Иллюзия знания

В современном бизнесе накопление данных давно перестало быть проблемой — куда сложнее стало понять, что с ними делать дальше. Почему компании уже научились собирать огромные массивы данных, но все еще испытывают дефицит специалистов, способных превратить их в работающие решения,— в материале «Ъ-Науки».

Еще несколько лет назад одной из главных проблем цифровизации было отсутствие данных. Компании переводили процессы в электронный вид, создавали корпоративные системы, подключали датчики, накапливали информацию о клиентах и производстве. Сегодня ситуация изменилась: данных у бизнеса стало столько, что вопрос все чаще звучит иначе: что именно из этого массива действительно важно и какое решение можно на его основе принять?

Это принципиальный сдвиг. Ценность постепенно перемещается от самого факта обладания данными к способности извлекать из них закономерности и использовать их для изменения конкретных показателей бизнеса. В 2024 году 35,5% организаций уже использовали технологии больших данных или планировали начать их применять в ближайшие три года. Развитие работы с данными происходит одновременно с ростом требований к цифровым компетенциям сотрудников.

Данных становится больше, рынок их обработки растет, инструменты становятся доступнее, но вместе с этим увеличивается значение специалистов, которые способны понять, что именно следует делать с полученной информацией. Проблема больших данных не только в их объеме, но и в том, как отделить значимые зависимости от случайных совпадений. Производственная модель может обнаружить связь между параметрами процесса и качеством продукции, но сама по себе корреляция еще не подсказывает, что именно нужно изменить. То же касается банковских транзакций или данных об энергопотреблении: без понимания контекста даже точный прогноз может оказаться бесполезным. Поэтому современная аналитика все больше напоминает исследовательский процесс: нужно сформулировать гипотезу, определить необходимые данные, выбрать метод анализа, проверить результат и понять, какое решение можно на его основе принять.

Распространение искусственного интеллекта эту проблему не решает, а в некоторых случаях даже делает ее заметнее. 71% крупных российских компаний применяют генеративный ИИ хотя бы в одной функции бизнеса. При этом 78% компаний заявили, что уже получают от этого экономический эффект. ИИ постепенно переходит из категории экспериментальных технологий в рабочий инструмент. Но вместе с этим меняется и вопрос к специалистам. Если раньше было важно уметь написать программу или построить статистическую модель, то теперь часть технической работы можно автоматизировать.

Важно понимать, какую именно задачу стоит отдавать алгоритму. Она может показывать высокую точность, но не приносить бизнесу никакой пользы. Она может обнаруживать статистически значимую зависимость, которая исчезнет после изменения условий. Даже самая совершенная модель будет работать с плохо сформулированной задачей.

Поэтому специалисту по данным приходится постоянно находиться на границе нескольких областей. Он должен понимать математику и статистику, владеть инструментами программирования и машинного обучения, но одновременно разбираться в экономике, производстве, финансах или другой предметной области, с которой работает. Именно предметная экспертиза позволяет отличить полезную закономерность от математического артефакта.

Рынок постепенно формирует запрос не просто на Data Scientist или Data Analyst в классическом понимании, а на специалистов, способных соединять аналитические методы с предметной областью. Такой человек может прийти в проект из материаловедения, энергетики, финансов или промышленности, но должен уметь переводить профессиональную задачу на язык данных и обратно. Это особенно заметно в промышленности, где цифровая аналитика становится частью самого технологического процесса. Здесь результатом работы аналитика может быть не отчет для руководителя, а новая настройка оборудования, изменение параметров производства, прогноз отказа или решение о характеристиках будущего материала.

Следующий этап развития аналитики связан именно с этим переходом. Описательная аналитика отвечает на вопрос, что уже произошло. Предиктивная — что, вероятнее всего, произойдет. Но для бизнеса наиболее ценен следующий шаг: понять, что можно изменить, чтобы получить нужный результат. Именно здесь данные начинают работать не как архив, а как инструмент управления. Например, модель может не просто прогнозировать температуру металла, но и позволяет оценить, как изменение продолжительности конкретной технологической операции повлияет на результат. Она может не только фиксировать отклонения в нефтеперерабатывающем производстве, но и выявлять условия, при которых они с большей вероятностью возникают. В энергетике аналитическая модель может использовать профили потребления для более точного прогнозирования нагрузки. Во всех этих случаях задача специалиста состоит не в том, чтобы «найти закономерность в данных». Его задача — связать закономерность с возможным действием.

Из этого следует изменение и образовательного подхода. Обучение работе с данными не может ограничиваться освоением математического аппарата и программных инструментов. Будущему специалисту необходимо давать возможность работать с неоднозначными задачами, где нет заранее известного правильного ответа, а результат приходится защищать перед специалистами предметной области. Например, вместо абстрактного учебного набора данных можно предложить задачу прогнозирования отказов оборудования, оценки рисков в страховании, анализа потребления электроэнергии или поиска факторов, влияющих на качество промышленной продукции. В каждом таком случае алгоритм — только часть работы. Не менее важны постановка задачи, подготовка данных, проверка гипотезы и интерпретация результата.

Например, в НИТУ МИСИС уже более семи лет реализуется флагманская программа «Экосистема больших данных для цифровой трансформации», которая предполагает работу с методами Data Science на задачах из разных предметных областей: от экспериментального материаловедения, энергетики, металлургии до финансовых и управленческих решений, тем самым решая задачу подготовки столь редких и ценных специалистов.

В ближайшие годы объем доступных бизнесу данных продолжит расти, а инструменты их обработки будут становиться все более автоматизированными. Но рост рынка сам по себе не гарантирует роста эффективности. Если алгоритм можно купить или частично автоматизировать, то способность понять, что именно нужно измерить, какую гипотезу проверить и какое решение принять по результатам анализа, становится гораздо более редкой компетенцией. В этом смысле будущее аналитики данных связано не с соревнованием в количестве освоенных технологий. Скорее речь идет о способности задавать правильные вопросы. Компании предстоит работать не просто с большими массивами информации, а с постоянно усложняющейся системой взаимосвязей между данными, процессами и решениями. И чем больше этой информации становится, тем важнее специалист, который способен увидеть за миллионами строк не просто статистическую закономерность, а реальную причину, возможность для изменения и измеримый результат. Возможно, именно это и станет главным навыком следующего этапа цифровой экономики: не умение найти ответ в данных, а способность понять, какой вопрос действительно стоит им задать.