Big data

В потоке: мировая промышленность учится работать с большими данными

Мировые промышленные компании переживают глубокую цифровую трансформацию: предприятия оцифровывают не только внутренние производственные процессы, но и цепочки поставок, каналы сбыта. Кроме того, они расширяют ассортимент продуктов с помощью цифровых функций и внедряют инновационные сервисы, основанные на анализе больших данных.

Информационный взрыв

Понятие «большие данные» — калька англоязычного термина big data. Единого определения для этого понятия не существует, но, как правило, под ним подразумевают специальные методы и средства анализа большого объема данных, поступающих с высокой скоростью из различных источников. Объемы настолько большие, данные появляются с такой частотой и из такого количества источников, что требуются специальные методы и технологии для понимания и интерпретации получаемой информации. Традиционные системы управления для этого не годятся.

Пожалуй, главный шаг, позволивший сегодня развернуть работу с большими данными, был сделан еще в начале 1970-х, когда инженер исследовательского центра Xerox PARC Роберт Меткалф разработал принципиально новую технологию передачи данных — сеть Ethernet. Именно общий протокол Industrial Ethernet впоследствии позволил связывать в единые информационные сети различные датчики, исполнительные механизмы, контроллеры, то есть элементы промышленной автоматизации. А до второй половины XX века процесс сбора данных из производственных процессов представлял собой рукописную фиксацию показаний счетчиков. Даже появление различных электронных устройств, предназначенных для этого, хоть и улучшило ситуацию, повысив оперативность сбора информации, но не решило проблемы, так как данные поступали в различных форматах и обычно использовались только на уровне машины. Промышленный Ethernet наконец обеспечил необходимую пропускную способность, скорость и общую структуру для обмена данными на пути от датчика и исполнительного устройства к системам управления. Периодичность этого процесса должна составлять от нескольких часов до нескольких десятков секунд, что близко к режиму реального времени. При этом добавление новых датчиков в систему ведет к взрывному увеличению данных, и это даже сегодня ключевая проблема применения больших данных в промышленности. Информация, получаемая каждую секунду датчиками температуры, давления, мощности и т. д., дает в среднем несколько терабайт информации в неделю. Однако во многих случаях эти данные всё еще не используются достаточно эффективно. По оценке доктора Олафа Зауэра из Института оптики Фраунгофера, сегодня операторы используют только около 7% поступающих данных.

Результаты исследования, проведенного Data & Analytics Trends среди менеджеров компаний Германии, Австралии, Франции, Великобритании, Индии, Японии, России, Испании и США, вывели в мировые лидеры по использованию технологий big data немецкий бизнес. «Объем данных, производимый немецкими компаниями, растет экспоненциально, и эта тенденция будет сохраняться, — сообщил старший директор Teradata Мартин Вилкокс. — Это принесет им пользу в периоды экономической нестабильности. Благодаря большому количеству данных, множеству терминалов, постоянно меняющимся потребительским предпочтениям компании стремятся сделать всё, чтобы принимать правильные решения».

Оцифрованная клиентура

Прогнозы экспертов уже подтверждаются на практике. Например, немецкий производитель кабельной продукции Schwering & Hasse Elektrodraht GmbH установил систему контроля качества с использованием анализа больших данных. Эта система получает и обрабатывает в четыре тысячи раз больше информации, чем раньше, и за счет этого обнаруживает дефекты в процессе производства с шагом 25 мм, в то время как раньше шаг составлял 100 м. Это значительно улучшает качество продукции и, соответственно, рыночные позиции самой компании. Еще один пример — система сбора и анализа различных типов данных, от проектирования и производства продукции до сервисного обслуживания, которую построил испанский производитель водонагревателей и кондиционеров Baxi. Система анализирует, являются ли причины сбоев и проблем в устройствах конструктивными недостатками, дефектами установки или обслуживания. Baxi использует полученную информацию для улучшения своих продуктов и сокращения сбоев в течение гарантийного срока, что позволяет сокращать затраты на ремонт.

Впрочем, пока лидер в применении технологий big data не промышленность, а бизнес, завязанный на работу с клиентами: банки, телеком, ритейл. Например, HSBC за счет применения технологий работы с большими данными для противодействия мошенническим операциям с пластиковыми картами увеличила эффективность службы безопасности в три раза, уровень распознавания мошеннических инцидентов вырос в десять раз. Экономический эффект от внедрения этих технологий превысил $10 млн. В России технологии больших данных активно внедряют компании как в онлайн-, так и в офлайн-торговле. На сегодня, по данным CNews Analytics, big data используют практически все крупные ритейлеры. По статистике Hadoop, после внедрения технологий больших данных прибыль в торговых организациях вырастает на 7–10%. Одним из первых офлайн-магазинов, внедривших анализ больших данных в России, была питерская «Лента», где с помощью big data стали изучать информацию о покупателях из кассовых чеков. Ритейлер собирает данные для составления поведенческих моделей, что дает возможность более обоснованно принимать решения на уровне операционной и коммерческой деятельности.

Даже простой анализ чеков с применением технологий работы с большими данными дает массу дополнительной информации о покупателях и, соответственно, возможностей для повышения эффективности продаж
Фото: Shutterstock.com/ SimonKadula

Именно в этом направлении двигается и сеть АЗС «Газпромнефть», где одно из основных направлений «оцифровки» взаимоотношений с клиентом — полная персонификация предложений. Основной упор здесь делается на целевые маркетинговые кампании, точность попадания в цель которых достигается за счет внедрения в процесс их планирования технологий машинного обучения. По оценке экспертов McKinsey, целевые маркетинговые кампании позволяют сократить отток клиентов (в том числе к конкурентам) на 20–30%, при этом увеличив объем продаж топлива и сопутствующих товаров. А использование системы управления ценностью клиентов (customer value management, CVM), основанной на технологиях анализа больших данных и предиктивной аналитики (advanced analytics), позволяет выйти на идеальную модель «одна акция — один клиент». Самообучающаяся система будет отслеживать изменения в поведении клиентов, автоматически оценивать ситуацию и отправлять новые актуальные предложения, которые позволят сохранить и укрепить лояльность потребителей. Хранилищем данных для клиентской аналитики станет «озеро данных», которое уже разворачивается в компании и в которое также будет загружаться производственная, рыночная, маркетинговая информация. На ее основе будут строиться бизнес-прогнозы и оптимизационные модели. Таким образом, по оценке директора по региональным продажам «Газпром нефти» Александра Крылова, компания закладывает фундамент для создания единой сбытовой платформы, в рамках которой будут объединены все звенья топливной сбытовой цепи и которая должна в итоге принести кратный рост объема реализации за счет повышения скорости и числа транзакций при минимальных издержках.

И это уже развитие технологий big data не только в клиентском сегменте, но и в сфере повышения операционной эффективности.

Старая новая формация

Согласно прогнозу Bain & Company’s Insights Analysis, к 2020 году наибольшую часть мирового рынка big data по-прежнему будет занимать финансовая отрасль, чуть меньше на эту сферу будут тратить интернет-компании, госсектор и телеком, а вот самым быстрорастущим сектором станет энергетика. При этом в Heavy Reading 2020 год называют рубежом, за которым операционная эффективность должна стать второй по значимости сферой приложения big data после улучшения клиентского сервиса, опередив точечный маркетинг.

Планы создания цифровых производств, основанные на технологиях работы с большими данными, сегодня существуют, пожалуй, в любой отрасли. Например, в августе 2017 года глава Средне-Невского судостроительного завода (СНСЗ) Владимир Середохо заявил о том, что предприятие инвестирует 350 млн рублей в создание «цифровой» верфи. По его словам, предполагается, в частности, создать базу данных по всем компонентам, деталям, узлам, агрегатам, применяемым в судостроении. Кроме того, вместо натурных испытаний изделий предполагается проводить компьютерные, что позволит существенно сократить сроки и сэкономить материалы.

В производствах непрерывного цикла, таких как химия, нефтехимия, нефтепереработка, напрямую связанных с логистикой и рынками сбыта, оптимизационный потенциал технологий «Индустрии 4.0», в том числе big data, еще выше. Один из самых ярких проектов этого направления — создание единой цифровой платформы логистики, переработки и сбыта. Ведь тотальная автоматизация НПЗ сегодня генерирует колоссальные потоки информации, поступающие с сотен тысяч датчиков и приборов. Системы спутниковой навигации позволяют отслеживать каждый элемент транспортной сети в режиме реального времени. Сбытовые сети накопили массу статистики о зависимости баланса спроса и предложения от внешних факторов. В «Газпром нефти» средствами автоматизированного мониторинга сегодня охвачено порядка 90% технологических параметров и материальных потоков по всей цепочке добавленной стоимости блока логистики, переработки и сбыта. Это гигантские информационные реки, но они пока не приносят того эффекта, который могли бы приносить, — просто потому, что не существует эффективных инструментов их комплексного анализа и оптимизационного использования. Точка, куда будут заводиться все данные из всех активов и со всех логистических направлений, в компании уже создана: это Центр управления эффективностью в Санкт-Петербурге, где в ноябре 2017 года развернуто «озеро данных». Аккумулирующаяся там информация будет анализироваться машинными методами, а на основе полученных выводов будут приниматься управленческие решения.

Сложнейшее оборудование современных НПЗ, таких, как завод «Газпром нефти» в Москве, непрерывно генерирует терабайты информации
Фото предоставлено ПАО «Газпром нефть»

Cхема этого проекта и в целом концепция цифровой трансформации бизнеса «Газпром нефти» полностью совпадают с прогнозом развития big data, который делают мировые IT-лидеры: будущее за аналитическими платформами больших данных, использующими технологии машинного обучения и системы искусственного интеллекта на базе нейронных сетей. Значимую роль в развитии таких систем будет играть интернет вещей (internet of things, IoT), предоставляющий широчайшие возможности для развертывания интеллектуальных производств, мониторинга и управления состоянием любого оборудования, а также создания «умных» систем, улучшающих продуктивность бизнеса, качество и безопасность жизни людей.

Впрочем, Нил Содерлунд, партнер и управляющий директор Boston Consulting Group, в качестве одного из серьезных барьеров для развития «Индустрии 4.0» в крупной промышленности называет различия в управлении между передовыми технологическими компаниями, такими как Google, и компаниями «старой формации», которые только начали использовать технологии big data. Высшее руководство должно быть убеждено в правильности внедрения новых технологий, чтобы утверждать необходимые инвестиции в программное обеспечение, инфраструктуру и квалифицированный персонал. Однако, исходя из наличия по-настоящему прорывных проектов у компаний обрабатывающего, топливно-энергетического сектора, в том числе российских, которые традиционно относят именно к пресловутой «старой формации», можно предположить, что барьер этот продержится недолго.

Автор: Григорий Петров

Также читайте