Эффективный бизнес — тот, что успевает за мгновенно меняющимися условиями рынка. Этому служат средства работы с большими данными. Но чтобы они действительно приносили пользу, аналитики должны выдавать инсайты очень быстро. В проектах, связанных с Big Data, следование принципам Agile — необходимое условие эффективности.
Фото: Глеб Щелкунов, Коммерсантъ / купить фото
Скорость принятия решений и эффективность растут за счет внедрения принципов гибкой проектной культуры. Это новая аксиома российского рынка, которую вместе со словом "agile" (англ.: "живой", "проворный", "гибкий", "быстрый") выучил весь российский бизнес с того момента, как на Гайдаровском форуме в РАНХиГС в январе нынешнего года президент Сбербанка Герман Греф провел публичную порку своей ИТ-инфраструктуры и бизнес-процессов. По его словам, Сбербанк не успевает за скоростью изменений, а time to market (время выхода новых продуктов на рынок) в несколько месяцев делает банк неконкурентоспособным. Пять лет назад Сбербанк вносил 600-800 изменений в платформу в год, в 2015-м — 27 тыс. изменений, а в 2016-м планируется внести 41 тыс. изменений. И это, как считает господин Греф, непозволительно мало. Для сравнения: платформа Amazon позволяет вносить 10 тыс. изменений в день. Новая платформа Сбербанка будет построена на принципах Agile — по мнению президента банка, по-другому добиться нужного результата не удастся. Более того, он уверен: "Кто не освоит Agile сегодня, тем придется в текущих бизнес-процессах быть лузерами завтра".
Мантра Agile звучит в России уже один-два года. Программное выступление Германа Грефа стало не откровением, а скорее подтверждением актуальности этого подхода для рынка. К сожалению, адекватного аналога этого слова в русском не нашли, поэтому так и продолжают говорить "Эджайл". Суть подхода в том, чтобы выполнять проекты маленькими группами, очень быстро выпуская прототип, тестируя гипотезы и корректируя задачи по ходу дела. Разработка ведется короткими циклами (итерациями) в одну-три недели, каждый из которых дает результат — новую версию работающего продукта. Конечная цель проекта, способы ее достижения и состав проектной группы, работающей в стиле Agile, может меняться хоть каждый день. В agile-проекте нормально и даже приветствуется внесение изменений в программную разработку на позднем этапе, когда уже все практически готово. Считается, что это добавит продукту конкурентоспособности.
Шаги в сторону Agile успели сделать не только российские компании, но и чиновники: инициативные группы в Минкомсвязи и аппарате правительства ведут работу над внедрением подходов в гоусправлении и госпроектах. Успех таких инициатив подтверждает опыт американских и британских властей. Обучив последних принципам Agile, в апреле 2016 года консультанты McKinsey пришли с аналогичным проектом в Сбербанк. После программного и разгромного выступления господина Грефа в Сбербанке быстро запустили программу трансформации структуры и модели управления под Agile. Консультантов привлекли по итогам конкурса, в котором начальная цена работ была заявлена в 55 млн руб., а победитель выставил сумму 53,9 млн руб., обойдя Deloitte, Accenture и EMC.
Текучие данные
Особенно актуальны принципы Agile в проектах, связанных с большими данными. Big Data не просто помогает принимать оптимальные решения — рынок постепенно движется к автоматизации этого процесса. В простых ситуациях машины уже могут заменить человека, принимающего решения. По словам Стивена Бробста, главного технического директора Teradata, автоматизация здесь помогает экономить, действовать быстрее и надежнее. Он приводит в пример трейдинг, где такой путь уже пройден. Раньше за изменениями стоимости акций следили люди, а сегодня этим занимаются специализированные системы, в разы повысившие скорость и масштабируемость процесса принятия решений. Однако до автоматизации такого уровня бизнесу еще предстоит пройти значительный путь, стандартизируя процессы и учась быстро адаптироваться к постоянно меняющимся условиям. Это значит, что аналитика больших данных тоже должна ускоряться и, главное, бизнес должен научиться как можно скорее применять результаты, полученные в ходе экспериментов и исследований data scientists (ученых, работающих с данными).
"Проекты Big Data сегодня идут в режиме test & learn ("тестируй и учись"), когда выявленные на основе экспертных правил или работы аналитики подходы тестируются на реальных бизнес-задачах, а по результатам корректируются или же полностью отвергаются в случае совсем низкой эффективности,— дополняет Юлий Гольдберг, директор по инновациям "SAS Россия/СНГ".— Бизнес быстрее получает результат и чувствует, что от него многое зависит в реализации, поэтому с гораздо большим энтузиазмом участвует. Да и сдача Agile-проекта проходит гораздо проще и без стрессов".
"Проекты Big Data не должны быть научно-исследовательскими, они должны преследовать конкретные цели и создавать новую ценность для бизнеса,— говорит Оливер Рацесбергер, президент Teradata Labs.— Ценны ответы на правильно заданные вопросы, а не данные сами по себе. Аналитика сегодня становится императивом конкурентоспособности для топ-менеджмента".
Принципы Agile позволяют сократить срок запуска нового продукта или функциональности с девяти месяцев до трех, поясняют в Teradata. "Разбиение работ по проектам Big Data на спринты в две-три недели ускорит получение первых результатов. Конкретный бизнес-результат не появится, но эксперименты позволят в этот срок увидеть потенциал и новые возможности. Благодаря этому можно будет перейти хотя бы к ежемесячным вместо ежегодных релизам",— рассказывает Стивен Бробст.
Оливер Рацесбергер дополняет: "Работа с большими данными связана с большим объемом документации и в основном идет по каскадной модели. Это чревато избыточным количеством требований: когда не знают, что на самом деле нужно, то вписывают их по максимуму. В итоге проекты раздуваются, и только через полгода выясняется, что востребовано лишь 5% заявленной функциональности. Такого количества экстразадач можно было бы избежать в Agile".
"Понятие data science и Agile возникли примерно в одно и то же время,— замечает Михаил Фирулик, руководитель отдела анализа данных Mail.Ru Group.— Основные идеи и принципы, описанные в Agile Manifesto (манифест метода разработки Agile), не могли не повлиять на организацию работы дата-аналитиков. Эти идеи помогают творческим людям достигать хороших результатов. В то же время представители профессионального сообщества data scientists в большинстве своем являются агностиками. Следование каким-либо жестко прописанным ритуалам и догмам среди аналитиков не приветствуется. Однако в каждой успешной команде есть отдельные элементы Lite Agile, комфортные для всех ее участников".
В HeadHunter подтверждают, что дата-ученые и дата-аналитики компании работают в Agile-командах. "Это позволяет сделать процесс реализации таких задач более прозрачным для всех участников за счет опоры на взаимодействие между людьми и работающий продукт,— рассказывает Борис Вольфсон, директор по развитию HeadHunter.— Внутри команды проводятся ежедневные стендапы для синхронизации работы всех участников, а для заказчиков и стейкхолдеров примерно раз в две недели проводятся демонстрации".
Тесное взаимодействие с заказчиком, в результате которого удается создать ценный для пользователей результат в максимально короткий срок, и является самой большой выгодой от разработки Big Data проектов в Agile, считают в HeadHunter. Заказчик, видя процесс разработки продукта, может корректировать требования, а у команды разработки появляется возможность экспериментировать со статистическими моделями. В исследовательских задачах результат не гарантирован, поэтому очень важно уметь гибко и оперативно менять план в соответствии с полученными результатами экспериментов, поясняет Борис Вольфсон.
В CleverDATA (ЛАНИТ) большинство проектов по анализу данных также построено по принципу гибкой разработки, когда команда аналитиков на ежедневных статусах-митингах обменивается результатами изысканий, обсуждает перспективность найденной закономерности и коллективно определяет вектор дальнейшего развития решения. "Особенность проектов по анализу больших данных в том, что до их начала невозможно узнать, какая из исследуемых гипотез окажется верной, а какая, наоборот, не сработает. Нередко возникают ситуации, когда уже на заключительных этапах выявляется ценная закономерность, о которой аналитики даже не подозревали, но которая существенно влияет на ход проекта в целом,— рассказывает Денис Афанасьев, генеральный директор компании CleverDATA.— Проекты по анализу данных — это в значительной степени последовательность проб и ошибок, в результате которых выкристаллизовывается наиболее качественное решение, и традиционные методологии разработки здесь неприменимы. Иначе придется отказываться от многих улучшений просто потому, что они плохо согласуются с текущим планом проекта".
Помимо Agile Стивен Бробст и Оливер Рацесбергер выделяют еще четыре составляющие "разумного" предприятия. Это переход от анализа транзакций к анализу "поведения" данных, совместный поиск решений и корпоративный краудсорсинг (в стиле Wikipedia), простые и удобные приложения для анализа (чтобы "демократизировать" аналитику для всех сотрудников), а также автоматизация принятия решений. Потребуются серьезные организационные изменения и построение новой корпоративной культуры — на основе данных (data-driven), коллаборативности и гибкости. В Teradata уверены, что, пройдя все эти этапы, такое "разумное" предприятие сможет отвечать на вызовы и изменения внешней среды в реальном времени.