Вестник цифровой трансформации CIO.RU

S7 Group: магистерские дипломы – это реальные проекты в области data science
S7 Group: магистерские дипломы – это реальные проекты в области data science

Никита Матвеев: «Безусловно, запуск магистерской программы — это наша инвестиция в рынок в целом. В то же время это и возможность вырастить специалистов, которые смогут предлагать и проверять перспективные для компании идеи, участвовать в экспериментах и выполнять проекты для задач бизнеса»


12:03 24.11.2020  |  Мария Попова | 4524 просмотров



Никита Матвеев, заместитель генерального директора по управлению данными S7 Group, — о запущенной программе подготовки владельцев продуктов Data Science, ее целях и ожидаемых результатах.

С развитием бизнеса S7 Group видит потребность в руководителях продуктов и проектов в области продвинутой аналитики. Компания решила самостоятельно подготовить профильных специалистов и открыла первую в России кафедру по их подготовке на базе МФТИ. О том, как стартовала новая учебная программа и как она развивается сегодня, рассказывает Никита Матвеев, заместитель генерального директора по управлению данными S7 Group и номинант на премию CDO Award 2021.

— Как появилась идея запустить совместно с вузом подобную учебную программу?

Авиационная отрасль характеризуется крайне высокой конкурентностью и низкой маржинальностью. Для того чтобы преуспеть, компаниям важно внедрять наиболее передовые технологии. Одна из них — это продвинутая аналитика, включающая имитационное моделирование, машинное обучение, нейронные сети и т. д. Четыре года назад мы в S7 Group начали пилотировать системы продвинутой аналитики, получили хорошие результаты и решили развивать их по всем направлениям деятельности компании. Однако столкнулись с дефицитом специалистов, которые могут находить наиболее перспективные задачи и создавать продукты в этой области. На рынке их почти нет, а обучение занимает много времени.

Для этих задач требуются люди, которые, во-первых, владеют навыками проектного и продуктового управления, во-вторых, обладают базовыми знаниями в ИТ и управлении данными и, в-третьих, имеют хорошее математическое образование. Таких профессионалов настолько мало, что они сразу становятся звездами. При этом до последнего времени программ подготовки специалистов такого профиля в России не было. Обнаружив это, мы сами запустили обучение по управлению продуктами Data Science. Базой для нашей кафедры стал МФТИ.

Структуру магистерской программы удалось сформировать буквально за два месяца, затем мы начали ее прорабатывать, привлекать преподавателей. Я курировал весь процесс, создавал концепцию программы и организовывал часть, связанную с практической научной работой в S7.

— Какие задачи призвана решить созданная программа, что она собой представляет?

Магистерская программа рассчитана на два года и состоит из трех крупных блоков: стандартные курсы; научная работа (включая разработку моделей Data Science для задач S7); стажировка в компании в условиях работы с реальными аналитическими продуктами (чтобы учащиеся сразу погружались в дело, изучали устройство внутренних процессов и порядок выполнения различных задач).

Учебная часть как таковая сфокусирована на получении технических, ИТ- и бизнес-навыков. Мы хотим вырастить условных T-shaped people — то есть профессионалов в области работы с данными, управления проектами и разработки новых решений.

Наши студенты проходят два курса по Data Science (включая основы управления данными, базовые методы выявления закономерностей, задачи машинного обучения и оптимизации). В части ИТ они изучают системную аналитику, бизнес-аналитику, разработку ИТ-систем с нуля, построение отчетов в BI-инструментах. Также есть большой блок по архитектуре систем — практика показывает, что эти знания и инструменты часто необходимы владельцам аналитических продуктов в крупных компаниях для внедрения своих разработок. В части бизнес-задач речь идет о том, чтобы научиться выявлять точки роста компании. Этот блок строится на основе кейс-метода, который широко используется в международных программах MBA, а также в компаниях стратегического консалтинга (McKinsey, BCG). В дополнение изучается архитектура предприятия — то, как компания функционирует с научной точки зрения.

В результате выпускник программы — это продуктолог, который умеет анализировать процессы в рамках определенного функционального бизнес-блока и выявлять его потребности в области задач с данными. Он формирует гипотезы — как достигать поставленной цели с помощью аналитических инструментов, реализует прототип для проверки гипотезы и, в случае успеха, внедряет систему в эксплуатацию. Например, цель авиаперевозчика — снизить потребление топлива, для чего можно уменьшить вес самолета или перестроить траекторию взлета. От такой верхнеуровневой идеи нужно перейти к проверке гипотезы — выяснить, доступны ли исторические данные для построения модели и возможно ли в принципе так поменять процессы в компании, чтобы ее внедрить. По итогам этой работы создается прототип, который проверяет гипотезу. Затем проводятся испытания полнофункционального продукта и выполняется его внедрение в промышленную эксплуатацию. Здесь как раз и нужны сильные навыки проектного и продуктового управления.

— Программа больше ориентирована на закрытие потребностей компании или на развитие рынка специалистов по данным в целом?

Безусловно, запуск такой магистерской программы — это наша инвестиция в рынок в целом. В то же время это и возможность вырастить специалистов, которые смогут предлагать и проверять перспективные для компании идеи, участвовать в экспериментах и выполнять проекты для задач бизнеса.

— Какие барьеры пришлось преодолеть для реализации программы?

Основным барьером было то, что это новая специальность, при этом не совсем техническая. Наша кафедра в МФТИ в значительной степени менеджерская, и информацию о ней нужно было в деталях донести до студентов. Для этого мы организовали ряд мероприятий. В начале мы подробно рассказали о профессии владельца аналитического продукта, подчеркнули ее плюсы и востребованность на рынке. Потом провели встречи с сотрудниками S7 – владельцами аналитических продуктов. Они увлекли и вдохновили людей необычными и масштабными задачами, а также ответили на все вопросы по функционалу. И в конце студентов, проявивших наибольшую заинтересованность в программе, мы вывезли в тренинг-центр, где готовят бортпроводников и пилотов S7 Airlines. В итоге заявки на обучение подали 100 студентов (примерно половина — не из МФТИ) при наличии всего 10 мест.

— Кто стал преподавателями?

Поскольку программа охватывает очень большой набор тем, нам было важно, чтобы преподаватели могли сконцентрировать обучение на ключевых вещах. Поэтому каждый из наших преподавателей – специалист высокого уровня с опытом работы более 10 лет. Треть из них – сотрудники S7, еще треть – преподаватели МФТИ и, наконец, еще треть – сотрудники других компаний.

— Какова мотивация учащихся, приходящих на эту программу? Как они на нее попадают?

Главное, что мотивировало студентов поступать на нашу программу – это специализация и работа над задачами в сфере авиации. Специализация сильно заинтересовала студентов, так как она позволяет не только проводить аналитику и разрабатывать новый функционал, но и определять путь развития своего продукта. Что касается задач, то аналитические задачи в авиации, пока не так широко распространены и изучены, как, например, в банковской или страховой отраслях. Кроме того, они привлекают многих своей масштабностью и влиянием на результаты. Например, модели наших аналитиков используются при планировании ремонтов двигателей и определении цен на билеты.

Отбор на программу состоял из двух этапов. На первом проверялись технические знания – нужно было решить задачи по программированию и Data Science. Разработка задач и организация тестирования стали отдельным крупным проектом. Мы решили провести экзамен в формате соревнования по аналогии с Kaggle на платформе «Яндекс.Контест». На решение каждой задачи отводилось по два часа. Решения проверялись автоматически в режиме реального времени. По каждому решению студент получал оценку – либо точность модели кластеризации, либо скорость работы программы. Количество подач решений было почти неограниченным. За счет этого в течение экзамена была возможность протестировать различные подходы и найти лучший. Это позволило сделать экзамен динамичным и практически исключить трудозатраты сотрудников на проверку решения.

Затем проводились собеседования — мы предлагали студентам выбрать три аналитических продукта, которыми им бы хотелось заниматься. Например, предиктивное техническое обслуживание самолетов, рекомендательная система для пассажиров и система ценообразования. Далее студенты встречались с владельцами этих продуктов и специалистами по Data Science и обсуждали, какая из задач студента интересует больше и насколько они подходят для их решения. Таким образом оценивались компетенции и мотивация.

Кроме того, мы задавали самим студентам вопрос о мотивации, и многие отмечали, что хотели бы видеть бизнес-смысл своей работы, влиять на управление решаемыми задачами. Наконец, примерно для трети учащихся главным фактором оказалась отраслевая привязка — то есть работа с необычными задачами авиакомпании.

— Насколько значимой может стать ваша программа для российского рынка в целом, в том числе с точки зрения примера для остальных?

Мы знаем, что специалисты, которые проходят обучение по нашей программе, востребованы сегодня в самых разных компаниях — транспортных, логистических, финансовых и пр. Большинство выпускников сможет принять сама S7 Group. У нас запускается по 5–7 аналитических продуктов ежегодно, и лучшим студентам найдется работа.

В свою очередь, студенты, уже прошедшие обучение, дают очень хорошую обратную связь: средняя оценка — 8 из 10. Для дальнейшего продвижения программы среди студентов планируем запустить проморолик, организовать встречи с текущими студентами и даже пригласить на внутренние демо аналитических продуктов, где показываются результаты работы команды.

— Как планируется развивать программу в будущем?

Будем подбирать интересные задачи для студентов исходя из актуальных потребностей компании. В частности, на ближайший год в фокус внимания попадают обработка сбоев, повышение эффективности потребления топлива, а также отработка более узких моделей предиктивного ремонта (например, модели предсказания поломок шасси в зависимости от внешних условий). Такими задачами студенты будут заниматься в ходе практической работы.

В целом планируем повышать качество материалов, разрабатывать различные методические пособия по курсам, подбирать интересные домашние задания, которые коррелировали бы с реальными бизнес-задачами. В идеале хотим, чтобы курсовая работа стала реальным проектом в компании.


Теги: Data Science Директор по данным CDO Award



На ту же тему: