Для госструктур, в отличие от коммерческих организаций, на первый план выходит не достижение каких-то экономических показателей, а достижение показателей госпрограмм и четкое следование регламентам сервисов, включая сроки исполнения. С этим связаны первые две задачи подразделения.
Третья задача связана со сбором, хранением и обработкой данных, которые возникают при взаимодействии граждан с органами власти. Всего используются порядка 30 источников данных, у каждого из которых есть своя история и свои проблемы. Чтобы этим управлять, внедряются в том числе и математические модели предиктивного анализа.
Еще одна задача, в которой отдел аналитики и мониторинга управления развития госуслуг косвенно принимает участие, - это повышение привлекательности сервисов для пользователя.
В числе данных, которые используются, к примеру, те, которые предоставляет пользователь для оказания ему услуг, а также данные транзакций, которые возникают при взаимодействии пользователя с органами власти.
Данные из источников собираются в хранилище, к ним добавляется нормативно-справочная информация и все это подается на вход математическим моделям, реализованным отдельным слоем на микросервисной архитектуре, и на выходе выдается конечный результат.
Предиктивная аналитика используется, к примеру, для поиска временных рядов, чтобы спрогнозировать значения показателей и выявить какие-то аномалии процессов, говорит Александр Филатов.
«На вход алгоритму мы подаем временной ряд транзакций, а на выходе получаем прогнозное значение и интервал, в пределах которого это значение может колебаться, - объяснил представитель ДИТ Москвы. – Это можно использовать для прогнозирования показателей госпрограмм.»
Еще один пример – расчет нагрузки на инфраструктуру и прогнозирование необходимости выделения дополнительного пула ресурсов под какие-то всплески. Также осуществляется мониторинг значения показателей работы процессов оказания госуслуг.
«Например, если мы видим, что происходит аномально большое число отказов в предоставлении какой-либо услуги, это является сигналом для наших органов, которые занимаются контрольно-надзорной деятельностью и методическим обеспечением процесса, чтобы выйти «в поле» и разобраться на месте, что происходит, - говорит Александр Филатов.»
Другое направление связано с управлением источниками данных: прогнозируется, сколько записей с данными каждый источник должен передать в случае, если наблюдается какое-то аномальное значение.
Большой пласт работы связан с изучением поведения пользователей. Берутся пользовательские данные о транзакциях, оцифровываются и переводятся в векторное пространство. На основе методов классификации и кластеризации можно смотреть по группам пользователей, какие группы услуг их интересуют, а можно смотреть выборку по услугам – каким категориям пользователей эти услуги интересны.
«Если мы добавляем к наборам данных временные метки, мы можем использовать алгоритмы ассоциативных правил, и тогда можно смотреть не только группы, но и видеть последовательность услуг, которые были заказаны пользователем и спрогнозировать цепочку его последующих действий, - объяснил Александр Филатов. – Таким образом, мы собираемся формировать «супер-сервисы» на основе анализа предпочтений пользователя – наиболее приемлемые для него пакеты услуг.»
Journal information