала будет уделено тому, чтобы познакомить с особенностями сбора больших данных, автоматизации процессов, визуализации результатов и контроля жизненных показателей бизнеса сквозь призму больших данных руководителей и топ-менеджеров и мотивировать их на внедрение новых инструментов в своих компаниях. Фактически эта книга – научпоп о цифровизации, машинном обучении и уже упомянутых больших данных.
Также в данном руководстве вы найдете информацию, касающуюся управления компанией. Но речь не идет о традиционном управлении коллективом или командой. Здесь описывается способ построения такой системы взаимодействия с сотрудниками, чтобы свести контакты между людьми к минимуму. Этот тип организации рабочего процесса, без сомнения, придется по душе интровертам, которые мечтают о том, чтобы их компания работала сама по себе: без звонков, писем, долгих уговоров и лишних усилий. Благодаря предлагаемому способу вся информация и рабочие задачи оказываются в единой системе, облегчая управление всеми происходящими процессами и контроль за ними. Да, и без такой системы крайне сложно начать собирать большие данные и проводить машинное обучение. Поэтому шаги по ее внедрению будут подробно описаны в первой части книги, которую вы держите в руках.
В дополнение к этому руководству был создан сайт RealBigData.ru. Он является демонстрационным, представляя «информационную панель компании», речь о которой пойдет дальше. В отдельных главах в качестве поясняющих материалов к тексту будут встречаться изображения с этого сайта, но на нем также размещены уникальные рекомендации, которых нет в книге: например, информация о том, на какие показатели компаний чаще всего обращают внимание профессиональные инвесторы. Поэтому обязательно посетите сайт и опробуйте предлагаемую систему – не упускайте возможность получить по-настоящему ценные знания!
Для кого и о чем эта книга
Цель данного руководства – заинтересовать предпринимателей в цифровизации бизнеса и использовании больших данных для увеличения прибыли и снижения издержек.
Эта книга в первую очередь рассчитана на мудрых руководителей зрелого возраста. Поскольку в основном у руля большого числа отечественных компаний находятся именно такие собственники и топ-менеджеры. Часто они не позволяют использовать новые подходы к управлению организацией и производственным циклом, небезосновательно утверждая, что бумажный документооборот надежнее электронного. С одной стороны, это действительно так. И в идеале было бы неплохо хранить бумажные копии всех документов фирмы где-нибудь в бункере на северном полюсе на случай ядерной войны. Но с другой стороны, цифровизация позволяет заметно увеличить чистую прибыль и повысить общий уровень управляемости компании. Поэтому руководителям с многолетним стажем все же стоит сделать над собой усилие ради достижения, по сути, главной цели любого бизнеса – получения прибыли, и начать полноценно, со знанием дела пользоваться компьютером, интернетом и всеми технологиями, которые позволяют сделать рабочий процесс более легким и эффективным.
Несмотря на очевидные плюсы, многие опытные управленцы боятся шагнуть в неизвестность. Поэтому основной задачей этого руководства как раз и является подробное аргументированное объяснение важности квалифицированного использования электронных вычислительных машин с целью получения большей выгоды. В том числе в данной книге будут рассмотрены следующие вопросы:
• Большие данные. Необходимость сбора информации, способы ее хранения и обработки.
• Визуализация данных. Построение графиков и вычисление основных бизнес-показателей в режиме реального времени.
• Машинное обучение. Способы создания моделей машинного обучения на больших данных и их использование для прогнозирования результатов бизнес-процессов.
• Цифровизация производства. Сбор больших данных как при производстве товара (или услуги), так и при контроле качества готового изделия.
• Организация работы сотрудников. От необходимости их перевода на «удаленку» до создания портала (веб-сайта) предприятия для служебного использования.
Все эти темы будут обильно сдобрены примерами успешного использования больших данных как применительно к ежедневной аналитике, так и для прогнозирования редких процессов. При этом в данном руководстве я намеренно старался избегать сложных технических терминов, изложив материал языком, доступным обычному пользователю персонального компьютера. А яркие наглядные примеры позволят вам осознать важность сбора, обработки и анализа всех возможных больших данных, даже если у вас за плечами нет специальных знаний и навыков.
Профессионал же в области машинного обучения, больших данных и их анализа после прочтения следующего абзаца, скорее всего, захочет предать автора анафеме за упрощение терминологии и отступление от строгих математических канонов. Но неопытных новичков это, напротив, должно успокоить: в данной книге точность терминологии принесена в жертву доступности текста. Поверьте, так легче начинать «с нуля» читать о том, о чем никогда раньше не слышал, а возможно, даже и не хотел слышать.
Вследствие упрощения языка этого руководства от читателя потребуется запомнить синонимы некоторых определений. Например, в тексте будут встречаться разные наименования для «алгоритмов машинного обучения»: от сокращенного «алгоритм» до более длинного «искусственный интеллект» или «машинный интеллект». При этом «компьютер» может называться «сервером» или просто «машиной» (не путать с автомобилем). Также на протяжении всей книги красной нитью проводится мысль о том, что надо бережно подходить к большим данным, сохраняя все, что только возможно, для того чтобы в будущем на их основе проводить «тренировку», «обучение» компьютера. Так вот, это в буквальном смысле «тренировка», во время которой машина выясняет, в какой степени взаимосвязаны тысячи разных параметров. После окончания такого обучения компьютер сохраняет сделанные выводы для дальнейшего их использования. Эта сохраненная логика называется «моделью машинного обучения» (иногда в тексте – «алгоритмом»). У такой модели можно попросить «предсказать» результат процесса, о котором она узнала в рамках обучения.
Если вам ясно не все, о чем говорится в предыдущем абзаце, не переживайте. Руководство, собственно, и предназначено для того, чтобы после его изучения вам стала понятнее данная область человеческой деятельности. Для этого все механизмы и процессы не только подробно описаны в книге теоретически, но и проиллюстрированы многочисленными примерами их практического использования в бизнесе.
Источники данных
Автор данной книги является предпринимателем в области информационных технологий с многолетним опытом создания и продвижения собственных проектов (более 10 штук). Поэтому иногда в тексте вы будете встречать цифры и факты без пояснительной сноски на исследовательские статьи-источники. Эта информация была получена из личного опыта автора этой книги, что нисколько не умаляет ее значимость и даже напротив: ее стоит воспринимать как актуальное и реальное положение дел в IT-бизнесе на территории России в 2023 году.
Порядок и план изложения материала
В разных главах этой книги десятки раз будет возникать одна и та же цепочка из трех элементов: «цифровизация» – «большие данные» – «машинное обучение». Но структуру изложения правильнее назвать «спиралевидной». Потому что на каждом последующем витке обсуждения будут рассматриваться новые вопросы, тонкости и особенности всех трех составляющих. Таким образом, читатель сможет последовательно, по нарастающей вникнуть в различные аспекты и без лишнего напряжения овладеть этими темами на хорошем уровне. Главную же мысль данного руководства, которая и описывает вышеуказанную спираль, можно сформулировать так: «Машинное обучение позволяет заработать больше. Но чтобы обучить машину, нужны большие данные. А чтобы собрать большие данные, нужна единая информационная система компании и цифровизация всего трудового процесса».
В первой части книги мы поговорим о цифровизации некоторых процессов компании, а точнее разных ее отделений. Затем разберем способ объединения разрозненных систем. Все эти шаги позволят собирать и накапливать большие данные, о которых речь пойдет в середине руководства.
Если же читатель уже провел цифровизацию всех отделений своей компании, создал единую информационную систему и начал накапливать большие данные, ему стоит сразу обратить внимание на последнюю треть этой книги. Начиная с глав «Примеры успеха» и «Примеры неудач» и далее описаны разнообразные способы использования больших данных и машинного обучения. Приведенные истории взяты из совершенно разных отраслей предпринимательской деятельности: от свинофермы до аэропорта. В них обязательно найдутся идеи и для вашего бизнеса.
Почему машинное обучение стало полезным
С момента появления людей на планете и до двадцатого века нашей эры человечество накопило примерно два терабайта информации в виде печатных книг, рукописных свитков, скрижалей, изображений на стенах пещер и т. п. Но в настоящее время (2023 год) мы создаем подобный объем информации за долю секунды (более 300 экзобайт в день). При этом с каждым днем скорость накопления данных резко увеличивается. Почти 90 % всей существующей информации появилось за последние 2 года. А общее количество данных, накопленных человечеством, достигает уже 120 зетабайт[1].
Весь этот объем надо не только хранить, но и обрабатывать. А алгоритмы классической математики плохо работают в подобных масштабах. Предвосхищая текущее положение дел, еще в период между 1943 и 1965 годом у человечества начали появляться новые методы обработки данных, основанные на машинном обучении. Тогда же были сформулированы основные положения, описывающие, что собой представляют нейронные сети, глубокое обучение и искусственный интеллект в целом. Но путь от теории к практике оказался долгим и тернистым, потому что вычислительная электроника на момент появления первых идей находилась в зачаточном состоянии и была неспособна потягаться даже с современным калькулятором. В результате в области прикладных исследований возникла небольшая пауза.
Через пару десятков лет, в период между 1970 и 1989 годами произошел качественный скачок в развитии баз данных и электроники. Что позволило систематизировать и обрабатывать информацию в той форме, объемах и с такой скоростью, которые требовались для начала использования машинного обучения в промышленных масштабах.
Современный вычислительный сервер (производства 2023 года) из верхнего ценового сегмента, который стоит как автомобиль, легко займет первую строчку в рейтинге 500 самых мощных суперкомпьютеров мира 2000 года. При этом его энергопотребление в три раза ниже, чем у обычного чайника или пылесоса. Благодаря этому любая компания, даже не имеющая большого штата системных администраторов, электриков и программистов, может создавать свои модели машинного обучения, обрабатывая огромные массивы данных. Более того, энтузиасты уже умудряются использовать вычислительные мощности кофеварок, микроволновок и роботов-полотеров для непрерывного анализа информации.
Можно смело сказать, что машинное обучение плотно вошло в нашу жизнь и никуда теперь не исчезнет. С каждым годом все больше компаний будут пользоваться его плодами, обгоняя конкурентов. Поэтому читателю лучше отвергнуть все мысли о том, что это лишь временное явление и не стоит торопиться приступать к изучению новой науки. Прочитав эту книгу, каждый может выйти на достойный уровень понимания всех причин, последствий и способов применения машинного обучения и больших данных в бизнесе.
Битва за хлебные крошки
С начала века бизнес претерпел существенные изменения, вызванные третьей промышленной революцией (информатизацией), развитием каналов продаж и рекламы. При этом доходы его непрерывно падают из-за растущей конкуренции на рынке. Если раньше наценка 50 % считалась вполне привычным делом, то сейчас 3–5 % – это уже большая удача. И если получается сохранить часть пирога выручки после оплаты себестоимости, бизнес выходит на самоокупаемость. А в некоторых случаях даже становится успешным. И, как это ни парадоксально, чем крупнее компания и сложнее ее бизнес-процессы, тем точнее выражение «битва за хлебные крошки» описывает процесс увеличения выручки. Справедливости ради отметим, что у состоявшегося бизнеса доли процента от прибыли могут составлять десятки или даже сотни миллионов рублей. Поэтому, если не бороться буквально за каждую копейку себестоимости, считая ее мелочью, недостойной внимания, потери прибыли могут быть колоссальными.
Итак, сегодня битва идет за проценты прибыли, которые могут решить судьбу всей компании. Эта борьба ведется с помощью автоматизации всех рабочих процессов и за счет снижения издержек в каждом отделении. Ввиду этого набор сотрудников уже давно проводится с пристрастием. Сегодня никто не нанимает «девочку для продаж по телефону» – разумнее отдать ее зарплату программисту, который автоматизирует весь процесс и принесет компании во много раз больше пользы. Поэтому можно без преувеличения сказать, что основными солдатами в бою за повышение прибыли являются специалисты, которые, жонглируя большими данными, позволяют эффективно повышать рентабельность бизнеса за счет обработки огромных массивов информации, их анализа и внедрения следующих из этого процедур, способствующих улучшению работы компании.
Спрос на таких специалистов появляется не только из-за потребностей бизнеса, но и вследствие роста информационной грамотности населения. Для примера сравним розничную торговлю, осуществляемую через интернет-магазины в начале века и сейчас. Если раньше достаточно было продавать товары на одном собственном сайте компании, то теперь необходимо размещать их еще и на «чужих» площадках («Яндекс.Маркет», Ozon, Wildberries и т. п.), использовать агрегаторы и даже социальные сети, которые тоже стали точками продаж. Некоторые сервисы предлагают бизнесменам услуги по созданию таких автоматических выгрузок, однако они не могут удовлетворить индивидуальные запросы клиентов с помощью имеющихся функций. Ведь между компаниями царит жесткая конкуренция в погоне за увеличением процента прибыли. То есть за максимальное привлечение клиентов. Поэтому бизнесу приходится брать дело в свои руки, нанимать штатных программистов и специалистов по большим данным. Их работа с торговыми площадками и соцсетями в «ручном режиме» позволяет достичь более тонкой настройки, а также снизить издержки на доработку стандартного программного обеспечения, что в конечном итоге приводит к увеличению прибыли.
Зарплаты у программистов довольно высокие. Поэтому небольшим компаниям, которые только выходят на современный переполненный конкурентами рынок, может показаться, что достичь самоокупаемости в такой среде практически невозможно. Однако в действительности, хотя у крупных корпораций и есть сотни программистов, которые могут переиграть любого конкурента, процесс их «раскачки» занимает довольно продолжительное время. Небольшие «маневренные» фирмы способны быстрее подстроиться под течения рынка, держа нос по ветру. Они вполне вольготно могут существовать и развиваться в своей нише, куда большие игроки еще не добрались из-за неповоротливости их бюрократической машины. Но когда небольшая компания хорошо себя чувствует, она волей-неволей начинает расти ради получения еще большей прибыли. И со временем переходит в другую конкурентную лигу. Круг замыкается: хочешь жить спокойно – будь маленьким и слабым, хочешь жить сытно и по-царски – качай мышцу. Поэтому идеальной стратегией для фирм любого размера будет постепенный набор программистов с самого начала своего существования. Иначе можно просто потерять бизнес, если спохватиться слишком поздно.
Если вы разделяете такой подход к делу, который требует бо́льших затрат на своих программистов, но в ответ дает вам полную свободу и гибкость по извлечению прибыли из бизнес-процессов, эта книга для вас. Однако даже если вы его не разделяете и склонны нанимать на работу сторонних специалистов, эта книга и для вас тоже, потому что позволит при найме делать осознанный выбор. Повторюсь: здесь вы найдете описание всего процесса сбора, аналитики и обработки больших данных.
Зачем нужно собирать информацию
В прошлом разделе было сказано, что существование бизнеса в условиях современного перенасыщенного рынка практически невозможно без штатных программистов. Фирмы со старым подходом к делу, с бумажным документооборотом, будут медленно вымирать, проигрывая в конкурентной борьбе тем, кто стремится к минимизации потерь прибыли.
Теперь углубимся в причины этих потерь. Для чего сначала поверхностно коснемся темы больших данных и машинного обучения, чтобы вникнуть в суть, изучить терминологию и наметить конечные цели, которые подробнее обсудим в заключительной части книги. Но прежде сделаем небольшое отступление и уточним, что «программисты», речь о которых шла раньше, бывают разные. Они трудятся в различных областях и направлениях, решая соответствующие профессиональные задачи. Если работа программиста каким-то образом связана с данными (информацией), его называют «специалистом по данным». К этой категории относятся:
• Инженеры по данным, которые создают огромные хранилища, вмещающие сотни терабайт информации. Они же пишут программы по сбору и конвертации этих данных в более удобные форматы, чтобы другие сотрудники могли ими пользоваться.
• Аналитики данных, которые занимаются построением и анализом графиков и диаграмм по уже собранным данным, чтобы лучше понимать бизнес-процессы и увеличивать прибыль компании.
• Специалисты по машинному обучению, которые могут создавать и обучать на собранных данных системы для предсказания каких-либо значимых для бизнеса параметров и их величин.
Иногда в тексте вместо общего названия «программисты» вам встретится более конкретное «специалист по данным». А какое именно направление имеется в виду, вы поймете из контекста.
Большие данные
Английское словосочетание Big Data дословно переводится как «большие данные». По сути – это подробная информация о предмете. К примеру, большие данные для торгового центра включают в себя сведения о чеках покупателей, о количестве посетителей и даже о температуре внутри здания в течение всего дня. При этом данные не ограничиваются стенами торгового центра, в них могут быть добавлены заметки о количестве людей, пользующихся ближайшей станцией метро. Или даже информация о частоте стрижки городскими службами расположенных в радиусе ста метров от торгового центра кустов. Эти с виду бесполезные данные, скрупулезно собираемые в течение продолжительного периода времени, и называются «большими данными».
При этом они представляют собой не только числа. Это могут быть:
• Текстовые отзывы клиентов и их обращения в службу поддержки.
• Комментарии в социальных сетях.
• Записи телефонных разговоров с клиентом.
• Фотографии – от аватаров клиентов до снимков товаров.
• Видео с камер наблюдения.
Вся эта информация может легко занимать десятки терабайт. И чем старше фирма, тем больше у нее накоплено данных для проведения ценных исследований: в современном мире намного дороже удалять старую информацию, чем хранить ее вечно. Это как раз тот случай, когда «своя ноша не тянет».
Из-за непрерывно поступающих данных компании стараются минимизировать объемы хранящейся информации для снижения расходов на электронные носители. Для этого, например, аудио- и видеозаписи с помощью специальных алгоритмов переводятся в более компактный вид. Из аудиофайлов выделяют речь. Из видеозаписей, например с камер наблюдения, можно получить данные о количестве находящихся в магазине посетителей. Поэтому если преобразовывают формат, то нет нужды хранить само исходное видео или аудио. Более того, даже обычная текстовая информация, которая и так занимает немного места, отлично сжимается благодаря современным алгоритмам. Это сильно уменьшает занятый объем хранилища компании. Однако, несмотря на затраты, сейчас даже у небольших предприятий, далеких от информационных технологий, можно найти в кладовке работающий сервер, забитый несколькими терабайтами данных.
Непосвященному человеку куча устаревшей информации на серверах компании может показаться мусором. Но на самом деле это нефть 21 века. Огромные массивы накопленных данных используются для предсказания будущего, в котором бизнес сможет развиваться лучше и заработать больше. Делаются такие прогнозы не напрямую человеком, а посредством компьютера, в который вложены специальные математические алгоритмы. Даже если на график, на котором отображено ежедневное изменение тысячи параметров за последний год, посмотрит хорошо подготовленный специалист, он увидит лишь забор из линий. А компьютер, машина, не напрягаясь сможет сделать верный вывод о влиянии этих параметров на чистую прибыль компании. Но если бы данные вообще не были собраны, то и никакого вывода сделать было бы нельзя. Именно для этого всевозможная информация и хранится в компании, потому что без нее невозможно натренировать машинный интеллект, сделать с его помощью прогноз на будущее и получить выгоду для бизнеса.
Далеко не все данные, которые попадают на серверы компании, представлены в удобном для использования виде. Поэтому «склады» этих данных разделяют на несколько типов, между которыми непрерывно перекачивается информация, изменяя свою форму (или, говоря профессиональным языком, формат). Первый склад называется «озеро данных» (с английского ”Data Lake”). В него попадает вообще все, во всех возможных форматах. Там могут находиться файлы текстовых документов PDF или DOC вперемешку с JPEG-изображениями и MP4-видеофайлами. Как можно догадаться, если бессистемно поставлять подобные потоки информации в хранилище и не определить заранее, как и куда сохранять, то озеро данных очень быстро превратится в болото. Чтобы этого не произошло, нужен специальный программист, он же «инженер по данным». А если быть совсем точным, «директор по данным» (с английского ”Chief Data Officer”). Он следит как за порядком на этом «водохранилище», так и за правами доступа к нему. Весь процесс называется «управление данными» (с английского ”Data Governance”).
Итак, озеро данных – это первый «склад», куда попадает информация. После чего начинается процесс ее трансформации в более удобные формы для последующего размещения в следующем складе под названием «хранилище данных» (с английского ”Data Warehouse”). Сам процесс преобразования информации и ее перемещения между «складами» называется ETL (англ. термин ”Extract, Transform, Load” – дословно «извлечение, преобразование, загрузка»). И в конце, когда данные оказываются в хранилище в удобной для чтения форме, с ними уже могут начинать работать другие специалисты. На основе этих данных строят графики, их анализируют, на них тренируют модели машинного обучения, а также используют их для построения статистики и бизнес-отчетов.
Обычно ETL-процессы автоматизируются специальными программами, которые пишут инженеры по данным. К примеру, каждый квартал компания скачивает публичный бухгалтерский отчет конкурентов в PDF-формате. Делается это для того, чтобы держать руку на пульсе, следить за рынком. Очевидно, что в такой ситуации невозможно попросить конкурента выкладывать информацию в более удобном формате. Поэтому инженер по данным пишет программу, которая сначала скачивает PDF-файл в «озеро данных», потом достает пару-тройку нужных значений из него и сохраняет в «хранилище». После чего обновляет графики, которые строятся по этим данным. И в конце удаляет исходный PDF-файл из озера. Подобная программа срабатывает по расписанию, автоматически, непрерывно доставляя свежую информацию руководству и аналитикам. А в хранилище не остается больших ненужных файлов, все преобразуется в максимально компактный и удобный вид.
Машинное обучение
Итак, мы определились как со способом хранения данных, так и с причиной их преобразования в более удобный и компактный формат. Но остались вопросы: какова цель хранения данных, почему их не стоит удалять по прошествии длительного времени, зачем их бесконечно копить? Кратко на эти вопросы можно ответить так: собранные «большие данные» нужны для обучения машин. После прохождения такого обучения компьютеры способны прогнозировать параметры спроса, предлагать меры по улучшению продуктов и услуг, а также выдвигать идеи для построения новых стратегий по продажам. Наличие подобных обученных машин ведет к увеличению прибыли, снижению издержек производства, улучшению бизнес-процессов, и, как следствие всего этого, компания начинает теснить своих конкурентов.
Попробуем понять принцип машинного обучения с помощью небольшого примера. Предположим, в компьютер загрузили фотографии собаки. Затем машине сказали: «Это фотографии собаки». Компьютер запомнит такой образ собаки и само слово. Для контроля этих знаний надо провести экзамен – загрузить в машину фото другой собаки. И компьютер, используя созданную во время обучения логическую модель, скажет: «С вероятностью 95 % это похоже на собаку». Если тренирующий машину специалист будет удовлетворен таким уровнем точности ответа, он завершит обучение и сохранит текущее состояние машины в файл, чтобы воспользоваться им при необходимости в будущем. В этом файле натренированной модели машинного обучения находится логика определения собак по изображению на фотографии. При этом данную модель можно улучшить в будущем, переобучить: сделать ее более точной, используя больше изображений.
Готовая модель с созданной в процессе обучения логикой сохраняется в файл, в память компьютера. Это делается специально, чтобы в следующий раз, когда понадобится прогноз, не приходилось проводить обучение с самого нуля. Обратите внимание, что тренировка машины похожа на процесс обучения человека: чтобы получить качественное образование, необходимо выполнить как можно больше контрольных, пройти много тестов и сдать кучу экзаменов. В случае с изображениями собаки, для достижения более-менее уверенного распознавания потребуется показать машине тысячи фотографий с этими и другими животными. Такой процесс обучения может растянуться на несколько дней даже на мощных компьютерах. А вот само предсказание с помощью готовой модели занимает считанные доли секунды. И может осуществляться на ограниченных вычислительных ресурсах, даже на мобильных телефонах. При этом файл модели редко превышает размер в пару сотен мегабайт.
Часто можно услышать еще такие термины как «нейронное программирование» и «глубокое обучение» (с английского ”Deep Learning”). По сути, это способы построения логики, которые находятся под «капотом» у модели машинного обучения. Конечному пользователю готовой модели абсолютно все равно, как проводилось обучение: будь то «нейронное программирование», «дерево решений» или что-то связанное с «глубоким обучением». Главное, чтобы это была действительно обученная (натренированная) модель с хорошей предсказательной силой (высокой вероятностью верного ответа). А выбор методов по ее построению и тренировке – это задача специалистов. Ведь с точки зрения тех, кто использует готовые модели, все работает одинаково. Это как с автомобилями – они такие разные, но у всех у них есть педаль газа и тормоза. Поэтому, если услышите термины «нейронное программирование» и «глубокое обучение», знайте, что это все то же «машинное обучение».
Кто использует машинное обучение в бизнесе
Чтобы оценить необходимость использования машинного обучения в бизнесе, достаточно взглянуть на лидеров рынка, которые в подавляющем большинстве уже активно его применяют[2] и, по данным консалтинговой компании McKinsey & Company, делают это практически во всех возможных областях (от ретейла и туризма до фармакологии и электрогенерации) и почти в 4 раза чаще, чем остальные фирмы. Судя по такой существенной разнице, машинное обучение является одним из основных инструментов, которыми должна уметь пользоваться организация, если она стремится выбиться в лидеры.
По данным аналитиков, после внедрения машинного обучения у компаний в среднем себестоимость производства снижается на 10–20 %, а выручка растет на 5–10 % в зависимости от сферы деятельности. Это невероятная выгода. Поэтому почти 70 % лидеров рынка говорят о том, что машинное обучение является частью их стратегии и у них составлены многолетние корпоративные планы по его дальнейшему развитию.
Бытует мнение, что при внедрении машинного обучения придется нанимать много сотрудников для поддержания работы созданных систем. Но по статистике лишь 30 % компаний придется увеличить штат на 3 %. И только у 5 % – он вырастет на 10 %. При этом в фирмах, связанных с тяжелой промышленностью, общее количество сотрудников, наоборот, уменьшится на 3–10 %.
Цель цифровизации и сбора больших данных
Распознавание собак на фотографиях – это отличная функция. Но вряд ли с ее помощью можно создать несколько успешных бизнес-продуктов, которые принесут реальную прибыль. Поэтому давайте оставим этот пример и зададимся более глобальным вопросом: «Как за счет больших данных и машинного обучения увеличить прибыль компании или по крайней мере вывести ее на самоокупаемость?» В этом вопросе речь идет о двух совершенно разных состояниях бизнеса. Но они оба могут быть скорректированы, с одной стороны, благодаря аналитике и ее инструментам, с другой – за счет возможности предсказания будущего на основе больших данных. Разберем все по порядку.
Как заработать больше
Рассмотрим аналитический процесс (анализ больших бизнес-данных) с точки зрения обычного человека. В качестве примера возьмем продажи питьевых йогуртов. Для проведения анализа люди используют графики. Например, график зависимости средней прибыли компании от количества бутылок йогурта в одной проданной упаковке:
На таком графике любой человек с легкостью может найти самый высокий показатель и сделать вывод: «Если класть в упаковку по 5 йогуртов, чистая прибыль будет максимальной и составит 160 рублей за одну такую проданную упаковку». И это верное заключение, с одной лишь оговоркой. Двухмерный график строится тогда, когда все остальные параметры зафиксированы. Например, этот график справедлив при значении объема бутылки в 100 мл. Но как он поведет себя, если построить его исходя из разных объемов емкости? Давайте попробуем изобразить трехмерный вариант такого графика.
С изменением объема одной бутылки изменяется и чистая прибыль. Поэтому для получения максимальной выгоды надо найти на трехмерном графике наивысшую точку и определить уже два параметра: количество бутылок в упаковке и объем одной бутылки.
Рекомендую прямо сейчас зайти на сайт RealBigData.ru, который был создан специально для демонстрации идей, изложенных в этой книге. Там представлен этот трехмерный график в интерактивном формате, его можно «покрутить» и найти параметры точки максимума (координаты появляются при наведении курсора мыши).
Как можно заметить на трехмерном графике, вершина имеет значение в 230 рублей и находится в координатах «5 бутылок, 130 мл объема». Добавив лишь одну ось к предыдущему графику, мы смогли найти такие параметры товара, которые дали на 21 % больше прибыли! Чувствуете силу данных? Попробуем улучшить результат, увеличив количество осей…
На трехмерном графике любой из нас без особого труда может чисто визуально найти максимум. Такой несложный алгоритм поиска наивысшей прибыли может дать хорошие результаты. Но если на график добавить еще одну ось, то человеку будет уже очень трудно справиться с поставленной задачей по поиску параметров, определяющих максимум. Потому что он не может представить четырехмерное пространство. Получается, что такой визуальный способ не является ни универсальным, ни точным из-за невозможности с его помощью рассмотреть все переменные одновременно. Это приводит к тому, что питьевые йогурты будут продаваться не с максимально возможной прибылью. А в условиях конкурентного рынка недостающие проценты прибыли могут привести к банкротству. Какой вывод? С этого момента лучше прибегнуть к помощи компьютера.
Теперь попробуем провести анализ приведенных графиков с точки зрения машины. Компьютер не сможет изучать графики визуально, как это делаем мы, потому что у него нет глаз. Он поведет себя как незрячий человек, ощупает всю поверхность графика и таким образом разыщет максимум. На первый взгляд такой способ выглядит трудозатратным. Но представьте, что нужно предсказать чистую прибыль не по двум параметрам (количество бутылок и их объем), а по десяти:
1. Количество бутылок.
2. Объем одной бутылки.
3. Температура бутылки.
4. Толщина стенки бутылки.
5. Прочность крышки.
6. Время суток, когда была совершена продажа.
7. Размер скидки.
8. Возраст покупателя.
9. Пол покупателя.
10. Наличие шляпы на голове покупателя.
Для проведения анализа по этим данным придется строить не двух- или трехмерный график, а одиннадцатимерный (10 параметров + 1 ось – чистая прибыль как предсказываемая величина), представляющий собой одиннадцать перпендикулярных друг другу осей, выходящих из одной точки. Обычный смертный не может ни нарисовать такой график, ни визуально найти на нем максимум. А вот компьютеру даже не придется менять его подход: незрячая машина последовательно ощупает все оси, методично переберет все значения, сравнит результаты всех возможных комбинаций и в итоге выдаст ответ, при каких параметрах будет получена максимальная прибыль. Но для этого нужны большие данные, которые надо специально и тщательно собирать. И чем ответственнее компания подходит к этому процессу, а также к обработке данных, тем больше увеличит свою прибыль, повысит качество предлагаемого товара или услуги и тем сильнее снизит издержки в результате использования машинного интеллекта.
У вас могут возникнуть вопросы: «Погодите, каким образом связаны одиннадцатимерный график, на котором представлены различные параметры йогурта, и машинное обучение? В предыдущем примере компьютер обучали, показывая ему фотографии собак, а теперь кто, кого, чему и как учит? Как на этом сделать прибыль?» Чтобы ответить на них, надо разобрать данные, касающиеся параметров йогурта подробнее. Компания методично собирала эти данные, экспериментируя с размерами упаковки и продавая разные ее варианты в различных магазинах разным покупателям и в разное время. Несложно догадаться, что фирма не смогла бы проверить все возможные комбинации полученных данных, то есть перебрать все значения параметров, чтобы как можно точнее описать «изгибы» одиннадцатимерного графика и определить максимальные значения прибыли. В результате у них получился график с «пропусками», то есть с областями, в которых отсутствовали данные. К примеру, компании совсем не удалось получить информацию о продаже йогурта вечером покупателю в шляпе. Это не значит, что такой продажи не было или не могло бы быть. Просто именно для этого сочетания значений параметров нет данных. И как же в таком случае быть? Вот тут-то и вступает в дело «машинное обучение» или «искусственный интеллект».
Натренированную на данных машину можно попросить предсказать значение прибыли в точке пропуска на графике, то есть в области, для которой данные еще не были получены экспериментальным путем. В нашем случае запрос к машине на предсказание будет звучать так: «Сколько бы заработала компания, если бы продала йогурт покупателю в шляпе вечером?» В ответ компьютер выдаст нам точное число, полученное из имеющихся в распоряжении данных. Это произойдет невзирая на то, что в действительности подобная ситуация еще никогда не случалась. Так компания сэкономит значительные средства на проведении реальных экспериментов с разными типами упаковок йогурта и не только.
Заполнение машиной пропущенных значений на одиннадцатимерном графике отчасти можно сравнить с ремонтом лоскутного одеяла с помощью заплаток. Сначала изучают края дыры, определяют, какой формы заплатка требуется. Затем «пробел» латают. После этого график можно считать более-менее полным. Однако нужно понимать, что если дырки в графике слишком большие, то есть реальных данных очень мало, то предсказания будут неточными. Это как невозможно подобрать нужный лоскут для ремонта, если дыра огромного размера, иначе будет нарушен рисунок. В таком случае, увы, придется покупать новое одеяло. Поэтому никогда не выкидывайте данные, накапливайте их для обучения компьютеров. Чем больше данных, тем меньше потребность в заплатках. А значит, точнее предсказания.
Возможно, иллюстрация с йогуртом показалась кому-то из читателей несколько надуманной. Приведу реальный пример, касающийся больших данных, чтобы доказать, что это совсем не так. Обратимся к открытому соревнованию Concrete compressive strength[3], в рамках которого специалисты по данным должны были определить состав самого твердого бетона. Участникам предоставили частичную информацию, в которой содержались сведения относительно прочности образцов в зависимости от соотношения различных компонентов и параметров. Всего было шестнадцать переменных:
1. Количество цемента.
2. Количество доменного шлака.
3. Количество золы.
4. Количество воды.
5. Количество «суперпластификатора».
6. Плотность пластификатора.
7. Количество крупного заполнителя.
8. Количество мелкого заполнителя.
9. Количество компонента MixtureMeasurement9.
10. Количество компонента SSL9000.
11. Значение параметра O2_purityscore.
12. Количество компонента F192.
13. Оценка по шкале TysonScore.
14. Площадь бетона.
15. Возраст бетона.
16. Влажность бетона.
Производитель бетона собирал данные, изучая имеющиеся у него образцы, и пытался найти такое соотношение ингредиентов, при котором прочность была бы максимальной. Очевидно, что если бы компания решила действовать путем «перебора» всех возможных соотношений, то у нее не хватило бы ни денег, ни времени (продолжительности жизни сотрудников), чтобы протестировать все возможные комбинации. Для решения именно таких задач и предназначено машинное обучение. Созданный на основе собранных данных алгоритм способен предсказывать значения для «пробелов», благодаря чему можно получить результаты тех экспериментов, которые еще не проводились в реальности, то есть спрогнозировать будущее. К примеру, если компания-производитель бетона спросит: «Какова будет прочность, если использовать в два раза больше золы?», то машина ответит что-то вроде: «Прочность упадет на 26.7 %». Так фирма может проводить миллионы экспериментов в день, не тратя на это ни копейки. Действуя подобным образом, рано или поздно компания обязательно найдет лучшее соотношение компонентов для создания самого прочного и дешевого бетона.
Как вывести компанию из убытков
В предыдущих главах мы выяснили, как можно увеличить прибыль, используя большие данные и машинное обучение для предсказания результатов экспериментов. Но для того чтобы эти большие данные вообще появились и сохранялись в процессе каждого бизнес-процесса, необходимо специальным образом организовать все информационные потоки в компании. Самое время перейти к обсуждению масштабной и фундаментально важной для больших данных темы – цифровизации как комплекса действий, направленных на перевод львиной доли или всех процессов в организации с бумажных носителей в «цифру». Простыми словами, как всю ту информацию, которую раньше сотрудники компании записывали на бумаге, перенести в компьютеры.
На первый взгляд кажется, что цифровизация поможет «заработать больше» компаниям лишь в том случае, если они и так хорошо себя чувствуют и находятся «на плаву». Но это неверно. Благодаря цифровизации можно вытянуть убыточный бизнес на уровень самоокупаемости. К сожалению, многие руководители и топ-менеджеры за ежедневной рутиной и миллионом сиюминутных дел не видят этой возможности. При этом их конкурентами являются компании с молодыми собственниками, которые буквально весь бизнес строят в цифре, в принципе не используя бумажные документы. Они делают это с момента создания своей компании, потому что знают, что иначе не смогут минимизировать расходы и выйти на самоокупаемость. Современные фирмы поступают таким образом даже в том случае, если у них нет конкурентов на рынке и на текущий момент они являются монополистами. Эта цифровизация внедряется совершенно осознанно, методично и последовательно, если необходимо, то даже насаждается насильно, вопреки воле некоторых менеджеров и сотрудников. Потому что если не сделать этого сразу, в дальнейшем, когда на рынок придут конкуренты и начнут забирать часть прибыли, а дела у компании, соответственно, станут хуже, уже невозможно будет быстро переучить всех и перейти на «цифру».
Процесс цифровизации старых закостенелых компаний весьма болезненный, но при этом довольно прозрачный и понятный с простой последовательностью действий:
1. Находим ту работу, которую можно автоматизировать или роботизировать.
2. Пишем программу, делаем робота.
3. Переводим сотрудника, который раньше выполнял эту работу, на новую должность или, увы, расстаемся с ним.
Несмотря на то, что программы и роботы стоят недешево, им не нужна ежемесячная заработная плата. Они будут славно трудиться до тех пор, пока есть электричество и хотя бы один надзиратель-оператор, который изредка будет проверять их успехи.
Благодаря этой схеме высвобождаются финансы, которые раньше уходили на зарплаты сотрудникам. При этом не надо увольнять всех сразу, процесс довольно сильно растянут во времени. Цифровизация осуществляется небольшими порциями и на самых востребованных направлениях – тех, где она высвободит наибольшее количество денег. Она может не иметь четких рамок и часто привязывается к тем финансам, которые получилось сэкономить на предыдущем витке. Этот процесс напоминает снежный ком: чем больше машин внедряем в помощь человеку, тем больше экономим денег, тем больше машин сможем внедрить в будущем.
Основная проблема цифровизации с точки зрения финансов заключается лишь в том, что услуги программиста или специалиста по электронике стоят денег. И потребуется накопить стартовую сумму даже для проведения разовых работ (не говоря уже про периодические), которые зачастую просто необходимы.
Для наглядности рассмотрим несколько компаний, работающих в разных сферах. Их объединяет одно – полное отсутствие цифровизации и, как следствие, убыточность. При этом ситуацию можно «перевернуть», выявив и устранив имеющиеся болевые точки. Все описанные далее предложения реальны и эффективны. Вы можете использовать эти идеи для внедрения цифровизации в своей компании.
Гаражный кооператив
Каждое предприятие уникально. И цифровизация у всех проходит по-разному, затрагивая бизнес-процессы разного порядка. Конечно, выгода непосредственно зависит от глубины проработки, но то, что этот процесс окажет на компанию общее положительное влияние, это факт. Главное, что с каждым новым этапом выгода будет расти и уже никогда не даст задний ход.
В качестве первого примера рассмотрим расположенный в родном городе автора этой книги гаражный кооператив, членом которого он является. Упомянутый кооператив насчитывает несколько сотен гаражей. Каждые полгода бухгалтерия присылает своим клиентам платежки за услуги. До 2021 года они представляли собой специальные бумажные квитанции, в которых от руки заполнялись данные владельца, указывалась сумма задолженности и другая информация, после чего бухгалтер выдавала готовые документы каждому члену кооператива лично в руки, для этого планово приглашая всех по списку на персональную встречу.
На первый взгляд кажется, что это просто каменный век какой-то и оптимизация производственных процессов отсутствует у них напрочь. Однако это не так. Достаточно взглянуть на квитанцию. На маленькой бумажке напечатано слово «Квитанция», есть поля «ФИО», «Дата» и т. п. То есть данные слова бухгалтеру не надо писать от руки, что уже немного экономит его время и силы. Можно даже предположить, что кооперативу потребовалось бы нанять отдельного человека для этой работы, если бы названия полей не были напечатаны заранее. Ведь в кооперативе сотни гаражей, а значит, заполнение вручную нескольких дополнительных граф – это существенные временные затраты, требующие введения дополнительной штатной единицы. Таким образом, с одной стороны, кооперативом все же управляют довольно сознательные люди, которые ценят время как ресурс, но, с другой стороны, это далеко не все преобразования, которые можно провести. Что же дальше?
Совсем недавно бухгалтерия гаражного кооператива, после долгих споров и дебатов заинтересованных сторон и согласования со всеми директорами, все-таки удовлетворила дерзкую просьбу автора этой книги и начала присылать мне фотографии квитанций в мессенджере. Подобное решение избавляет меня от необходимости посещения бухгалтерии, а кооператив, в свою очередь, быстрее получает оплату. И это уже огромный шаг на пути к цифровизации, на который учреждение не потратило ни копейки.
Благодаря интернету бухгалтер за считанные секунды передает мне квитанцию. Ему теперь не надо тратить время на то, чтобы позвонить мне, согласовать время моего визита и, наконец, встретиться со мной. Я всегда увижу отправленное сообщение и произведу оплату. То есть одно небольшое решение избавило организацию от целого вороха проблем, связанных с выдачей квитанций. Уверен, что кооператив войдет во вкус и через несколько лет уже в принудительном порядке будет отправлять фото квитанций всем клиентам. Но давайте оценим всю выгоду, которую получит компания в результате такого решения. Очевидно, что, во-первых, можно будет уволить человека, который занимается обзвоном клиентов с целью согласования встречи для передачи квитанции. Поскольку кооператив насчитывает несколько сотен гаражей, наверняка один сотрудник постоянно «сидит» на телефоне, тренируя свой голосовой аппарат. Уволив бесполезного работника, организация сможет ежемесячно направлять его зарплату на что-то стоящее, например:
• Купить 2–3 камеры для системы видеонаблюдения.
• Развивать систему пожаротушения.
• Проводить модернизацию системы подачи воды.
• Осуществлять ремонт дороги.
Вы, конечно, можете возразить мне, что деньги, сэкономленные на зарплате одного сотрудника, – совсем небольшая сумма. Это верно. Однако не забывайте, что первый этап цифровизации производственного процесса был осуществлен совершенно бесплатно благодаря использованию популярных в народе мессенджеров. Затрат на реализацию идеи вообще не было. А в итоге кооператив получил свободные средства, которые, накапливаясь из месяца в месяц, потихоньку превращаются в существенную сумму.
Из зарплаты уволенного сотрудника логично сделать ежемесячно пополняемый фонд, средства из которого тратились бы только на проведение дальнейшей информатизации производства, точнее, на зарплату программиста, который писал бы на заказ необходимые программы. Речь идет не о ежемесячной выплате, а о сдельной оплате труда за конкретные проекты. Так как фонд пополняется постоянно, со временем денег хватит на проведение следующих этапов цифровизации. Надо лишь подождать, пока они накопятся. А мы тем временем давайте подумаем, что еще можно оптимизировать в гаражном кооперативе.
Первое, что бросается в глаза, – мне присылают фотографии бумажных квитанций, на которых от руки написаны ФИО и сумма задолженности. Очевидно, что эту работу способна выполнять машина. Вполне возможно написать программу, которая будет получать из бухгалтерии сумму задолженности и составлять документ в формате квитанции, заполняя нужные ФИО и сумму. С такой программой бухгалтеру вообще не нужно будет ничего писать от руки, достаточно лишь нажать на кнопку и распечатать квитанцию.
Конечно, за разработку подобной программы придется заплатить. Но это нужно будет сделать только один раз. И, кроме того, деньги на это пойдут из ежемесячно пополняемого фонда, созданного заранее. Если такая программа стоит больше, чем поступление за один месяц, нужно просто подождать несколько месяцев, чтобы скопить необходимую сумму. Главное, что программа пишется один раз и не требует постоянной зарплаты, в отличие от сотрудника. И рано или поздно, когда она заработает, кооператив начнет экономить. Бухгалтер больше не будет писать что-либо от руки, а значит, сохранит энергию и время для другой работы. Возможно, даже удастся сократить его рабочий день и перевести на полставки. Наверняка ежедневное заполнение квитанций для сотен клиентов гаражного кооператива занимало не один час, причем бессмысленного, не требующего высокой квалификации труда. Теперь же бухгалтер может просто распечатать все квитанции и тратить время только на их фотографирование и отправку в мессенджер.
А если вспомнить о том, что в нашей стране уже достаточно развитое законодательство, которое разрешает передавать клиенту чек в электронном виде, мы придем к тому, что бумажки вообще не надо печатать! То есть бухгалтер может отправлять квитанции клиентам в электронном виде на их почту или в мессенджер. В итоге не нужно ничего печатать, закупать листы, чернила для принтера, ремонтировать оргтехнику. Все эти лишние ежемесячные расходы превращаются в деньги фонда по цифровизации компании. Причем будут поступать в него с той же регулярностью, с которой происходит закупка этих расходных материалов. К примеру, если бухгалтерия кооператива приобретает картридж для принтера каждый месяц, то теперь эта сумма будет уходить в фонд цифровизации.
Следующим шагом станет полное освобождение бухгалтера и всех остальных причастных от рутины по рассылке квитанций. Для этого кооперативу снова придется подождать некоторое время, чтобы накопить необходимую сумму и заказать вторую небольшую программу по автоматической рассылке квитанций всем клиентам в мессенджеры. С этого момента вся работа бухгалтера сведется к нажатию одной-единственной кнопки с надписью: «Отправить квитанции всем клиентам». Остальные процессы будут происходить автоматически. Клиенты получат квитанции напрямую от бухгалтерии. Никому не придется ни заполнять платежные документы от руки, ни печатать их, ни обзванивать всех членов организации, ни встречаться с ними, для того чтобы отдать квитанции, ни закупать чернила и бумагу для принтера каждый месяц. Таким образом, после нескольких волн автоматизации у гаражного кооператива уже есть две программы, которые выполняют все те же функции, которые до этого реализовывали сразу несколько сотрудников: одна формирует квитанции, вторая рассылает их клиентам. Теперь можно смело проводить вторую волну увольнений, а зарплату уволенных ежемесячно отправлять в фонд дальнейшей цифровизации.
Вдумайтесь, цифровизации подвергся лишь один процесс раздачи квитанций, а компания уже вздохнула с некоторым облегчением, осознав объем высвободившихся денежных средств. В целом, даже на этом можно остановиться. Потому что лучшее – враг хорошего. Но ради эксперимента попробуем порассуждать, какой могла бы быть дальнейшая цифровизация кооператива, если в качестве окончательной цели – финального аккорда – поставить себе перевод всей компании в «компьютер». Для этого необходимо будет сделать нечто более серьезное, чем написать пару небольших и недорогих программ. Здесь требуется полноценный сайт в интернете с функцией личного кабинета клиента. Войдя в него, члены кооператива смогут узнать о своей задолженности и самостоятельно совершить оплату. При этом сайт автоматически проверит и зафиксирует факт оплаты, снимая эту часть работы с главного бухгалтера. Сразу стоит отметить, что все написанные ранее программы – по формированию и рассылке квитанций – не пропадут, а будут задействованы в работе этого сайта. Поэтому цена подобного личного кабинета окажется вполне вменяемой по сравнению с остальными затратами.
Первым «пострадавшим» от внедрения новой системы станет помощник бухгалтера, единственная реальная задача которого сегодня – проверять факт оплаты счета в банке. Каждый день этот сотрудник лишь звонит в банк (или заходит на его сайт), уточняя, пришла ли оплата от определенного клиента. Ранее описанная схема действия цифровизации сработает и в этом случае:
• Будет написана программа, которая заменит человека.
• Сотрудника уволят.
• Зарплата бывшего сотрудника начнет ежемесячно поступать в фонд дальнейшей цифровизации.
Таким образом, возникает непрерывный цикл цифровизации, при каждом витке которого компания высвобождает все больше и больше денег без ощутимых затрат, а баланс фонда ежемесячно растет заметными темпами.
Очевидно, что после череды достижений, когда руководство кооператива увидит реальную финансовую выгоду от цифровизации, оно загорится желанием получить еще больше и наверняка попросит заняться бухгалтерией плотнее. В этот момент придется нанять одного программиста на постоянную работу, используя для этих целей ежемесячно пополняемый фонд цифровизации, который сформировался из зарплат уволенных сотрудников. Перед новым специалистом будет стоять, хоть и непростая, но вполне реальная задача – связать сайт кооператива и всю бухгалтерию, что займет у него несколько месяцев работы.
Но это не значит, что по окончании данного проекта с программистом придется расстаться, наоборот, его ни в коем случае нельзя отпускать! Потому что на этой стадии цифровизации компании необходим штатный специалист, который знает систему изнутри. Поэтому стоит перевести его на постоянную должность в бухгалтерию. Идеальный вариант – это когда в небольшой бухгалтерии работают только один бухгалтер и один программист. Первый планирует, что и как нужно автоматизировать, второй реализует это. И если у них все получается и они представляют собой по-настоящему слаженную команду, со временем система оказывается до такой степени автоматизированной, когда, например, даже годовые отчеты для налоговой формируются и отправляются самостоятельно, что этап информатизации всего кооператива можно считать законченным. И тогда наступает подходящий момент для обсуждения с этими специалистами вопроса об их частичной занятости.
Всю описанную выше работу по цифровизации реально провести буквально за один-два года, спустя которые можно будет лишь удивиться и порадоваться сумме, продолжающей накапливаться в фонде цифровизации. Ведь чем более раздутой была бухгалтерия, чем больше сотрудников в ней работало, тем сильнее будет расти фонд. Потому что все, кроме главного бухгалтера и одного программиста, подпадут под сокращение.
Остается только подвести итоги. Положение дел до цифровизации:
• Бумажная бухгалтерия.
• Сотрудники, которые занимаются ерундой: непрерывно пишут бумажки от руки, звонят клиентам, вручную проверяют поступления на счет в банке.
• Существенные траты на расходные материалы: бумага, чернила, орг. техника и т. п.
• Необходимость проведения большого количества персональных встреч с клиентами в офисе.
Что компания получит после проведения полной цифровизации:
• Фонд, который ежемесячно пополняется за счет зарплат уволенных сотрудников:
– ◦ заполнителей квитанций от руки;
– ◦ специалиста по телефонным переговорам с клиентами;
– ◦ специалиста по телефонным переговорам с банком по поводу установления фактов оплаты;
– ◦ и за счет отсутствия затрат на расходные материалы: бумагу, чернила, орг. технику и т. п.
• Полностью автоматизированную систему выставления счетов, которая будет работать, даже если уволить всех сотрудников, а именно сможет сама:
– ◦ выставлять счета;
– ◦ принимать оплату картой;
– ◦ проверять факт оплаты;
– ◦ отправлять отчеты в налоговую;
– ◦ предоставлять клиентам доступ к личному кабинету на сайте, благодаря чему те смогут внести текущие данные счетчиков энергии и воды, а также посмотреть задолженности, с целью учета и проведения автоматических расчетов.
• Сокращение численности сотрудников бухгалтерии до двух человек – главного бухгалтера и программиста – и, как следствие, свободные деньги, которые пойдут на дальнейшее развитие кооператива.
Полученная в результате цифровизации система является дешевой, гибкой, легко управляемой и устойчивой к кризисам. При этом на каждом этапе ее реализации административная нагрузка на коллектив только снижается, ведь людей становится меньше. А первоначальные затраты для запуска процесса равны нулю.
Можно поспорить насчет полной стоимости создания подобной системы. Но в любом случае, согласно описанному выше плану, в качестве источника финансирования использовался зарплатный фонд уволенных сотрудников, поэтому месяцем раньше или позже, но система все равно будет создана при таком подходе, как только накопится сумма, необходимая для написания программы. А работать эти программы будут бесконечно долго.
Сокращение издержек – это отличная мотивация для проведения цифровизации всей компании. Но не стоит забывать и об основной цели преобразования всех бизнес-процессов в цифровой вид – создании фундамента для сбора больших данных. Ведь если не будет больших данных, то не будет и машинного обучения, которое принесет еще больше выгоды, чем цифровизация.
Столовая
Пример с гаражным кооперативом довольно простой. Этот тип бизнеса не содержит каких-либо сложных технологических процессов. Любой программист среднего уровня справится с задачей цифровизации такой компании. Поэтому немного усложним задачу – рассмотрим вариант, в котором уже присутствует машинное обучение. Вспомним про распознавание изображений собак на фотографиях, а в нашем новом примере тот же алгоритм будет использован для распознавания объектов видеокамерой, что приведет к ускорению одного из главных бизнес-процессов в несколько раз и, как следствие, скажется на прибыли компании. Итак, перейдем непосредственно к примеру.
Действие происходило в недалеком прошлом в одном из крупнейших высших учебных заведений Москвы, в котором постоянно учится порядка 10 тысяч человек (когда-то студентом этого вуза был и автор данной книги). Чтобы обеспечить энергией такую толпу, на территории университета построен и функционирует отдельный специальный корпус – здание, в котором находится четыре основных столовых. Но даже при таком, казалось бы, достаточном количестве точек общепита вполне можно остаться голодным во время большого перерыва (с 12 до 13 часов дня). Виной тому – очереди, в которых придется отстоять примерно 30–35 минут, чтобы получить свою порцию. В расписании же студентам на обед отведено всего ~50 минут! Эти очереди в больших столовых могут доходить до нескольких десятков метров, напоминая гигантских голодных змей, хвосты которых теряются где-то в коридоре. Любой студент способен, окинув опытным взглядом такую очередь, сразу определить, будет он сегодня с обедом или нет. Поэтому многие отказываются от идеи перекусить, даже не заходя в столовые, когда видят хвост «рептилии» в коридоре.
На первый взгляд кажется, что это золотая жила – бизнес, спрос на который всегда будет превышать предложение. А на практике оказывается, что и здесь бывают проблемы с прибылью. Но существует способ, с помощью которого можно спасти такой «общепитовский» бизнес, решить имеющиеся проблемы, не прибегая к кардинальным мерам по сокращению штата сотрудников, ухудшению качества еды или размеров порций. Есть очевидное проблемное место, которое требует автоматизации, если целью является значительное увеличение прибыли и сокращение издержек.
Речь, конечно, о слишком долгом ожидании в очереди. Студентам приходится тратить на это до 80 % всего перерыва, чтобы потом за оставшиеся считанные минуты быстро забросить в себя еду и бегом добраться до аудитории, где, скорее всего, уже началась лекция. Понятно, что подобные, довольно экстремальные условия серьезно влияют на количество посетителей столовой. Но управляющий не замечает упущенной прибыли, потому что смотрит исключительно на цифры в отчетах и видит постоянную выручку, которая практически не меняется из месяца в месяц. Ориентируясь на эти данные, он делает логичный с его точки зрения вывод: «все отлично, продолжаем работать, клиентам нравится».
То есть для управляющего важно, чтобы выручка не падала, именно поэтому он следит за отчетностью и показателями. Но если мы говорим о росте прибыли, необходимо смотреть не только в бумаги, но и вокруг, обращая внимание на реальные проблемы. Так, выручка стоит на месте, потому что на кассе в каждой столовой сидит только один человек. А очередь – это результат того, что единственный кассир вручную пробивает каждое блюдо, которое видит на подносе у студента, причем в старый кассовый аппарат заносится стоимость блюда с точностью до копейки. То есть в среднем, бедный продавец должен нажать примерно полсотни кнопок, чтобы выдать один чек. А после этого студенты оплачивают еду наличными деньгами, несмотря на то, что вся стипендия приходит на карту, так как раритетный аппарат не принимает карты. Соответственно, кассиру приходится иметь дело еще и с наличными: точно считать, выдавать сдачу и при необходимости бегать разменивать большие купюры. Продолжительность этого процесса сильно зависит от скорости реакции кассира, его моторики, опыта.
Весь этот ад отчетливо видит каждый студент, который стоит в очереди, но не управляющий, который смотрит лишь в цифры, которые говорят ему, что выручка не падает, хотя и не растет. К слову, именно из-за такой вот нелепицы в фирмах и существует отдел «создания и построения компании», который специально отделен от «административного» (поговорим об этом подробно в следующих главах). Оптимизацией и цифровизацией процессов должны заниматься не управляющие, а другие люди, наделенные большими полномочиями и имеющие соответствующую подготовку в области независимого анализа действующих бизнес-процессов. Иначе ничего не получится.
Опишем пошагово задачу и способ проведения цифровизации бизнес-процессов в столовой, по аналогии с тем, как сделали это с гаражным кооперативом.
• Исходные данные: традиционная столовая, где надо встать в очередь, взять поднос, набрать на него еды, подойти к кассиру, оплатить еду.
• Цель цифровизации: увеличить скорость движения очереди, чтобы выросло число обслуживаемых клиентов и, как следствие, ежедневная прибыль.
• Бюджет цифровизации: ноль (как и в случае с гаражным кооперативом). Исходим из того, что свободных денег нет совсем, то есть мы не можем сделать перепланировку в столовой и посадить второго кассира, например.
Немного изучив проблему и стартовые условия, можно прийти к выводу о необходимости построения системы, которая бы работала вместе с кассиром, ускоряя его действия в несколько раз. Эта система сама должна формировать чек, «видя» еду на подносе клиента. А продавцу останется лишь бегло проверять данные и нажимать не на пятьдесят разных кнопок, а только на одну с надписью: «Напечатать чек». И конечно, оплата должна производиться по карте, а не наличными деньгами, что еще больше сократит время обслуживания. Подобный программно-аппаратный комплекс значительно ускорит очередь. Таким образом, необходимо построить систему, при которой кассир бы весь день только смотрел на монитор с результатами распознавания заказа и ему оставалось бы просто подтвердить состав чека и проследить, чтобы клиент заплатил.
Для работы такой системы-помощника кассиру потребуется алгоритм распознавания объектов на фото и видео, вариации которого уже давно есть в публичном доступе в интернете. Их точность распознавания достигает 95–98 % при скорости обработки несколько десятков изображений в секунду. Эти алгоритмы могут анализировать и потоковое видео с камеры. То есть клиенту не надо будет даже делать стоп-кадр подноса – все будет распознано на ходу.
Подобные алгоритмы, размещенные в публичном доступе, часто имеют открытую лицензию, то есть автор разрешает использовать их бесплатно даже в коммерческих целях. С их помощью подобный проект с распознаванием еды на подносе видеокамерой может сделать даже школьник, обладающий средними знаниями в программировании. В этой книге, чуть дальше, вас ждет глава, в которой собрана информация о популярных бесплатных алгоритмах машинного обучения. В том числе и несколько вариантов для распознавания предметов на фото и в потоковом видео.
Давайте перейдем к проработке этапов цифровизации столовой. Они будут примерно такими же, как и в случае с гаражным кооперативом. Во-первых, необходимо приобрести новый кассовый аппарат с возможностью безналичной оплаты с помощью карты. Я не предлагаю «купить» его. Многие банки сейчас выдают оборудование в аренду под определенный процент с сумм, поступающих с карт. А так как всем студентам и преподавателям стипендия и зарплата, соответственно, приходит именно на карту, то можно смело ввести запрет на прием наличных денег. Благодаря безналичной оплате ускорится обработка заказов, вырастет количество продаж, и затраты на аренду кассы будут компенсированы возросшей прибылью.
При отказе от бумажных денег отпадает необходимость их инкассации до отделения банка. По закону это необходимо делать каждую неделю, нельзя оставлять наличные в кассе на выходные. Поэтому обычно нанимают профессиональных инкассаторов, которым, естественно, надо платить за оказываемые услуги. Установка новой кассы и отказ от наличных позволяют отказаться от этих услуг. Получается, как и в случае с гаражным кооперативом, образуется фонд для дальнейшей цифровизации компании, в который каждый месяц будут поступать суммы, которые прежде выплачивались инкассаторам. Дальше остается только ждать, пока накопится сумма достаточная для разработки первых программ для автоматизации бизнес-процессов.
Обратите внимание, что бесплатное получение нового кассового аппарата и переход на исключительно безналичную оплату приносят материальную выгоду уже с первой недели. Конечно, придется потрудиться, обучая кассиров и бухгалтеров новым правилам. Возможно, потребуется сократить часть сотрудников в результате увеличения производительности работы всего комплекса. Ведь после внедрения данных нововведений очередь будет двигаться быстрее.
Итак, для модернизации столовых нужен программно-аппаратный комплекс, позволяющий распознавать еду на подносе. Звучит угрожающе, но по факту речь идет об обычной веб-камере, подключенной к компьютеру и кассовому аппарату. Цель такого комплекса – автоматически выписывать чек, фиксируя и анализируя то, что находится на подносе клиента. Рассмотрим его составляющие пошагово.
