Тема больших данных является популярной уже достаточно долгое время, оставляя гораздо больше вопросов, чем ответов. Не обошла стороной она и нас. Сравнив статьи, посвященные большим данным в Википедии на русском и английском языках, мы решили дополнить русскоязычную версию некоторой информацией из ее англоязычной «сестры», предварительно представив переведенный материал на суд сообщества ECM-Journal. В данной статье мы публикуем перевод материала, посвященного вопросам технологии и архитектуры. Далее последует материал по критике концепции больших данных и практике использования.

Определение

Большие данные (англ. Big Data) – это общий термин для обозначения процесса сбора данных таких объемов и многообразия, при которых их обработка с применением традиционных инструментов становится проблематичной. Трудности возникают при осуществлении захвата, сбора, хранения, поиска, совместного использования, передачи, анализа и визуализации данных. Тенденция бОльших объемов данных возникла благодаря возможности получения дополнительной информации в результате анализа отдельного большого набора связанных данных (в противовес анализу небольших наборов данных с таким же совокупным объемом).[1]

Ученые регулярно сталкиваются с ограничениями, связанными с большими наборами данных во многих областях, включая метеорологию, геномику,[2] коннектомику, сложное моделирование физической среды,[3] исследования в области биологии и окружающей среды.[4] Эти ограничения также касаются функции поиска в интернете, финансовой и бизнес-информатики. Наборы данных увеличиваются в объемах частично ввиду их постоянного сбора посредством мобильных приложений, воздушных (антенных) высокочувствительных технологий (дистанционное считывание), лог-файлов, камер, микрофонов, радиочастотных идентификаторов (RFID), и беспроводных сенсорных сетей.[5][6][7] Начиная с 80-х годов XX века мировой объем хранения информации на душу населения удваивается каждые 40 месяцев;[8] по состоянию на 2012 год каждый день создавалось по 2.5 экзабайт (2.5×1018 байт) данных.[9] 

Крупным предприятиям предстоит решить, кто возьмет в свои руки инициативы по управлению большими данными, которыми уже переполнены целые организации.[10]

Сложно работать с большими данными, применяя главным образом системы по управлению реляционными базами данных, desktop-статистику и пакеты программ для визуализации, когда вместо этого необходимо использовать «массово-параллельное программное обеспечение, функционирующее на десятках, сотнях, или даже тысячах серверов».[11]

То, что принято считать «большими данными» различается в зависимости от возможностей компании, управляющей набором данных, а также от возможностей приложений, применяемых для обработки и анализа. «Для большинства организаций первое столкновение с сотнями гигабайт данных может вызвать необходимость пересмотра средств управления данными. Но для других компаний «критическим» может стать объем в десятки или сотни терабайт». [12]

Архитектура

В 2004 году компания Google опубликовала документацию по модели распределенных вычислений MapReduce. В MapReduce представлена параллельная модель обработки данных. На Map-шаге происходит предварительная обработка входных данных. Для этого один из компьютеров (называемый главным узлом – master node) получает входные данные задачи, разделяет их на части и передает другим компьютерам (рабочим узлам – worker node) для предварительной обработки. На Reduce-шаге происходит свертка предварительно обработанных данных. Главный узел получает ответы от рабочих узлов и на их основе формирует результат – решение задачи, которая формулировалась изначально. Данная модель была настолько успешна[13], что многие хотели продублировать ее алгоритм. Поэтому, проект компании Apache с открытым исходным кодом, получивший название Hadoop[14], взял ее на вооружение.

Методология управления корпоративной информацией MIKE2.0 – открытый подход к управлению информацией, который в статье «Big Data Solution Offering»[15] признает необходимость модернизации решений для управления большими данными в связи с возросшей частотой их применения. Методология рассматривает управление большими данными через призму полезных преобразований их источников, сложности взаимосвязей, и трудностей, связанных с удалением (или изменением) отдельных записей.[16]

Последние исследования показывают, что использование многослойной архитектуры является одним из вариантов работы с большими данными. Распределенная параллельная архитектура осуществляет передачу данных на множество блоков обработки, а параллельные блоки обработки предоставляют данные гораздо быстрее путем увеличения скоростей обработки. Этот тип архитектуры вводит данные в параллельную систему управления базой данных (СУБД), в которой применяются модели MapReduce и Hadoop. Данный тип моделей направлен на то, чтобы при помощи frontend-сервера приложений сделать вычислительные возможности прозрачными для конечного пользователя.[17]

Технологии

Для оперативной обработки огромных объемов данных необходимы исключительные технологии. В отчете McKinsey 2011 года[18]  предполагается, что подходящие для этого технологии включают A/B тестирование, краудсорсинг, синтез и интеграцию данных, генетические алгоритмы, машинное обучение, обработку естественного языка, обработку сигнала, симулирование, анализ на основе временных рядов и визуализацию. Многомерные большие данные могут также быть представлены тензорами, которые наиболее эффективно обрабатываются с помощью тензорного вычисления[19]. Дополнительные технологии, применяемые по отношению к большим данным, включают массово-параллельную обработку (MPP) баз данных, поисковых приложений, системы распределенных вычислений для data-mining, распределенные системы файлов, распределенные базы данных, облачная инфраструктура (приложения, хранилищные и вычислительные ресурсы), а также интернет.

Некоторые, но не все реляционные базы данных с MPP имеют возможность хранения и управления петабайтами данных. Подразумевается возможность загружать, отслеживать, поддерживать и оптимизировать использование больших таблиц данных в системе управления реляционной базой данных (RDBMS).[20]

Программа Анализа Топологических Данных Управления Перспективных Исследований и Разработок (DARPA) Министерства Обороны США занимается поиском основной структуры больших наборов данных, и, в 2008 году данная технология вышла на открытый рынок с основанием компании под названием Ayasdi.[21]

Специалисты, занимающиеся аналитикой больших данных, обычно с недоверием относятся к более медленной системе совместного хранения,[22] предпочитая ей систему хранения с прямым подключением (direct-attached storage (DAS)) в ее различных формах от твердотельной памяти (solid state drive (SSD)) до высокомощного диска SATA, размещенного внутри параллельных узлов обработки. Общее впечатление от архитектур совместного хранения: Сети хранения данных (SAN) и Сетевого хранилища данных (NAS) – заключается в их относительной медлительности, сложности и высокой стоимости. Данные свойства не согласуются с системами аналитики больших данных, которые выигрывают за счет показателей системы, инфраструктуры и низкой стоимости.

Получение информации в режиме реального времени является одной из определяющих характеристик аналитики больших данных. Задержка, таким образом, исключается везде, где это возможно и тогда, когда это возможно. Данные в памяти – это хорошо, данные на вращающемся диске на другом конце оптоволоконного соединения сети хранения данных (SAN) – нет. Стоимость SAN в масштабе, необходимом для аналитических приложений, гораздо выше, чем стоимость других способов хранения.

В области аналитики больших данных совместное хранение имеет как свои достоинства, так и недостатки, но аналитики больших данных по состоянию на 2011 год не отдавали ему своего предпочтения.[23]

Мы продолжаем публикацию перевода определения Big Data из англоязычной статьи Википедии.

Тема больших данных сегодня является одной из самых обсуждаемых не только на просторах профессиональных ИТ-сообществ, но и в самых различных областях деятельности от маркетинга и рекламы до здравоохранения и законодательства. В данной статье мы представляем на суд сообщества ECM-Journal материал, посвященной практическому применению больших данных в определенных сферах жизни общества. Перед тем, как принять решение о дополнении соответствующей русскоязычной статьи Википедии данным материалом, мы будем рады узнать ваше мнение о ее содержании, предложения и дополнения.

Критика

Существует два основных направления критики парадигмы больших данных: в соответствии с первым оспаривается сущность самого подхода, приверженцы второго  ставят под сомнение правильность текущего взаимодействия с большими данными.

Критика парадигмы больших данных

«Серьезной проблемой является наша неосведомленность о глубинных эмпирических микропроцессах, которые ведут к появлению этих типичных сетевых характеристик Больших данных».[24] В своей статье Сниждерс, Матцат и Райпс указывают на то, что часто выдвигаются предположения о математических свойствах, которые могут и не отражать того, что в действительности происходит на уровне микропроцессов. Марк Грэхам подверг большой критике утверждение Криса Андерсона о том, что большие данные ознаменуют конец теории, фокусируясь в частности на том убеждении, что большие данные всегда будет нужно контекстуализировать в социальном, экономическом и политическом планах.[25] Несмотря на то, что компании тратят восьми- и девятизначные суммы на получение аналитической картины из данных поставщиков и клиентов, менее чем 40% работников имеют какие-то навыки и необходимые условия для проведения этой аналитической работы. Чтобы преодолеть аналитический дефицит, «большие данные», вне зависимости от степени понятности и анализируемости, должны быть дополнены «большим критическим суждением», как утверждается в статье Harvard Business Review.[26]

Таким же образом было указано, что решения, основанные на анализе больших данных, будут неминуемо «основаны на информации из прошлого, или, в лучшем случае, из настоящего».[27] Наполненные большим количеством данных прошлого опыта, алгоритмы могут предсказывать будущее развитие, только в случае схожести будущего и прошлого. Если динамика систем будущего будет меняться, прошлое мало что сможет сказать о будущем. С этой целью, необходимо иметь четкое представление о динамике систем. 

В качестве ответа на критику было предложено совместить подходы изучения больших данных с определенными видами компьютерного моделирования, такими как, например, агентное моделирование.[28] Агентное моделирование показывает все более качественные результаты в области предсказания исхода социального разнообразия даже неизвестных будущих сценариев методами компьютерного моделирования, которые основываются на наборе взаимозависимых алгоритмов.[29] К тому же, использование многомерных методов, исследующих скрытую структуру данных, таких как факторный и кластерный анализ, подтвердили свою эффективность в качестве аналитических подходов, выходящих далеко за пределы двумерных подходов (кросс-таблиц), которые обычно применяются по отношению к меньшим наборам данных. Адвокаты по защите персональной информации обеспокоены угрозой конфиденциальности личных данных в виду повышающегося уровня хранения и интеграции данных, позволяющих идентифицировать личность; экспертные группы выпустили различные рекомендации для усиления защиты личной информации.[30][31][32]

Критика текущего взаимодействия с большими данными

Исследователь Дана Бойд выразила беспокойство по поводу того, что часто большие данные используются с одновременным пренебрежением такими принципами как выбор репрезентативного образца. Такой подход может привести к искажению результатов. Интеграция разнородных источников данных – некоторых, которые можно рассматривать в качестве "больших данных" и прочих, которые таковыми считать нельзя – предполагают значительные логистические и аналитические трудности, но многие исследователи заявляют, что такие интеграционные процессы вполне могут оказаться новыми рубежами в науке.[33] 

В своей провокационной статье «Критические вопросы о Больших данных» ("Critical Questions for Big Data")[34] авторы называют большие данными частью мифологии: «большие наборы данных предлагают более высокую форму интеллекта и знания [...], окруженную аурой правды, объективности и точности». Пользователи больших данных часто «теряются в огромном количестве цифр», и «работа с Большими Данными все еще субъективна, и то, что она выражает количественно, необязательно претендует на объективную правду». Последние достижения в области бизнес-аналитики, например, упреждающее информирование (pro-active reporting), главным образом нацелены на улучшения в области применения больших данных посредством автоматического фильтрования бесполезных данных и взаимосвязей.[35]

Большие данные – этот «туманный термин» долгое время остается на слуху, характеризуясь в то же время некой «зацикленностью» на предпринимателях, консультантах, ученых и медиа. Показательные образцы больших данных, такие как Google Flu Trends (программа Google, предсказывающая динамику распространения гриппа), не смогли дать правильных прогнозов в последние годы, увеличив количество вспышек гриппа в два раза. Похожим образом прогнозы вручения премии Американской киноакадемии и победы на выборах, которые основывались только на данных из Twitter, чаще оказывались неверными. Большие данные часто представляют такие же трудности, как и маленькие данные, и, добавление большего количества данных не решает проблемы искажения результатов, но может заострить внимание на прочих проблемах. В определенных источниках, таких как Twitter, данные не показательны в отношении всего населения, и результаты, полученные из таких источников, могут привести к ложным выводам. Сервис Google Translate, который основан на статистическом анализе больших данных текста, выполняет хорошую работу в части перевода веб-страниц, но в отношении специализированных областей результаты могут быть весьма невыразительными. С другой стороны, большие данные могут также вызвать новые проблемы, как, например сложность множественных сравнений: одновременное тестирование большого набора предположений может привести к множеству ложных результатов, которые ошибочно оказываются значительными.[36]

Иоаннидис утверждал, что «большая часть опубликованных исследовательских открытий неверны»[37] в виду такого же воздействия: когда многие группы ученых и исследователей проводят огромное количество экспериментов (т.е. обрабатывают большое количество научных данных, хотя и без применения технологии больших данных), вероятность «значительного» результата, являющегося в действительности ложным, резко возрастает – того более, когда публикуются только положительные результаты.

Практика использования

Правительство

В 2012 году администрация президента США Барака Обамы объявила об Инициативе Исследования и Разработки Больших Данных (“Big Data Research and Development Initiative”), в рамках которой изучались варианты использования больших данных для решения важных проблем, стоящих перед американским правительством.[1] Инициатива включала в себя 84 программы по управлению большими данными, которые впоследствии были внедрены в 6 департаментов.[2]

Аналитика больших данных сыграла важную роль в успешной предвыборной кампании Барака Обамы 2012 года.[3]

Федеральное правительство США владеет шестью из десяти мощнейших суперкомпьютеров в мире.[4]

Дата-центр в штате Юта – это центр управления данными, который в данный момент строится по заказу Агентства Национальной Безопасности США. Когда строительство завершится, в центре будет осуществляться управление большим объемом информации, собранной АНБ через интернет. Точный объем хранения неизвестен, но согласно последним источникам, в центре будет обрабатываться несколько Экзабайт данных.[5][6][7]

Частный сектор

Интернет-магазин eBay.com использует два хранилища данных на 7.5 петабайт и 40 петабайт, а также кластер Hadoop на 40 петабайт для осуществления поиска, получения рекомендаций от покупателей и проведения мерчендайзинговых мероприятий.[8]

Amazon.com каждый день проводит миллионы серверных операций и обрабатывает запросы, поступающие более чем от пятисот тысяч сторонних продавцов. Базовая технология, обеспечивающая работу сайта Amazon, основана на системе Linux, и по состоянию на 2005 год Amazon владел тремя крупнейшими в мире базами данных Linux, с мощностями на 7.8 терабайт, 18.5 терабайт, и 24.7 терабайт.[9]

Компания Walmart проводит более миллиона клиентских транзакций каждый час. Информация о сделках заносится в базу данных, в которой насчитывается более 2.5 петабайт (2560 терабайт) данных – что эквивалентно количеству информации, содержащейся в Библиотеке Конгресса США, увеличенному в 167 раз.[10]

В распоряжении Facebook 50 миллиардов фотографий, полученных из базы пользователей.[11]

Система по обнаружению мошеннических операций с кредитными картами, Falcon Credit Card Fraud Detection System производства компании FICO обеспечивает защиту 2,1 миллиарда активных счетов по всему миру.[12]

Объем бизнес-данных по всему миру, согласно подсчетам, удваивается каждые 1,2 года.[13][14]

Агентство по продаже недвижимости Windermere Real Estate использует анонимные GPS-сигналы от ста миллионов водителей, чтобы помочь покупателям нового дома определить сколько времени займет поездка с работы и на работу в любое время суток.[15]

Производство

Согласно исследованию глобальных тенденций TCS 2013 Global Trend Study, усовершенствования в области планирования поставок и повышения качества продукции стали возможны благодаря применению больших данных, которые в результате принесли ощутимую пользу производственной отрасли.[16] Большие данные предоставляют инфраструктуру, способную обеспечить прозрачность в отрасли обрабатывающей промышленности, которая выражается в способности обнаружить такие проблемы, как несоответствие показателей работы и доступности компоненты реальному положению дел.

Концепция прогнозируемого производства, которая заключается в сокращении времени простоя до нуля и прозрачности процессов, требует огромного количества данных и современных инструментов прогнозирования для систематической переработки данных в ценную информацию.[17] Концептуальная модель прогнозируемого производства начинается с получения таких сенсорных данных, как акустика, вибрация, давление, ток, напряжение и информация с датчиков. Большое количество сенсорных данных в дополнение к историческим составляют большие данные в области производства. Сгенерированные большие данные выступают в роли входного сырья для инструментов прогнозирования и развития превентивных стратегий (прогностика, здравоохранение).[18]

Совсем недавно Артем Обухов выпустил блог «Большие данные и их место в ECM» в котором обстоятельно расписал что же такое Big Data применительно к ECM. Я предлагаю развить тему и посмотреть на нее с практической плоскости.

На самом деле, примеров из жизни, где подходы Big Data уже актуальны, больше, чем мы привыкли думать (просто терминология в России еще не прижилась, и вопросы не анализируются в разрезе больших данных).

Например, в СМИ с Big Data связаны оценка интересов пользователей, отслеживание социальной активности, количество перепостов сообщений, автоматическая подготовка дайджестов и даже новостей.

В медицине большие данные накапливаются за счет использования электронных медицинских карт, нательных датчиков, данных со стационарных медицинских приборов. Так при анализе огромных объемов информации становится возможным прогнозирование эпидемий.

В науке подходы Big Data актуальны в метрологии, геологии, метеорологии, астрономии.

Спортивный менеджмент завязан на больших данных, к примеру, за счет анализа больших объемов информации осуществляется прогноз продажи билетов, а также расчет букмекерских коэффициентов.

И это уже реальная повседневная жизнь!

А что происходит на уровне корпоративных систем, и, в частности, ECM-системах.

Big Data и ECM

Я буду оперировать фактами и данными, собранными на основе анализа работы нашей компании (DIRECTUM) в ECM-системе за 10 лет.

Вот некоторые факты:

Число пользователей системы 

Число накопленных в системе документов, процессов, записей справочников 

Вы можете наблюдать, что динамика прироста данных выше, чем динамика прироста пользователей системы. Чем это было вызвано?

Сотрудники компании стали активнее использовать ECM-систему, стало инициироваться больше бизнес-процессов, как связанных с классическим делопроизводством (входящие, исходящие, организационно-распорядительные документы), так и лежащих за его пределами: работа с договорами, счетами, финансовым архивом, межкорпоративное взаимодействие и так далее. Как раз неклассические задачи и придали большой рывок.

Удельный объем данных на одного сотрудника все возрастает, как и их разнообразие. При таком тренде должен наступить момент, когда люди перестанут справляться с информацией, «потонут» в ней. Но это ли уже «больше данные» или они виднеются только на горизонте?

Чтобы разобраться, предлагаю разделить все бизнес-задачи на классические (работа с ОРД, входящими и исходящими документами, несложными бизнес-процессами), привычные для бизнеса и сотрудников, с четко зафиксированными регламентами; и неклассические (обработка счетов на оплату и ведение финансового архив, обработка обращений населения, кредитные заявки и пр.), зачастую связанные с взрывным ростом объема данных.

Классические задачи документооборота и объемы данных

Вот пример одной крупной компании, нашего клиента, с одновременной работой в ECM-системе 1000 пользователей и динамикой роста подключений до 3000 до конца года. Даже в рамках решения классических задач за год в системе инициируются миллионы бизнес-процессов, появляются миллионы документов и РКК. Это гигабайты информации, рост которых будет только расти. Миллионы – это уже не десятки тысяч!

На таких объемах даже в классических задачах документооборота можно говорить о начале работы с большими данными. Это и большой объем с необходимостью обеспечения высокой масштабируемости. И высокая скорость прироста данных при их разнообразии, которые порождают бизнес-потребность в получении статистики и анализу работы в режиме реального времени, а крупные компании не терпят простоя.

Что же происходит при решении неклассических задач?

Неклассические задачи ЭДО и взрывной рост информации

Для примера рассмотрим различные отраслевые задачи госсектора, банков и ритейла.

Работа госучреждений с обращениями граждан

Автоматизация межведомственного электронного взаимодействия

В рамках реализации пилотного проекта в одном субъекте РФ по переводу государственных и муниципальных услуг в электронный вид нами было замерено, что из регионального органа в федеральный центр поступает объем запросов равный 270 000 обращений в год. Одновременно внутри региона генерируется 70 000 обращений.

И это только пилотный проект на первом десятке госуслуг, с подключением новых услуг объем вырастет на порядки до миллионов обращений. А если взять во внимание все субъекты РФ, то объем увеличится еще на два порядка до сотен миллионов обращений в год.

Работа многофункциональных центров

В потенциале МФЦ должен обрабатывать до 50 000 документов в день или 12 миллионов в год. Объем документов составит более 100 гигабайт в день или 25 терабайт в год. Это колоссальное количество передаваемой информации. Все эти данные надо хранить и обрабатывать при новых запросах граждан.

Потребительские кредиты и банк

Ежедневно в банк средней руки может поступать до 10 000 обращений с заявками на потребительские кредиты. Только приемом таких заявок в едином центре будут заниматься 200 сотрудников. А после приемки заявки необходимо обработать, провести через кредитный комитет и вынести по ним решения о выдаче кредита. Оптимально, если одна заявка будет обрабатываться не в течение нескольких дней, а за час. Так работает кредитный конвейер.

И если для автоматизации принятия решения существуют специальные информационные системы, то в области ввода и первоначальной обработки информации ИТ-решения только-только начинают использоваться (вспомните, как часто сканируют ваш паспорт при обращении в банк, даже в один и тот же, даже в одно отделение, к одному операционисту?).

Обмен финансовыми документами в ритейле

Ежемесячно через крупные торговые сети проходит до 100 000 бумажных счетов. Все счета, как правило, обрабатываются в корпоративном центре.

Одной из важных задач ритейлеры ставят переход на электронное взаимодействие с контрагентами, потому что уже сейчас текущие объемы данных ставят в тупик бухгалтерию при необходимости быстро сформировать подборку документов для встречной или камеральной проверки. Серьезной проблемой становится также поиск площадей для хранения документов.

А с переходом на электронное взаимодействие при интеграции с EDI количество документов вырастет еще больше за счет появления сопроводительной электронной договорной документации.

Большие данные и поиск новой эффективности

Из приведенных примеров видно, что большие массивы данных в ECM-системах накапливаются и обрабатываются уже сейчас (или накопятся в самое ближайшее время) – это документы, бизнес-процессы, записи справочников, история, права доступа и т.д.

Помимо их хранения, ими необходимо управлять, проводить анализ и искать новые пути повышения производительности работы. Если с отчетностью все более или менее понятно (плюсы BI хорошо изучены), то поиск гипотез о поведении пользователей, вопросы повышения эффективности бизнес-процессов ставят перед ECM-системами и их потребителями новые интересные задачи.

Рассмотрим эти гипотезы

Анализ данных и вовлечение сотрудников

Правильная работа документами

Можно оценивать частоту работы с документами для принятия решений об их автоматическом переносе в архив, смене прав доступа. Или даже для формирования подборок документов, подходящих для определенного круга сотрудников для текущей работы.

Число обращений к документу, описывающему технологии и процессы

Пример с документом, описывающим процедуру работы в компании. Мы видим, что в период появления документа большое количество сотрудников массово его просматривали. С течением времени поток обращений снизился и зафиксировался на уровне только новичков (т.к. базовым технологиям текущие сотрудники уже привыкли следовать). На основе такой статистики система сама может сделать вывод о необходимости переноса документа в архивное хранилище, а также включение его в список обязательных документов для всех новичков.

Профиль загрузки сотрудников

Система сама может оценить профиль загрузки сотрудника, в том числе статистику работы с документами и выполнения заданий, может посылать сигналы о необходимости гармонизации загрузки, перераспределения процессов на коллег.

Статистика о работах и загрузке сотрудника в ECM-системе 

Например, из данных графика система может понять, что в 2009 году сотрудник перешел на руководящую должность, отметив, что его профиль работы сменился, что он стал выполнять больше «быстрых» заданий, вероятно, и больше делегировать. Но при этом процент просроченных остался неизменным, но с учетом роста количества задач, количество просроченных стало угрожающим. Вероятно, отследив это средствами системы, стоит просигнализировать сотруднику о факте неприемлемого роста количества просроченных заданий.

«Цифровой след» сотрудника

Еще одна интересная гипотеза – это отслеживание «цифрового следа» сотрудника, оставленного при работе с различными массивами данных, взаимодействии с коллегами, прочей рабочей активности. На его основе могут выявляться поведенческие гипотезы, которые позволят повысить удобство взаимодействия пользователя с системой, окружением (другими системами, коллегами).

Игровые механики

Внедрение в корпоративное окружение элементов игры может стать инструментом анализа поведения пользователей, стимулирования правильного использования функций системы и глубокого их изучения, следования технологиям компании и повышения эффективности.

Элементы геймификации, внедренные в нашей компании, подтвердили предположения о том, что новый подход становится стимулом для сотрудников. Мы также выявили неожиданный факт, что основными участниками стали не молодые сотрудники, а опытные, в возрасте за 30 лет, а также топ-менеджмент, который нашел в игре новый элемент поиска активных сотрудников и оценки их эффективности.

Процент сотрудников, отметивших конкретные плюсы геймификации 

Социализация

Другим механизмом вовлечения может стать пересмотр принципов работы сотрудников в корпоративных системах – от контента к взаимодействую внутри рабочих групп. Формирование кругов по интересам (отделы, крупные проекты, рабочие группы, профессиональные клубы и гильдии), получение информации от коллег, формирование профессиональных дайджестов, внутренних чатов – все это инструменты, которые могут помочь в вовлечении сотрудников и повышении эффективности их работы.

Поиски закономерностей внутри работы плотно взаимодействующих групп, быстрая передача им полномочий и информации, закрепление результата, неформальная субординация, принципы хранения и использования данных – все это становится возможным при включении социальных механизмов в корпоративную среду.

И, если речь идет о крупной компании, имеющей в штате тысячи сотрудников, накопление корпоративной статистики и ее анализ должны как можно быстрее переходить от гипотез к реальным шагам.

В качестве вывода

Оценивайте объемы, разнообразие, скорость прироста и оперативность анализа своих данных. Если вы ожидаете взрывного роста или приближения к рубежу Big Data – для вас это серьезное основание поговорить с поставщиком вашей ECM-системы о поддержке механизмом обработки больших данных. А также с вашим руководством о возможности повышения эффективности бизнеса за счет раскрытия новых, неожиданных закономерностей в работе сотрудников с корпоративной информацией.

***

Материал подготовлен на основе выступления автора на DOCFLOW 2014, а также его статьи, опубликованной на портале CNews.

Законодательство о нотариате в последние годы расширяется новыми сферами применения электронных документов и электронной подписи, НО сегодня не об этом, сегодня о сервисах электронного «нотариата».

Запрос в Яндексе «электронный нотариат» выдаст несколько сервисов (информационных систем), которые предлагают услуги электронного «нотариата». Сразу следует сказать, что данные сервисы к нотариату имеют такое же отношение как и морская свинка к морю. Почему? Потому, что они не нотариусы, за подробностями читаем закон «О нотариате».

Так что же на самом деле предлагают данные сервисы? Рассмотрим пару примеров.

1. Сервис «Электронный нотариус» https://elnotarius.ru/.

Что предлагает?

• Фиксирование копии письма.
• Фиксирование контента сайта.
• Фиксирование авторства электронного контента.

Текст с сайта сервиса:

«Электронный нотариус является сертифицированным программным продуктом, что гарантирует неизменность и достоверность всей хранимой информации любого пользователя.

Заверенные сервисом “Электронный нотариус” документы и материалы могут быть направлены в органы любой инстанции и подлежат принятию как доказательства любыми организациями, государственными органами, органами местного самоуправления, правоохранительными и судебными органами.»

Возникают различные вопросы к этому тексту. Вот некоторые из них.

Кем сертифицирован и на что? Есть сертификат «РОСТЕСТ-КАЧЕСТВО», но он не даёт указанных гарантий.

Фраза «… подлежат принятию как доказательства …» тоже звучит слишком громко, например, в ГПК РФ написано:

«Статья 67. Оценка доказательств

1. Суд оценивает доказательства по своему внутреннему убеждению, основанному на всестороннем, полном, объективном и непосредственном исследовании имеющихся в деле доказательств.

2. Никакие доказательства не имеют для суда заранее установленной силы.

3. Суд оценивает относимость, допустимость, достоверность каждого доказательства в отдельности, а также достаточность и взаимную связь доказательств в их совокупности.

…»

2. Сервис «Служба электронного нотариата» https://www.copytrust.ru/.

Что предлагает сервис? Текст с сайта:

«Сервис предоставляет техническую возможность зафиксировать факт существования данных в цифровой форме на определенные дату и время.

Удостоверение даты и времени существования электронных документов - статей, фотографий, аудио, видео и т.д.;

Подтверждения идентичности электронных объектов авторского права.

Основные пользователи системы COPYTRUST это авторы произведений науки и искусства или владельцы интеллектуальной собственности.»

Ищем обоснование деятельности и попадаем в  раздел «Почему это легально?»:

«Система является средством технической защиты авторских и смежных прав и действует на основе статей 1299, 1300, 1301 и 1309 ГК РФ.

Для получения цифровых штампов и удостоверения времени мы работаем с Удостоверяющими центрами, имеющими государственную лицензию ФСБ и ФСТЭК России и действующими в соответствии с Федеральным законом Российской Федерации от 6 апреля 2011 г. N 63-ФЗ «Об электронной подписи».

Использование полученных электронных документов в качестве доказательств, в том числе по делам, связанных с защитой нарушенных или оспоренных интеллектуальных прав, возможно в в соответствии с правилами статей. 71, 73 и 79 Гражданского процессуального Кодекса РФ, а также в соответствии со статьями 75 и 82 Арбитражного Процессуального Кодекса РФ.

Услуги пользователям оказываются по договору, предлагаемому в виде публичной оферты в соответствии со статьями. 435-438 ГК РФ, а также главой 39 ГК РФ.»

Что в итоге предлагают данные сервисы?

Сервисы предлагают некоторые услуги, их использование оформляется договором оферты. Сервисы помогают обеспечить доказательства существования электронного контента и ваше авторство электронного контента, НО гарантировать авторство и принятие данных доказательств 3-ми лицами (организациями) они не могут. В случае значимой необходимости обеспечить такие доказательства, на мой взгляд, лучше обратиться к реальному нотариусу.

Электронные документы получат полновесную силу в судебном делопроизводстве. Минюст обещает, что использовать их можно будет даже в уголовных процессах.

Все заявления в суд, жалобы и ходатайства можно будет подавать в электронном виде, в том числе и используя специальные формы на сайтах судов.

Проект федерального закона «О внесении изменений в отдельные законодательные акты Российской Федерации» разработан Минюстом в целях совершенствования правового регулирования применения электронных документов в уголовном, гражданском и арбитражном судопроизводстве. Документ вносит изменения в Гражданский процессуальный кодекс РФ, Уголовно-процессуальный кодекс РФ и Арбитражный процессуальный кодекс РФ - в разделы, касающиеся условий применения электронных документов в судах. Для УПК РФ это, например, часть 6 «Бланки процессуальных документов».

Авторы законопроекта в пояснительной записке к нему объяснили целесообразность планируемых изменений так:

В настоящее время назрела необходимость разработки законопроекта, который бы наряду с положениями, содержащимися в ранее принятых законодательных актах и сохраняющими свою актуальность, включал в себя новеллы правового регулирования, позволяющие в совокупности с прежними нормами создать современную и эффективную систему электронного документооборота.

Кроме предоставления возможности участникам судебных процессов подавать в суд заявления и жалобы в электронном виде, законопроект предусматривает и обратную возможность. Решения, постановления, и, даже, приговоры судов РФ разных инстанций будут направляться заинтересованным сторонам в электронном виде, заверенные электронной усиленной подписью судьи и прокурора. Исключение авторы законопроекта делают лишь для судебных документов, содержащих государственную тайну. Изменения об этом внесут в ФЗ «Об обеспечении доступа к информации о деятельности судов в Российской Федерации».

Отдельно авторы законопроекта выделяют возможность применения в уголовных или арбитражных процессах в качестве доказательств электронных документов или данных, не имеющих бумажных аналогов. К таким доказательствам отнесены материалы фото- и киносъемки, аудио- и видеозаписи и иные носители информации, полученные, истребованные или представленные в порядке, установленном статьей 86 УПК РФ.

В случае одобрения законопроекта Госдумой РФ, он вступит в силу с 1 января 2016 года.