Кейсы

Несколько продуктов и кросс-функциональных команд должны работать как единый контур: бизнес-приоритеты, продуктовый бэклог, архитектурные решения, ресурсы и зависимости меняются одновременно.

Выстроил управление портфелем и кластером: связал потребности бизнеса с дорожной картой, продуктовым и техническим бэклогом; синхронизировал бюджеты, ресурсы, сроки, риски и межкомандные зависимости.

Средний TTM продуктовых изменений — 14 дней. После переработки стратегии расчёта и формирования предложений доля предложений, завершившихся оформлением банковского продукта, выросла на 30%. Оценочный эффект портфеля — несколько миллиардов рублей.

Банку требовался собственный Decision Engine для персонализированных предложений в реальном времени — с промышленной надёжностью, масштабированием и обработкой десятков ТБ данных в сутки.

Принял проект в конце сентября 2024 года как ИТ-лидер, к ноябрю сформировал команду. В декабре, уже в роли директора проекта, запустил разработку. Организовал полный производственный процесс: требования, архитектуру, разработку, тестирование, CI/CD, релизы и эксплуатацию.

Продукт вышел в промышленную эксплуатацию в апреле 2025 года — через 5 месяцев после старта разработки. Real-time и batch-контуры работают на Apache Flink, Tarantool и Kafka.

Специалисты из нескольких направлений — графовой и геоплатформ, NER и разметки данных для ML — ещё не работали как единая команда. Требовалось выстроить процесс на фоне миграции legacy-систем, технического долга и разрозненных стандартов CI/CD.

Объединил специалистов в рабочую команду и поставил производственный процесс. Запустил переход CI/CD на единый pipeline в TeamCity, завершил критичные миграции и выстроил ресурсное управление. Инициировал сообщество технических специалистов в Группе Т1 — будущие Техногильдии.

Автоматизация процессов выросла с 40% до 80% — вдвое. Технический долг сокращён почти в два раза, закрыты критические проблемы с информационной безопасностью и техподдержкой.

Графовую платформу проекта ВТБ требовалось развить в продукт Mirion и связать задачи данных, ML/AI и графового анализа с продуктовой архитектурой.

Прототипировал ETL- и ML/AI-решения, исследовал графовые алгоритмы и участвовал в проработке продуктовой архитектуры. С мая 2022 года руководил группой аналитиков и проводил ревью потоков данных.

Платформа получила продуктовый контур Mirion. К февралю 2023 года зона моей ответственности расширилась до функций замещающего ИТ-лидера и ресурсного управления.

Архитектурные практики оставались внутри отдельных команд. Команды переоткрывали одни и те же решения на разных продуктах, технический долг рос, не было единых стандартов.

Инициировал и запустил сообщество техногильдий: привлёк более 20 senior-экспертов для адресной помощи наряду с взаимопомощью остальных участников, защитил проект на уровне руководства холдинга, выстраивал единые стандарты и обмен опытом между командами.

По моей оценке, участники сообщества решили более тысячи инженерных кейсов за время работы инициативы и помогло распространять единые практики между командами. В Цифровой академии Т1 курировал курс Data Engineering и перезапускал курс по системному анализу: прорабатывал структуру и учебные материалы.

ИТ-архитектура данных холдинга (НСИ и мастер-данные) была фрагментирована. Проблемы с ежедневной отчётностью для инвесторов США в материнской группе.

Разработал ИТ-архитектуру данных, защитил проект адаптированной Data Governance перед топ-менеджментом — первый опыт управления проектами. Перестроил потоки данных по водопадной модели в материнской компании. R&D по локальным ML-моделям (pymorphy2, K-Means).

Решение масштабировано на весь холдинг в РФ. Устранены проблемы с ежедневной отчётностью для инвесторов США, снижены операционные риски. Стек: Python, SQL, Pandas, NumPy, Seaborn, MS Visio, 1С (ДО, КОРП, ЗУП, УПП, УТ).

При параллельной работе над несколькими продуктами легко потерять единый процесс, контекст решений и контроль качества — особенно когда в разработке участвуют ИИ-агенты.

Собрал систему, которая задаёт роли, этапы, артефакты и обязательные контрольные точки качества. LAF фиксирует решения и помогает проводить продукт через единый производственный цикл.

Использую LAF в собственных проектах и продолжаю развивать. Бэклог, изолированные рабочие среды, автоматические проверки, восстановление после сбоев и контроль бюджета позволяют вести разработку в фоне. Готовлю фреймворк к внешнему применению.

Опыт работы с real-time, данными и управлением разработкой полезен другим командам, если объяснить контекст решений, ограничения и результаты.

Доклады на HighLoad++ Saint 2024 («Опыт перевода банковского продукта в реалтайм»), Analyst Days 16 (2023, «Узри, падаван, путь данных») и Analyst Days 14 (2022, «Не крась траву — риски данных в BANI-мире»). В личном архиве — также АиУП 2024 («Ускорение разработки с AI»). На «Импульсе» выступал с темой рисков данных в BANI-мире; год и точное название ещё уточняю.

Сформировал устойчивый опыт публичных выступлений на крупных ИТ-конференциях. Запись доклада HighLoad++ Saint 2024 опубликована в HighLoad Channel на YouTube.

Руководителю нужно быстро оценить большой бэклог и понять, кто, в какой последовательности и когда сможет выполнить работу. При ручном планировании загрузка, компетенции и зависимости быстро делают расчёт громоздким.

Разработал помощника, который учитывает состав команды, загрузку, зависимости, спринты и настраиваемый производственный процесс компании, а затем распределяет задачи между специалистами.

Работающий помощник с иерархией бэклога, годовым планированием, зависимостями и ограничениями по ресурсам. Развиваю продукт; готов показать его и адаптировать под производственный процесс компании.