Группа компаний «Аллюр» (Казахстан) выстроила платформу данных, повысив информационное обеспечение бизнеса. Компания получила инструмент мониторинга, основанный на проверенных и актуальных данных, и перспективы для дальнейшего развития ИТ-ландшафта. О реализации проекта рассказывает Гаухар Сарсембекова, Data Management Team Lead группы «Аллюр» и номинант на премию Data Award.

- Как компания пришла к реализации проекта? Какие были проблемы?

Движущими силами, вдохнувшими жизнь в данный проект, стали целых три взаимосвязанных фактора. Во-первых, бурный рост объемов продаж и производства повлек за собой лавинообразное увеличение обрабатываемой информации. Во-вторых, усложнение корпоративной структуры привело к возникновению настоящих лабиринтов внутренних коммуникаций. И, в-третьих, фокус на агрессивный рост обнажил критическую недостаточность регламентации работы с данными.

Эти обстоятельства породили информационный хаос, проявлявшийся в трех ключевых аспектах. Недопонимание данных – кто, когда и какие данные создает, где они находят свое пристанище и куда направляются. Недоверие к данным – ошибки, дублирование, пробелы и несогласованность превращали ценные сведения в ненадежный инструмент. Информационные «бункеры» – разнонаправленные трактовки и дефицит обмена информацией между подразделениями создавали барьеры, препятствующие единому видению и слаженной работе.

- Почему это было важно для компании?

Дефицит достоверных данных порождал недостаточное понимание об остатках и их динамике, обрекая планирование и операции на ошибки, множа оборотный капитал и изматывая деловую продуктивность. В конечном итоге, в пучине информационной анархии, управление всей цепочкой поставок превращалось в испытание, где принятие взвешенных решений становилось сложной задачей.

— Каков был исторический ландшафт средств работы с данными?

Исторический ландшафт средств работы с данными состоял из учетных систем на базе платформ «1С», формируя основу для управления ресурсами, логистикой и производством (КУФИБ, ERP, WMS, MES, DLG, QLS). Параллельно развивались CRM-системы, такие как Bitrix24, выстраивая мосты к клиентам. Неизменным спутником аналитиков и операционистов, несмотря на свою кажущуюся простоту, оставался Excel, служивший универсальным инструментом для обработки и визуализации данных.

- Какие цели поставили перед проектом?

Цели проекта заключались в проведении подробного анализа текущих производственных процессов и информационных потоков, с акцентом на интеграцию передачи данных между системами. Это также включало выявление возможностей для улучшения качества данных с целью повышения прозрачности и контроля над ключевыми процессами. Важным аспектом было обеспечение управления жизненным циклом данных для всех этапов производства автомобилей, таких как планирование, закупки, внутренняя логистика, производство и внешняя логистика. Кроме того, проект нацелен на оптимизацию и автоматизацию обмена данными между информационными системами.

Ожидаемые бизнес-результаты включали создание ежедневного пайплайна, разработку рекомендаций для обеспечения производственного цикла и его реализации, а также четкое распределение ролей среди всех участников процесса для повышения качества управления данными. Этот подход должен был помочь минимизировать дублирование функций и улучшить качество данных. Также предполагалось создание схемы физического перемещения материально-технических ресурсов с увязкой с информационными системами, детальное описание потоков данных на всех стадиях жизненного цикла производства, включая сценарии и физическую карту процессов.

- Какие принципы пытались соблюсти?

В рамках реализации проекта мы соблюдали принципы, основанные на повышении качества и достоверности данных, объективности, прозрачности потоков данных и процессов жизненного цикла данных, безопасности и конфиденциальности данных.

- Какой подход был выбран?

Проект был реализован сначала в формате quick win. Архитектура была минималистичной и включала источник, интеграцию с базой данных, витрину данных и дашборд. В последующем решение было проработано уже «по фэн-шуй» – с парсингом данных и классическим DWH с областью временного хранения данных, слоем детальных данных и витринами данных.

- Какие данные охвачены?

Все имеющиеся данные: по ежегодному планированию, закупкам и заказам машинокомплектов и комплектующих, по логистике, оперативному планированию производства, выпуску готовой продукции и ее качеству, хранению и реализации готовой продукции и т.д. Также в рамки проекта был включен контур исторических данных, в том числе замеры по качеству данных и выстраивание процессов по управлению качеством данных.

- На каких технологиях реализована платформа данных?

Были использованы Python, Apache Airflow, PostgreSQL, ClickHouse, Microsoft Fabric.

- Какие в ходе проекта возникали проблемы, как их решали?

В ходе реализации проекта команда столкнулась с рядом препятствий, каждое из которых требовало нестандартного подхода и тщательного анализа.

Первой серьезной проблемой стало отсутствие и неактуальность технической документации, в частности, касающейся интеграционных обменов. Чтобы преодолеть этот пробел, команда самостоятельно детально описала текущие потоки данных, изучив конфигурации систем и проведя углубленные интервью с представителями бизнеса и ИТ.

Еще одним вызовом стало отсутствие актуальных описаний бизнес-процессов. Команда взяла на себя задачу по их систематизации, в результате чего были задокументированы ключевые сквозные бизнес-процессы, определены соответствующие данные и назначены ответственные лица. Для обеспечения прозрачности и структурированности были сформированы такие ценные артефакты, как Матрица «объект данных/система» и Матрица RACI.

На начальном этапе присутствовало недоверие со стороны бизнеса относительно успеха проекта. Однако после появления первых ощутимых результатов отношение кардинально изменилось. Бизнес увидел потенциал и ценность проводимой работы, что привело к их активной вовлеченности и всесторонней поддержке дальнейшей реализации проекта.

- Какие результаты достигнуты?

Благодаря продуманной архитектуре данных мы обнаружили и локализовали «узкие места» в информационном обеспечении. Мы провели тщательную очистку исходных данных и разработали рекомендации по их совершенствованию. В результате бизнес получил мощный инструмент мониторинга, базирующийся на проверенных и актуальных сведениях, имеющих четких ответственных.

Как приятный «побочный эффект», достигнута синергия между бизнес-подразделениями, а также сформированы ценные вводные для составления дорожной карты дальнейшего развития ИТ-ландшафта.

- Какие бизнес-результаты были достигнуты благодаря реализации проекта?

Первый из них – оптимизация управления запасами и данными. Проведен углубленный анализ прошлых периодов, создана детальная модель, разбитая по дням, брендам и моделям. Это позволило сформировать обоснованные предложения по обеспечению бесперебойного цикла производства и реализации продукции.

Второй важный эффект – повышение эффективности логистических процессов. Разработана исчерпывающая схема перемещения товарно-материальных ценностей (ТМЦ), включающая тщательный анализ ее соответствия с существующими ИТ-системами. Результатом стало существенное улучшение потока данных и повышение точности учета ТМЦ.

Наконец, достигнут значительный рост качества данных. Это ключевое достижение – качество данных в настоящее время стабильно поддерживается на уровне 91-99%.

- В чем роль проекта для бизнеса компании?

Мы повысили операционную эффективность благодаря качественным данным, определили конкретных ответственных лиц за сроки и этапы работ в цепочке поставок. Важно, что проект охватил все направления деятельности группы компаний – дистрибуцию, завод, дилерские сети, сформировав единый подход к сбору и анализу данных. Были определены единые правила к качеству данных и единый сквозной взгляд на все процессы.

- Каковы направления дальнейшего развития проекта?

По итогам проекта начаты работы по нескольким направлениям. В области информационных технологий осуществляется глубокая проработка ИТ-архитектуры. В сфере управления персоналом проводится разработка ключевых показателей эффективности. Реализуются задачи по внедрению системы управления мастер-данными. Уделяется внимание развитию искусственного интеллекта и созданию ИИ-продуктов.