Цифровая трансформация государственного управления — один из ключевых приоритетов современной Москвы. Внедрение технологий Big Data (больших данных) позволяет перейти от реактивной модели принятия решений к проактивной, основанной на прогнозной аналитике и объективных цифровых следах жизнедеятельности мегаполиса. Уже в 2018 году на специализированном семинаре «Большие данные в современном городе», организованном Университетом Правительства Москвы, было заложено методологическое основание для текущих цифровых платформ столицы.

Образовательный старт: семинар для госслужащих

07 декабря 2018 года на площадке Университета Правительства Москвы прошел семинар «Большие данные в современном городе». Мероприятие собрал более 100 участников, представителей органов власти и подведомственных организаций столицы. Целью стал повышение компетенций кадрового резерва в области Data Science и понимание прикладной ценности массивов информации для городского управления.

Ключевые спикеры:

• Сергей Журихин, проректор по повышению квалификации Университета Правительства Москвы (фундаментальная оценка масштабов данных).
• Наталья П*ова — руководитель новых направлений Global Innovation Labs LLC, автор первых в России онлайн-курсов по большим данным в АПК (практическая методология и кейсы).

Масштаб вызова: цифры, которые меняют мышление

Сергей Журихин продемонстрировал экспоненциальный рост информационного шума, с которым сталкивается современное управление. Прогноз на 2022 год (озвученный в 2018) составлял 44 зеттабайта данных в интернете. Для осознания масштаба были приведены сравнения:

• Все песчинки на пляжах Земли ≈ 7,5 квинтиллиона (700 500 000 000 000 000 000).
• 44 зеттабайта превышают это число в 57 раз.
• Для хранения 1 зеттабайта требуется ~ 83 млн жестких дисков по 12 ТБ.
• 1 зеттабайт = 63 млн лет просмотра видео в 4K.
• 44 зеттабайта = 3,65 млрд дисков и 2,77 млрд лет видео в 4K.

Методология: 5V больших данных в городском контексте

Наталья П*ова систематизировала определение Big Data через классическую модель 5V, адаптированную под задачи госсектора:

1. Volume (Объем): превышает когнитивные способности аналитика и возможности стандартного ПО.
2. Velocity (Скорость): данные меняются в реальном времени (сенсоры, транзакции, камеры), требуя стриминговой обработки.
3. Variety (Разнообразие): структурированные (реестры), полуструктурированные (логи, JSON) и неструктурированные данные (тексты соцсетей, видео с камер, аудио).
4. Veracity (Достоверность): критично для госрешений — шум, ошибки сенсоров, фейки в соцсетях должны отсеиваться алгоритмами валидации.
5. Value (Ценность): конечная цель — извлечение actionable insights (действенных инсайтов) для принятия управленческих решений.

Инструментарий: Предсказательная аналитика и Цифровые портреты

Главный продукт работы с Big Data — предсказательная аналитика (Predictive Analytics). Поиск причинно-следственных связей позволяет прогнозировать поведение сложных систем: людей, техники, природы.

Ключевые сценарии применения:

• Эпидемиологический мониторинг: анализ постов в соцсетях (настроения, жалобы на симптомы) + поисковые запросы (лекарства, симптомы) → карта пиков заболеваемости по районам → таргетированная раздача лекарств/реклама профилактики.
• Цифровой портрет гражданина: агрегация данных об энергопотреблении, передвижениях (проездные билеты), здоровье, покупках, эмоциональном фоне (с учетом ФЗ-152 и анонимизации) для персонализации госуслуг.
• Финансовая безопасность (Банки): выявление мошеннических схем и сомнительных клиентов через анализ графов платежей.
• HR-аналитика (People Analytics): выявление неформальных лидеров, подбор эффективных команд, прогнозирование выгорания и текучести кадров.

Практический кейс Москвы: Оптимизация субсидирования промышленности

Один из первых документированных кейсов прикладного применения Big Data в правительстве Москвы, сотрудничество с Департаментом науки и промышленности г. Москвы.

«Мы работали с Департаментом науки и промышленности г. Москвы. Проводили анализ эффективности распределения субсидий. Взяли данные от компаний, получавших субсидии за последние 5 лет, и сделали идеальный профиль тех, кто может их эффективно использовать. Также выделили компании, которым не стоит давать субсидии».

Механика решения:

• Сбор исторических данных за 5 лет (финансовая отчетность, KPI производств, налоговые платежи, инновационная активность).
• Построение ML-модели классификации: «Эффективный получатель» vs «Неэффективный получатель».
• Формулировка критериев «идеального профиля» для будущих конкурсов на субсидии.
• Риск-менеджмент: флаггинг компаний с высокой вероятностью нецелевого использования средств.

Международный опыт: бенчмарки для Москвы

На семинаре были представлены глобальные практики, векторные для развития московской модели:

Источники данных городского пульса: где Москва берет данные

Городская операционная система питается множеством потоков. Основные провайдеры «сырого» Big Data в Москве:

• Транспортная сфера: проездные билеты «Тройка» / «Единый» (тап-он/тап-офф), GPS/ГЛОНАСС общественного транспорта, камеры КСОДД (управление трафиком), таксометры/каршеринг.
• Цифровые платформы Госуслуг: портал mos.ru, приложение «Мои Документы», ЕРГУ/РГУ (электронные реестры), ЭМИАС (здравоохранение).
• Инженерная инфраструктура: умные счетчики (вода, электричество, тепло), датчики состояния сетей (SCADA), метеостанции.
• Безопасность: комплекс «Безопасный город» (распознавание лиц, детекция инцидентов), данные МЧС/МВД (анонимизированные статистические срезы).
• Открытые данные (Open Data): портал data.mos.ru, тысячи датасетов для бизнеса и науки.

Эволюция подходов: от 2018 года к 2026 году

С момента проведения описанного семинара прошло более 7 лет. За это время подходы в правительстве Москвы претерпели качественные изменения:

Архитектура: От силосов к Озеру данных (Data Lake / Lakehouse)

Ранние пилотные проекты (как кейс со субсидиями) работали на выгрузках (CSV/Excel). Сейчас развернута единая платформа Единая платформа больших данных (ЕПБД) / Мосгорхранение данных, обеспечивающая инжест петабайт в день, каталогизацию (Data Catalog), линеаж данных и доступ через SQL/NoSQL/API для аналитиков департаментов.

AI-First подход: Генеративный ИИ и LLM

Если в 2018 году фокус был на классическом ML (классификация, регрессия, кластеризация), то к 2026 году внедрены большие языковые модели (LLM) для:

• Автоматизации обработки обращений граждан (классификация, суммаризация, генерация ответов).
• Помощи нормативному правовому оформлению (поиск коллизий, генерация проектов постовановлений).
• Генерации кода для внутренних сервисов (Low-code/No-code + Copilot).

Цифровые двойники города (Urban Digital Twins)

Интеграция BIM-моделей, GIS, IoT-сенсоров и симуляционных движков позволяет моделировать сценарии развития территории: транспортная нагрузка при стройке ЖК, инсоляция, аэрация, нагрузка на социнфраструктуру (школы, поликлиники) за 5-10 лет вперед.

Управление данными (Data Governance) и Этика

Внедрены строгие политики:

• Псевдонимизация / Анонимизация по умолчанию (Privacy by Design).
• Ролевая модель доступа (RBAC/ABAC) к чувствительным атрибутам.
• Этические комитеты при департаментах ИТ для оценки рисков алгоритмической дискриминации (bias) в скорингах.
• Соответствие ФЗ-152, ФЗ-149, требованиям ФСТЭК/ФСБ по защите ГИС и КИИ.

Ключевые компетенции и кадровый голод

Проблема 2018 года, дефицит Data Scientists / Data Engineers в госсекторе — частично решена через:

• Центр компетенций «Аналитика города» при ДИТ Москвы.
• Программы переобучения госслужащих в Университете Правительства Москвы (продолжение линейки курсов, начатоя П*овой).
• Привлечение талантов через хакатоны (например, «Цифровой прорыв», Moscow Hackathons) и стажировки (Мос.Корп, таланты.мос.ру).
• Аутстаффинг/аутсорсинг R&D лабораторий (в т.ч. Global Innovation Labs, Яндекс, Сбер, Ростелеком, ПОЛИГОН).

История внедрения Big Data в Правительстве Москвы — это путь от разовых пилотных проектов (анализ субсидий 2018 г.) к системной инфраструктуре, где данные признаются активом баланса города. Сегодня ни одно крупное управленческое решение — от маршрута нового метро до тарифов на ЖКХ или планирования закупок вакцин, не принимается без валидации на исторических и реальных данных.

Главные вызовы на горизонте 2026–2030 гг.:

1. Качество данных (Data Quality): борьба с «мусором на входе» в legacy-системах ведомств.
2. Интероперабельность: бесшовный обмен данными между департаментами (смежные реестры, API-шлюзы).
3. Объяснимость ИИ (Explainable AI): правовое обоснование алгоритмических решений для суда и прокуратуры.
4. Суверенитет технологий: миграция на отечественный стек (ClickHouse, Greenplum/Postgres Pro, YTsaurus, модели ГПТ от Сбера/Яндекса/МТС) при сохранении качества аналитики.

Опыт 2018 года показал: технология без компетенций и четкого бизнес-кейса мертва. Москва прошла этот этап, создав экосистему, где Data-Driven Government становится не слоганом, а повседневной операционной реальностью.

Материал подготовлен на основе открытых данных и информации с семинара «Большие данные в современном городе» (Университет Правительства Москвы, ) и анализе текущей цифровой стратегии города на 2026 год.