{"id":2972,"title":"\u0412\u0435\u0431\u0438\u043d\u0430\u0440 \u043f\u043e \u0440\u0430\u0437\u0432\u0438\u0442\u0438\u044e \u0431\u0438\u0437\u043d\u0435\u0441\u0430 \u043e\u0442 Microsoft","url":"\/redirect?component=advertising&id=2972&url=https:\/\/vc.ru\/promo\/231217&hash=2af4649e2f1fb9d084608dab3d710d3891bb2460260cc7224d84dec68fae15c3"}
Сервисы
Kirill Bychkov

Айтишники закончились, а работа с данными осталась: как Datrics компенсирует нехватку ML-разработчиков и data scientists

Разработчики сегодня – это необходимый, но дорогостоящий и дефицитный ресурс. Datrics нашел решение проблемы и разработал no-code платформу для анализа данных в компании любого масштаба и индустрии. О том, как ее создавали и развивали, рассказывает CEO Datrics Антон Вайсбурд.

Data-based approach или подход к принятию решений на основе реальных данных – неотъемлемая часть современного менеджмента и условие конкурентности бизнеса. Он позволяет оперативно реагировать на меняющуюся среду, запускать новые товары и услуги, как следует из опросов Statista. Крупные корпорации нанимают штат аналитиков, которые исследуют бизнес-метрики, тогда как в небольших компаниях эта задача ложится на топ-менеджмент. В любом случае, они имеют дело с софтом, который умеет собирать информацию из различных баз данных компании и частично их обрабатывать, превращая в отчеты. Чтобы настроить такой софт, нужна ИТ-команда, найти которую бывает очень сложно.

Хьюстон, у нас проблема: «айтишники» закончились

Наступила эпоха автоматизации бизнеса, но многие решения все еще принимаются вручную. Страшно не то, что вместо алгоритма работает человек — бизнес, который не уделяет внимание глубокой работе с данными, упускает множество возможностей. Возьмем, к примеру, кредитование в среднем банке не из топ-5. Чтобы выдать кредит, клиента проводят через несколько кругов ада под названием кредитное бюро и базовый анализ профиля клиента. Казалось бы, это стандартный рабочий процесс, который никак не вредит эффективности (опустим человеческий фактор). Но он ее и не улучшает. Бизнес-процесс никак не совершенствуется. Тогда как с анализом данных и машинным обучением можно заметно его ускорить и даже повысить качество кредитного портфеля. В моей практике я сталкивался с улучшением на 40%. Если брать сторонние примеры, то ВТБ, например, перевел 70% задач по аналитике и автоматическому принятию решений на алгоритмы и получил эффект в виде роста розничных кредитов на 18%.

Или представьте себе более распространенную ситуацию — закупки. Ограниченные бюджеты, которые нужно правильно распределить, становятся головной болью любого бизнеса. В клиниках, например, нужно вовремя и в достаточном объеме закупать расходные материалы. Обычно такие решения принимаются в аналоговом порядке: менеджер по закупкам считает количество использованных расходников за прошлый месяц и приобретает такое же количество. При этом могут не учитываться изменение спроса, динамика нагрузки на стационары, сезонность и т.д. В ритейле с закупками все гораздо сложнее, и если крупные сети уже применяют аналитику и развивают внутренние команды data science, то средние игроки до сих пор делают закупки на основе предположений, а не динамических данных и прогностики.

Аналитический подход на основе ML (machine learning, машинное обучение) гораздо эффективен. Но как его реализовать в условиях нехватки разработчиков, за которых борются сегодня все: ИТ-компании, которые стремительно растут и расширяются, индустриальные гиганты, которые проходят через цифровую трансформацию – от заводов до банков? Эта проблема не только России, но и всего мира. Даже с учетом удаленного найма, ни в одном регионе или государстве не существует столько программистов, чтобы построить количество математических моделей, необходимых бизнесу.

Сложная аналитика и машинное обучение без технарей

Аналитики практически в любой отрасли могут обойтись без штата программистов, заменив его на low-code платформу с возможностью обработки данных на основе ML. Для компании это не только решение головной боли с привлечением кадров, но и экономия бюджета: не нужно создавать отдел, закупать мебель и регулярно платить зарплату, которая, кстати, у хороших разработчиков немалая, и имеет постоянную тенденцию к росту. Агентство Gartner прогнозирует, что через три года low code/no code инструменты будут использоваться в 65% корпорациях.

Понимая растущий запрос на решения в области аналитики, мы решили создать универсальный продукт Datrics. Первые идеи и прототипы появились в 2019 году, а формально мы стали командой примерно год назад – в мае 2020 года. Почти сразу проект привлек инвестиции, в которых также поучаствовал венчурный фонд QPDigital.

«Облачные офисы и гиперавтоматизация, которые ведут к неизбежной оцифровке бизнеса – сегодняшние драйверы развития low-code решений. Аналитики Gartner прогнозируют рынку 22%-ный рост в текущем году. Это не удивительно, ведь бизнесу намного проще получить качественный готовый продукт извне, чем тратить ресурсы на создание собственного. Мы видим большой инвестиционный потенциал в Datrics: проект объединяет два тренда - анализ данных и low-code платформы. В результате получается идеальное решение для современного бизнеса: гибкое, доступное и готовое к использованию. Мы рады участвовать в разработке актуальных решений с большим будущим,» — поделился Николай Шаповалов, управляющий партнер венчурного фонда QPDigital.

Команда Datrics сформировалась из единомышленников, большинство из которых были знакомы фаундерам по университету или совместным проектам. Это помогло нам наладить коммуникацию и создать продукт всего за год. Конечно, такая скорость обусловлена еще и технологическим прогрессом.

Начни мы в 2010 году, нам понадобилось бы около 5-10 лет, вне зависимости от качества и духа команды. Сейчас же есть много удобных цифровых инструментов, которые берут часть работы на себя: cloud-инфраструктуру, зрелые bigdata технологии, docker-контейнеры, distributed computing.

Изначально мы закрывали «кадровую дыру» в сфере финансовых сервисов – только потому, что у фаундеров уже был опыт в моделировании финансовых рисков. Постепенно пул индустрий расширялся: нехватка программистов и data scientists ощущается одинаково остро для банков, логистических компаний, онлайн-магазинов в любой точке земного шара, будь то США, Великобритания, Украина и Сингапур. Поэтому мы сразу развивались, как международный проект, и сегодня закрываем потребности бизнеса во всех перечисленных странах.

Datrics не только снимает боль HR-отдела. Low-code платформа позволяет обходиться без интеграции разнообразного софта, не ломать голову над построением аналитики, не перебрасываться сложными техническими заданиями и баг-репортами от бизнеса к ИТ и обратно. А ещё мы активно работаем над интеграцией со сторонними сервисами, что позволяет встраивать аналитику в общий механизм функционирования компании. Например, через API Datrics «общается» с платформой Corezoid по управлению бизнес-процессами, которая раскладывает их на проекты и задачи для конкретных исполнителей. В итоге все взаимодействие в компании синхронизируется.

От «грязных» данных к ценным инсайтам

Сегодня крупные корпорации используют сложные аналитические системы или даже создают свои: у них хватает мощности, чтобы позволить себе и дорогое ПО, и штат не менее дорогих разработчиков и data scientists. Малый бизнес, как правило, вооружается небольшими сервисами, которые умеют узко решать одну задачу. А что делать тем, кому нужно больше, чем узкопрофильное примитивное ПО, но денег на отдел и «крупногабаритный» софт нет? Здесь и нашел свою нишу Datrics со своим простым инструментом для работы с данными, который говорит на одном языке с аналитиками.

Мы очень гибкие: можем легко и быстро подстроиться под любую ИТ-инфраструктуру. Наш рекорд – 4 дня. После того, как Datrics становится частью системы, бизнес-аналитик может легко перейти в него из Excel или Google Spreadsheet и провести полноценный анализ информации: больше не надо ждать сисадминов, чтобы они развернули какие-то дополнительные инструменты.

В итоге сокращается время от «грязных» данных до получения ценности для бизнеса. Для каждого она своя: это может быть что угодно – от инсайтов и прогнозов до более точных расчетов. Желаемый результат можно получить с помощью настраиваемого шаблона.

Бизнесу уже известны многие математические алгоритмы. Стоит только добавить к ним machine learning, и эффективность практически любого процесса взлетит. Теперь бизнес-аналитикам не нужен переводчик (читай как программист), который объяснит, что хочет сказать машина. Это экономит время, деньги, и нервные клетки.

{ "author_name": "Kirill Bychkov", "author_type": "self", "tags": ["\u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0438","\u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0430","technology","nocode","it","datascience","dataanalytics","bigdata"], "comments": 4, "likes": 14, "favorites": 16, "is_advertisement": false, "subsite_label": "services", "id": 230217, "is_wide": false, "is_ugc": true, "date": "Tue, 06 Apr 2021 11:55:38 +0300", "is_special": false }
0
4 комментария
Популярные
По порядку
0

Че изобрели-то? Простенький авто-мл велосипед, завернутый в докер и разворачиваемый у клиента на машине?

Ответить
1

Простенький авто-мл? У нас есть autoML, но это явно не основная часть того функционала. Я предлагаю вам попробовать нашу веб-версию https://platform.app.datrics.ai/signup 

Мы даем data workers возможность делать end-to-end решения в браузере - от подключения и очистки данных, визуального процесса обработки / ETL и трансформации, до визуализаций, моделирования и создания API без кода.

Не знаю, откуда информация про докер и консалтинг, но datrics архитектура предполагает установку в любой клауд и автоматическое масштабирование в Kubernetes + Dask под капотом для работы с большими данными без каких-либо изменений для пользователя, т.е. инфраструктура сразу готова из коробки

Ответить
0

О том, как ее создавали и развивали, рассказывает CEO Datrics Антон Вайсбурд.

покадите хоть слово об этом

Ответить
0

https://www.ycombinator.com/companies/datrics

Когда инфы больше, чем в водянистом тексте. Завернутые в докер/AWS  модельки + AI Consulting. До велосипедов какого-нибудь H2O.ai там, как пешком до Китая. Что, впрочем, не отменяет жизнеспособность проекта.

Ответить

Комментарии

null