Редакція dev.uaСпецпроєкти
24 вересня 2026, 11:27
2026-09-24
Мільярди точок даних і десятки моделей: як працює Data Science у Philip Morris Ukraine
Архітектура ринку праці змінюється: межа між класичним IT та іншими сферами стає дедалі менш помітною. У 2026 році серед найбільших категорій вакансій на українському IT-ринку — аналітика, маркетинг, HR, Sales та QA, а AI/ML, Data Science і Data Engineering залишаються одними з напрямів із найвищим рівнем зайнятості фахівців. Водночас 30% українських айтівців готові були б змінити сферу, якби їм запропонували кращі умови.
Тож робота з великими масивами даних сьогодні не обов’язково означає класичну кар’єру в IT. Аналітика, машинне навчання та ШІ дедалі глибше заходять у маркетинг, виробництво, клієнтський досвід і бізнес-операції. За даними DOU, фахівці AI/ML/DS/Data Engineering у 2026 році належать до груп, яким рекрутери пишуть найчастіше: 65% українських фахівців цих напрямів отримують такі повідомлення кілька разів на місяць.
У масовій свідомості Philip Morris — це консервативний тютюновий гігант із паперовими пачками, фурами дистрибуції та класичним маркетингом минулого століття. Але за корпоративним фасадом компанія давно живе за законами технологічного бізнесу: тут працюють із мільярдами точок даних, будують ML-моделі та поступово інтегрують генеративний ШІ в бізнес-процеси.
Усі продуктові та маркетингові гіпотези у Philip Morris спираються на фундамент, який обслуговує команда під керівництвом Дмитра Ситенка, старшого менеджера з управління клієнтським досвідом. У партнерському матеріалі він розповів dev.ua, як дані формують порядок денний компанії і допомагають вирішувати болі клієнтів.
Архітектура ринку праці змінюється: межа між класичним IT та іншими сферами стає дедалі менш помітною. У 2026 році серед найбільших категорій вакансій на українському IT-ринку — аналітика, маркетинг, HR, Sales та QA, а AI/ML, Data Science і Data Engineering залишаються одними з напрямів із найвищим рівнем зайнятості фахівців. Водночас 30% українських айтівців готові були б змінити сферу, якби їм запропонували кращі умови.
Тож робота з великими масивами даних сьогодні не обов’язково означає класичну кар’єру в IT. Аналітика, машинне навчання та ШІ дедалі глибше заходять у маркетинг, виробництво, клієнтський досвід і бізнес-операції. За даними DOU, фахівці AI/ML/DS/Data Engineering у 2026 році належать до груп, яким рекрутери пишуть найчастіше: 65% українських фахівців цих напрямів отримують такі повідомлення кілька разів на місяць.
У масовій свідомості Philip Morris — це консервативний тютюновий гігант із паперовими пачками, фурами дистрибуції та класичним маркетингом минулого століття. Але за корпоративним фасадом компанія давно живе за законами технологічного бізнесу: тут працюють із мільярдами точок даних, будують ML-моделі та поступово інтегрують генеративний ШІ в бізнес-процеси.
Усі продуктові та маркетингові гіпотези у Philip Morris спираються на фундамент, який обслуговує команда під керівництвом Дмитра Ситенка, старшого менеджера з управління клієнтським досвідом. У партнерському матеріалі він розповів dev.ua, як дані формують порядок денний компанії і допомагають вирішувати болі клієнтів.
Мільярди точок даних і оркестри моделей: що під капотом Data Science
Ставка на дані тут не про моду, а про необхідність: ринок і споживча поведінка змінюються швидко, а рішення, засновані на інтуїції, у такому масштабі бізнесу коштують надто дорого.
«Ми працюємо з повним спектром даних. З одного боку — внутрішні бізнес-дані: від виробництва, дистрибуції та планування до постачань продукції на ринок і власне продажів кінцевому споживачу. З іншого — consumer-centric дані: демографія, географія, поведінка всередині екосистеми IQOS, взаємодія з усіма брендовими каналами й програмами», — розповідає Ситенко.
За його словами, у сумі йдеться про мільярди точок даних за сотнями параметрів.
Типовий проєкт data science у Philip Morris завжди починається не з моделі, а з бізнес-питання.
«Будь-який інструмент чи проєкт, який починає розроблятися у нас у відділі, стартує з визначення бізнес-потреби — яку проблему потрібно вирішити та яка цінність цього рішення. Простими словами, починаємо з двох питань: “навіщо це нам” та “що це нам дає”», — каже Дмитро.
Далі команда аналізує доступні дані, формує гіпотези і обирає підхід — від класичної аналітики й сегментації до машинного навчання чи генеративного ШІ, тестує рішення в обмежених продакшн-тестах і лише потім інтегрує їх у процеси компанії.
«Data Science для нас — не про моделі заради моделей. Успішним вважається проєкт, який допомагає приймати кращі рішення, автоматизувати процеси або покращувати досвід споживачів — навіть якщо “під капотом” абсолютно просте з технологічної точки зору рішення».
Паралельно вже понад п’ять років компанія розвиває напрямок машинного навчання — сьогодні це десятки моделей та їх «оркестрів» навколо користувачів: прогнозування, сегментація, кластеризація, рекомендаційні системи.
А з минулого року активно інтегрують генеративний ШІ — і для внутрішніх потреб: онбординг-агенти, генерація шаблонних документів, транскрибування аудіо, підготовка презентацій, драфти креативних матеріалів, аналітика великих масивів даних, — і безпосередньо для споживчого досвіду, наприклад автоматизована генерація кошика з природної мови чи підготовка персоналізованої комунікації.
Як алгоритми визначають, кому потрібна допомога
Яскравий приклад того, як дані й машинне навчання працюють у PMU на практиці, — робота з відтоком користувачів.
Після того як компанія залучає нового споживача, важливо, щоб він залишався активним в екосистемі бренду, а це неможливо забезпечити вручну для кожного, оскільки в різних людей різні потреби, продукти й канали комунікації, а ресурс і бюджет обмежені.
Коли людина переходить на бездимні продукти, критично важливо підтримати її на старті. Але користувачі різні, а ресурс живих операторів і маркетинговий бюджет — обмежені.
Замість килимових бомбардувань пушами та дзвінками команда запустила набір предиктивних моделей машинного навчання.
«Методами машинного навчання ми виділяємо окремих користувачів, які потребують нашої допомоги, консультації чи вирішення проблем, обираємо відповідний канал та час комунікації та виключаємо тих користувачів, які не бажають її отримувати. У результаті ми працюємо точніше, витрачаємо ресурс там, де він дає ефект, і підвищуємо задоволеність користувача», — розповідає Дмитро.
Таким чином алгоритми завчасно виявляють клієнтів, які стикаються з труднощами або демонструють патерни швидкого відтоку з екосистеми. Система сама визначає, кому потрібна консультація спеціаліста, а також підбирає релевантний канал і оптимальний таймінг.
І найважливіше: модель автоматично виключає з розсилок тих користувачів, які не хочуть отримувати повідомлення, аби не плодити негатив. У підсумку — win-win: бюджети не спалюються даремно, а утримання клієнтів зростає.
Заборонений ChatGPT і корпоративний AI
Питання безпеки в корпорації такого калібру безкомпромісне. На робочих лептопах сторонні нейромережі заблоковані політиками кібербезпеки.
Єдиний повністю легітимізований інструмент — корпоративний Microsoft Copilot, замкнений усередині локального контуру компанії та підключений до внутрішньої бази знань. Він допомагає писати тексти, аналізувати документи, готувати чернетки презентацій і візуалізацій.
Дмитро окремо наголошує на необхідності контролю людини. Попри те, що величезна кількість процесів уже AI-powered, компанія не розглядає ШІ як повну заміну людським рішенням. Він формулює це як принцип human-in/on-the-loop: контроль людини лишається обов’язковим елементом роботи з AI.
AI у Philip Morris і песпективи для фахівців
Трансформація Philip Morris у наукомістку компанію колись стартувала з розробки альтернатив сигаретам, що вимагало фундаментальних досліджень. Тепер цей підхід пронизує всі бізнес-процеси.
Це ж змінює вимоги до людей, які працюють у команді. Дмитро вважає, що сьогодні для дата-сайєнтиста важливіше не ідеальне володіння математикою, SQL чи статистикою, а вміння правильно сформулювати бізнес-проблему, зрозуміти цінність рішення й пояснити результат так, щоб ним могли скористатися інші команди:
«Штучний інтелект дозволяє відносно легко компенсувати брак глибинної технічної експертизи чи хард-скілів, і все більше починає цінуватися саме правильне транслювання бізнес-проблем».
Щодо майбутнього, в компанії є стратегія розвитку напрямку ШІ до 2029 року — але, за словами Дмитра, слідувати їй крок за кроком навряд чи вдасться: сфера настільки динамічна, що переглядати стратегію, ймовірно, доведеться кожні пів року. Етап дослідження базових технологій — перші платформи, агенти, робота з базами знань, адміністрування й governance — команда вже пройшла.
Далі у фокусі — розробка інструментів, які можна використовувати повторно, покриття цілих робочих процесів «від початку до кінця» в автономному режимі, інтеграція з іншими корпоративними системами та ухвалення рішень у режимі реального часу.
Є в компанії й окремий, поки що обережний план: перетворити ШІ на повноцінний «другий мозок» для аналітиків і дата-сайєнтистів. За словами Дмитра, це в пайплайні на до середини наступного року. Сьогодні ж, каже він, це «дуже сильний робочий асистент», який уже дозволив командам суттєво скоротити час на рутинні задачі — і саме це, а не заміна людей, поки лишається головним ефектом штучного інтелекту всередині Philip Morris.
Окремий виклик для такого напряму — залучення людей із необхідною технологічною експертизою. У HR-команді PMI визнають, що сьогодні компанії доводиться конкурувати за спеціалістів із технологічними стартапами, IT-сектором та міжнародними продуктовими компаніями.
Водночас у компанії вважають своєю перевагою можливість поєднати стабільність глобальної корпорації з динамікою технологічного середовища. Йдеться не лише про роботу з даними чи AI, а й про можливість бачити, як створені рішення впливають на реальний бізнес і можуть масштабуватися на міжнародному рівні.
Ще один акцент — розвиток усередині компанії. PMI заохочує внутрішню мобільність, відкриває доступ до міжнародної експертизи та дає можливість розширювати компетенції й переходити між напрямами.
Philip Morris інвестує у розвиток людей, підтримує внутрішню мобільність та створює комплексну екосистему підтримки добробуту, яка охоплює фізичне, емоційне, фінансове та соціальне благополуччя працівників. У поєднанні з доступом до міжнародної експертизи та можливостями кар’єрного розвитку це дозволяє фахівцям не лише працювати над амбітними проєктами, а й будувати довгострокову кар’єру в глобальному середовищі. Однією з переваг компанії також є можливість поєднати технологічну складність завдань із масштабом міжнародного бізнесу. Фахівці працюють із великими масивами даних, сучасними AI-рішеннями та глобальними платформами, співпрацюють із командами по всьому світу і водночас мають доступ до широких можливостей розвитку та цілісної екосистеми добробуту.
Для діджитальних фахівців це означає можливість працювати не лише в межах вузької технологічної спеціалізації, а й експериментувати на стику даних, AI та реального бізнесу. Тут можна тестувати різні підходи — від класичної аналітики й ML до генеративного ШІ, агентів та автоматизації цілих процесів — і бачити, як ці рішення працюють уже не в тестовому середовищі, а на великому масиві реальних бізнес-даних.
Таким чином, для Data Science-команди це не лише робота над окремими моделями, а можливість поступово розширювати власну зону впливу — від аналітичного завдання до рішення, яке працює на рівні великої міжнародної компанії.
