«Данные не принимают решений»

Цифровизация высшего образования давно вышла за рамки электронных расписаний и онлайн-записей. Сегодня ведущие вузы страны внедряют предиктивную аналитику, строят единые хранилища данных и принимают стратегические решения на основе дашбордов, а не интуиции. О том, как единый источник данных меняет культуру принятия решений, почему аналитика не отменяет человеческих решений и как ИИ меняет академическую честность, «Ъ-Науке» рассказывает проректор РАНХиГС Павел Клепинин.

— В управленческом сознании это скорее революция. Раньше данные собирались в разных форматах и не всегда были сопоставимы. На их сверку уходило время, что замедляло принятие решений.

Дашборд дает всем один набор данных — единый источник для обсуждения. Экспертиза никуда не исчезает, опыт руководителей по-прежнему важен, но теперь они обсуждают ситуацию на основе общей информации. Ушел в прошлое спор «у кого цифры правильнее». Решения принимаются быстрее и точнее.

Второй эффект — демократизация доступа. Данные видят не только руководители, но и средний менеджмент, и исполнители. Это улучшает коммуникацию и делает управление более открытым. Для президентской академии это особенно важно: у нас более 50 филиалов и представительств в разных часовых поясах. С онлайн-доступом к дашборду не нужно постоянно собирать большую распределенную команду ради обмена оперативной информацией.

При этом сам дашборд развивается эволюционно. Первый минимальный набор дашбордов в Yandex DataLens для приемной кампании появился в мае 2024 года, дальше области применения стали расширяться. А вот дисциплина работы с данными изменилась революционно: больше внимания стали уделять качеству первичных данных и единым правилам их внесения. Мы даже проводили внутреннюю информационную кампанию для сотрудников в духе garbage in, garbage out: если в систему загрузить некорректные данные, она выдаст такие же.

— Аналитические данные мы используем, например, в приемной кампании. Для вуза это период пиковой управленческой нагрузки: показатели меняются ежедневно, а результаты набора влияют на образовательное и финансовое планирование на несколько следующих лет. В этот период у нас ежедневные оперативные совещания, а решения принимаются буквально по результатам каждого дня, а иногда и несколько раз в день: утром, днем, вечером. Дашборд постоянно открыт у более чем 150 сотрудников, задействованных в приемной кампании, включая ответственного секретаря. Масштаб при этом огромный: в этом году к нам подали заявления около 113 тыс. человек, а конкурсных групп — более 700 тыс. Управлять такой динамикой на глаз невозможно.

На уровне академии мы отслеживаем два основных показателя: средний балл ЕГЭ по трем экзаменам и выполнение финансового плана по платному обучению. Средний балл характеризует академический уровень набора и учитывается в рейтингах университетов. Выполнение финансового плана необходимо для устойчивой реализации образовательных программ.

Эти показатели разнонаправленны и требуют балансировки. Абитуриенты с высокими баллами могут претендовать на предусмотренные академией меры поддержки — скидки, гранты и другие формы финансовой помощи. Такие решения принимаются в рамках утвержденных правил, но при этом негативно влияют на выполнение финансового плана.

Прогнозная аналитика помогает заранее оценить, какими могут быть итоговые значения показателей при текущей динамике. Мы сравниваем прогноз с планом и результатами прошлых кампаний и при необходимости корректируем промежуточные ориентиры и меры поддержки.

В одной из кампаний анализ показал, что динамика по институтам различается: часть подразделений демонстрировала более сильный результат по среднему баллу, часть — по финансовому показателю. Мы учли эти различия, скорректировали цели в разрезе институтов. В результате на уровне академии удалось достичь приемлемых результатов и по среднему баллу, и по финансам. Аналитика была одним из инструментов этого решения: она позволила увидеть общую картину и своевременно скорректировать действия.

— Универсального набора нет: показатель полезен, если понятно, какое решение за ним следует. В приеме мы смотрим средний балл, доход, движение абитуриента от первого обращения до зачисления и конверсию между этапами. В учебном процессе — качество работы преподавателей, загрузку аудиторий и наполняемость групп. Во внутренних сервисах — скорость и качество работы.

В вузе с 31,5 тыс. студентов только в московском кампусе и более 109,6 тыс. во всей стране, невозможно физически проконтролировать качество работы каждого преподавателя, заглянуть в каждую аудиторию, поэтому нужны маркеры аномалий, которые можно выявить с помощью дашбордов. Таким маркером может быть значительное отклонение от нормального распределения оценок, которые выставляют преподаватели. Например, преподаватель может ставить всем студентам только высокие оценки или, наоборот, занижать.

Также полезно анализировать аналитику по успеваемости студентов: например, выявлять высокие результаты обучения при низкой посещаемости. Понятно, что маркеры показывают только симптомы потенциальных проблем. После этого требуется большая работа по проверке. И только после этого человеком принимаются решения.

Еще один пример — мы долго исходили из того, что академии не хватает аудиторий и нужно строить новые. С помощью дашборда загрузки аудиторного фонда мы проанализировали использование помещений в разрезе дней, учебных пар, типов аудиторий и площадок. В Москве у нас много учебных корпусов, расположенных в разных частях города. Анализ показал потенциал для более равномерной загрузки аудиторий, особенно в ранние часы и на отдельных площадках. Это не отменяет строительства новых помещений, но позволяет часть задач решать за счет более точной настройки расписания.

Другой дашборд выявил отдельные малокомплектные группы — в некоторых случаях в них учились всего несколько человек, что экономически неэффективно. После этого академия уточнила подход к комплектации и объединению групп там, где это не влияет на качество обучения, а также разработала меры, чтобы не появлялись новые малокомплектные группы.

Во время приемной кампании мы также увидели программы, спрос на которые заметно превышал количество мест. При этом часть абитуриентов могла поступить на другие программы академии с тем же набором экзаменов и более доступным конкурсом. Самостоятельно увидеть все такие варианты сложно, поскольку программ много. Поэтому мы стали предлагать абитуриентам подходящие альтернативные траектории.

В этом году мы запустили информационную систему класса CRM для управления приемной кампанией и вывели на дашборд данные о движении абитуриентов по воронке. Мы увидели этапы, на которых конверсия была ниже ожидаемой и требовалось усилить коммуникацию: подключить дополнительных сотрудников, подробнее проконсультировать абитуриента или еще раз связаться с ним. Раньше у нас были общие наблюдения, теперь мы можем точнее определять, на каком этапе требуется внимание. Это переход на новый уровень управления.

— Мы начали с архитектуры. До создания отдельной архитектурной функции эти задачи были распределены между несколькими подразделениями, а часть знаний об информационных системах, связях между ними и потоках данных находилась только в головах у специалистов со всеми присущими этому рисками.

Мы ввели роли архитекторов информационных систем и данных. Около полутора лет команда описывала ИТ-ландшафт академии и фиксировала какие информационные системы используются, какие данные и как передаются между системами и на какой инфраструктуре все работает.

Еще в 2024 году был создан архитектурный совет. Он рассматривает ключевые изменения и оценивает, как новое решение встроится в существующий ИТ-ландшафт академии.

Следующий этап — создание единого хранилища данных. Архитектурный совет уже определил общий подход, сейчас проект готовится к реализации. До запуска хранилища данные из разных источников объединяются в рамках отдельных аналитических задач и визуализируются в Yandex DataLens. Централизация инфраструктуры идет последовательно, по мере развития архитектуры и подключения новых источников.

Для чувствительных данных важно не только то, как устроена система, но и где она работает. Размещение решения в контролируемом контуре академии позволило усилить защиту чувствительных данных и выполнить требования информационной безопасности.

— Как я говорил ранее, прогнозная аналитика активно используется в ходе приемной кампании. Отмечу еще одно важное направление — удержание студентов. Раннее выявление риска нужно прежде всего для того, чтобы студент не прерывал обучение, если ситуацию можно исправить с помощью академической, психологической или финансовой поддержки.

Но смысл такой модели не в том, чтобы присвоить человеку метку. Прогноз полезен только тогда, когда за его сигналом следует понятное действие: наши сотрудники связываются со студентом и предлагают подходящую поддержку.

Но мы только начинаем экспериментировать в этом направлении.

Мы также рассматриваем ИИ как помощника, дополняющего существующую аналитику, например для поиска управленческих закономерностей в больших массивах данных.

— Образование — среда с устойчивыми процессами и высокой ответственностью за изменения, поэтому новым подходам требуется время. На старте у коллег закономерно возникали вопросы к данным и методике расчета. Мы последовательно разбирали расхождения, и по мере этого росло доверие к дашборду. Для нас было важно показать, откуда берется каждый показатель и как он рассчитывается. После этого руководители стали использовать дашборд в текущей работе и формулировать новые запросы к аналитике, хотя культура принятия управленческих решений на основе данных в академии еще активно развивается.

Параллельно мы обучали сотрудников работе с первичными системами и данными. Часть расхождений была связана не только с техническими настройками, но и с полнотой или единообразием внесения информации. Дашборд помог увидеть такие участки и определить, какие процессы требуют дополнительной настройки.

С 2024 года мы также делимся опытом использования дашбордов с другими вузами. Коллеги приезжают в академию, мы показываем наши подходы, рассказываем о найденных решениях и обсуждаем сложности, с которыми столкнулись. Мы считаем это частью своей миссии и надеемся, что такой обмен опытом будет способствовать развитию управления на основе данных во всей системе высшего образования.

— Во время одной из приемных кампаний аналитика показала, что абитуриенты с высокими баллами подавали заявления на ИТ-направления, но не переходили к этапу зачисления. Мы пригласили их вместе с родителями на закрытую встречу с будущими работодателями. Абитуриентам рассказывали, какие карьерные треки ждут этих ребят, если они придут учиться к нам. Получилось живое, неформальное общение. Здесь же организовали консультации для помощи в оформлении документов. Главное в этом примере — аналитика позволила увидеть конкретный этап, на котором требовалось усилить работу с абитуриентами, и принять адресное управленческое решение.

— Алгоритмы не принимают решений о зачислении, стипендиях или отчислении. Для нас это ассистент, подсказчик и система поддержки принятия решений. Ответственность за решение остается за человеком. Это принципиально, потому что этика начинается с понимания того, кто отвечает за последствия.

В 2025 году мы приняли политику академической честности, в которой отдельная глава посвящена искусственному интеллекту. Президентская академия вошла в число первых российских вузов, которые формально определили условия использования ИИ студентами и преподавателями. Студент может применять ИИ для структурирования материала, поиска информации, оформления, обработки данных и других задач. При этом он должен раскрыть использованные инструменты, этапы работы, промпты и языковые модели, а также самостоятельно объяснить и обосновать выводы на защите.

Если возникает спор по поводу оценки работы, предусмотрена процедура апелляции. Она позволяет установить, связана ли оценка с самим использованием ИИ или со способностью студента самостоятельно объяснить ход работы и обосновать полученные результаты.

Параллельно мы развиваем проектный формат. По нашим данным, в последнем цикле защит 31% работ были представлены как проекты. В ряде таких форматов использование ИИ становится частью задания, но студент по-прежнему должен раскрыть способ его применения и самостоятельно отвечать за итоговый результат. Проектный формат позволяет оценить, как студент применяет инструменты, принимает решения и обосновывает выводы.

— Риски есть, но они связаны не с самими данными, а с выбором показателей и тем, как их используют. Если KPI каскадируются слишком глубоко, подразделения могут сосредоточиться на локальных результатах в ущерб общей цели. По отдельности все показатели будут выглядеть благополучно, но общий результат может оказаться слабее ожидаемого.

Альтернативу мы называем «лодочным KPI»: все находятся в одной лодке и отвечают за общий результат. Средний балл и доход в приемной кампании относятся ко всей академии и каскадируются только на один уровень вниз. При этом одной общей цифры тоже недостаточно. Нужно видеть, где цели вступают в противоречие, и не подменять качество образования удобным показателем.

Второй важный принцип — человекоцентричность. В центре цифровой среды должен оставаться студент. Вокруг него становится больше данных, сервисов, ИИ-инструментов и цифровых помощников, но они должны поддерживать образовательный процесс, а не заменять отношения между людьми. Поэтому я не верю, что вуз превратится в корпорацию, а студент — в клиента. В университет приходят за другим: за наставничеством, за живой студенческой жизнью, за передачей знаний, за профессиональным ростом. Это никуда не денется, и в этом академия сильна.