О «цифре» и цифрах: разговор с СЕО - КПМГ в России
close
Share with your friends

О «цифре» и цифрах: разговор с СЕО

В бизнесе все должно работать на достижение базовых целей: долю рынка, прибыльность, стоимость акционерного капитала – и цифровизация не исключение.

 Олег Гощанский 
 Управляющий партнер 
 КПМГ в России и СНГ

Как вы считаете, почему тема цифровизации за какие-то 3–5 лет стала одной из ключевых для бизнеса? На это есть объективные причины или это просто модная тенденция, которой нужно «переболеть»?

Я думаю, что причины для этого вполне объективные. Вспомните 90-е годы, начало эпохи GSM в мире. Эти большие, по нынешним меркам тяжелые, неудобные трубки, которые могли позволить себе очень немногие. Сегодня же у каждого в кармане лежит смартфон, подключенный к дешевому интернету. Параллельно c этим произошел существенный прогресс в вычислительной технике. Стоимость серверов упала в десятки, если не в сотни раз, а их мощность и размеры пропорционально увеличились. Появились методы массово-параллельной обработки данных, тот же Hadoop. Развитие компьютерных игр подарило нам видеокарты, способные не только очень быстро просчитывать графику, но и решать сложные системы математических уравнений.

То есть сложился некоторый «пакет» – дозрело сразу несколько дополняющих друг друга технологий, и в результате мы имеем повсеместное распространение end-user устройств и дешевую связь, которые позволяют собирать огромное количество данных, а также дешевую инфраструктуру для очень быстрой обработки этих данных. Естественно, что бизнес начинает использовать эти возможности, экспериментировать с этим в поисках новых источников извлечения прибыли или повышения эффективности.

Правильно я понимаю, что вы в «цифру» верите и разделяете весь этот хайп вокруг технологий?

Я больше 20 лет занимаюсь бизнесом, поэтому я верю не в «цифру», а цифрам. Гипотетика – не мой жанр. Как правило, хайповые технологии хайповые не просто так, а потому что от них есть реальный экономический эффект: например, Next Best Offer, основанный на сложных методах анализа данных в онлайн-ритейле, действительно увеличивает продажи, что имеет прямое влияние на выручку этих компаний, и мы это видим.

Я глубоко убежден, что в бизнесе все должно работать на достижение базовых целей: долю рынка, прибыльность, стоимость акционерного капитала. В конечном счете любые упражнения CEO должен приводить к этой триаде, и цифровизация не исключение. Конечно, капитализация Amazon или Facebook раздувает ожидания от диджитального успеха, а также риск-аппетит в отношении экспериментов даже у компаний с совершенно иным профилем. Я сам, просматривая рыночную аналитику и новости об их пилотах, иногда не без азарта думаю: «Может, мы вообще не тем занимаемся?». Но подход «давайте внедрим, потому что все внедряют», конечно, тупиковый.

Например, в большинстве банков сегодня есть чат-боты. Хотя некоторые клиенты жалуются, что общение с «роботом» для них не так комфортно, тем не менее это эффективная для банка история, потому что а) у тебя должно быть конечное время ожидания на линии, и лучше, если через Х минут ответит чат-бот, чем никто, и б) порядка 70% запросов все-таки связано с очень простыми вопросами – ближайший банкомат, остаток по счету и т.д., которые можно удовлетворить силами машины без негатива со стороны клиента. В то же время, если речь о private-banking услугах, это тот случай, когда, скорее, лучше набрать 100 дополнительных персональных менеджеров, чем роботизировать фронт-офис.

Я бы так сказал: искусственный интеллект без «натурального» не работает. Прежде, чем что-то внедрять, нужно очень хорошо понимать, зачем ты это делаешь. Какие свои проблемы ты этим решаешь? Вообще есть ли у тебя эти проблемы? Разложить всю цепочку создания стоимости: например, для промышленного предприятия от закупки сырья до реализации – и посмотреть, где в ней узкие места. Разложить выручку и затраты вплоть до того уровня, когда можешь понять, можно ли показатели по затратам уменьшить, а показатели по выручке увеличить.

Дальше просто нужны компетентные люди – как правило, это советники первых лиц в компаниях, стратеги или консультанты, которые владеют информацией о том, что сейчас есть на рынке, что используется бизнесом и для каких целей. С ними можно побрейнстормить на предмет поиска эффективных решений, возможно, провести референс-визиты на наиболее продвинутые предприятия. Какие-то проблемы удастся решить просто организационными мерами, более оптимальной перестройкой процесса, например. Но что-то совершенно точно может стать намного эффективнее за счет использования технологий.

Учитывая опыт реализации digital-проектов, который есть у КПМГ, расскажите о реальных кейсах, когда использование технологий оправдано и имеет существенный эффект для бизнеса?

Реальный эффект на выручку есть в продажах в самом широком смысле – точнее, в правильном совмещении предложения и клиента: ритейл, банки, страховые, даже государственные услуги. Это работа связана с большим количеством процессинга информации, и человек делает ее хуже, чем машина. По той же логике биржевой трейдинг, например, уже много лет «делают» компьютеры – они исполняют логику, заданную программистом. Благодаря решениям стохастических дифференциальных уравнений они способны предсказывать вероятные сценарии изменения цены того или иного актива и делают это лучше, чем трейдер.

Рэй Далио в своей книге «Принципы» очень детально описывает, как он внедрял алгоритмы в своей компании Bridgewater для того, чтобы максимально эффективно управлять капиталом своих клиентов и минимизировать процент человеческой ошибки. Он, правда, оговаривается, что на рынках периодически случаются парадигмальные изменения, которые не подчиняются логике предыдущих этапов. Но Рэй Далио – один из немногих, кто способен разглядеть «черных лебедей». Думаю, что в большинстве своем люди в кризисной ситуации ориентируются не сильно лучше, чем компьютеры.

Технологии нередко хорошо работают на сокращение издержек, даже в достаточно традиционных областях. Я с интересом слежу, например, за нашим проектом для одного крупного банка: мы делаем цифровой мониторинг хода строек, которые он финансирует. Анализ геопространственных данных, которые команда получает с беспилотника, позволяет управлять графиком финансирования подрядчиков и контролировать перевыставляемые ими затраты. Тут прям живые деньги. В этой же логике сокращения издержек набирает популярность роботизация. Рутинные однообразные операции прекрасно автоматизируются. Для городов с дорогим персоналом, как Москва, например, это очень актуально.

Если говорить о промышленности, я видел очень эффективные решения на основе аналитики больших данных в нефтяной отрасли, в металлургии, когда при стоимости внедрения пилота в несколько миллионов рублей экономия доходила до 1,5 млн долларов в год.

В нефтянке есть кейсы, связанные с разработкой месторождения. Речь о цифровых двойниках для конкретных бурильных установок. Есть зарубежные кейсы – компания Statoil, например, публично говорит о своих результатах в digital и подходах к работе с данными – только на автоматизации бурения они заявляют снижение затрат на 15%. Предиктивная аналитика хорошо работает.

Важно осознавать, что в истории с Data Analytics никогда не будет универсального решения, потому что она а) очень чувствительна к конкретным данным, причем историческим – например, двух аналогичных месторождений не бывает, как не бывает двух абсолютно одинаковых людей. Даже если кто-то построил какую-то очень эффективную модель, не факт, что ее удастся перенести с той же продуктивностью. И б) эта модель будет невероятно чувствительна к конкретным процессам. Если кто-то где-то научился экономить, не факт, что это сработает на другом предприятии, пусть даже со сходным профилем.

Вы говорили о предиктивной аналитике. Есть мнение, что в России она не вполне работает в отношении ремонтов, потому что есть регламенты, которые обязывают предприятия проводить ТО с определенной периодичностью. Соответственно, эти инвестиции становятся бессмысленными. Что вы думаете об этом?

Я настроен более оптимистично и, судя по всему, не одинок в этом: мы видим, что большинство компаний пытается перейти от ремонта по расписанию к ремонту по состоянию, потому что это дешевле, эффективнее и безопаснее. Плановая замена агрегата – в среднем три дня; внеплановая, когда рванет, – неделя. Если у тебя ремонтники могут обследовать только 100 устройств из 1000, то хорошо бы, чтоб это были именно те 100, которые надо. Это все живые деньги, репутация, а иногда и жизни людей.

С предиктивной аналитикой для ремонтов есть две проблемы, и обе, на мой взгляд, решаемые. Первая – сутевая, она касается внутренних процессов. Представьте себе: вот у вас, например, железнодорожный подвижной состав. На каждом вагоне есть датчики, которые снимают информацию о том, что у этого поезда не так: такой-то показатель растет на фоне снижения таких-то индикаторов, и это значит, что такой-то узел выйдет из строя через 5 дней. Если при этом у вас ремонтная бригада как приходила раз месяц при плановом ремонте, так и приходит, а процедура закупок нового оборудования случается раз в квартал, то это знание бесполезно, и деньги действительно улетают в трубу. Соответственно, процесс просто должен быть скорректирован.

Надо сказать, что это почти всегда требуется с приходом любой автоматизации. Если решение, например, позволяет точнее продавать, но процесс согласования новых клиентов не успевает за этим, в этом нет смысла. Если ты перешел на современную быструю технологию обмена информацией с поставщиками, а бэк-офис по-прежнему требует договоры с подписями, ты не реализуешь это преимущество. СЕО должен обеспечить, чтобы потенциал таких решений не терялся на местах и не упирался никуда по всей цепочке процесса.

Вторая проблема действительно регуляторная. И здесь, насколько мне известно, у бизнеса есть готовность выходить с инициативой по модернизации регламентов на контролирующие организации. Есть же в банковском секторе история с расчетом кредитного риска на основе внутренних рейтингов (IRB). Если ты используешь продвинутый подход к управлению рисками, у тебя есть собственные модели и ты защищаешь их перед ЦБ, то можешь получить дополнительную экономию при оценке достаточности капитала.

Здесь мог бы быть схожий процесс: если ты не работаешь с предиктивной аналитикой, то для тебя работает регламент на периодическое ТО, а если у тебя есть модели и ты можешь доказать их жизнеспособность, то процедура иная или как минимум плановое ТО требуется реже, что повышает эффективность предприятия. Нефтяники и энергетики уже далеко продвинулись в этом диалоге с регулятором. Мне кажется, что не надо бояться смотреть на опыт из других сфер, когда возникают похожие проблемы.

Технологии часто приходят в корпорации через сотрудничество со стартапами. У КПМГ есть такой опыт? Какие тут возникают сложности?

Да, это правда, мы тоже внимательно смотрим на перспективные стартапы по всему миру, в России внедряем несколько решений с молодыми ребятами как в собственные процессы, так и на клиентских проектах, где это актуально. Как правило, если они действительно хороши, то очень быстро уходят на международный рынок.

Если вы работаете со стартапом напрямую, без управленческих консультантов, например, то ключевое тут – это вопрос ожиданий. Приоритет я бы, конечно, отдавал командам, у которых уже есть опыт внедрения. Второму лыжнику всегда проще идти по протоптанной лыжне, а риск неэффективной траты времени и денег в работе со стартапами велик. Любой опыт внедрения, пусть даже неудачный, лучше, чем научные предположения. Идеальная ситуация – когда в команде есть не только программисты, но и люди с пониманием бизнес-проблематики.

В любом случае надо осознавать, что у стартапа, как правило, ограниченные возможности, и он может дать бизнесу только решение какой-то небольшой задачи – они отвечают за какой-то конкретный отрезок пути, но понимание, как ты дальше будешь это решение использовать и поддерживать, – внутри компании. Нужно сразу продумывать, берешь ли ты просто программный код, или ты себе берешь кого-то в штат, или вовсе покупаешь этот стартап. В любом случае ключевые решения, стратегические вводные, долгосрочное видение того, как продукт или процесс будет развиваться, – это не компетенция стартапа, это на стороне бизнеса.

Ну, и есть вопрос непрерывности работы, скажем так. Если, например, компания привлекает КПМГ на проект, она может быть уверена, что КПМГ будет сегодня, завтра, через 10 лет, и даже если уйдут те люди, которые с тобой работали, услуги все равно будут оказаны на том же уровне. Стартап – сегодня есть, завтра нет. Этот риск надо митигировать с самого начала.

Недавно Герман Греф заявил о том, что Сбербанк потерял миллиарды рублей из-за ошибок искусственного интеллекта. Как вы считаете, как должны приниматься инвестиционные решения о внедрении цифровых проектов и какие индикаторы говорят о том, что ты идешь не туда?

Давайте сначала про Грефа. Если память мне не изменяет, речь там шла о недополученной прибыли в результате ошибок искусственного интеллекта, т.е. это не прямые убытки. Банк просто мог бы заработать больше – это большая разница. Закравшаяся в алгоритм маленькая ошибка действительно может стать большой проблемой. Это смежная история с потерей интерпретируемости: если ты автоматизируешь от молотка до отбойного молотка – тут все понятно. А когда, например, машина говорит сотруднику банка, что не нужно выдавать этому клиенту кредит или брать у него деньги на депозит, а видимых причин для такого решения нет, возникает вопрос: это ошибка алгоритма или я не способен пока самостоятельно дойти до этого вывода? Уверен, что в рамках «Кредитной фабрики» эти вопросы балансируются.

Теперь про инвестиционные решения. Как я уже говорил, всё в бизнесе должно работать на прибыльный рост, и цифровые инициативы, так же как и все остальные, должны иметь расчеты по ROI и проходить через нормальные инвестиционные процессы, за исключением тех случаев, когда речь идет о технологиях, направленных на повышение эффективности принятия управленческих решений или безопасность.

Периодически мы видим определенную асимметрию, когда инвестиционные комитеты отклоняют нетехнологические проекты, хотя они имеют под собой рационализаторскую базу и полный пакет финансовой информации, но очень легко пропускают даже слабо проработанные проекты, которые содержат технологическую составляющую, с формулировкой «это перспективно». Если это перспективно, это должно быть видно на цифрах.

Мне кажется, безусловный зеленый коридор для любых digital-инициатив только вредит цифровизации, потому что накапливается несправедливое разочарование в технологиях. Я думаю, что тренд ближайших 5 лет – это движение в сторону качества, профессионализма и проектов с доказанной экономической эффективностью. Отрыв digital-служб от бизнеса – это как раз сигнал, что ты идешь не туда, что есть большой риск, что все, что там разработается, окажется бизнесом не востребовано.

Для экспериментов, но осмысленных, должны быть R&D-подразделения. Практически все крупные компании сегодня определяют для себя проблемные зоны и тестируют различные решения в конкретной области, выделяя на это определенный бюджет. Это не просто апробации ради апробаций, это пилотные проекты, на которых отрабатываются просчитанные гипотезы. Стоимость пилота, как правило, составляет несколько миллионов рублей, т.е. крупный бизнес может делать десятки пилотов в год. Но и в это, на мой взгляд, все равно нужно вовлекаться – первым лицам или советникам, чтобы контролировать релевантность того, что делается: это в рынке – не в рынке, имеет смысл – не имеет – и обязательно смотреть на результат.

Ключевая функция руководителя все-таки в том, чтобы предугадывать тренды завтрашнего дня. Ведь точно так же, как инновации помогают одним компаниям зарабатывать больше, они полностью убивают бизнес других. Возможно, именно сейчас есть окно возможностей для того, чтобы не просто сделать какой-то процесс эффективнее, а поменять бизнес-модель, начать по-новому зарабатывать и оседлать эту технологическую волну, а не утонуть в ней.