Искусственный интеллект и машинное обучение — это будущее каждой отрасли, особенно в сфере данных и аналитики. Проект Growing Up with AI («Растите вместе с ИИ») поможет быть в курсе всех инноваций, которыми эта технология меняет мир. Большинство организаций отдают себе отчёт, что данные имеют решающее значение для получения конкурентных преимуществ, при этом недавнее исследование компании NewVantage Partners показало, что лишь 27% компаний успешно сформировали культуру данных или широко внедрили технологии Big Data или ИИ. В своем отчёте за 2020 год “10 наиболее заметных тенденций в данных и аналитике” (Top 10 Trends in Data and Analytics) компания Gartner прогнозирует, что только 10% компаний будут использовать дополненную аналитику в полной мере. Очевидно, что данные и искусственный интеллект обладают огромным потенциалом для революционных изменений в бизнесе, так откуда же берется внушительный разрыв при успешном внедрении подобных инициатив? Он вытекает из преодоления трёх основных препятствий на пути успешного внедрения аналитики:

1. Объемы и разнообразие данных растут в геометрической прогрессии. Человеку невозможно разобраться в огромных массивах данных, которые создаются ежедневно. Вместо электронных таблиц и ручного анализа, необходим высокотехнологичный анализ данных на основе кода. Тогда станет возможным выявить инсайты, скрытые в этих огромных массивах информации.
2. Растет разрыв в профессиональных навыках. По мере роста объема данных всё сложнее найти специалистов по организации, сбору, представлению, интерпретации данных и извлечению инсайтов из них. Фактически, LinkedIn сообщает, что три из 10 лучших передовых рабочих мест 2020 года были связаны с данными: специалист по искусственному интеллекту (#1), специалист по теории данных (#3) и специалист по инженерии данных (#8). Таких востребованных профессионалов сложно найти, а нанимать дорого; как следствие, во многих организациях не хватает специалистов по данным.
3. Сложно отделить сигнал от шума. Иногда данные содержат много шума, непостоянные и сложные для понимания. Пользователям крайне сложно их интерпретировать, что приводит к низкому уровню внедрения аналитики в бизнес-среде.

При всех сложностях анализа данных, искусственный интеллект именно то, что помогает организациям извлечь из них пользу. Дополненная аналитика на основе ИИ помогает пользователям быстрее получить ответы и практические инсайты, вытекающие из бизнес-показателей. Большое преимущество в том, что не требуется быть специалистом по теории или аналитике данных. Одним из примеров того, как ИИ может сократить разрыв в профессиональных навыках и ускорить получение ответов пользователями, является обработка естественного языка (NLP). Она дает возможность каждому пользователю запрашивать данные, используя повседневную речь. Простые вопросы, «Какая социальная сеть дала нам наибольшие продажи во 2-м квартале?», дают мгновенные результаты, в отличие от копания в электронных таблицах или использования SQL (как бы весело это ни было). Таким образом, сложные данные становятся доступными каждому, от самых опытных бизнес-аналитиков до руководителей. Согласно прогнозам компании Gartner, речевая аналитика и NLP ускорят повсеместное внедрение аналитической платформы с 32% до 50%, предоставляя постоянным пользователям доступ к ответам, необходимым для принятия решений. Более того, согласно тем же прогнозам, 50% аналитических запросов будут генерироваться через поиск, NLP или голосовую связь.

Для современных BI-компаний стало в порядке вещей внедрять ИИ в свои аналитические платформы, таким образом помогая пользователям выявлять тренды, предоставлять аналитику и прогнозировать данные, которые могут быть недоступны невооружённому глазу. Точный прогноз — это ключ для принятия решений в бизнесе. Такие платформы, как Sisense, могут предоставлять прогнозы на основе исторических данных. Пользователи, не являющиеся техническими специалистами, получают возможность прогнозировать бизнес-результаты и изменения критических показателей, а также принимать решения, исходя из полученных инсайтов. К примеру, театр может использовать данные за прошлые периоды для прогнозирования доходов и посещаемости для каждого шоу и, таким образом, принимать решение о запуске новой постановке. Сервис прогнозирования Sisense Forecast также помогает бизнес-пользователям анализировать, влияет ли определенная переменная на результат прогноза и если влияет, то каким образом. Например, вы предполагаете, что объём ваших электронных продаж зависит от типа цифровых устройств ваших пользователей (ПК, планшет или смартфон). Эту гипотезу можно проверить, если выбрать device type («тип устройства») в качестве explaining variable («объясняющей переменной») и посмотреть, как это повлияет на прогнозируемое значение объёма продаж. Такой анализ называется «многомерным прогнозом» и является очень мощным инструментом. Он создаёт картину ключевых факторов, влияющих на искомый показатель, тем самым давая возможность разумно его оптимизировать. Как же быть в случаях, когда поведение показателя отличается от нормы? Сюда могут относиться необычно низкие продажи, например, по причине отпусков или COVID-19. Настройки сервиса Forecast от Sisense позволяют исключить исторические периоды из расчёта, чтобы они не влияли на прогноз. Модуль для анализа трендов Trends — еще один эффективный способ помочь бизнес-пользователям выделить главное. В случае шумных или изменчивых данных даёт наглядное представление динамики выделенного показателя. Линии тренда в Sisense могут быть нескольких типов и можно выбрать наиболее подходящий для сферы деятельности компании. Тренды можно применять как к историческим, так и к прогнозным данным, чтобы лучше понимать не только прошлые результаты, но и возможные будущие. Предположим, наконец, что вы заметили что-то интересное в данных — какой-то всплеск, или необычное поведение — что дальше? Следующим шагом будет анализ случившегося. К счастью, нет необходимости срочно вызывать ближайшего специалиста по анализу данных, чтобы он произвел подсчёты. Модуль Sisense Explanations поможет выявить возможные причины. Буквально по щелчку мышки можно проанализировать десятки факторов и их комбинаций, чтобы определить наиболее вероятную причину изменений.

Аналитические платформы на основе AI — это будущее, в котором анализ данных доступен любым сотрудникам в каждой организации. В своем исследовании рынка Wisdom of the Crowds («Коллективная мудрость»), проведенном в 2020 году, компания Dresner назвала Sisense общепризнанным лидером в области платформ для аналитики.

Чем бы ни занималась компания, правильное использование данных будет ключевым фактором её успеха или неудач. Сегодня организациям доступна интерпретация данных, выявление трендов и «умные» прогнозы с использованием облачных вычислительных ресурсов по требованию. При этом не имеет значения, сгенерированы ли данные внутри организации, или собраны из внешнего приложения, которым пользуется клиент. Большинство организаций преодолевают нехватку квалифицированных кадров, нанимая специалистов по теории, аналитике и инженерии данных. Однако, некоторые приглашают профессионалов на должность «Директор по данным» (CDO). Для руководства компаний это относительно новая должность. Вплоть до того, что в журнале Industrial Management & Data Systems («Управление производством и системы данных») команда исследователей под руководством Ю Ни (Yu Nie) отмечала, что до 2000 года во всем мире насчитывалось только шесть директоров по данным. Но впоследствии их число резко возросло, и та же команда сообщила, что к 2015 году на этой должности работало уже более 1000 человек. Очевидно, что значение данных для организаций растёт. В данной статье мы исследуем функции и зоны ответственности директоров по данным, а также проблемы, с которыми они сталкиваются.

Не все организации достигли одного и того же уровня в работе с данными. В то время как в одних компаниях работают высококвалифицированные команды специалистов по теории данных, использующие языки программирования высокого уровня и передовую аналитику для извлечения информации, другие только начинают свой путь и изучают, как наилучшим образом структурировать, обрабатывать и организовывать свои данные. Из-за разного уровня зрелости стратегий работы с данными функции CDO разнятся. Чтобы помочь с определением зоны ответственности директора по данным в отдельной организации, Янг Ли (Yang Lee), совместно с командой исследователей, представили свою модель «куб CDO» в фундаментальном материале 2014 года для Ежеквартального издания MIS Quarterly Executive (журнал по управлению информационными системами). Исследователи выделили три аспекта функций директора по данным:

1. Направление сотрудничества: внутрь VS наружу. Этот аспект отражает, на что направлены основные усилия директора по данным. Направление «внутрь» означает, что он больше заинтересован в развитии внутренних процессов и определении обязанностей людей, задействованных в той или иной операции. Направление сотрудничества «наружу» для директора по данным означает, что он больше сосредоточен на согласовании стратегии работы с данными с внешними вендорами, поставщиками и клиентами.
2. Пространство данных: традиционные данные VS большие данные. Этот аспект отражает типы данных, с которыми имеет дело CDO. Традиционные наборы данных — это зачастую реляционные данные, составляющие ядро транзакционных услуг и операций. Например, это бухгалтерская система или система на точках продаж, охватывающая множество локаций. Авторы используют термин «большие данные», говоря о бессхемных системах данных, которые обычно используются в современных веб-приложениях. Зачастую такой тип больших данных не интегрирован в более устоявшиеся в организации приложения.
3. Воздействие на уровне ценности: услуги VS стратегия. Это, пожалуй, самый интересный аспект, выделенный Ли и его командой.

Что важнее для директора по данным? Извлечение информации из данных для развития функционирования самой организации, например, снижения оттока кадров и повышения операционной эффективности? Или он будет больше сосредоточен на использовании данных с точки зрения принятия стратегических решений и развития возможностей для улучшения положения организации на рынке? Сюда может входить увеличение дохода от использования данных самыми разными способами, например, через внедрение инструментов аналитики в клиентские приложения, продукты и опыт. «Куб CDO», разработанный Ли, — отличный инструмент, чтобы определить, зачем организации требуется директор по данным. Понимание зоны ответственности такого директора поможет определить полномочия и бюджет, необходимые для работы на этой должности. При этом независимо от потребностей компании, такая платформа как Sisense будет способствовать успеху CDO во всех аспектах.

Проблема: CDO ищут аналитическое решение, достаточно гибкое для высокотехнологичного моделирования, необходимого в работе специалистов по анализу и инженерии данных, и в то же время доступного для бизнес-аналитика. Платформы для аналитики, как правило, рассчитаны либо на высококвалифицированных специалистов по теории данных, либо на менее подкованных пользователей. Таким образом, выбор единого аналитического решения для организации может стать непростой задачей для директора по данным. Опытным профессионалам, запрашивающим данные и создающим модели с помощью таких языков, как SQL, R и Python, требуется решение для более глубокого анализа. Такие платформы, как Sisense, позволяют им быстро исследовать данные с помощью кода, визуализировать результаты или преобразовывать их в модели AWS Redshift или Snowflake. Команды по работе с данными могут создавать визуализации с помощью мощных библиотек для построения графиков и инструментов анализа данных, внедряемых в потоки бизнес-задач. Это позволяет пользователям, не являющимся техническими специалистами, использовать такую аналитику для принятия лучших решений. У бизнес-аналитиков может не быть навыков написания кода, необходимых для извлечения ценности из данных. Им необходим набор функций self-service, которые легко применять, не прибегая к помощи профессионалов. Передвижные виджеты с аналитикой и просмотр по принципу «навести и щелкнуть» очень удобны сами по себе, но благодаря добавленной аналитике на основе искусственного интеллекта и машинного обучения такие надежные платформы, как Sisense, расширяют возможности растущего числа любителей в области теории данных. Такие элементы, как обработка естественного языка (NLP), могут даже интерпретировать запросы, написанные обычным языком. Это еще больше расширяет круг людей, способных извлечь пользу из аналитики, не имея технических навыков. Директора по данным могут с помощью Sisense расширить возможности сотрудников первой линии, с тем чтобы те помогали напрямую внедрять инновации в продукты и процессы при участии клиентов, а затем использовали эти инновации при создании валидированных требований к производственно-технологическим ресурсам. Когда директор по данным обеспечивает такой уровень гибкости и возможностей для широкого круга как профессионалов, так и обычных пользователей, сотрудники могут сосредоточиться на использовании данных для развития сотрудничества внутри и за пределами компании, а также увеличения её общей производительности. Эти же сотрудники могут заняться изучением новых источников дохода и улучшением клиентских приложений, продуктов и опыта.

Проблема: CDO должны обеспечить полную картину данных по всему множеству их хранилищ и типов, включая облачные, на ресурсах организации или даже локальные. Многие крупные организации либо имеют центральное хранилище данных, либо находятся в процессе его создания. Это один из подходов к решению проблемы хранилищ данных. Однако для его реализации требуется время, могут возникать сложности с управлением, не говоря уже о том, чтобы заставить каждое подразделение его использовать! Отдельные команды неизменно находят нишевые приложения или сценарии использования и накапливают данные за пределами централизованного хранилища. Так может происходить, когда отдел проверяет идею или просто занят специфическим нишевым сценарием использования в своей области. Эта ситуация может быстро поставить директора по данным перед дилеммой: сдерживать инновации из-за того, что группа или приложение не вписываются в общую модель данных? Или поощрять появление новых идей с риском получения несвязанных данных? Такие платформы, как Sisense, позволяют подключаться напрямую к центральным хранилищам данных и одновременно предоставляют площадку для быстрого прототипирования с помощью кэшированных данных. Если эксперимент себя оправдает, они могут быть направлены обратно в центральное хранилище для использования при последующем анализе. Такая гибкость помогает директору по данным решать проблемы как в рамках традиционных наборов данных, так и за их пределами.

Проблема: CDO должны одновременно регулировать использование аналитики для улучшения внутренних процессов, влияющих на прибыль, и уделять внимание стратегическим проектам по привлечению новых доходов. Правильно подобранный аналитический инструмент позволит директору по данным играть и «в защите», улучшая показатели, которые влияют на прибыль, и продолжать «атаку», привлекая доходы за счёт монетизации аналитики. Чтобы оптимизировать обслуживание, директора по данным могут развертывать аналитические платформы внутри компании. Таким образом BI-специалисты смогут определить возможности увеличения прибыли с помощью аналитики, способствующей повышению операционной эффективности, уменьшению оттока клиентов или удержанию сотрудников. Директор по данным, при этом, не только даст возможность целому ряду сотрудников первой линии подкреплять интуицию бизнес-показателями, но и сократит число базовых запросов, обременяющих и без того очень занятую команду специалистов по данным. Кроме того, возможность внедрять инсайты, полученные с помощью данных, непосредственно в продукты, сервисы и клиентский опыт позволяет командам разработчиков повышать конкурентные преимущества своих предложений, предоставляя конечным пользователям мощные результаты работы с данными именно там, где они наиболее полезны и могут оказать наибольшее влияние на приверженность бренду и привлекательность для пользователей. Это один из способов, с помощью которого директор по данным может превратить данные в продукты, способствуя выработке руководством стратегии на более высоком уровне и открывая новые возможности для получения прибыли. Автор: Чарльз Холив (Charles Holive), директор по монетизации компании Sisense. Его группа призвана ускорить цифровую трансформацию через внедрение бизнес-инноваций совместно с директорами по данным и по работе с клиентами в различных отраслях с целью получения новых источников дохода с помощью нашей облачной платформы Sisense, позволяющей встраивать аналитику в высокодоходные коммерческие предложения.

Какие из этих рекомендаций связаны с Data Security в целом, а какие — с Data Privacy?

Справились? Давайте проверим. Если вы ответили, «data security» на каждый вопрос, вы, скорее всего, правы. НО Если вы везде ответили «data privacy» вы тоже не ошиблись. Да, все сложно.

Data Security часто связана с контролем доступа, тогда как Data Privacy обычно относится к проблеме раскрытия данных. Почему же так?

Data Security

Data Security можно сравнить с замком на двери — это довольно однозначный и категоричный контроль доступа. Например:

• Вы либо можете получить доступ к серверу компании — либо не можете.
• Данные либо находятся в руках доверенных сотрудников — либо были скомпрометированы злоумышленниками (например, иностранным правительством).
• Данные либо зашифрованы и доступны только авторизованным пользователям — либо не зашифрованы и открыты для всех желающих без ограничений.

Data Privacy

С Data Privacy все не так однозначно. Мы ограничиваем раскрытие данных в соответствии с политиками, которые определяют контекст или обстоятельства надлежащего использования данных:

• У меня есть доступ к данным заказчиков, но можно ли использовать их для партнерского маркетинга?
• Данные используются доверенными дата-стюардами, но разрешат ли заказчики предоставлять данные другим лицам?
• Чувствительные данные зашифрованы, но какие элементы можно просматривать для эффективного обслуживания заказчиков?

Эти две области определенно связаны. Data Security подразумевает предоставление или запрет доступа. Однако между этим двумя крайностями существует серая зона — Data Privacy, — в которой мы управляем раскрытием данных и учитываем риски их использования. Data Privacy означает, что если у вас есть доступ к данным, вы должны предоставлять и использовать их в соответствии с политикой владельца данных, пользователя и остальных заинтересованных лиц. Вспомните о нашем опросе. Давайте вернемся к нему и сравним рекомендации по защите данных с мерами по соблюдению Data Privacy. Попробуем понять контекст использования данных, от которого зависит метод обеспечения их конфиденциальности.

Как вы могли увидеть на иллюстрации выше, существует серая зона, тесно связанная с контекстом использования. Именно к этой зоне применяется data privacy. Здесь нет четкого ответа, как было с защитой данных. Все зависит от степени риска:

• Ваши меры по управлению данными достаточно эффективны, чтобы ограничить риск раскрытия данных и в разумной степени сохранить конфиденциальность?
• Ваша политика использования данных соответствуют ожиданиям владельцев данных?
• Все ли заинтересованные лица готовы извлекать ожидаемую ценность из данных, несмотря на риск потенциальной утечки, который может навредить доверительным отношениям?

Сегодня существует множество документов, регулирующих защиту чувствительных данных в разных странах. Предназначенные для защиты конфиденциальности заказчиков, эти документы требуют от организаций защищать персональные данные и получать от субъектов разрешение на те или иные способы использования данных. Компании обязаны не только реализовывать строгие меры защиты данных, но и отчитываться о соблюдении конфиденциальности, информируя о своих методах использования данных, чтобы субъекты данных знали, чего ожидать. Такие меры безопасности, как шифрование или маскирование, конечно, помогают защитить чувствительные данные, но их недостаточно. Компании должны реализовать систему управления защиты data privacy, чтобы принимать взвешенные решения о том, можно ли использовать их в том или ином контексте (и как исправить ситуацию, если использовать их было нельзя).

• Контроль применения политик использования данных по стандартам, согласованным между пользователями и владельцами чувствительных данных, а также другими заинтересованными лицами.
• Классификация и систематизация Data Privacy для определения их объема и применимости к ним соответствующих регламентов (например, для персональных данных).
• Сопоставление идентификаторов пользователя с защищаемыми данными и данными для ответов на стандартные запросы о соблюдении политик конфиденциальности (например, запросы субъекта данных на доступ к своим данным) с целью узнать, чьи данные используются, каким образом и где.
• Анализ рисков с целью определить, можно ли раскрыть те или иные данные в соответствии с применяемыми политиками конфиденциальности.
• Исправление ошибок и недочетов в соблюдении конфиденциальности данных, например принятие мер защиты данных, изменение политик хранения данных или сокращение объема обрабатываемых данных.
• Аудит и отчетность для выявления уязвимых мест в системе мер, обеспечивающих конфиденциальность, усовершенствования политик и реагирования на запросы для подтверждения использования данных в соответствии с ожиданиями субъекта.

Informatica предлагает технологии для обеспечения, как защиты, так и конфиденциальности данных, например статическое и динамическое маскирование данных, а также сопутствующие решения для анонимизации и псевдонимизации данных путем сокращения свойств чувствительных данных, доступных в записях и файлах. Зашифрованные данные и файлы невозможно использовать. Если данные все же нужны для каких-то целей, но необходимо сохранить их конфиденциальность, можно применить маскирование. Решения Informatica по управлению конфиденциальностью информации объединяют политики, обнаружение и классификацию данных, сопоставление идентификаторов, анализ рисков, исправление, аудит и отчетность на единой согласованной платформе. Они позволяют эффективнее реализовывать меры безопасности с помощью автоматизации, искусственного интеллекта и метаданных для достижения определенных целей. С их помощью вы найдете идеальный баланс и сможете использовать весь потенциал данных без лишних рисков.

Вместо того, чтобы полностью блокировать доступ к данным для их защиты от любых рисков, решение по защите Data Privacy использует метаданные и автоматизированные средства контроля, чтобы гарантировать надлежащее использование персональных и чувствительных данных. Такой подход имеет очевидные преимущества. Компании получают больше аналитических данных о заказчиках, чтобы разрабатывать и совершенствовать свои продукты и услуги, повышать лояльность и удержание клиентов. Заказчики, со своей стороны, могут выражать свои предпочтения по использованию конфиденциальной информации, доверяя компании. Организации могут уверенно применять меры безопасности для защиты конфиденциальности, чтобы демократизировать использование данных с минимальными рисками и извлекать бизнес-ценность из данных в соответствии с международными требованиями.

Современные организации возлагают большие надежды на использование данных для принятия взвешенных решений, которые помогут получить конкурентное преимущество. При этом все сложнее становится извлекать ценность из данных, многообразие и сложность которых постоянно растут. Кроме того, все чаще достоверные данные нужны каждому пользователю в компании, чтобы принимать стратегические решения, повышать операционную эффективность, разрабатывать модели машинного обучения и сотрудничать с коллегами в рамках бизнес-процессов. Для достижения этих целей компании обычно вкладывают много времени и денег в объединение всех данных в облачном хранилище или озере данных, считая, что это самое подходящее решение. Вскоре они понимают, что, несмотря на все усилия, данные в облаке хранятся хаотично, и очень сложно находить, извлекать и использовать их для современного анализа. Учитывая эти тренды, очень важно организовать правильную подготовку данных для self-service аналитики и data science.

Для подготовки данных к анализу и машинному обучению нужно выполнить несколько трудоемких задач, включая извлечение, очистку, нормализацию и загрузку данных, а также оркестрацию рабочих процессов ETL в большом масштабе. После надежного перемещения данных в облачное хранилище или озеро, аналитики и data scientist должны еще очистить и нормализовать их, чтобы понять контекст. Сейчас они работают с небольшими пакетами данных в Excel или Jupyter Notebooks, которые не могут оперировать большими наборами данных, применяться в практических целях или предоставлять достоверные метаданные для корпоративных процессов. Подготовка наборов данных занимает от нескольких недель до нескольких месяцев. В результате заказчики 80% времени тратят на подготовку данных вместо того, чтобы анализировать их и извлекать из них пользу.

Многие компании по-прежнему неэффективно подходят к обработке данных. 80% времени и сил аналитиков данных и data scientist уходит на поиск и подготовку данных, и только 20% — на их анализ. Более того, из-за быстрого роста объемов неструктурированных данных специалисты DataOps тратят больше времени на удаление, очистку и упорядочивание данных, чтобы выявить в них ошибки, нарушения согласованности и аномалии. При этом компании все чаще стараются принимать решения на основе данных. Данные должны быть качественными и достоверными, а значит процесс их подготовки необходимо стандартизировать и оптимизировать. Бизнес-пользователям некогда ждать данных от ИТ-отдела — им нужны функции self-service для подготовки данных, чтобы быстрее принимать решения. Подготовку можно ускорить с помощью гибкого итеративного и коллективного подхода по принципу self-service. Современный подход self-service при подготовке данных поможет компаниям обратить правило 80/20 в свою пользу. ИТ-отделы могут предлагать возможности self-service для работы с данными, при этом помогая аналитикам находить нужные данных, подготавливать их, применять правила контроля качества и сотрудничать с коллегами, чтобы в итоге предоставить ценность для бизнеса за гораздо более короткий срок.

Существует два основных варианта применения корпоративной подготовки данных:

• Подготовка данных для повышения эффективности аналитики и data science. Корпоративное решение для подготовки данных на базе ИИ, интегрированное с корпоративным каталогом данных, позволяет повысить продуктивность и эффективность работы data scientist, которые пытаются найти и подготовить данные вручную с помощью инструментов с открытым кодом. Большую часть времени data scientist ищут и готовят данные вместо того, чтобы выполнять собственно задачи data science. Благодаря интегрированной подготовке и каталогизации данных специалисты могут работать с большим наборами структурированных и неструктурированных данных, хранящихся в облачном озере. Это позволяет ускорить разработку моделей и обнаружить скрытые поначалу полезные фрагменты данных для прогнозной и прескриптивной аналитики.
• Подготовка данных для self-service аналитики в облачных озерах данных. Облачные озера данных фактически стали основной платформой предоставления данных для расширенных аналитических рабочих нагрузок. При этом озеро очень быстро превращается в болото, если организация не использует подходящие технологии для обработки данных и извлечения из них ценности. Корпоративная подготовка данных позволяет повысить качество содержимого облачного озера после приема данных, а также курировать данные, чтобы у пользователей был достоверный источник информации для self-service аналитики.

Informatica Enterprise Data Preparation позволяет data scientist, аналитикам данных и опытным пользователям подготавливать данные в облачном озере без написания кода для поддержки self-service аналитики, искусственного интеллекта и машинного обучения. Восемь преимуществ Informatica Enterprise Data Prep для эффективного использования данных:

• Больше достоверности благодаря повышению качества данных. Informatica Enterprise Data Preparation применяет интеллектуальные функции и автоматизацию, чтобы повысить качество данных и сократить объем работы, выполняемой вручную. Это решение позволяет стандартизировать контроль качества данных в организации, а также проверять и обогащать данные заказчиков, например адреса электронной почты, почтовые адреса и номера телефонов.
• Создание корпоративного каталога данных. Informatica Enterprise Data Catalog помогает аналитикам и data scientist понять, какие данные у них есть, как они определены, где находятся, откуда поступили (линедж), как используются и как связаны с другими данными. С помощью ИИ, машинного обучения и автоматизации в движке ИИ CLAIRE, Informatica Enterprise Data Catalog помогает организациям курировать данные для конвейеров, показывая, какие наборы данных доступны в том или ином контексте. Это позволяет пользователям быстрее находить и понимать достоверные, актуальные и доступные данные.
• Повышение гибкости и эффективности работы пользователей. С решением Informatica Enterprise Data Preparation ИТ-отдел может предложить функции self-service для работы с данными и помочь аналитикам находить подходящие данные, подготавливать их, применять правила контроля качества, сотрудничать друг с другом и предоставлять ценность для бизнеса в гораздо более короткие сроки.
• Улучшение аналитики и data science. Informatica Enterprise Data Preparation обеспечивает интеллектуальную и автоматизированную подготовку данных. Это помогает data scientist и аналитикам работать продуктивнее и сосредоточиться на задачах, связанных с анализом, ИИ и машинным обучением, чтобы достичь желаемых бизнес-результатов. Благодаря этому решению data scientist могут не обладать обширными навыками программирования, поэтому организациям будет проще нанимать специалистов.
• Повышение ценности облачных озер данных. Informatica Enterprise Data Preparation позволяет быстрее и эффективнее извлекать практическую ценность из данных в облачных озерах. Решение помогает преобразовывать, очищать, подготавливать и обогащать необработанные данные при поступлении в озеро данных, чтобы эти данные можно было использовать для расширенной аналитики, ИИ и машинного обучения. Informatica Enterprise Data Catalog помечает тегами информацию, описывающую линедж данных. Каталогизация больших объемов данных повышает их согласованность — этого невозможно добиться с помощью разрозненных инструментов self-service.
• Расширение практического применения данных в DataOps. Масштабируемые решения для подготовки данных на базе ИИ от Informatica помогают достичь следующих целей при использовании подхода DataOps: — Непрерывная интеграция и совместная работа для быстрого поиска нужных данных. — Непрерывная доставка и простое сопоставление управляемых и достоверных наборов данных для определения бизнес-терминов, чтобы повысить скорость и качество конвейеров данных. — Непрерывная доставка наборов данных для конвейеров.
• Целостное представление для оптимизации подготовки данных. Informatica Enterprise Data Preparation позволяет организациям получить комплексное и целостное представление о рабочих нагрузках, чтобы выявить распространенные проблемы и использовать инструменты ИИ и автоматизации для замены лишних операций, выполняемых вручную.
• Улучшение процессов управления качеством данных. С помощью решений Informatica Enterprise Data Preparation, Data Catalog, Data Quality и Axon Data Governance заказчики могут наладить процессы управления качеством при поступлении данных в облачное озеро данных. Интеграция каталога данных с CLAIRE, первым в отрасли движком ИИ на основе метаданных, позволяет повысить масштабируемость и точность для управления данными в облачных озерах и хранилищах данных.

Решение Informatica Enterprise Data Preparation второй раз попадает в Constellation ShortList в категории Self-Service Data Prep. В последнем отчете Constellation ShortList решение Informatica Enterprise Data Preparation названо одним из лучших продуктов в категории Self-Service Data Preparation (self-service подготовка данных). Отчет Constellation ShortList составляется на основе опросов пользователей, обсуждений с партнерами, отзывов заказчиков, проектов по выбору вендоров, доли на рынке и внутренних исследований. Загрузите аналитический отчет, чтобы узнать больше.

Искусственный интеллект способен улучшить любой аспект работы вашей организации: и внести положительный вклад в репутацию вашего бренда, и сократить издержки, даже увеличить прибыль. Кроме того, ИИ прекрасно справляется с задачами персонализации клиентского опыта, к чему сейчас стремятся многие компании. В клиентском сервисе искусственный интеллект способен творить настоящие чудеса. Эксперты прогнозируют, что к 2025 году до 95% всех взаимодействий компаний с клиентами будет проходить с использованием технологий на основе ИИ. Давайте рассмотрим, чем же искусственный интеллект может быть полезен компаниям уже сегодня.

Компании сейчас собирают очень много данных о своих клиентах: это и персональные данные, и предпочтения потребителей, и история их взаимодействия с тем или иным брендом. Но обработать вручную все эти данные практически невозможно. Алгоритмы ИИ помогают не только такие данные обработать, но и проанализировать, построить на их основе прогнозы. Это могут быть и прогнозы покупательского поведения, и прогнозы того, какой товар окажется востребованным в будущем, и многое другое. Обработка и анализ данных с помощью ИИ будут полезны и для более точного таргетирования маркетинговых кампаний, и для решения сложных клиентских проблем, и для эффективного управления корпоративными знаниями.

Искусственный интеллект может помочь организовать сервисы самообслуживания для клиентов (например, можно использовать чат-ботов). Такая автоматизация общения с клиентом позволит поддерживать коммуникацию 24/7 и легко масштабировать её при необходимости. Кроме чат-ботов полезными будут и различные интерактивные инструкции и размещение самых популярных вопросов с ответами на них.

Коммуникация с клиентами сейчас обычно происходит сразу в нескольких каналах. Обо всех взаимодействиях с клиентом важно централизованно собирать данные. Не менее важно эти данные анализировать и использовать для дальнейшего общения с клиентом. Также примером решения на основе ИИ, которое помогает поддерживать омниканальность коммуникации, может служить система управления знаниями KMS Lighthouse. Алгоритмы ИИ KMS Lighthouse позволяют эффективнее управлять корпоративными знаниями, поддерживать непротиворечивость информации на сайтах, в кол-центрах, в чат-ботах и при личной консультации сотрудником.

Во-первых, оптимизация ресурсов станет закономерными последствием первых трёх аспектов работы искусственного интеллекта. Например, наличие чат-ботов значительно снизит нагрузку на операторов контакт-центра. Это позволит им внимательнее решать проблемы клиентов и отвечать на их вопросы. Во-вторых, как указано выше, решения на основе искусственного интеллекта позволяют прекрасно прогнозировать. Это может быть полезным для анализа ассортимента товаров и услуг. Также технологии с использованием ИИ могут помочь автоматизировать многие задачи, которые сейчас сотрудники выполняют вручную. И автоматизация, и прогнозирование внесут значительный вклад в оптимизацию многие процессов, освободит время сотрудников на выполнение творческих задач.

Внедрение решений с ИИ значительно улучшают впечатления клиента от каждого взаимодействия с компанией. Ваши клиенты по достоинству оценят персонализированные рассылки и рекомендательные системы, помощь искусственного интеллекта при заказе товара и при отслеживании заказа. Amazon сравнительно давно применяет большинство этих инструментов, и успех этой площадки наглядно показывает эффективность такого подхода.

Линн Хансейкер, директор по работе с клиентами в ClearAction Continuum, считает, что текущие изменения в клиентских привычках – прекрасная возможность для организаций начать лучше соответствовать ожиданиям потребителей и улучшить свой клиентский сервис. При этом персонализировать клиентский сервис и сделать его удобнее может помочь искусственный интеллект.

Из-за пандемии в 2020 году онлайн-торговля приобрела беспрецедентную популярность. Возможность купить что-то без контакта с другими людьми приобрела большое значение для клиентов. Все каналы электронной торговли продолжают активно развиваться и сейчас, несмотря на мировой кризис и экономическую нестабильность. Как ритейлерам и брендам извлечь максимальную пользу из уроков, которые им преподал 2020 год? Как подготовиться к дальнейшей работе на постоянно меняющемся рынке и адаптироваться к постоянно меняющемуся клиентскому поведению? Ответить на эти вопросы может быть непросто. В 2020 году стабильными были только перемены, а прогнозы менялись быстро, как никогда раньше. Однако кто-то сумел извлечь из происходящего пользу: рынок электронной торговли вырос на 16,5%. Если вы также нацелены на рост, посмотрите те тренды, которые скорее всего будут определять 2021 год.

Технологии дополненной реальности позволяют покупателю посмотреть на товар в трёхмерном пространстве, в той обстановке, в которой этот товар будет потом использоваться. Многим покупателям это очень нравится, они с большей готовностью приобретут такой товар даже впервые. Бренды и онлайн-магазины, которые предоставляют такую возможность своим клиентам, добиваются лучшей вовлечённости и более высокого уровня конверсии.

В 2021 году покупатели продолжат стремиться к удобству и безопасности. И голосовые помощники прекрасно впишутся в эту парадигму. Уже сейчас, по данным PwC, в Германии 11% людей делает покупки через голосовых помощников. Именно поэтому компаниям так важно принимать эту технологию во внимание, постараться также сделать её доступной для своих клиентов.

60% покупателей признаётся, что впервые сталкиваются с новыми продуктами в Instagram. Сейчас у компаний есть всё необходимое, чтобы создать омниканальный клиентский опыт, который охватит и все популярные социальные сети. Весь процесс покупки может происходить в Instagram, Facebook, What’s App, или Pinterest: от первого столкновения с товаром, до исследования его свойств и сравнения с конкурентами, до оформления заказа. 2021 год потребует практически от всех компаний составления и реализации стратегий создания клиентского опыта в социальных сетях, чтобы извлечь из этих каналов максимальную пользу.

По данным Accenture, 63% покупателей отказывается приобретать товары и услуги компаний, которым они не доверяют. При этом доверяют клиенты прежде всего тем компаниям, чью цепочку поставок легко можно проследить. Подробнее об управлении цепочками поставок читайте в другой статье блога. В 2021 году клиенты по-прежнему будут ожидать этичности и устойчивого развития от брендов. В частности, большую роль будут играть социальная ответственность компании, прозрачность её бизнеса, а также стремление компании работать с местными поставщиками. Именно у таких организаций потребители будут стараться приобретать товары и услуги в 2021 году. Лидирующие на рынке компании (например, Unilever или PVH) активно стремятся к тому, чтобы их цепочка поставок была экологичной и прозрачной, стремятся нести социальную ответственность. Эти компании стараются завоевать доверие клиентов, предоставляя им этичные товары и услуги, создавая тем самым хороший клиентский опыт. Лидеры понимают, что всё это поможет им добиться долгоиграющего успеха на рынке.

В 2021 любой компании важно предоставлять покупателям подробную и качественную информацию о своих товарах и услугах. Клиенты хотят принимать продуманные решения на основе данных, а значит эти данные должны быть доступны им в любом канале коммуникации. Онлайн-торговля невозможна в 2021 году без качественного контента для агрегаторов и маркетплейсов, мобильных приложений и сайтов, для социальных сетей и других каналов коммуникации. Чем более детализированную и полную информацию вы сможете дать о своём товаре или услуге, тем больше вы сможете продать онлайн. Клиент сам сможет найти всё, что для него важно, в описании товара или услуги. Меньше вероятности, что он разочаруется, когда получит заказ, и вернёт его обратно. Помните, что те, кто привык покупать онлайн, ожидают более детализированной информации о товарах и услугах, чем те, кто закупается в магазинах. В частности, нужны будут качественные изображения товара с разных сторон, возможность приблизить изображение, видео или контент с применением дополненной реальности. И, конечно, большую роль будет играть продуманное описание. Подробнее об управлении контентом в разных каналах можно почитать здесь.

Многие компании стремятся максимально поднять уровень своей клиентоориентированности, как можно лучше обсуживать своих клиентов. Для этого в контакт-центры нанимают операторов с хорошей квалификацией и дополнительно тренируют их с помощью обратной связи от клиентов. Также компании стремятся создать оптимальные условия труда для операторов: например, внедряются системы управления знаниями, которые позволяют быстро находить нужную информацию во время звонка. Кроме того, для улучшения клиентского опыта сейчас активно используются новые технологии – чат-боты и виртуальные помощники. Современные чат-боты и помощники прекрасно справляются с обработкой очень больших объёмов информации и эффективно предоставляют клиентам те сведения, которые им нужны. Многие клиенты положительно оценивают такое взаимодействие с компанией. Несмотря на то, что между чат-ботом и виртуальным помощником много общего, различия между ними также есть. Давайте детальнее рассмотрим их.

Между чат-ботом и виртуальным помощником есть три основных различия: механизмы понимания речи, контекст использования, способность к продолжительному взаимодействию с пользователем. Очевидно, что чат-боты создаются для взаимодействия с человеком в чатах. И это накладывает на эту технологию определённые ограничения. В частности, чат-боты могут испытывать затруднения при понимании сложных вопросов и при ответе на них. Чат-бот выстраивает с пользователем диалог по заранее структурированному шаблону, при этом не всегда понимая цели коммуникации. Это может привести к недопониманию межу человеком и технологией. Виртуальные помощники реже испытывают такие затруднения. В основе помощников – продвинутые технологии обработки естественного языка. Благодаря этому они могут вести более динамичный диалог с пользователем. У чат-ботов есть ещё одна слабая сторона. Им не всегда удаётся поддерживать непротиворечивость коммуникации с клиентом в разных каналах. Виртуальные помощники поддерживают омниканальность коммуникации. Нельзя сказать, что та или иная технология лучше или хуже. В какой-то ситуации подойдёт виртуальный помощник, в какой-то – будет достаточно чат-бота.

Голосовые помощники, такие как Сири и Алекса, давно приучили клиентов, что с виртуальным ассистентом можно не только переписываться, но и разговаривать устно. В большинстве своём люди чувствуют комфортно, общаясь с искусственным интеллектом и обращаясь к нему за решением различных проблем. Но это не значит, что внедрение виртуального голосового ассистента обязательно окажется успешной инициативой в вашем кол-центре. Для того, чтобы виртуальный помощник мог полноценно консультировать клиентов, в контакт-центре должен быть внедрён целый ряд поддерживающих его решений. Также, перед тем как вы приступите к внедрению виртуального помощника, тщательно соберите данные для него. Внедрите и правильно настройте маршрутизацию звонков и их оптимальное распределение между операторами и голосовыми ассистентами. Кроме того, важно заранее настроить для виртуального ассистента быстрый доступ к ответам на самые частые вопросы клиентов (вопросы по статусам заказов, платежам, возврату, резервированию товаров и прочее). Также нужно внимательно отнестись к выбору самого виртуального ассистента. На рынке сейчас есть несколько вариантов, которые значительно отличаются друг от друга. Для одной компании может оказаться оптимальным один, для другой – другой. Самое важное при выборе – оценить интеграционные возможности виртуального помощника, точность его реплик и надёжность его работы.

Среднее время удержания звонка – одна из ключевых метрик оценки эффективности работы кол-центра. Если оператор сможет быстро ответить на вопрос клиента или решить его проблему, то тот скорее всего останется больше удовлетворён обслуживанием (исследования показывают, что взрослые потребители очень ценят, когда компания уважает их время). При этом ваша организация сможет ещё и сэкономить на операционных затратах. Если снизить среднее время удержания звонка, один сотрудник сможет за рабочий день обработать больше обращений клиентов. Среднее время удержания звонка позволяет понять, сколько в среднем нужно сотруднику времени для того, чтобы обработать одно обращение клиента. В эту метрику включается: время, которое тратит клиент на ожидание ответа, время на перевод звонков между сотрудниками, а также время на активности, которые нужно выполнить оператору уже после звонка.

Естественно, операторы не могут начать торопить клиентов при разговоре. В этом случае звонок, конечно, может закончиться скорее. Но качественного клиентского опыта не получится. Кроме того, из-за ненужной спешки может пострадать выполнение других KPI контакт-центра. Например, меньше проблем будет решаться при первом обращении клиента. Число же повторных обращений вырастет, а это никому не выгодно.

Начните с обучения сотрудников. Сотрудники должны хорошо понимать, по каким сценариям может развиваться разговор с клиентом и где искать дополнительную информацию в случае необходимости. Кроме того, операторы должны знать, к кому можно обратиться за помощью, если возникнут затруднения. Обучение должно быть нацелено на то, чтобы благодаря ему сотрудники кол-центра понимали, как можно решить любую проблему, и чувствовали себя уверенно в любой ситуации. Также нужно помочь операторам на хорошем уровне освоить программы, которые смогут оптимизировать их работу: CRM-системы, чаты и прочее. Не менее важно, чтобы сотрудники кол-центра чётко представляли себе релевантные политики и процедуры работы, принятые в вашей организации. Также нужно мониторить все звонки в кол-центре с помощью специализированных программ. Звонки стоит записывать для дополнительной тренировки операторов.

Тренироваться обрабатывать звонки сотрудникам стоит на живых примерах: на записях собственных разговоров или разговоров коллег. Для тренировок постарайтесь отобрать образцовые звонки, при которых оператор смог ускорить общение с клиентом, не снижая при этом качества обслуживания. Также стоит дать послушать операторам и записи разговоров, которые можно было провести лучше. При этом важно доходчиво объяснить, что именно нуждается в улучшении и как этого добиться.

Чтобы понять, на каком этапе процессы становятся неэффективными, тщательно изучите работу операторов. Постарайтесь устранить всё, что удлиняет звонок и никак не улучшает клиентский опыт. Автоматизируйте рутинные задачи с помощью ИТ-решений, чтобы снять с операторов лишнюю нагрузку.

Кто лучше всего сможет помочь оператору решить сложную проблему клиента? Чаще всего только другой оператор, который уже сталкивался с подобной проблемой. Именно поэтому так важно, чтобы в кол-центре использовалась качественная система внутренней коммуникации вместе с решением для маршрутизации звонков. Такой подход позволит усилить сотрудничество операторов, сократить среднее время удержания звонков. Кроме того, благодаря этому подходу можно всегда быть уверенным, что проблема решается самым компетентным оператором.

На поиск актуальной информации о клиентах, продуктах и услугах у операторов должно уходить немного времени. Именно поэтому важно хранить эту информацию в системах, которые позволяют быстро обновлять сведения в реальном времени и без проблем находить то, что нужно.

Быстро находить нужные сведения операторам может помочь система управления знаниями. В ней сотрудники кол-центра смогут быстро находить ответы на вопросы клиентов, а также дополнительную релевантную информацию. Оператору не придётся искать нужные сведения в разных местах или спрашивать коллег. Это позволит сэкономить много времени.

Если вам удастся снизить среднее время удержания звонка, выиграют от этого все: и клиенты, и операторы, и ваш бизнес. Самое важное, чтобы ускорение звонков в вашем кол-центре не привело к ухудшению клиентского обслуживания.

Данные приобрели очень большое значение. Можно сказать, что они по-настоящему меняют мир, в котором мы живём. Но это приносит не только новые возможности, но и новые проблемы. Сейчас много говорят о том, что данные в современном мире собираются в очень больших объёмах. Можно найти много статистики, которая это подтверждает. Из-за таких значительных объёмов извлечь, обработать и переместить данные для анализа может быть очень непросто. У инженеров по данным сейчас очень много работы, а со временем её станет только больше. Кроме того, пока не все организации научились данные монетизировать и извлекать из собранных сведений максимальную пользу.

Генеральный директор Sisense Амир Орад считает, что сейчас каждая компания уже стала дата-центричной или в скором времени должна такой стать. Амир отмечает, что Nike, Burger King, McDonald’s и другие крупные корпорации, а также новые игроки на некоторых рынках (например, в страховании) уже давно используют данные и аналитику для развития своих конкурентных преимуществ. «Анализ данных меняет операционные процессы многих бизнесов и создаёт новые потоки прибыли во всей глобальной экономике, – продолжает Амир. – Уже совсем скоро данные станут важнейшим первичным материалом практически для каждой компании, а аналитика (в том числе с помощью искусственного интеллекта) станет основой большинства бизнес-моделей. Практически все продукты или станут «умными» или устареют». Беспрецедентное значение данных для бизнеса подтверждается и недавним назначением Джона Донахью генеральным директором Nike. До того, как возглавить спортивный бренд, Джон занимал позицию президента маркетплейса eBay, а ранее – генерального директора ИТ-компании Service Now. Назначение Джона показывает, насколько сильно бизнес ориентируется на новые информационные технологии и становится дата-центричным. Недавнее исследование Accenture говорит о том же. 79% руководителей крупных компаний считают, что пренебрежение технологиями Big Data может привести к потере важного конкурентного преимущества и даже закрытию бизнеса.

95% опрошенных отмечает, что для извлечения из корпоративной информации максимальной пользы необходимо эффективно управлять большими данными, в частности, неструктурированными данными. Те, кто преуспел в этой области, добиваются роста прибыли на 8-10% и сокращают затраты на 10%. Поэтому не удивительно, что 83% руководителей сообщает о том, что проекты Big Data позволяют добиваться значительного конкурентного преимущества. При этом ситуация в разных секторах экономики разная. Так, только 62% респондентов, которые работают в ритейле, считают данные и их аналитику конкурентным преимуществом. И это при том, что ещё в 2011 консалтинговая компания McKinsey подсчитала, что масштабный анализ данных может увеличить операционную рентабельность компаний в этом секторе на 60%. В здравоохранении решения Big Data и аналитики внедряются для лучшей диагностики, составления более эффективных стратегий лечения, лучшего сегментирования пациентов и прочего. А эпидемия коронавируса позволила очень наглядно увидеть, насколько важны точные сведения, которые обновляются в реальном времени. Это касается и проведения лечения пациентов, и составления расписания работы медицинского персонала, и распределения защитных средств. Транспортные компании уже довольно преуспели в использовании данных. Среди них – компания Transport for London, которая отвечает за общественный транспорт в столице Великобритании. Аналитика и Big Data в логистике используется для управления непредвиденными обстоятельствами, клиентского обслуживания, предотвращения сбоев. Традиционно остаются дата-центричным и банки. Они всё чаще используют данные для управления рисками, предотвращения финансовых мошенничеств, аналитики привычек клиентов и других целей. Согласно исследованию McKinsey, в целом в 50% компаний всех секторов экономики данные меняют маркетинг и продажи, а в 30% – R&D. В исследовании Accenture отмечено, что в ближайшие пять лет Big Data и аналитика будут оказывать значительное влияние на отношения с клиентами, разработку новых продуктов, оптимизацию цепочек поставок, операционную деятельность. Бизнес будет становиться всё более дата-центричным. А опрос NewVantage Venture Partners показал, что Big Data принесёт больше всего пользы, снижая затраты (так считают 49,2% респондентов) и создавая новые возможности для инноваций и прорывов (44,3%).

97% компаний уже активно инвестируют в Big Data и искусственный интеллект. При этом не стоит забывать, что для того, чтобы добиться максимального эффекта от корпоративных данных, важно правильно выбрать BI-платформу. От этого выбора во многом будет зависеть, насколько широкий круг сотрудников сможет искать в данных инсайты и извлекать из этих инсайтов пользу для себя.

Многим компаниям сейчас приходится трансформироваться, чтобы продолжать эффективно работать в сложившихся условиях. Давайте рассмотрим опыт GitLab и Sisense в этой области. Возможно, некоторые рекомендации вы также сможете применить в своей работе.

Способы организации эффективной работы на удалёнке в ходе недавней дискуссии обсудили HR-директор Sisense Нурит Шибер и Эмили Шарио, консультант по внутренней стратегии в GitLab. Можно сказать, что правильно выстроенная оптимизированная удалённая работа – это страсть Эмили. Ей повезло: она работает в компании, где эту страсть разделяют и поддерживают. GitLab – одна из крупнейших компаний по всему миру, все сотрудники которой работают только удалённо. Всего в GitLab более 1200 работников из 65 стран мира. В компании считается, что будущее именно за удалёнкой. Однако сложно поспорить с тем, что не всё может пойти гладко, когда переходить на дистанционный формат работы приходится экстренно и из-за внешних факторов. В ходе дискуссии Нурит и Эмили сошлись на том, что большую роль для успешного перехода на удалёнку играет правильная корпоративная культура. При руководстве бизнесом важно больше уделять внимания проблемам сотрудников. Также важно научиться выстраивать профессиональные отношения удалённо. Кроме того, необходимо создать эффективную систему получения обратной связи и признания от коллег. При этом оба эксперта считают, что основа успешной работу любой распределённой команды – верно организованные и продуманные онлайн-встречи.

Эмили утверждает: все компании при переводе сотрудников на дистанционный формат работы проходят три основных этапа.

• На первом этапе команды пытаются перенести все рабочие процессы из офиса онлайн. Встречи из переговорных переносятся в Zoom.
• На втором этапе фокусом становится эффективность. Вместо того, чтобы собирать всех сотрудников в одно время, организатор может записать видео, которое остальные члены команды смогут посмотреть в удобное для себя время.
• На третьем этапе приоритетом становится развитие продвинутой культуры удалённой работы. Большинство рабочих вопросов решается в соответствии с этим новым приоритетом.

Сейчас большинство компаний, сотрудники которых до пандемии Covid-19 работали в офисе, находятся на первом этапе. Но для того, чтобы поддерживать хорошие условия труда и продуктивность работников, придётся перейти на следующий этап. На этот переход могут потребоваться недели и месяцы. Эмили предлагает для начала вспомнить все онлайн-встречи, которые запланированы у вас на следующую неделю. На скольких из них пройдёт показ презентации в PowerPoint? Эмили рекомендует вместо того, чтобы показывать презентации на онлайн-встрече, записать показ на видео и выложить его на YouTube. Разошлите ссылку на видео за сутки до запланированного звонка в Zoom или Skype, чтобы коллеги могли с этим видео заранее ознакомиться. Так вы сэкономите время на самой встрече. А обсуждение будет более осмысленным и эффективным, так как у коллег будет больше времени на обдумывание вашей презентации.

Нурит отмечает: ей понадобилось меньше недели, чтобы понять, что та структура встреч, которая была в офисе, не подходит для работы удалённо. «Первая неделя на удалёнке прошла для меня на адреналине», – отмечает Нурит. Сотрудники стремились сделать всё, чтобы сохранить привычный темп работы в новых условиях, но это значило принимать все приглашения на онлайн-встречи, которые приходили им на почту. Однако уже на второй неделе работы из дома стало ясно, что в таком темпе работать невозможно: на выполнение многих обязанностей просто не оставалось времени. К тому же у многих ситуация усложнялась из-за домашнего обучения детей и других личных проблем. Спустя несколько недель в Sisense было принято решение сделать некоторые дни «свободными от встреч». В эти дни все сотрудники, включая руководство компании, не принимают участие в онлайн-встречах, а выполняют другие рабочие обязанности. Также в Sisense были введены дополнительные дни для отдыха.

Лично я всегда перед тем, как назначить встречу спрашиваю себя, можно ли решить те или иные вопросы по почте. Или, как это делают сотрудники GitLab, – записать вместо встречи видео? Мне кажется, что подобные вопросы должны задавать себе сотрудники любой компании, в которой важными приоритетами являются продуктивность работников и защита их от профессионального выгорания.