Большие данные, цифровизация и машинное обучение для собственников и топ-менеджеров, Или как зарабатывать больше с помощью информации

Алексей Сергеевич Гуржиев, 2023

Эта книга будет полезна любому руководителю вне зависимости от уровня знаний программирования. В ней на доступном языке рассказывается о больших данных, машинном обучении и способах их применения в бизнесе для уменьшения издержек и увеличения прибыли.Помимо машинного обучения в книге раскрывается тема управления персоналом и контроля основных показателей компании с помощью информационной системы. Рассказывается как именно она должна быть построена, какими функциями должна обладать и как работать.И подарок! К книге прилагается демонстрационный сайт с интерактивными 2D/3D графиками, советами и примерами создания информационной системы компании. Примеры на сайте поясняют и дополняют информацию из глав книги…

Большие данные в компании

От темы CRM вернемся к большим данным. Ими же наполнена и самодельная CRM, сводку о состоянии которой видит руководитель компании на своей информационной панели каждый день. Давайте разберемся, как эти данные используются в разных отделах организации, как собираются и обрабатываются. Но сначала познакомимся с основными профессиями, которые связаны с большими данными.

В реальной жизни количество параметров, отслеживаемых/собираемых в рамках «больших данных», может достигать нескольких тысяч. Эти данные не ограничиваются стенами предприятия или даже границами города. К примеру, один из крупнейших банков нашей страны при выдаче ипотечного кредита использует сотни параметров. В том числе такую экзотику как «количество занятых одноместных номеров в трехзвездочных гостиницах в радиусе 500 метров от приобретаемой квартиры». Все значения этих параметров непрерывно отслеживаются и обновляются в автоматическом режиме. Для этого создаются специальные программы, которые, словно конвейер, неустанно доставляют информацию в озеро данных компании. При этом старые сведения не удаляются. К ним лишь добавляются новые. Из-за этого хранилища могут разрастаться до невероятных размеров (отсюда и название «большие данные»). Сбором, обработкой, сжатием и упорядочиванием данных занимаются инженеры данных (Data Engineer). Эти же специалисты конвертируют информацию в таблицы для дальнейшего ее анализа и построения графиков на ее основе.

После того как данные собраны и преобразованы в подходящий для анализа вид, в дело вступают аналитики данных (Data Analitycs). Они представляют информацию в виде наглядных графиков, в которых нуждается бизнес. Также аналитики ищут в данных полезные связи, новые способы их демонстрации, что позволило бы руководству лучше оценивать текущую ситуацию. Цель работы этих специалистов — найти пути получения прибыли из собранной информации. Аналитики думают только о деньгах. Они не умеют настраивать хранилища, управлять озером данных или круто программировать, поэтому инженеры по данным должны предоставлять им хорошо подготовленную информацию в удобной форме. Но именно аналитики знают, как из этих данных получить дополнительную маржу, как превратить данные в деньги.

Собранные большие данные позволяют буквально предсказывать будущее в результате учета значимых связей и зависимостей между отдельными компонентами данных, выявленных программными алгоритмами. Созданием инструментов для подобных прогнозов занимаются специалисты по машинному обучению (Machine Learning Engineer). Они могут заставить компьютер проанализировать тысячи собранных параметров с миллионами значений, чтобы предсказать практически любой экономический показатель. Имея достаточно данных и используя машинное обучение, профессионалы могут ответить на любые вопросы, касающиеся оптимизации продукта и максимизации прибыли.

Вспомните пример с ипотечным кредитом и странным параметром «количество занятых одноместных номеров в трехзвездочных гостиницах в радиусе 500 метров от приобретаемой квартиры». На наш обывательский взгляд, данный пункт вряд ли влияет на спрос жилья в районе. А собственник бизнеса или топ-менеджер никогда не попросит инженера по данным построить график зависимости прибыли от этого параметра на информационной панели в системе компании. Но с точки зрения машинного обучения данный фактор может внести существенный вклад в предсказания, потому что компьютер, в отличие от человека, способен уловить любую, даже еле заметную, связь в параметрах.

Все три профессии — аналитик, инженер по данным и специалист по машинному обучению — называют одним термином «специалисты по данным» (англ. ”Data Scientists”). Благодаря их слаженной работе руководство компании может в реальном времени наблюдать за всеми показателями, прогнозировать будущее и тестировать предложения по смене стратегии компании.

Как начать собирать большие данные

В каждой компании существует свой уникальный производственный процесс. Любая его стадия может быть описана определенными величинами в цифрах: количество выполненных операций, себестоимость использованных комплектующих, затраченное время и количество задействованных сотрудников и т. д. и т. п. Эти цифры необходимо собирать и хранить, чтобы в будущем найти между ними взаимосвязь. Обнаружив ее, можно будет разработать стратегию развития компании, выделить основные показатели и определить для них желаемые значения. Без количественной оценки конкретных параметров любое улучшение в компании будет казаться сотрудникам очередной бесполезной инициативой руководства. В такой ситуации топ-менеджер или собственник не сможет аргументированно доказать необходимость изменений.

Попробуем разобрать популярные методики сбора информации и организации деятельности в компаниях, которые уже работают полностью «в цифре». Допустим, ваше собственное предприятие разделено на несколько отделов по роду деятельности, в соответствии с современными канонами управления^[5]:

• Административное отделение.

• Отделение создания и построения компании.

• Отделение распространения (маркетинг и рекламу рассмотрим отдельно).

• Финансовое отделение.

• Техническое отделение.

• Отделение квалификации и качества.

• Отделение по работе с клиентами и партнерами.

Конечно, в вашей компании деление может быть несколько иным, но в качестве примера рассмотрим именно такой вариант. Пройдемся по всем отделам, обсудим, как вообще можно провести их цифровизацию с нуля, чтобы начать собирать данные.

Сразу уточню, что, говоря о больших данных для бизнеса, почти всегда подразумевают их привязку к дате и времени. Например, если ведется статистика количества опубликованных рекламных материалов, то в собранной информации обязательно присутствует время. То есть сколько штук в какой день и час было опубликовано. Привязка ко времени критически важна для предсказания циклических процессов при машинном обучении. Поэтому почти все примеры собираемых данных, приведенные в этой книге, стоит дополнять пунктом «дата и время наступления события».

Административное отделение

Административное отделение определяет направление развития и общие цели компании. Работу по внедрению цифровизации и запуску сбора больших данных стоит начать с этого отделения, потому что зачастую именно управленцы (на разных уровнях) останавливают автоматизацию производства. Саботаж сотрудников происходит по нескольким причинам:

• Отсутствие базовых навыков в работе с персональным компьютером.

• Боязнь потерять свое рабочее место из-за автоматизации.

• Желание оставаться в зоне комфорта: действовать по ранее созданным шаблонам, а не изучать новые дисциплины.

• Боязнь потерять свою зарплату или проходящий через их руки денежный поток, часть которого они оставляют себе.

• Страх испортить отношения с сотрудником, которого приходится заставлять повышать квалификацию для автоматизации его работы.

Рассмотрим все причины по порядку, но начнем с конца — с повышения квалификации. Звучит странно, но многие люди все еще не умеют пользоваться электронной почтой и создавать текстовые документы. У них часто нет даже собственного электронного почтового ящика. Подобных сотрудников практически невозможно убедить в выгоде информатизации компании: он всегда писал на бумаге от руки и будет продолжать это делать. Таких специалистов нужно принудительно передавать в руки отдела повышения квалификации. А теперь представим, что подобного мнения придерживается не рядовой сотрудник, а топ-менеджер или собственник — никакой автоматизации вообще не будет.

Многие сотрудники компаний ежедневно совершают механические действия, чтобы создать видимость бурной деятельности. А по сути все их задачи можно автоматизировать таким образом, что план на день будет выполнен программой за несколько секунд. При этом даже если рядом с подобным сотрудником сядет исполнительный директор и покажет, как сделать всю работу на неделю за «один клик», работник не согласится действовать по примеру руководителя, аргументируя это классическим: «Мне так привычнее!». В такой ситуации только два пути:

• Вызвать «санитаров» из отдела повышения квалификации и поставить ультиматум: для продолжения работы в компании сотрудник обязан автоматизировать свою рутинную работу, в противном случае он будет уволен.

• Завалить работника таким количеством ежедневных рутинных задач, чтобы он валился с ног от усталости и просто физически не успевал все сделать. А потом напомнить ему про программу, которая может автоматически выполнить большую часть его обязанностей за какие-то несколько секунд.

Разумеется, есть и другие способы убеждения — все зависит от терпения руководителя, необходимости срочного исправления ситуации и степени желания осушить коллективное «болото». Но помните: автоматизация никогда не проходит безболезненно — это аксиома.

Коллектив всегда будет против того, что машины могут отнять у него рутину, которую сотрудники называют «работой». И если доля бунтарей, желающих оставить все по-старому, будет критической, то в компании вполне может вспыхнуть нечто аналогичное английскому «восстанию луддитов». Вряд ли люди будут крушить кувалдами офисные компьютеры и серверы, но саботаж парализует любое развитие, а значит, компания начнет постепенно умирать.

Все перечисленные фобии объединяет одна мысль, которая рано или поздно приходит на ум многим нанятым сотрудникам: «Буду сидеть смирно и получать зарплату за механические действия, не работая головой и не надрываясь от своих же инициатив». Каждый собственник и топ-менеджер самостоятельно решает, будет ли он переводить подобных ленивцев в состояние активного действия, заставлять людей повышать квалификацию и требовать от них изучения новых дисциплин или же оставит все как есть, ведь «уже и так работает». Но бывает и наоборот, когда идея цифровизации уже давно бродит внутри коллектива, но сотрудники боятся рассказать об этом начальству.

Однажды на форуме Reddit^[6] один аноним пожаловался на то, что его мучают угрызения совести из-за того, что год назад, когда во время пандемии его перевели на удаленную работу, он автоматизировал весь свой рабочий процесс и теперь тратит 10 минут в день вместо 8 часов на тот же объем работы, что и прежде. Его задача — обрабатывать входящую электронную почту. Все остальное время он развлекается, смотрит сериалы, играет в видеоигры. При этом он получает одну из самых больших зарплат в стране, являясь сотрудником юридической фирмы. Конечно, благодаря автоматизации он работает крайне эффективно, обрабатывая каждый день тысячи входящих писем, ведь никто из коллег не смог бы сделать это быстрее. Но все-таки совесть терзает его за безделье.

Из этой истории стоит сделать вывод о том, что до сотрудников необходимо донести следующее: целью их работы является именно выполненное до конца дело, а не проступившие на лбу капли пота. Если неправильно сформулировать задачи и возможные методы их достижения, то вместо желания автоматизировать все возможные процессы, работяги начнут страдать, публикуя в социальных сетях истории о терзаниях своей совести.

Еще одним преимуществом тотальной цифровизации процессов в компании является то, что благодаря числовому выражению эффективности труда работников можно избавиться от «кумовства». По этому принципу работает компания Amazon, которая является крупнейшим мировым ретейлером. У этого гиганта процесс увольнения сотрудников настолько автоматизирован, что машина определяет кандидата самостоятельно, исходя из показателей его продуктивности^[7]. Алгоритмы, основанные на машинном обучении, позволяют исключить человеческий фактор из принятия решения об увольнении. Неэффективный сотрудник будет сокращен, даже если его начальник — родственник, покрывающий все его действия.

Подобное отношение к своим работникам можно назвать жестоким. Но если их несколько сотен тысяч, то автоматизация любого процесса приводит к заметной материальной выгоде. Особенно если необходимо нанять сотрудников на сезонную работу и при этом сохранить высокое качество услуг. Достаточно лишь собрать все возможные показатели и определить наименее эффективных работников. Так и поступили в Amazon в отношении доставки товаров клиентам во время пандемии COVID-19. Компания не справлялась с потоком заказов, которые требовалось доставить до двери, поэтому начала активно нанимать новых сотрудников. Для этого было создано мобильное приложение, с помощью которого любой владелец автомобиля мог стать курьером. При этом приложение собирало данные о качестве их работы, его интересовало:

• Время, затраченное на доставку.

• Уложился ли курьер в обещанное временное окно доставки.

• Сфотографировал ли посылку у двери клиента.

• Смог ли замаскировать посылку у двери, как просил клиент, чтобы ее не украли.

• И еще много-много различной информации…

Приложение было скачано более 4 миллионов раз. Через него собирались большие данные по десяткам различных параметров, по которым ежедневно выносились вердикты при увольнении курьеров. Сокращенным просто блокировали доступ в приложение и не выдавали новые заказы на доставку.

С одной стороны, это жестокий способ увольнения сотрудников из компании. С другой, когда на предприятии работает 4 миллиона человек, то это наиболее эффективный метод работы всего административного аппарата. При этом даже не нужно задействовать сотрудников отдела кадров ни для найма, ни для увольнения. А все управление подразделением доставки состоит из нескольких программистов, специалистов по данным и менеджера.

Техническое отделение

Техническое отделение — это производственный цех на предприятии. Тут осуществляется вся работа.

Если компания предоставляет услуги или продукты, которые нельзя потрогать руками, к примеру, программное обеспечение, то весь рабочий процесс проходит в информационных системах, где без особых затрат можно создать систему учета выработок сотрудников. Но если предприятие выпускает материальные продукты, которые можно подержать в руках, то первое, чем должны озадачиться управленцы, это создание серийных номеров для выпускаемых единиц товара.

Маркировка каждой детали нужна на случай гарантийного обслуживания и для улучшения качества как отдельных деталей, так и составных продуктов. Деталям необходимо не только присваивать серийные номера, но и заносить дополнительные сведения в информационную базу предприятия, чтобы по каждому серийному номеру можно было восстановить любую информацию:

• Дату и время производства.

• Место производства, если цехов несколько.

• Серийный номер станка, на котором была изготовлена деталь.

• Серийный номер конечного изделия, в который вошла деталь.

• Сотрудника, изготовившего деталь.

• Температуру и влажность в цехе и на улице во время изготовления.

• Напряжение в электрической сети, давление воздуха в системе пневматического инструмента.

• Потребление сотрудником перловой каши столовой цеха в день производства…

Это выглядит как несколько безумный сбор информации обо всем, даже с посягательством на частную жизнь сотрудника. Но взгляните на это с точки зрения доходов компании. Допустим, клиент прислал бракованную деталь на замену. По ее номеру можно определить всю историю продукта и обстоятельства его изготовления. То есть, благодаря собранным в процессе производства данным, по одной гайке можно сказать, с какого автомобиля она была снята. Можно даже отказать клиенту в гарантийном ремонте, потому что гайка не от его купленного автомобиля.

С другой стороны, можно оптимизировать производство и сократить издержки, предсказав заранее, какие именно детали будут бракованными. Для этого необходимо использовать все собранные данные по бракованной детали (не ограничиваясь списком выше) для машинного обучения. В процессе тренировки модели нужно указать, что при такой комбинации значений параметров появляется бракованная деталь. А когда машина обучится, предприятие получит систему предсказаний брака, которая с точностью, близкой к 100 %, будет определять бракованное изделие и не допускать его до продажи. Но для этого надо собирать все возможные большие данные.

Посмотрите на последний пункт в списке (про перловую кашу). Даже в нем есть логика. Допустим, сотрудник пришел в цех после обеда, на котором полакомился перловой кашей. А у него непереносимость глютена^[8], о которой он даже не подозревает. В итоге, из-за аллергена следующую половину дня его когнитивные способности будут снижены. Он станет медленным, невнимательным, забывчивым. Его мышцы будут слабее, чем обычно. Пострадает мелкая моторика рук. Это может привести к браку, к финансовым потерям компании. Определить же степень влияния рациона сотрудника на вероятность брака может только машина. И сделает это она настолько точно, что собственник и топ-менеджер моментально заменят перловку на пюрешку в столовой. Потому что компании невыгодно терять деньги и репутацию из-за брака как результата собственного гастрономического творчества.

Остается еще вопрос этики: как собрать все необходимые данные о производстве и сотрудниках так, чтобы они этого не замечали, чтобы им было безразлично, ведется ли учет каждого их движения или нет. Единственный способ осуществить это — сделать процесс полностью автоматическим, чтобы сотрудник не заносил данные в компьютер вручную и даже не писал цифры серийного номера на детали. Все это должна делать машина, и неважно, каким именно способом: выбивать цифры или выжигать лазером QR-код. Главное, чтобы все происходило автоматически.

Отделение квалификации и качества

Отделение квалификации и качества проверяет качество услуг и товаров, производимых компанией. Если оно низкое, то принимаются необходимые меры, к примеру, персонал отправляют на повышение квалификации. Указанное отделение непрерывно получает отзывы клиентов, собирает информацию об их впечатлениях от продукта или услуги. Затем на основе этих данных товары улучшаются, поступают на рынок и PDCA цикл Деминга (планирование-действие-проверка-корректировка) повторяется вновь.

В современных компаниях, которые давно провели цифровизацию, отзывы не собираются и не анализируются вручную, потому что это рутинная работа. Поручать ее человеку — это непростительно дорогое удовольствие. Тем более что программа может обрабатывать миллионы отзывов в сутки, тогда как рядовой сотрудник только десятки или сотни. А если отклики не приходят на определенный почтовый адрес или не принимаются через форму жалоб на сайте производителя, то собирать их приходится по всему интернету. Что еще больше говорит о необходимости в программном анализе информации.

Рассмотрим интересный случай, который произошел с крупной южнокорейской компанией Samsung. В нашей стране она в первую очередь знаменита своими сотовыми телефонами и бытовой техникой. Однако в действительности эта компания намного больше, чем мы себе представляем, и она производит очень широкий ассортимент товаров, среди которых есть даже крупнотоннажные грузовые корабли. При таком разнообразии продукции сбор отзывов и их систематизация представляют собой крайне трудоемкий процесс, которым в основном занимаются машины. То есть программа просматривает в интернете все страницы всех социальных сетей, чтобы определить, появились ли новые сообщения с упоминанием продуктов бренда. Несмотря на то, что мониторинг происходит автоматически, процесс этот все же довольно медленный, да и компьютер иногда пропускает нужные отзывы, если в них отсутствуют «правильные» контрольные слова.

Недавно Samsung зарегистрировала неблагозвучный для русского уха бренд Gnusmas^[9], название которого представляет собой перевернутое Samsung. Возможно, производитель не знал, что в нашей стране это слово стало довольно популярным и используется в негативном ключе, в том числе в качестве нарицательного для отзывов о неудачных продуктах рассматриваемой нами компании. А теперь представьте, что произойдет, если Samsung официально попросит всех владельцев ее устройств использовать слово Gnusmas в качестве ругательства, чтобы выражать недовольство продуктами компании на просторах интернета. Очевидно, что с наличием контрольного слова поиск и обработка отзывов, оставленных во всемирной паутине, будут занимать намного меньше времени. Благодаря чему отдел качества сможет быстрее получать обратную связь от пользователей, и данные станут точнее. Наличие такого слова-метки в интернет-публикациях — бесценная находка для компании, позволяющая действительно улучшить выпускаемые ею продукты за счет анализа огромного количества реальных откликов.

К слову, обычно небольшие компании, у которых еще нет наработок в области искусственного интеллекта, используют сервисы «Google Alerts» или «Яндекс.Медиана» для обнаружения в интернете с помощью контрольных слов отзывов о своих товарах. Такие сервисы автоматически отправляют пользователю уведомление на почту, если в глобальной сети появляется заданное контрольное слово. То есть если у вашего товара достаточно уникальное название, можно настроить отслеживание прямо по нему и собирать обратную связь. Полученные отзывы необходимо классифицировать на положительные и отрицательные, определяя в каждом, какое преимущество или недостаток продукта озвучены как основные. В небольшой компании с этим может справиться один человек, но с ростом популярности продукта приходится создавать свой машинный интеллект для столь кропотливой и нудной работы. В любом случае без обработки и сбора больших данных по комментариям пользователей невозможно улучшить продукт и удовлетворить клиентов.

Отделение по работе с клиентами и партнерами

Именно в отделении по работе с клиентами и партнерами, в которое в том числе входит отдел по связям с общественностью, работают над тем, чтобы организация стала всемирно известной. И это действие напрямую влияет на стоимость привлечения новых клиентов.

Имидж создается различными способами: от публикаций в прессе до участия в общественных движениях, а иногда даже за счет обнародования некоторой закрытой информации с целью привлечения внимания партнеров и поиска клиентов-почитателей. Например, если компания собирает большие данные о своем продукте, то в публичный доступ может попасть часть уже обработанных сведений. Чтобы любители могли потренироваться в создании собственной системы для предсказаний, используя машинное обучение. Именно так и поступил «Сбербанк»^[10], который выложил на соревновательную платформу Kaggle набор больших данных о недвижимости в России. Сейчас это один из самых популярных тренажеров, на котором учат будущих специалистов по данным на различных отечественных курсах по машинному обучению.

По опубликованному набору можно сразу понять, как профессионалы в банке относятся к большим данным. Достаточно взглянуть на количество параметров, рассматриваемых для каждой квартиры:

• Описание квартир — 14 параметров.

• Описание ближайшей недвижимости — 24 параметра.

• Макроэкономические факторы, касающиеся недвижимости, — 101 параметр.

• Дополнительное описание ближайшей недвижимости — 288 параметров.

Данные представлены в форме таблиц, где квартиры — это строчки, а их параметры — колонки. Подобный вид является обычным для больших данных. Именно такие таблицы затем передаются машине для обучения, цель которого — натренировать ее на предсказание цены квартиры в зависимости от значений параметров.

В опубликованном наборе данных часть параметров не зависит от времени: количество комнат, географическое положение дома, расстояние от квартиры до ближайшей атомной станции, музея и университета. Таких пунктов почти триста. То есть в таблицах будет три сотни колонок, описывающих каждую квартиру.

Стоит обратить внимание на то, что значения некоторых изменяющихся параметров могут записываться несколько раз в привязке ко времени. Например, уровень безработицы или рождаемости в стране в разные дни^[11]:

В таких временных данных тоже содержится скрытая информация. Например, если пару лет назад резко снизилась безработица, а сейчас увеличилась рождаемость, то спрос на квартиры увеличится. Обычному человеку не под силу заметить такую тонкую взаимосвязь между всеми этими цифрами и предсказать их влияние на стоимость «однушки» на окраине столицы. А машина с легкостью определяет значимость и вклад каждого параметра в цену квартиры. После обучения она сможет предсказывать эту величину самостоятельно, принимая в расчет лишь значения параметров. Человек будет в буквальном смысле спрашивать машину: «Сколько, по твоему мнению, сейчас стоит квартира в 5 минутах ходьбы от атомной станции, в 10 минутах пешком от университета, если безработица сегодня составляет 5.6 %, а коэффициент рождаемости равен 2.3?» Натренированный алгоритм — результат машинного обучения — в ответ на такой вопрос выдаст конкретную стоимость квартиры.

Банк вряд ли многое потерял из-за публикации этой информации о недвижимости. Зато теперь во многих школах программирования по всему миру используют этот набор данных в качестве наглядной демонстрации для студентов возможностей машинного обучения.

С помощью больших данных можно привлечь интерес не только студентов, но и партнеров. Даже если компания не может напрямую делиться с ними собранной информацией, то всегда есть вариант создать предсказательный сервис, который будет использовать алгоритмы, обученные на этих данных. В таком случае партнерские системы отправляют запрос алгоритму и получают ответ в виде прогноза. Партнеры не видят всех таблиц данных, но, поверьте, они очень благодарны за доступ к подобному алгоритму (подробнее об этой схеме мы поговорим в разделе «Торговля большими данными»).

Таким образом, предоставив хотя бы ограниченный доступ к своим большим данным в каком угодно виде, можно улучшить имидж организации. Благодаря чему компания без финансовых вложений сможет снизить стоимость привлечения новых клиентов и удержания старых.

Отделение создания и построения компании

Отделение создания и построения компании выполняет функции найма и адаптации сотрудников. Оно анализирует организацию технологического процесса во всей компании с целью повысить эффективность каждого из отделов, комплектует подразделения сотрудниками, следя за тем, чтобы везде хватало рабочих рук. Именно отделение создания и построения компании часто отвечает за оборудование и связь между сотрудниками, а следовательно, и за формирование единой информационной системы предприятия (об этом в следующих главах).

В современных компаниях это отделение уже давно не использует бумажный документооборот, потому что найти хорошего сотрудника на сайте по поиску работы — это как найти иголку в стоге сена. Основная проблема в том, что на одного адекватного работника приходится сотня неподходящих. Точнее, статистика такова:

• 90 % кандидатов на работу вообще не отвечают на электронные письма.

• 5 % — не слышат, что им говорят на собеседовании, и не понимают, о чем их просят.

• 2 % — совсем неадекватные, агрессивные и т. п.

• 2 % — подходят на должность, компетентны, но их не устраивают условия.

• 1 % — подходят и согласны работать, отвечают требованиям, адекватны.

Из этой статистики видно, насколько несладко приходится специалистам по подбору кадров при создании и построении компании. Целых 90 % работы проделывается впустую. Поэтому в этой сфере уже давно применяются алгоритмы автоматического поиска сотрудников. Специальные программы анализируют тексты резюме кандидатов и выявляют среди них наиболее подходящие. После чего другая программа вступает в переписку с отобранными кандидатами. И если те отвечают хотя бы на несколько вопросов-предложений, то контакт передается оператору — реальному сотруднику отдела кадров.

Естественно, что для всего этого — написания и подготовки программы рассылки, получения и обработки резюме кандидатов — требуются программисты. Готовый продукт должен анализировать находящиеся в публичном доступе тексты резюме огромного количества соискателей на соответствие специальному шаблону. Конечно, точного совпадения ждать не стоит, но алгоритмы машинного обучения могут оценить, с какой вероятностью кандидат подходит на предлагаемую должность. Таким образом, на первой же стадии поиска происходит обработка больших данных.

После того как алгоритм определяет наиболее подходящих соискателей, их контакты сохраняются и им отправляется приветственное сообщение, к примеру: «Вы нам подходите… Скажите, вас это интересует?» В итоге после этапов поиска и первого вопроса будет отсеяно 90 % кандидатов. Потому что если в ответ на первый же вопрос соискатель молчит, то его можно смело удалять из контактов и продолжать поиски.

Из оставшихся кандидатов, откликнувшихся на приглашение побеседовать о возможном сотрудничестве, придется отсеять еще немалую часть претендентов. Здесь опять вступает в дело машина: существуют алгоритмы по распознаванию текста, вопросов и генерации ответов. То есть компьютер может задать соискателю несколько вопросов до того, как передать задачу — дальше вести этот диалог — оператору. Таким образом можно сократить количество оставшихся кандидатов вдвое. Программистам для разработки подобного алгоритма не надо даже создавать сложную нейронную сеть. Зачастую в первом же ответе на поставленные вопросы содержится контрольное слово или фраза, указывающие на отказ кандидата от сотрудничества: «к сожалению», «вынужден», «приношу» и т. п. Если подобные слова прозвучали, то лучше отбросить такую кандидатуру — этот человек сейчас не готов менять свое место работы.

В любом случае первичный поиск проводится автоматически со скоростью несколько тысяч резюме в день. Только представьте, сколько бы заплатила компания за эту работу, если бы для ее выполнения посадили «девочку на телефон», тратившую бы 90 % времени на «холодный обзвон» номеров, по которым не берут трубку, и на пустую переписку с соискателями, которые либо вовсе не отвечают, либо присылают отказ в первом же сообщении.

Итак, в случае с поиском новых сотрудников в роли больших данных выступает содержимое резюме кандидатов, анализируя которое машина сама определяет, насколько соискатель подходит на предлагаемую должность. Проводя первичный отсев кандидатов, мы значительно снижаем расходы фирмы на подбор персонала. А ведь найм сотрудников — это бесконечный непрерывный процесс, происходящий в каждой компании. Поэтому можно сделать однозначный вывод: цифровизация точно позволит этому отделению сэкономить значительные средства, повысить эффективность и скорость работы.

Контроль качества

Если в процедуре поиска сотрудников на первый взгляд сложно заметить влияние больших данных, то с контролем качества продукта или услуги все более-менее понятно. В этой области уже давно устоялись стандарты проверки, которые используют цифровые метрики. Например, если предприятие производит детали, то отдел контроля качества сравнивает их прочность с требуемой. И в случае, когда деталь ломается при меньшей нагрузке, чем планировалось, всю партию можно забраковать. Записи же об инциденте будут содержать всевозможную информацию: количество протестированных деталей, даты их выпуска, предельные нагрузки на них во время проверки и т. п., которая по результатам тестирования попадает в озеро данных компании. В дальнейшем эти сведения будут использовать для улучшения качества деталей, материала, производственного процесса. Таким образом, отдел контроля качества даже без приказа сверху самостоятельно собирает большие данные, на которых можно тренировать машину с целью получения рекомендаций относительно свойств деталей еще до того, как они будут физически созданы.

С другой стороны, существуют компании, в которых производственные процессы нельзя напрямую измерить цифрами. Например, невозможно сделать это применительно к бизнесу, который предоставляет услуги по прыжкам с парашютом, то есть обеспечивает получение клиентами свежих впечатлений.

Очевидно, что в момент свободного падения у неподготовленного человека происходит мощный выброс адреналина. А после приземления бессмысленно просить его оценить полет по десятибалльной шкале. Потому что в ответ вы рискуете услышать лишь междометия. Скорее всего, клиент даже не способен будет произнести ни одной цифры, просто потому что он их все забудет, или и вовсе не поймет, не услышит вопроса из-за перенесенного стресса.

Ситуация для бизнеса критическая. Но и тут можно многое придумать, используя большие данные. Давайте мысленно проведем эксперимент с подобной компанией. Поставим следующую цель: добиться того, чтобы впечатления от прыжка с парашютом были одинаковыми у всех категорий клиентов — и у новичков, и у опытных. Мы хотим, чтобы после полета количество эндорфина (гормона счастья) в крови каждого клиента было одинаковым при минимальных затратах со стороны компании. С учетом всего этого план по снижению издержек будет звучать так: впечатлительных клиентов выталкиваем за борт пораньше, на средних высотах, а спокойных только на большой высоте. В итоге у всех клиентов после прыжка будет одинаковый уровень эндорфина, а компания неплохо сэкономит на солярке и ремонте.

Для реализации этого плана соберем необходимые нам большие данные, проведя ряд экспериментов. Возьмем десяток спортсменов разного уровня подготовки. Сбросим их с парашютом в разные дни и с разной высоты. Затем сохраним все данные по каждому прыжку. Даже уровень эндорфина в крови, взятой из вены каждого участника. Так у нас появятся большие данные, в которых будет содержаться следующая информация:

• Способ заказа услуги, дата заказа, способ оплаты.

• Вес, рост, пол клиента.

• Дата и время взлета, прыжка, приземления.

• Высота и максимальная скорость при прыжке.

• Температура, давление, осадки, облачность, видимость на разных высотах.

• Скорость набора высоты при взлете.

• Ширина и долгота точки, в которой был совершен выход из самолета, и места, где состоялось приземление.

• Размер и тип парашюта.

• Показатели артериального давления, частоты пульса и сатурации (уровень кислорода) до, после и во время прыжка.

• Уровень эндорфина, адреналина и других гормонов (и всего, что можно измерить) в крови до и после прыжка.

•… и еще бесконечное множество параметров, которые только существуют, включая фазу луны, количество водоемов в 100 метрах от аэродрома, наличие повара в столовой летного училища.

Число собираемых параметров ограничивается лишь фантазией сотрудников компании, которые проводят эксперимент. Но важно, чтобы их было как можно больше. Потому что на собранных данных будет тренироваться модель машинного обучения, которая в дальнейшем сможет предсказывать уровень эндорфина в крови клиента.

Обратите внимание, что после окончания эксперимента и обучения машины прогнозированию, для собственно предсказания не требуется собирать абсолютно всю информацию о настоящих клиентах, то есть достаточно будет лишь измерить их рост, вес и пульс до прыжка (это можно сделать с помощью спортивного браслета с пульсометром), и машина попробует выдать прогноз по этому ограниченному набору данных. Конечно, чем больше параметров введено, тем выше точность предсказания, но и этого минимального пакета вполне достаточно для прогноза хотя бы примерного уровня эндорфина. И нет нужды брать у клиента кровь из вены.

Обычно предсказание по готовой, обученной модели происходит за доли секунды. Это означает, что система может работать буквально во время полета, снимая показания пульса клиента. И когда машина даст сигнал «дошел до кондиции», инструктору останется только настойчиво предложить клиенту насладиться процессом свободного падения прямо сейчас. А чем меньший вес перевозит самолет, тем меньше топлива он тратит, следовательно, компания снижает издержки. С такой моделью предсказаний «удовлетворенности» клиентов расходы на обслуживание воздушного судна снижаются довольно динамично.

Возможно, приведенный пример несколько экзотичен, но он точно иллюстрирует схему сбора и использования больших данных в коммерческих целях. Даже в сфере обслуживания можно получить достаточно числовых данных, чтобы иметь возможность влиять на степень удовлетворенности клиентов, предсказывать уровень испытываемого ими счастья и, как следствие, сокращать издержки.

Финансовое отделение

В современной компании финансовый отдел и так состоит из комплекса электронных систем. Мало кто пользуется бумажной бухгалтерией. У всех есть автоматизированные системы, в которых можно строить графики, диаграммы, делать сводные таблицы, смотреть развернутую статистику. К сожалению, во многих фирмах собственники и топ-менеджеры не работают с отчетами из данного отдела. Несмотря на то, что финансы — это кровь предприятия, а доход — это основная цель существования бизнеса, а бухгалтерские данные являются основным источником информации о будущем компании. Без них невозможно планировать закупки, прогнозировать рост и минимизировать потери от спада продаж.

Бухгалтерия

Финансовые показатели — одни из самых востребованных среди тех, на которые обращают внимание владельцы и топ-менеджеры успешных компаний. Поэтому стоит еще раз напомнить вам про систему, в которой эти показатели отображаются в реальном времени. «Информационная панель», «панель индикаторов» или «дешборд» (dashboard) — это веб-сайт, где можно посмотреть детальную статистику по каждому отделу компании, в том числе и по финансам. Чтобы было понятнее, о чем идет речь, стоит посетить сайт RealBigData.ru, сделанный специально для демонстрации различных идей, изложенных в этой книге. Внутренний раздел сайта является наглядным примером информационной панели компании. Там есть интерактивные графики, диаграммы, таблицы. Попробуйте поработать с ними и ощутить, насколько это мощный инструмент для управления компанией и ежедневного мониторинга работы каждого отделения.

Программисты организации создают информационные панели, настраивают их непрерывное обновление за счет сбора данных системами бухгалтерии. Если точнее, такие панели рождаются благодаря слаженной работе «инженеров по данным» и «аналитиков данных» и в результате запроса со стороны топ-менеджеров и собственников. Используя эти графики, руководство может мгновенно реагировать на изменения любых показателей бизнеса.

Первое, что можно увидеть на информационной панели, отражающей финансовое состояние компании, — это график прибыли за текущий год по месяцам. При этом обычно на таком графике также представлено сравнение текущего года с прошлым, чтобы можно было проследить динамику, и отмечена прогнозируемая часть графика прибыли, предсказанная алгоритмом, то есть возможные продажи до конца года, которые спрогнозировала машина, основываясь на ранее собранных больших данных.

Если углубляться в то, как именно делаются такие предсказания прибыли на будущие периоды, то кратко весь процесс можно описать так:

1. Специалисты по машинному обучению разбирают историю продаж компании на составные части, в том числе по годам, месяцам, неделям и дням.

2. В разбитых данных они находят различные периодические колебания: сезонные, дневные, недельные спады продаж, увеличение спроса в праздники и т. п.

3. На основе найденных периодических эффектов прогнозируются значения на будущее. Можно даже сделать предсказание на весь год или даже десять лет. При этом прогнозы непрерывно уточняются, используя ежедневно поступающие данные по продажам.

Стоит учитывать, что предсказания на короткие промежутки времени более точные, чем на большие. Но в любом случае благодаря прогнозам можно увидеть тенденцию, а значит, сделать вывод, верным ли путем идет компания или пора что-то быстро менять.

К сожалению, во многих компаниях, как это ни странно, именно собственники и топ-менеджеры являются самыми большими противниками использования информационных панелей для контроля финансовых результатов. Зачастую они считают, что такие системы нужны только серьезным и успешным компаниям. А для бизнеса с небольшими оборотами эти графики погоды не сделают. Обычно фирмы с подобными руководителями заканчивают быстро и плохо. Причина банкротства проста: контроль финансовых показателей организации должен начинаться практически с момента ее создания. Потом спешить построить графики будет уже поздно.

Оплата

Финансовое отделение компании отвечает за одну из самых главных функций — сбор денег с клиентов. От скорости и простоты совершения оплаты зависит и отзыв покупателя. Если заставлять его бегать по банкам с распечатанным счетом, он возненавидит фирму и обязательно поделится на просторах интернета тем, какой дискомфорт испытал. С другой стороны, если клиент легко обменяет свои деньги на товар, то негативных впечатлений от этой сделки получит гораздо меньше или не получит вовсе. Конечно, для достижения подобного результата недостаточно только цифровизации всей системы получения оплаты, необходимо провести обучение персонала, чтобы любой менеджер по работе с клиентами мог квалифицированно сопроводить процедуру купли-продажи.

В качестве отличного примера создания единой информационной системы для всей компании рассмотрим опыт отечественного холдинга Major. А точнее его подразделения, занимающегося легковыми автомобилями, Major Auto, клиентом которого является автор данной книги. Эта компания возникла еще в начале века, когда авторынок в России был не так сильно развит. В то время для совершения какой-либо операции по обслуживанию или покупке автомобиля необходимо было дождаться, пока сотрудник салона распечатает специально подготовленный договор, затем получить счет на оплату, далее пройти в кассу, оплатить счет и вернуться с оплаченным счетом обратно к сотруднику. Такой забег требовал от клиента много времени и сил.

Через два десятка лет весь этот процесс был упрощен до сканирования QR-кода с монитора сотрудника. То есть для оплаты услуги техобслуживания автомобиля клиент должен открыть приложение банка на своем мобильном телефоне, отсканировать QR-код с монитора сотрудника и нажать кнопку «оплатить». При этом не нужно даже вставать со стула, тем более что-либо печатать, бегать по кассам и возвращаться с чеками. Для собственника и топ-менеджера выгода от такого упрощения составляет десятки миллионов рублей в год, потому что раньше эти деньги тратились на бесполезную рабочую силу и дополнительные сервисы:

• На кассира.

• На кассовый аппарат, который надо регистрировать в налоговой и обслуживать (заправлять бумажными лентами и менять фискальный накопитель и т. п.).

• На оборудование специального бронированного помещения кассы: сейф, машина для подсчета денег, офисная техника, видеокамеры и серверы к ним.

• На инкассацию денег из каждой кассы каждого филиала компании до банка. По закону наличные деньги из кассы нужно перевозить в банк минимум один раз в неделю (в выходные касса должна быть пустой).

• На дополнительных бухгалтеров, которые проводят аудит и следят, чтобы кассиры ничего не украли.

Только представьте себе общие финансовые и организационные затраты на поддержание касс во всех отделениях компании. И необходимость во всем этом отпала, как только была создана единая информационная система. Теперь оплата за обслуживание автомобиля производится так же легко, как при совершении покупки в интернет-магазине, а информация обо всех финансовых операциях проходит через единую базу данных, позволяя вести статистику продаж с точностью до секунд.

Информация эта не разглашается, но с большой долей вероятности можно утверждать, что сейчас головной офис Major со множеством филиалов использует только один кассовый аппарат на всю компанию. И даже этот аппарат, скорее всего, является «онлайн-кассой». Подобные «онлайн-кассы» сейчас эксплуатирует большинство интернет-магазинов. Это кассы без принтера, которые подключены к интернету и физически размещены в сторонней компании. В них нет ни кнопок, ни мест для хранения денег, только разъем для подключения к интернету и блок шифрования (фискального накопителя). Эта касса не принадлежит компании, она сдается в аренду, что намного дешевле, чем иметь свой кассовый аппарат. Благодаря тому, что запросы на печать чеков отправляются на такую «онлайн-кассу» через интернет, все отделения компании могут пользоваться ею одновременно из любой точки мира, при этом она способна обработать хоть тысячу запросов в секунду.

Учитывая продвинутый подход к оплате, скорее всего, холдинг Major не только оптимизировал работу касс, но и начал собирать большие данные для более точного прогнозирования спроса на рынке. Ведь совершенно неразумно находиться у воды и не напиться. То есть при наличии централизованной системы оплаты, которая фиксирует всю информацию по сделкам сразу в цифровом виде, крайне заманчивым представляется использование машинного обучения для предсказания спроса, чтобы больше заработать на востребованном и сэкономить на ненужном. В таком случае можно лишь посочувствовать конкурентам, потому что «хлебных крошек» дополнительной прибыли им достанется совсем немного.

Склад

С каждым годом становится все более очевидным, что обычные торговые точки, где весь товар находится на витрине, практически изжили себя для большинства видов продукции. Сегодня все еще целесообразно пользоваться витринами только в небольших точках продажи продуктов питания для быстрого перекуса и в людных местах, например в центре города. Но все остальное наше общество вполне готово приобретать в интернет-магазинах, имеющих пункты выдачи товаров или услугу доставки до двери.

Еще каких-то двадцать с лишним лет назад, в начале века, люди в России даже не представляли, что товары можно заказывать через интернет с доставкой на дом. В то время создание интернет-магазина было необычным и даже убыточным решением. Потому что люди в массе своей чрезвычайно инертны. И это связано не только с приобретением новых товаров и использованием непривычных услуг, но и со способами оплаты. В то время наша налоговая сделала дерзкий шаг и предоставила людям возможность платить за квартиру через интернет не выходя из дома. Казалось бы, отличный способ сэкономить силы и время. Но большинство земляков по привычке еще лет десять продолжали штурмовать почтовые отделения, относя туда купюры, только что выданные им банкоматом за углом. В том числе и поэтому наша почтовая служба прославилась гигантскими очередями. Чтобы переломить эту всеобщую инертность, нужно было либо принять закон, запрещающий оплату наличными за квартиры через почтовые отделения, либо потратить миллиарды рублей на рекламу удобства совершения платежей через интернет. Государство сделало выбор в пользу первого варианта и ввело немало законов, стимулирующих электронные платежи, что заставило людей резко повысить свою цифровую грамотность.

Сегодня доля безналичных платежей в России составляет почти 80 %^[12], и уже не нужно никому объяснять, что такое банковские карточки и как ими пользоваться. Но нежелание людей осваивать все новое продолжает сдерживать развитие бизнеса. То есть когда какая-то мысль еще не укоренилась в общественном сознании, то всегда будет не хватать потребителей для успешной стимуляции развития компаний в этой области. Другими словами, если начать сейчас производить космические корабли, которые могут добраться за пару часов до ближайшей звездной системы, их не будут покупать. Бизнес обанкротится, потому что люди еще не созрели, не осознали своей выгоды. Это как пытаться продать грузовик с двигателем внутреннего сгорания в Средние века. Никто его не купит, причем под самыми разными предлогами: он не ест сено, очень длинный и широкий, колеса чересчур круглые, слишком быстро передвигается, лобовое стекло может разбиться и т. п. Это происходит, потому что люди еще не свыклись с мыслью о необходимости иметь подобный продукт и не чувствуют потенциальной выгоды от его использования.

К счастью, в нашем обществе в течение последних нескольких лет ускоренными темпами зреет мысль о том, что покупать надо на сайте, а забирать товар в точке выдачи или заказывать доставку до двери. Поэтому резко набрали обороты компании, которые смогли организовать эффективный быстрый и автоматизированный складской учет. Например, у одного из крупнейших интернет-магазинов «ВсеИнструменты.ру» выручка увеличилась почти на 50 % за первые 9 месяцев 2021 года^[13] и дальше по инерции еще практически на 54 % за 2022^[14]. Скорее всего, такой взрывной рост был вызван пандемией, которая заставила россиян пользоваться интернет-магазинами. Но развитая сеть точек отгрузки товаров и возможность доставки до двери сделали этого ретейлера одним из лидеров рынка.

Сейчас точку выдачи товаров магазина «ВсеИнструменты.ру» можно найти даже в небольшом городке с населением менее 40 тысяч человек, в котором живет автор этой книги. И горожане в массе своей уже в совершенстве освоили процесс покупки через сайт. Поэтому создание развитой системы складирования и распределения стало крайне прибыльным делом для самой компании. Лидеры рынка сегодня не жалеют денег как на автоматизацию складов, так и на их постройку. Потому что толка от них заметно больше, чем от розничных точек продаж с витринами и демонстрационными залами.

С другой стороны, вместе с развитием систем складирования и распределения товаров, появляется потребность в ведении больших баз данных учета складских остатков. И тут же вырисовывается крайне заманчивая перспектива оптимизировать на основе этих больших данных распределение товаров по складам, чтобы удовлетворить весь имеющийся спрос и в то же время не перегружать склады. А если предприятие имеет дело со скоропортящимися продуктами, то выгоду от создания моделей машинного обучения для прогнозирования спроса трудно переоценить.

По оценкам экспертов^[15], только в США компании, связанные с розничной продажей продуктов питания, способны сэкономить до 47 миллиардов долларов, оптимизировав поставки товаров на склады и в точки розничной продажи. Это возможно благодаря тому, что продукты не будут портиться на полках, если магазины будут предлагать покупателям ровно столько товара, сколько те способны приобрести.

Конечно, подобная оптимизация складов при помощи больших данных становится востребована по мере увеличения запасов. Небольшая компания с парой кладовок вряд ли хоть что-то выиграет от прогноза по распределению товаров между этими точками хранения. Но при увеличении размеров помещений и при большей удаленности их друг от друга, растет стоимость их содержания, включая затраты на топливо для грузовых машин. В этот момент сэкономленные с помощью оптимизации и предсказаний «хлебные крошки» становятся очень даже заметными.

В 1987 году компания Walmart занимала 9 % рынка розничных продаж^[16]. Для нее основным «производством» являлся склад товаров. Чем быстрее и эффективнее он работает, тем более оперативно и оптимально происходит поиск и выдача хранящихся там товаров, тем больше прибыль компании. Руководство Walmart понимало это очень хорошо, поэтому много лет непрерывно вкладывалось в цифровизацию складов, и к 1990 году эффективность их работы была на 40 % выше, чем у конкурентов.

Walmart создала одну из первых систем складского управления. Для этого она закупала оборудование для печати штрихкодов, сканеры, сортировщики и разного рода конвейеры. Система создавалась буквально с нуля, ведь в «бородатых» 1980-х многие фирмы пользовались услугами хорошо развитых физически людей для работы на складах, а данные о хранящихся товарах записывались на бумаге, что, естественно, затягивало процесс поиска и получения товаров.

Успехи компании вдохновили конкурентов. Они поняли, что можно существенно увеличить чистую прибыль за счет цифровизации одного лишь склада. Но было уже поздно, ведь подобную систему надо создавать не один год. Поэтому идущая на всех парах Walmart по инерции смогла нарастить свою долю на рынке с 9 % до 27 % к 1995 году, увеличив при этом производительность труда на складах еще на 48 %. Далее рост компании замедлился, и к 1999 году она смогла дополнительно захватить лишь 1 % рынка. Но производительность поднялась еще на 20 %.

Таким образом, если посчитать сложный процент увеличения производительности труда на складах компании Walmart, можно прийти к выводу, что она увеличилась почти в два с половиной раза благодаря цифровизации. И, что немаловажно, теперь на складах могут работать все желающие, а не только физически развитые люди, за счет чего уменьшились затраты на зарплату сотрудникам, а сэкономленные деньги идут на развитие компании.

Отделение распространения

Отделение распространения отвечает за работу с потенциальными клиентами, анализирует возможный доход и планирует объемы продаж. Для продвижения товара оно проводит рекламные кампании в прессе и на различных интернет-ресурсах, организует презентационные мероприятия, работает с откликами клиентов.

У этого отделения, как и у бухгалтерии, уже давно есть собственные наработки в области автоматизации, то есть используемых программ. Сотрудникам данного подразделения необходимо каждый день связываться с клиентами, а значит, нужна централизованная база данных. В дополнение к ней специалисты отделения распространения уже давно освоили и вовсю используют информационные системы крупных рекламных и маркетинговых площадок: «Яндекс.Директ», MyTarget, все возможные социальные сети.

Конец ознакомительного фрагмента.

Примечания

5

А. Высоцкий (2021). Оргсхема. Как разработать структуру компании.

6

Throwaway59724 (2021) I automated my job over a year ago and haven't told anyone (https://www.reddit.com/r/antiwork/comments/s2igq9/i_automated_my_job_over_a_year_ago_and_havent/).

7

Spencer Soper (2021) Fired by Bot at Amazon: ‘It’s You Against the Machine’ (https://www.bloomberg.com/news/features/2021-06-28/fired-by-bot-amazon-turns-to-machine-managers-and-workers-are-losing-out).

8

Lerner A. A.-O., Benzvi C. “Let Food Be Thy Medicine”: Gluten and Potential Role in Neurodegeneration. Cells. 2021;10:756. doi: 10.3390/cells10040756. (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8065505/).

9

Samsung G·nusmas (https://www.tmdn.org/tmview/welcome#/tmview/detail/EM500000018739003).

10

Sberbank Russian Housing Market Dataset (https://www.kaggle.com/c/sberbank-russian-housing-market/data).

11

В таблице приведены вымышленные числа, они не связаны с реальными данными рождаемости и безработицы.

12

ТАСС (2022) Доля безналичных платежей в России по итогам II квартала превысила 77 % (https://finance.rambler.ru/realty/49397196-dolya-beznalichnyh-platezhey-v-rossii-po-itogam-ii-kvartala-prevysila-77/).

13

(2021) Выручка ВсеИнструменты. ру за 9 месяцев 2021 г. увеличилась на 49.09 % и составила 38.75 млрд руб. Чистая прибыль сократилась на 47.56 % до 557.98 млн руб. (https://cbonds.ru/news/1496049/).

14

(2023) ВсеИнструменты. ру за год увеличили выручку на 53,7 % (https://www.krsk.kp.ru/online/news/5170145/).

15

J. C. Buzby, J. Hyman (2012) Total and per capita value of food loss in the United States (http://ucce.ucdavis.edu/files/datastore/234-2425.pdf).

16

Хазин М. Л. (2019) Воспоминание о будущем. Идеи современной экономики.