Промышленное использование больших данных в ритейле. Максим Павлов, Х5 Group
В рамках цифровой трансформации Х5 Group начала заменять решения от внешних enterprise-интеграторов собственными разработками. Как происходит этот процесс, рассказал руководитель направления машинного обучения Х5 Group Максим Павлов.
Спикер отмечает, что современный ритейлер должен обязательно учитывать и анализировать три аспекта. Первое — это ценообразование (от чего зависит, как можно менять стоимость товаров, чтобы повышать показатели). Далее идет ассортимент — какие товары стоит добавлять или выводить из продаж, должен ли этот набор быть одинаковым в разных магазинах, и как товары могут быть связаны между собой. И последнее — спрос (например, сколько товаров могут купить через три месяца в каждом из магазинов, как это количество изменится от промо-акций, как оперативно изменить прогноз).
На момент начала цифровой трансформации в компании эти направления строились на базе enterprise-решений, которые являлись дорогостоящими и их было сложно масштабировать.
Минусы и плюсы enterprise-решений
К недостаткам enterprise-решений относится то, что к ним трудно добавить что-то своё. «Кроме того, есть серьезная зависимость от поставщика. Например, компания купила лицензию и поняла, что не может от нее отказаться, поскольку все бизнес-процессы на этом завязаны», – объясняет Максим Павлов.
Но есть и плюсы. Проще использовать eterprise-решения, чем делать свои. Также к ним, как правило, прилагается много готового сопутствующего функционала (дополнительные модули, голосовой помощник и прочее). Кроме того, преимуществом enterprise-решений является и то, что за их поддержку отвечает поставщик.
Проанализировав плюсы и минусы, Х5 Group несколько лет назад приняла решение разрабатывать собственные ИТ-решения.
Сложности на старте
Новые решения должны быть по качеству сопоставимы или лучше существующих. «Например, мы не можем предложить новую систему ценообразования хуже, чем предыдущая, это потеря денег, кроме того, нужна интеграция в текущие процессы. Нельзя заменить сразу все на новое, только какие-то фрагменты, и лишь затем можно переходить к корневым системам», – подчеркнул руководитель направления машинного обучения Х5 Group.
Еще одна трудность – не было команды на проект, ее пришлось собирать с нуля, как и инфраструктуру для BigData проектов (были только отдельные базы, которые плохо масштабировались, часто к ним отсутствовала документация).
Все решения в основном лежат в области использования больших данных, машинного обучения, продвинутого анализа и разработки ПО. Это огромные массивы информации (для Х5 Group речь идет о 6 петабайтах).
Подход к продуктам
Например, компания хочет сделать новую систему ценообразования. Для предприятия это новая точка роста. «Мы ищем варианты готового решения в мире и России и перенимаем опыт, если кто-то реализовывал подобное до нас. Далее мы строим прототип, проверяем, решает ли он нашу проблему, оцениваем потенциальные затраты и прибыль. После этого можно приступать к созданию MVP (минимальный жизнеспособный продукт). Если он стабилен, то проводим A/B тест и оцениваем эффективность», – объясняет процедуру Максим Павлов.
Следующий этап предполагает корректировку архитектуры целевого решения, масштабирование решения на часть или все объекты, добавление поддержки и мониторинга. После этого важно сделать внутренние тесты, далее идет корректировка и оптимизация. Затем можно приступать к тестированию с помощью пользователей, чтобы оценить эффект.
Тираж
Мало кто задумывается на старте, как тиражировать решение. В целом от решения до этого этапа проходит 2-2,5 года, отмечает эксперт. Для тиражирования важна обратная связь от пользователей. Когда она получена, идет стабилизация решения, классифицируются обращения от пользователей, разрабатываются при необходимости инструменты разбора инцидентов, далее проводятся выборочные доработки. Последний пункт может вызывать особые трудности, поскольку если продукт готов на 95%, то эти 5% очень сложно отстроить, считают в X5.
Если продукт полностью доработан, то затем нужно максимально автоматизировать оставшиеся ручные корректировки и можно тиражировать решение на всю торговую сеть.
Проблемы
В компании отмечают, что на старте проектов набирать людей оказалось проще, чем ближе к окончанию, поскольку требования возросли, а количество людей на рынке уменьшилось. Кроме того, решения работают настолько надёжно, насколько позволяет инфраструктура. В X5 она разворачивалась в рекордные сроки, и из-за этого часто появлялись проблемы. Важный аспект также – это качество данных. В ритейле очень много процессов, которые могут оказывать влияние на итоговые данные (сложная бизнес-логика, удалённость магазинов, из-за этого многие проблемы на старте не видно).
Итоги работы
В результате решения от внешних enterprise-интеграторов были заменены в X5 собственными разработками. Появился центр компетенций по развитию и внедрению продуктов, компания начала цениться на рынке как технологическая.
Возникла и более эффективная система оценки бизнес-метрик. Как отмечает Максим Павлов, самое важное – повысилась эффективность использования данных компании и улучшились бизнес-показатели за счет внедрения новых продуктов.
Подготовила Мария Строителева.
