Большие данные в системе оценки качества государственных и муниципальных услуг в электронном виде

Подводя итог данной части, очевидно, что на сегодняшний день система мониторинга качества предоставления государственных и муниципальных услуг нуждается в серьезной автоматизации и стандартизации процесса, так как сейчас четко выделяется набор проблем:

- нет набора стандартизированных критериев качества: каждый последующий субъект мониторинга, который может варьироваться от региона к региону, привносит собственные критерии, определения и методы работы с данными;

- у мониторинга нет системности и достаточной регулярности в проведении: отсутствует единая система хранения данных мониторинга для выстраивания динамики работы по конкретным критериям, мониторинг проводится достаточно хаотично и разными субъектами;

- результаты мониторинга на данный момент носят достаточно аморфный характер, так как они мало влияют на операционную деятельность государственных органов и служащих в виду отсутствия необходимо регулярности мониторинга;

- нехватка внутренних компетенций в части аналитики, что приводит к серьезному повышению инвестируемых финансовых средств на привлечение сторонних экспертов для проведения мониторинга;

- практически полное отсутствие использования современных информационных технологий, несмотря на четкую установку к этому в международном стандарте ISO, что приводит к отсутствию автоматизации процессов сбора большого количества данных для всех регионов страны и их анализа.

1.5 Оценка качества государственных услуг, предоставляемых в электронном виде: возможности и недостатки

На данный момент мониторинг государственных и муниципальных услуг в электронном виде не имеет принципиальных отличий от мониторинга государственных и муниципальных услуг, предоставляемых в многофункциональных центрах, и входит в одну общую систему.

Так, результаты, которые собираются по итогам получения услуги на самом портале при нажатии на кнопку «оценить», а также отзывы, анкеты и баллы, выставляемые на портале «Ваш контроль» являются лишь вторичными данными, которые анализируются при общем ежегодном мониторинге Стырин Е.М., Плаксин С.М. Система государственных услуг как объект мониторинга в Российской Федерации // Вопросы государственного и муниципального управления. 2012. № 4. С. 66-83..

Однако очевидно, что сбор данных через интернет-порталы государственных и муниципальных услуг субъектов Российской Федерации, а также Единого Портала государственных и муниципальных услуг имеет ряд серьезных преимуществ перед традиционными методами Неделько С.И., Осташков А.В., Матюкин С.В. Мониторинг в системе оказания государственных и муниципальных услуг как инструмент реализации стратегии повышения качества государственного и муниципального управления // М. : Издательство Эксклибрис Пресc, 2008. С. 233.: в частности, они представляют возможность проведения более простой и менее ресурсоемкой процедуры, чем работа с фокус-группами, заполнениее анкет и другие варианты сбора первичных и вторичных данных.

Причина существования таких преимуществ заключается в том, что для проведения опросов не требуется привлекать дополнительно человеческие ресурсы, в можно задействовать тех людей, которые уже зарегистрированы на портале. При этом все затраты являются разовыми: создание опроса (анкеты) экспертом, создание формы опроса программистов, оплата услуг интернет-поставщика и другие единичные затраты, которые затем не нуждаются в дополнительной поддержке при масштабировании.

Назовем и некоторые другие существенные преимущества данного метода сбора данных:

- Есть возможность сбора большего количества данных и следовательно более достоверных данных в виду масштаба выборки, чем при традиционных методах, так как нет дополнительных затрат в зависимости от количества респондентов;

- Интернет-опросы позволяют узнавать больше о самих респондентах: социально-демографические параметры, интересы, уровень дохода, другие показатели интернет-активности и многое другое благодаря технологиям сбора cookie-файлов;

- Возможна сегментация выборки на основе тех или иных социально-демографических факторов за счет показа самого опроса или анкеты только тем или иным пользователям государственных и муниципальных услуг, поведение и реакцию которых важно изучить на данный момент;

- Есть возможность сегментации наполнения самих опросов в зависимости от социально-демографических параметров: например, определенный тип вопросов для представителей женского пола до 25 лет, и другой тип вопросов для представителей женского пола после 40 лет;

- Честность ответов на вопросы повышается в виду полной конфиденциальности и самостоятельности ответов на вопросы, то есть пользователь заполняет опрос за собственным желанием без наблюдаталей, экспертов и прочих сторонних лиц, что повышает вероятность откровенного ответа;

- Возможно отследить не только конечный результат ответов пользователя, но также и то, сколько времени у него ушел на тот или иной вопрос, какие варианты были выбраны сначала, а затем изменены и многие другие детальные проработки взаимодействия с анкетой;

- Интернет, как средство получения первичных данных, дает также возможность не только визуализации самих вопросов, а еще и получения мультимедийных сообщений от самого пользователя в виде, например, снимка экрана, который подтверждает достоверность его жалобы и помогает тщательнее изучить отзыв;

- Скорость проведения опроса по сравнению с традиционными методами в абсолютное большинство раз выше. Провести опрос и собрать данные можно в режиме реального времени и, более того, забегая вперед обработать и представить их так же в режиме реального времени при наличии соответствующих настроек;

- Есть возможность не только оперативно реагировать на обрабатываемые данные, но так же и оперативно изменять саму анкету, опросник или метод сбора данных, если первые результаты дают не ту информацию, которая предполагалась изначально. Очевидно, что это серьезное преимущество перед традиционными методами, так как изменение традиционных опросников не только требует большого дополнительного ресурса, но также и практически невозможно в виду ограниченности скорости получения и обработки результатов;

- По итогам заполнения анкеты, существует возможность зафиксировать того или иного пользователя (при условии, что анкета не конфиденциальна) и связаться с ним по существу его отзыва;

- Можно автоматизировать обработку получаемых данных в режиме реального времени и формировать автоматически сводные отчеты, которые могут потом автоматизированно передаваться в отвеветственные органы для оперативного принятия решения по тому или иному отзыву.

Конечно, набор возможностей, которые предоставляет Интернет, как инструмент социологического исследования - впечатляет.

Однако и у этого инструмента есть ряд недостатков, которые рано или поздно будут решены, однако на данный момент они присутствуют Неделько С.И., Осташков А.В., Матюкин С.В. Мониторинг в системе оказания государственных и муниципальных услуг как инструмент реализации стратегии повышения качества государственного и муниципального управления // М. : Издательство Эксклибрис Пресc, 2008. С. 233..

Во-первых, на данный момент культура потребления интернет такова, что пользователи очень ценят своё время и готовы проводить его только с той информацией, ради которого они непосредственно пришли на ресурс.

Естественно, интернет-опросы к таковым не относятся, поэтому длительные опросы организовать не получится, однако адаптировать их под культуру потребления современного пользователя - вполне возможно для получения достоверных данных.

А во-вторых, зачастую возможно ошибочная интерпретация вопроса респондентом и возможности уточнить вопрос - нет. Поэтому большая роль эксперта состоит в том, чтобы однозначно ставить вопросы для того, чтобы получить недвусмысленные ответы;

Таким образом, недостатки, которые существуют на сегодняшний день у интернет-опросов, абсолютно незначительны и нивелируемы по сравнению с тем, какой широкий спектр возможностей предоставляет система для оценки качества предоставления государственных и муниципальных услуг.

Однако, к сожалению, очень малая часть этих преимуществ на самом деле используется, что очевидно, исходя из того, что данных отдельно по Единому порталу государственных и муниципальных услуг в рамках мониторинга государственных и муниципальных услуг практически не предоставляется. Хотя возможностей для широкого и глубокого анализа, в действительности, намного больше, чем при традиционных методах анализа.

В данном ключе, несмотря на инфраструктурные возможности, которые были уже внедрены, все те же проблемы, что и для общего мониторинга - присущи, хотя их решение лежит на поверхности использования знаний и навыков компетентных экспертов для работы с этим инструментом и реализации всех возможностей.

Однако всё же стоит отдельно отметить, что первые шаги уже делаются в этом напралении, и хорошим примером является уже упоминаемый портал «Ваш контроль», отчеты по которому отправляются в заинтересованные федеральные органы отдельно от ежегодных мониторингов - периодичность раз в квартал. Очевидно, что зоны росты имеются и технологии позволяют увеличить регулярность этих отчетов и оперативого на них реагировании в разы, вплоть до месяца или недели.

Ответы на вопросы о том, какие технологии для этого необходиы и какие из них уже внедрены, как и что для требуется для их внедрения, будут представлены в следующей главе данного исследования.

Глава 2. Большие данные в системе оценки качества государственных и муниципальных услуг в электронном виде

2.1 Большие данные

Огромные массивы данных генерируются каждый день, и большинство из них записываются и хранятся. И в этом ключе государственный сектор, пожалуй, является источником данных с огромным потенциалом, учитывая, что в область влияния государства входит все население страны. Естественно, без должных технологий и экспертизы практически невозможно должным образом управлять такими огромными массивами данных.

Как раз с этого момента в игру вступают технологии, названные Big Data, или в русском калькированном переводе - Большие Данные. История возникновения данного термина известна: впервые понятие было использовано 3 сентября 2008 года в журнале Nature в статье о том, как большие данные могут повлиять на наше будущее. Lynch C. Big Data: How do your data grow? // Nature. 2008. № 455. P. 28. Эта, по сути своей, пророческая статья и ввела новый термин, который потом повсеместно начали использовать крупные компании для обозначения технологий, которые позволяют работать с большими массивами данных.

Поскольку данное понятие является относительно новым, как и в случае с государственными услугами, у экспертов нет единого мнения о том, что же такое Большие Данные (существует и мнение, что Большие Данные и вовсе не существуют - это выдумки маркетологов, нацеленных на продажу старых технологий в новом виде). Однако в рамках данной работы нам предстоит разобрать разные определения и прийти к пониманию, которое будет использоваться конкретно для данного исследования.

В основном, определение Большим Данным дают в основном эксперты из так называемой «Большой четверки» консалтинговых компаний. И самые используемые определения предоставили эксперты McKinsey и Price Waterhouse Coopers (PWC).

Эксперты McKinsey определяют Большие Данные, как данные, которые слишком велики для того, чтобы их можно было проанализировать, хранить или управлять стандартным набором инструментов Manyika J., Chui M., Brown B. Big data: The next frontier for innovation, competition, and productivity // McKinsey Global Institute, 2011. P. 7..

Мнение экспертов из PWC несильно отличается, и они определяют термин Большие Данные как совокупность данных, у которых нет форматирования, структуры, и, следовательно, отсутствует возможность работы с ними с помощью стандартного инструментария Моррисон А. Большие Данные: как извлечь из них информацию // Технологический прогноз. 2010. №3..

Также выделяются определенные характеристики, которые позволяют определить Большие Данные, к которым относятся Elliot I., Halstead C. Big Data, better public services // PWC Report, 2015. P. 3.:

- Объемность данных (volume), то есть данные, как уже упоминалось должны быть тяжело- или не обрабатываемы стандартно, то есть терабайты или даже петабайты данных являются признаками Больших Данных;

- Разнообразность/разнородность данных (variety) ввиду того, что у собираемых данных разные источники и соответственно у них разные структуры (или её отсутствие) и форматы представления; в Больших Данных такие данные собираются изначально без обработки и фильтрации - то есть так, как они и поступают из первоисточника;

- Скорость данных (velocity), так как данные поступают не только из разных источников и соответственно неструктурированно, но они также поступают с разной частотой, периодичностью и скоростью, будучи генерируемыми из разных серверов с разными мощностями.

Помимо этих трех основных «V» (на английском), характеризующих Большие Данные, некоторые эксперты выделяют еще две характеристики «V»:



Рис. 1: Характеристики Больших Данных. Составлено автором.

1) достоверность данных (veracity), то есть данные из-за того, что они поступают слишком в неструктрированном виде и из разных источников в большом объеме не могут быть данными, которые обязательно верны или релевантны тем данным, которые мы хотели собирать изначально;

2) значимость данных (value), то есть данные должны собираться с пониманием того, зачем эти данные мы собираем и какие результаты мы ожидаем получить от этих данных.

Таким образом, вышеперечисленные критерии позволяют нам определять, имеем ли мы дело с Большими Данными, исходя из чего, применяем те или иные методики по работе с ними.

Выше мы много раз упомянули источники, из которых данные поступают, поэтому важно также классифицировать, откуда могут пополняться информацией Большие Данные Russom P. Big Data Analytics // TDWI Research, 2011. P. 14.:

? Публичные данные

В данном случае имеются в виду не общедоступные данные, а те, которые производятся и источником которых, является государственный сектор. К таким данным могут относиться данные электронных медицинских карт, данные налоговых учреждений и другие генерируемые при работе с государственными органами данные. Используются, в том числе, бизнес организациями для инвестиционного анализа, конкурентного анализа и анализа спроса на соответствующих рынках. И, конечно, самими государственными органами и организациями для отслеживания эффективности работы и прозрачности работы.

? Частные данные

Данные, источником которых являются бизнес организации. К таким данным относится информация, которые, например, интернет-магазины хранят о своих клиентах, о транзакциях, которые они производят, и тому подобное. Частные данные могут содержать персональную информацию, несанкционированное хранение которых влечет за собой юридическую ответственность.

? «Пассивные» данные

Данные, которые собираются пассивным образом. Основным источником такого рода информации являются интернет-ресурсы, которые получают сведения по логам об активности пользователей на сайте, в мобильном приложении или любом другом ресурсе. Такие данные зачастую являются общедоступными.

? Данные социальных сетей

Такие данные формируются, как видно из названия, в социальных сетях и включают в себя посты пользователей, блоги, обзоры, отзывы и другую информацию, которыми пользователи делятся через социальных сети.

? Данные личных счетчиков

Данный тип данных, пожалуй, является наиболее ограниченным, но самым перспективным на данный момент. Класс данных включает в себя информацию, которая генерируется от умных часов, умных браслетов и других носимых устройств, которые считывают личные данные о состоянии пользователя. Пока такие данные практически нигде не используются и не доступны, однако в ближайшее время ожидается, что данные будут использоваться для персонализации предложений для пользователя в интернете на основе данных о его жизнедеятельности, для телемедицины и других услуг, в том числе государственных и муниципальных.

Важным условием является то, что все эти источники данных должны концентрироваться в единой базе данных или хотя бы наборе базы данных, доступ к которому имеется у субъекта, владеющим Большими Данными.

В итоге, получается, что Большие Данные - это набор неструктурированных и неформатированных данных, собранных в единой базе или доступных наборах базы данных, для анализа которых необходим специальный инструментарий. Таким образом, Большие Данные - это проблема, которая возникает при хранении данных.

Еще несколько лет назад решения этой проблеме вовсе не было. Кризис в индустрии информационных технологий привел к тому, что огромный набор данных собирался практически без разбора, терабайты данных поступали, а технологии если и были, то оказывались чересчур дорогими для внедрения.

Сегодня ситуация изменилась: в решение проблемы были вложены серьезные ресурсы и появилось множество доступных технологий, которые позволяют анализировать данные и получать самую ценную информацию о вашей деятельности, будь то бизнес или, рассматриваемые нами, государственные услуги.

С помощью технологий, которые будут перечислены ниже, появилась возможность узнать о своей деятельности то, что было недоступно человеческому глазу ранее. Более того, теперь возможно не просто узнать об этих инсайтах (внутренней организационной информации), а еще и выводить определенные действия, которые будут осуществляться в зависимости от тех или иных условий, которые были выявлены автоматизированной машиной Manyika J., Chui M., Brown B. Big data: The next frontier for innovation, competition, and productivity // McKinsey Global Institute, 2011. P. 27..

1) Business intelligence

«Умный бизнес» - это набор программных решений, то есть система, которая позволяет анализировать и делать выводы на основе хранящихся данных. Важными условиями технологий business intelligence являются: возможность представления данных в удобном, «изучаемом» виде, то есть применение инструментов визуализации данных; возможность автоматической рассылки сгенерированных отчетов; возможность подключения разных источников данных.

2) Хранилище данных

В данном случае, название говорит само за себя: хранилище данных - это то, где собираются большие массивы данных в структурированном виде. Обычно в качестве источника хранения данных используются неавтоматизированные процессы выгрузки, обработки и загрузки данных в хранилище данных.

3) Облачные хранилища

Технология хранения больших массивов данных, при которой используются не локальные серверные мощности, а предоставляемые третьей стороной серверы, которое формирует, так называемое «облако».

4) MapReduce

Данная технология представляет собой фреймворк (программная оболочка) от компании Google и заключается в распределении загрузки по задаче, которая требует высокой производительности серверов. Сама технология, как и название, делится на две части. В первой части - Map- поступает задача, которая обрабатывается на главном сервере, который называется master Node, после чего принимается решение о том, как распределить задачу и на какие серверы. На втором этапе - Reduce - происходит параллельное решение распределенных задач и сбор решений из разных серверов в одном - главном.

5) Hadoop

Данная технология от Yahoo! решает ровно ту же проблему при обработке Больших Данных, что и MapReduce. Единственная разница в том, что Hadoop включает в себя, помимо MapReduce, другие модули, как Hadoop Common, HDFS и YARN, которые лишь дополняют фреймворк от Google и предваряют решение главной задачи по распределению мощностей.

6) R Studio

Язык программирования для работы со статистическими запросами, базами данных и визуализации. Программа позволяет производить практически любые манипуляции с данными, в том числе строить регрессионные модели, проводить корреляционный анализ и просто выводить необходимые таблицы. Для работы с программой необходимо знать нотацию, однако существуют такие надстройки, как R Studio, которые предоставляют удобный и интуитивно понятный интерфейс для работы с технологией.

7) Реляционные базы данных

Базы данных, в которых информация хранится структурированно в таблицах со строками и столбцами, между которыми можно выявить определенные связи. Существуют также нереляционные базы данных, в которых информация хранится в сыром виде.

8) SQL

Для работы с вышеописанными реляционными базами данных существует специальный язык программирования. Данная нотация позволяет производить множество манипуляций с таблицами в базе данных - удалять, добавлять, выводить необходимые таблицы, контролировать доступы к базе данных. Для работы с таблицами в таком формате необходимо знать нотацию, однако существуют надстройки, которые позволяют производить необходимый набор действий с таблицами в рамках удобного и понятного интерфейса с фильтрацией, графиками и другими техниками визуализации данных.

Также существуют определенные методы работы с анализом больших данных, и это именно то, что действительно ценно, так как инструментарий позволяет лишь правильно хранить и управлять данными, а выявление полезной информации возможно именно с помощью определенных техник. Аналогично с инструментарием, существует также и большое множество популярных методов работы с анализом больших данных, однако если в первом случае инструменты появляются зачастую в коммерческих целях продажи программного обеспечения, то методы анализа являются тем, на чем строятся эти инструменты и каждый из методов имеет свое право на существование ввиду уникальности.

1) А/Б тестирование или мультивариантное тестирование

Данный вид тестирования позволяет проверить определенные гипотезы на разных группах аудиторий. Примером такого тестирования может служить проверка наиболее подходящего текста на веб-странице в зависимости от отклика аудитории на тот или иной предложенный вариант. Вариант, собравший большее количество положительных откликов является «правильным». Необходимым условием является достаточно качественная выборка и количество респондентов для того, чтобы попасть в требуемый уровень значимости.

2) Ассоциативное обучение

Данная техника позволяет находить взаимосвязи между переменными в базе данных для установления зависимостей. В качестве примера можно предложить автоматическое выведение государственных и муниципальных услуг, которые чаще всего востребованы вместе или после тех, которые пользователь заказывает на данный момент.

3) Машинное обучение

Пожалуй, самая удивительная технология для анализа Больших Данных. Она включает в себя набор алгоритмов, которые позволяют технологии самообучаться на основе ретроспективных данных и принимать оптимальные решения в рамках заложенных алгоритмов самостоятельно. По сути, машинное обучение - это подраздел в компьютерной науке и относится к изучению, так называемого искусственного интеллекта. Сейчас, в основном, используется в сложных системах, которые направлены на полную автоматизацию работы в виду больших масштабов.

4) Краудсорсинг

Данная технология содержит в себе мало «технологичности» и автоматизации процесса, поэтому крайне редко используется. Метод заключается в анализе данных с помощью социальных сетей, где собирается аналитика по большой группе людей в виду простоты масштабируемости через Веб 2.0. O'Reilly T. What Is Web 2.0 // New Media: An Introduction, 2004.

5) Смешение и интеграция данных

Технология, которая является, пожалуй, самым важным «умением» в рамках работы с Большими Данными. Данный метод анализа данных позволяет смешивать и интегрировать данные из разных источников для построения выводов на основе этих данных.

6) Нейронные сети

Данный метод является набором моделей, которые позволяют находить паттерны в данных для налаживания процесса оптимизации. Метод включает в себя, в том числе и машинное обучение, которое было упомянуто ранее. Обучение может проходить как и с помощью ручной настройки определенных параметров оптимизации, так и без включения человека в процесс. Удивительно, что «вдохновением» для модели стали неврологические связи в мозгу человека, которые схожи с тем, как строит процесс работы с данными машина при самообучении.

7) Предиктивное моделирование

Набор техник применения математического моделирования для анализа статических данных. Результатом такого моделирования становится функция (модель), которая позволяет прогнозировать вероятность наступления определенного события на основе ввода данным по другим независимым переменным. Данный метод включает в себя также и регрессионный анализ, который обычно выделяют отдельным методом, однако на самом деле является одной из техник, которую применяют при предиктивном моделировании.

8) Пространственный анализ

Метод аналогичен с вышеупомянутым предиктивным моделированием, однако единственным отличием является включение «пространственных» данных, то есть включения геолокационных параметров для переменных в модели. Включение таких параметров позволяет выводить модели с пространственными значениями, то есть анализировать ситуацию для тех или иных регионов, городов, районов и так далее.

9) Анализ временных рядов

Очередной метод, который идентичен с предиктивным моделированием, но включает в себя дополнительный параметр: в данном случае это распределение значения переменных по времени. Позволяет включать в модель учет изменений переменных и увеличивать прогнозную силу разрабатываемой модели.

10) Визуализация данных

Все вышеупомянутые методы и техники анализируют огромные массивы данных в сыром виде, структурируя уже их в процессе работы с ними. Однако рядовому пользователю, которому нужно выводить инсайты и принимать решения на основе этих данных, необходимо строить графики, таблицы, диаграммы для того, чтобы понимать, что заложено в наборе цифр.

11) «Дата майнинг»

Данная технология включает в себя набор методов, которые были описаны выше, включая и статистический анализ и работу с данными из разряда машинного обучения для выведения гипотез и заключения необходимых выводов для оптимизации принятия решений. Важным условием «дата майнинга» является то, что анализом данных в данном случае занимается человек, применяя вышеописанные методы автоматизации этого процесса.

«Дата майнингом» занимаются, так называемые, «дата сайнтисты». Точного перевода для данных терминов на русский не имеется, поэтому в данной работе будем применять именно устоявшиеся английские термины в русской транслитерации.

Таким образом, Большие Данные включают в себя огромный пласт технологий и методик, которые позволяют работать с большим количеством данных, включая сбор, хранение, анализ, интерпретацию и визуализацию.

Этот набор особенно актуален в рамках данного исследования и позволяет при правильном применении этих технологий расширить возможности и вывести на новый уровень мониторинг по оценке качества предоставления государственных и муниципальных услуг, в частности услуг в электронном виде через Единый портал государственных и муниципальных услуг.

2.2 Возможности и риски Больших Данных для оценки качества предоставления государственных услуг: мнение экспертов

Еще в 2012 году Президент Российской Федерации подписал Указ № 601 «Об основных направлениях по совершенствованию системы государственного управления» Указ Президента РФ от 07.05.2012 г. № 601 «Об основных направлениях совершенствования системы государственного управления» // Собрание законодательства Российской Федерации. 2012. № 19. Ст. 2338.. К основным мерам в рамках данного указа приписывается повышение качества предоставления государственных услуг, а также информационная прозрачность за счет публикации государственных данных в открытом доступе.

На сегодняшний день эти меры находятся на этапе активной проработки, как уже отмечалось много раз - проводится ежегодный мониторинг оценки качества предоставления услуг для формирования выводов и рекомендаций по их улучшению на основе ретроспективных данных и результатах работы. А также в виде последних обновлений введены ежеквартальные отчеты, которые поступают ответственным органам через систему «Ваш контроль». Сегодня это наши реалии и наш уровень работы с данными.

Однако полноценно ли мы реализуем потенциал современных информационных технологий? Каким образом Большие Данные могут помочь нашим государственным органам достичь установленного индикатора в 90% удовлетворенности населением государственными и муниципальными услугами?

Очевидно, что если появится возможность проводить точечную оценку, более регулярную и более оперативную оценку качества предоставления государственных и муниципальных услуг, то мы сможем значительно быстрее исправлять недочеты и персонализировать государственные и муниципальные услуги для каждого конкретного пользователя в зависимости от его нужд и потребностей.

Именно с такими мыслями и надеждами говорят о Больших Данных для государственного сектора в кругу экспертов. Так, например, в отчете одной из лучших консалтинговых компаний McKinsey - MGI Manyika J., Chui M., Brown B. Big data: The next frontier for innovation, competition, and productivity // McKinsey Global Institute, 2011. P. 27., к которому мы обращались в рамках данной работы ранее, упоминается, что Европейский государственный сектор сможет сократить административные расходы на 15-20% при условии, что будет внедрена аналитика на основе Больших Данных.

Другие эксперты, как, например исполнительный директор компании «Делл», Rutter T. How Big Data is transforming public services // The Guardian, 2014. упоминает о том, что Большие Данные могут сделать предоставление государственных услуг более эффективным, дадут возможность предоставлять услуги точечно, вовремя и персонализированно, что так же поможет сократить уже упоминавшиеся административные расходы на предоставление государственных услуг.

Большие Данные также являются источником огромного количества, так называемых инсайтов, то есть важнейшей скрытой информации, которая позволяет принимать серьезные решения и драматически изменять ход событий в лучшую сторону. Так, например, Большие Данные в их наиболее простом представлении позволяют собирать ценную информацию о пользователях с порталов электронного правительства: изучать то, откуда пришли пользователи на тот или иной портал государственных и муниципальных услуг; на каком этапе к получению государственной и муниципальной услуги пользователи уходят с сайта, поскольку им не удается получить желаемое; с какого устройства заходил тот или иной пользователь; насколько удобно было пользователю работать с порталом с того или иной устройства и многую другую полезную информацию. На основе этой информации можно узнать, насколько пользователь был удовлетворен при получении той или иной услуги, даже без прохождения опросов и принимать оперативные решения по устранению проблем.

Самое главное, что сегодня практически полноценный набор этих возможностей доступен благодаря элементарному набору инструментов группы «Умного бизнеса» (Business intelligence), которые могут быть, как внутренней разработкой, так и общедоступными внешними решениями вроде самого популярного зарубежного решения Google Analytics, а также Yandex Metrika и многие другие. В умелых руках с правильной адаптацией для конкретного кейса эти инструменты позволяют добывать самую важную информацию о поведении пользователей и выводить уровень принятия решений на абсолютно новый уровень.

Помимо этого, Большие Данные позволяют узнавать о конкретном пользователе огромное количество полезной информации - для персонализации сообщений для него: социально-демографические параметры, интересы, поведение и многую другую информацию, помимо той, что пользователь сам предоставил при регистрации на портале.

По мнению экспертов из другой крупной консалтинговой компании - PWC - на сегодняшний день Большие Данные «простаивают», и около 75% полезной информации не используется, и она остается в сыром неструктрированном виде, несмотря на всю свою ценность. Elliot I., Halstead C. Big Data, better public services // PWC Report, 2015. P. 6. Таким образом, Большие Данные нуждаются в дополнительной огранке, в систематизации и структуризации для того, чтобы быть не просто «Большими», но также и полезными данными, на основе которых можно принимать судьбоносные решения. Конечно, в первую очередь связано это с тем, что необходимы специалисты по анализу данных, которые могли бы систематизировать работу с данными и заставить эти данные работать на государственный сектор.

Более того, в том же отчете PWC, говорится о том, что Большие Данные при правильном применении позволяют работать и принимать решения не только на основе сведенных ретроспективных отчетов, но и следить за результатами работы государственных и муниципальных порталов с точки зрения качества предоставления услуг в режиме реального времени и оперативно реагировать на возникающие проблемы, которые приходят в виде экстренных уведомлений тому или иному ответственному органу.

Другим преимуществом работы с Большими Данными, которая отмечается всё теми же экспертами из PWC, является возможность подключения инородных данных к системе данных государственного и муниципальных услуг: так, например, предоставление государственных услуг можно полностью персонифицировать и следовательно увеличить уровень удовлетворенности на основе данных, которые приходят из других источников, как социальные сети; данные по интересам, которые присущи пользователю в рамках интернет-активности; данные по событиям в режиме реального времени, которые позволят предоставить пользователю именно тот список государственных и муниципальных услуг, который, вероятнее всего, может быть актуален для него в данный момент с учетом каких-либо последних событий; данные из других источников государственного и муниципального управления, как налоговые данные, данные по транзакциям и другой информации доступной только государству, для того, чтобы связывать эти базы данных и выводить для пользователя наиболее полезную и персонализированную информацию.

И одна из самых удивительных возможностей Больших Данных, которую выделили в ходе опроса экспертов из государственного сектора по всему миру исследователи из Bloomberg Mullich J., Closing the Big Data gap in Public Sector // Bloomberg Businessweek Research Services and SAP, September 2013. P. 3., для оценки качества предоставления государственных и муниципальных услуг является умение предсказывать определенные показатели благодаря технологии предиктивного моделирования и машинного обучения, которые уже упоминались ранее. Естественно, первоначальная настройка этих моделей необходима при чутком руководстве специалистов, однако затем эти технологии уже работают, самообучаясь. Таким образом, можно представить, что при работе с параметрами качества, которые выделялись ранее в этой работе - будет возможность предсказать то, как то или иное решение повлияет на тот или иной показатель и опять-таки вывести принятие решений на абсолютно новый уровень.

Также исследователи из компании Bloomberg отметили важность для государственных служащих возможности обмена данными между разными департаментами и регионами. В данном случае речь о внедрении системы Больших Данных как таковых, потому что если в организации есть именно систематизированная работа с данными, то разные уровни доступа и предоставления любых видов данных тем или иным департаментам и регионам является лишь вопросом настройки. Очевидно, что для Единого портала государственных и муниципальных услуг нашей страны этот вопрос стоит так же остро, так как на сегодняшний день все порталы государственных и муниципальных услуг разнятся в зависимости от региона. При этом в каждом портале представлено большое количество департаментов, каждому из которых было бы важно получать оперативную обратную связь по своей работе. Однако, как уже было изучено, на данный момент эти отчеты департаменты получают только ежеквартально (согласно данным отчетов) благодаря системе «Ваш контроль».

Помимо большого количества возможностей, эксперты выделяют еще и проблемы, которые могут быть вызваны неумелым внедрением Больших Данных. Так, например, эксперты из Индии Dayal Madhukar; Garg, Sachin; Shrivastava, Rubaina Big Data: Road Ahead for India // IMJ. July 2014. Vol. 6. Issue 2. P. 32., которые занимаются изучением вопроса внедрения Больших Данных для правительства Индии, выделяют такой серьезный риск, как взлом базы данных, в которых хранятся очень «чувствительная» (sensitive) информация, то есть персональные данные граждан и организаций нашей страны. Естественно, здесь крайне остро стоит вопрос о крайне серьезных мерах защиты Хранилища Данных, для чего необходимо привлечение экспертов в области информационной безопасности и шифрования баз данных.

Другим риском и крайне обсуждаемым и противоречивым вопросом, который также касается вопроса персональных данных, является мнение большого круга лиц, который был выражен в статье Foreign Affairs экспертами Kenneth Cukier (эксперт по работе с данными журнала The Eco№ mist) и Viktor Mayer-Schoenberger(профессор управления и регулирования в области Интернет-технологий Oxforfd Internet Institute): Mayer-Schoenberger, Viktor; Cukier, Kenneth The Rise of Big Data // Foreign Affairs, June 2013 URL: https://www.foreignaffairs.com/articles/2013-04-03/rise-big-data Большие Данные в руках недобросовестного правительства могут стать «Большим Братом», о котором писал в своей книге «1984» Джордж Оруэлл. Так, например, если представить, что в некоторых недемократических странах у правительств будет доступ к персональной информации каждого гражданина, то, пожалуй, эти данные будут использоваться явно не для персонализации государственных услуг, а для отслеживания каждого шага, что в корне противоречит основам гуманности. Асимметрия информации между правительством и гражданами будет настолько велика, что это приведет лишь к бесконечному страху населения такой страны за собственную жизнь.

Таким образом, подводя некоторые итоги, стоит отметить, что Большие Данные имеют огромный потенциал для государственного сектора и, в частности, для государственных услуг. Однако на сегодняшний день существует, по сути, один риск, который не дает покоя экспертам государственного управления для внедрения Больших Данных - это защита персональных данных.

Также существует большое количество преград вроде отсутствия достаточного количества экспертных человеческих ресурсов, которые готовы работать с государственным сектором, причем не на разовой основе внедрения, а на постоянной основе поддержки этой серьезной системы и выведения из неё необходимых инсайтов для качественного принятия решений.

Тем не менее, те преимущества, которые даёт технология Больших Данных конкретно для оценки качества предоставления государственных услуг - это то, что очень привлекает государственные органы и организации, и в нашей стране уже делаются первые шаги навстречу этим технологиям, хоть и совсем небольшими темпами.

2.3 Примеры внедрения Больших Данных для оценки качества предоставления государственных услуг

На данный момент примеров внедрения Больших Данных не только в рамках оценки качества предоставления государственных услуг, но и в рамках государственного сектора в целом не так уж и много. Однако такие успешные кейсы существуют и более того некоторые из них находятся на этапе полноценного развертывания после пилотного проекта.

Так, передовыми странами по внедрению Больших Данных на сегодняшний день являются США, Великобритания, Австралия и многие развивающиеся страны, как Объединенные Арабские Эмираты, Сингапур и Саудовская Аравия.

Приводя конкретные примеры, стоит начать с самой инновационной страны не только с точки зрения Больших Данных - США: сегодня эта страна является, пожалуй, примером того, как интеграция данных и качественная работа с ними может выводить на абсолютно новый уровень общение с населением и в рамках принципа «Нового государственного управления» (NPM - New Public Management) строить с ними отношения, как с клиентами, которые находятся в центре всей деятельности.

В США Большие Данные были использованы в штате Северная Каролина совместно с компанией IBM, которая позволила использовать данные для снижения операционных издержек и повышения эффективности и качества предоставления государственных услуг за счет концентрации только на заявках пользователей, которые реально нуждались в обеспечении Horowitz B. IBM Predictive Analytics Helps № rth Carolina Detect Medicaid Fraud Data // eWeek .

Этим штатом в рамках работы с Большими Данными были использованы интегрированные данные по налогам и доходу пользователей для того, чтобы выявить мошенников, которые хотят воспользоваться Федеральной Программой по медицинской помощи неимущим (Medicaid), хотя они в этой помощи не нуждаются. Таким образом, государственные услуги предоставлялись только нуждающимся и за счет этого обращения обрабатывались быстрее, были снижены расходы на эту программу, и качество предоставления этой услуги было серьезно увеличено, что повлекло за собой повышение общего уровня удовлетворенности.

Таким образом, в данном случае благодаря Большим Данным были корректно отфильтрованы заявки, что раньше с большой долей вероятности ошибки производилось вручную самим Департаментом и приводило к повышению общего времени ожидания обработки заявки, времени предоставления и другим качественным показателям. Теперь же, когда эти процессы автоматизированы, Департамент имеет возможность сфокусироваться на качественном выполнении своей работы.

В Объединенных Арабских Эмиратах - в стране, где Большие Данные еще только формируются, - в рамках государственной программы была внедрена система под названием «My Gov» Le Masson B., Al-Yahya K. Digital Government // Accenture. January 2014. P. 38. . Система является аналогом нашей системе «Ваш контроль», и она также создана для сбора обратной связи с граждан по государственным услугам.

В Объединенных Арабских Эмиратах эта система внедрена как ориентир для государственных органов, по которому они определяют, насколько качественно им удается предоставлять государственные услуги.

Каждый департамент страны имеет собственные рейтинги, которые обновляются благодаря оценкам, выставляемым через разные источники по следующим критериям: стратегия, доступность государственных услуг, качество государственных услуг, отношение к гражданам, инновационность, компетентность государственных служащих.

Исходя из этих показателей, каждый Департамент отслеживает свою эффективность и принимает решения по улучшению своих показателей в режиме нон-стоп и может отслеживать обновляющиеся результаты в зависимости от качества принимаемых решений.

Таким образом, сравнивая нашу страну с точки зрения работы с Большими Данными с другими государствами, Россию можно отнести к странам, которые еще только начинают свой путь к внедрению инновационных технологий, однако мы находимся на правильном пути и начинаем с тех же шагов, с которых начинают и другие страны по внедрению технологий по оценке качестве предоставления государственных и муниципальных услуг.

В другой инновационно-ориентированной стране - Великобритании Большие Данные были применены конкретно для оценки качества предоставления государственных услуг, но уже на гораздо более серьезном уровне, чем в Объединенных Арабских Эмиратах и в нашей стране.

Так, в Великобритании использовали технологию сложной сегментации пользователей, благодаря которой государственные служащие получили возможность более четко понимать нужды и потребности своих пользователей Elliot I., Halstead C. Big Data, better public services // PWC Report, 2015. P. 9..

Таким образом, были выделены следующие группы пользователей:

- пользователи, которые воспользовались только одной услугой за определенный период и были в рамках определенного показателя удовлетворенности;

- пользователи, которые воспользовались только одной услугой из каждого направления за определенный период и были в рамках определенного показателя удовлетворенности;

- пользователи, которые воспользовались несколькими услугами из одного направления за определенный период и были в рамках определенного показателя удовлетворенности;

- пользователи, которые воспользовались только несколькими услугами из каждого направления за определенный период и были в рамках определенного показателя удовлетворенности.

После того, как удалось определиться с теми или иными сегментами, были выстроены, так называемые «пути пользователей» (customer journeys), которые позволили понять схему, по которой та или иная группа пользователей пользуется определенной услугой. Исходя уже из этих «путей», государственные служащие приобрели возможность понимать, на каком из этих этапов каждый выделенный сегмент пользователей ощущает сложности с тем, чтобы успешно получить заявленную услугу или же, если проблемы возникают еще на этапе заявки,- что мешает тем или иным группам пользователей подать заявку и начать пользоваться сервисом. Более того, на каждом из этих «путей» - высчитывались такие показатели, как общее количество пользователей из каждого сегмента, которые дошли до того или иного этапа получения государственной услуги, а также уровень удовлетворенности пользователей из каждого сегмента на каждом из этапов получения государственного услуги.

После определения проблемных зон, которые определялись по отклонению от стандартных показателей удовлетворенности или по большому количеству пользователей, которые «отвалились» на том или ином этапе, государственные органы уже могли искать решения, которые позволили бы увеличить показатели, которые они получали по каждому сегменту. На этом этапе сами государственные служащие, которые уже привыкли к новой технологии и активно ею пользуются, отмечают, что зачастую возникают проблемы с тем, чтобы выбрать, каким способом решать ту или иную проблему. Поэтому они очень ждут дополнения технологии Больших Данных, которые позволят благодаря предиктивному моделированию предсказывать, какое решение приведет к какому показателю удовлетворенности и уровню ушедших пользователей на определенных этапах.

В итоге, исходя из примеров, можно сделать вывод о том, что страны находятся на разных этапах интеграции Больших Данных: некоторые страны уже начали у себя работу с технологиями Больших Данных на начальном этапе, некоторые уже показывают серьезные результаты, однако вне сомнений то, что все уже видят не только возможности технологий на бумаге, но и сами внедряют и убеждаются в их необходимости для выведения уровня работы государственного сектора с гражданами на новые величины.

2.4 Применение технологии Больших Данных для оценки качества предоставления государственных и муниципальных услуг в России

На основе исследования, проведенной в предыдущей части данного исследования, было выявлено шесть следующих уровней внедрения Больших Данных в межстрановом сравнении:

1. Страны, которые только начали внедрять у себя технологию Больших Данных и только собирают обратную связь в виде опросов, анкет и баллов для дальнейшей сводной отчетности по оценке качества предоставления государственных и муниципальных услуг;

2. Страны, которые только собирают обратную связь в виде опросов, анкет и баллов для дальнейшей сводной отчетности и предоставления данных в режиме реального времени по оценке качества предоставления государственных и муниципальных услуг;

3. Страны, которые перешли на следующий этап и уже не только собирают данные, которые доступны из обратной связи пользователей, а также собирают «пассивные» данные из аналитических инструментов, которые позволяют собирать «скрытые» отзывы пользователей, исходя из конкретных действий пользователей на портале, и предоставляют сводные отчеты по оценке качества предоставления государственных и муниципальных услуг;

4. Страны, которые перешли на следующий этап и уже не только собирают данные, которые доступны из обратной связи пользователей, а также собирают «пассивные» данные из аналитических инструментов, которые позволяют собирать «скрытые» отзывы пользователей, исходя из конкретных действий пользователей на портале, и предоставляют сводные отчеты, а также отчеты в режиме реального времени по оценке качества предоставления государственных и муниципальных услуг;

5. Страны, которые не только анализируют «активную и пассивную» обратную связь и предоставляют сводные отчеты, а также отчеты в режиме реального времени по оценке качества предоставления государственных и муниципальных услуг, но и внедряют технологии для анализа эффективности принимаемых на основе этих данных решений в ретроспективном разрезе;

6. Страны, которые не только анализируют «активную и пассивную» обратную связь и представляют сводные отчеты, а также отчеты в режиме реального времени по оценке качества предоставления государственных и муниципальных услуг, но и внедряют технологии для прогнозирования эффективности принимаемых на основе этих данных решений и последующего ретроспективного анализа.

Для того чтобы определить, на каком этапе находится наша страна в плане использования технологий Больших Данных для оценки качества предоставления государственных и муниципальных услуг или используются ли Большие Данные у нас вовсе, необходимо для начала определить критерии, по которым будет определяться уровень внедрения.

При разработке критериев в качестве исходной точки были взяты те отличительные характеристики и технологии, которые присущи именно Большим Данным, которые были отмечены в части 2.1.1. данного исследования.

Таким образом, были выделены следующие критерии уровня внедрения Больших Данных Manyika J., Chui M., Brown B. Big data: The next frontier for innovation, competition, and productivity // McKinsey Global Institute, 2011. P. 7.:

1. Наличие общего хранилища данных и набор доступных хранилищ, где собираются все данные в сыром виде;

2. Итоговая схема работы с данными содержит «5V»: (volume, variety, velocity, veracity, value) характеристики;

3. Используется хотя бы одна из перечисленных в части 2.1.1. технологий работы с Большими Данными;

4. Регулярность предоставления отчетности по обратной связи;