
Тренды развития цифровых технологий
Реклама. ООО «Омега», ИНН 7826108963
Erid: F7NfYUJCUneP5zK4r669
В третьем десятилетии XXI века основные цифровые тренды мировой и российской индустрий завязаны на управлении данными, развитии цифровых двойников предприятий, использовании аналитики для корпоративного управления, включая алгоритмы машинного обучения и искусственный интеллект с применением нейросетей, автоматизацию рутинных процессов для повышения скорости обработки, качества процессов и снижения трудозатрат.
Пересечение мировых и российских трендов наглядно представлено в таблице 1.
№ | Мировое сообщество | Россия |
1 | RPA и автоматизация | ИИ, продвинутая аналитика, ML |
2 | BI-системы | IoT, геопозиционирование, сети нового поколения |
3 | ESG-платформы | Мобильные приложения и специальные мобильные устройства |
4 | ИИ, продвинутая аналитика, ML | Цифровые двойники |
5 | Удалённые операционные центры (ROC) | Приложения клиентского опыта (маркетплейсы, экосистемы) |
6 | Системы управления цифровыми активами | RPA и автоматизация |
BI-системы, продвинутая аналитика, ML и ИИ находятся в топе.
Возникает вопрос, какие именно BI-системы нужны в России для выстраивания системы управления на основе данных?
Центр аналитики на платформе полностековой системы
Для того чтобы ответить на этот вопрос, необходимо понимать ключевые потребности подобной корпоративной системы.
- Сбор информации из различных систем-источников, включая файлы, по согласованному расписанию (рисунок 1).
- Создание на основе извлекаемой информации когерентных во времени и полных по содержанию моделей данных (совокупностей таблиц, представлений), исчерпывающе описывающих ту или иную предметную область. Создание подобных моделей — сложный вопрос, требующий участия экспертов в предметной области.
- Отслеживание происхождения данных в моделях — от источника до конечной точки.
- Детальное протоколирование действий системы и пользователей при построении подобных моделей.
- Создание моделей данных по предметным областям, которые являются базисом для разработки трёх типов аналитических интерактивных приложений (дашбордов), с которыми и работает большинство сотрудников: описательной, диагностической и предиктивной аналитики.
Этот путь — от данных в источниках до интерактивной работы с дашбордами — необходимо проходить как можно быстрее, что предъявляет высокие требования к функциональности системы, в частности no-code или low-code технологии. Особенно это важно при использовании предиктивной аналитики и желательно в рамках одного программного продукта. То есть укрупнённая архитектурная схема такого полностекового решения выглядит следующим образом (представлена на рисунке 2):
Три типа аналитики и важность их совместного использования
Рассмотрим важность каждого типа аналитики.
Описательная аналитика делается на основе исторически накопленных объёмов данных и показывает долгосрочные тренды, зависимости и т. п. в деятельности предприятия. Она помогает выявить глубинные причины отклонений или событий именно через наглядность интерактивного визуального анализа в аналитических приложениях, построенных на подготовленных моделях данных.
Диагностическая аналитика фокусируется на детальном анализе данных последнего краткосрочного периода, позволяет осуществлять постоянный мониторинг и оперативно вносить коррективы в работу, если того требует ситуация.
Предиктивная аналитика помогает на основе накопленных данных решать задачи кластеризации, классификации и регрессии. Здесь необходимо дать подробную расшифровку. В принципе, ИИ можно разделить на 2 больших блока:
- «помогающий» ИИ — решения, созданные с участием экспертов по проверенным методикам, либо сертифицированные на уровне профильных структур, либо принятые бизнесом, инкапсулирующие накопленные знания в данной предметной области; этот тип ИИ предназначен для выдачи рекомендаций при принятии решений в медицине, промышленности, образовании и т. д.; может использоваться в системах поддержки принятия решений на корпоративном, отраслевом и федеральном уровнях;
- «замещающий» («генеративный») ИИ — решения, предназначенные для замещения творческих функций человека, часто с неясными алгоритмами работы, сложно управляемые и нуждающиеся в определённом правовом регулировании.
Мы рассматриваем именно «помогающий» ИИ, который в рамках использования в полностековой системе поддержки принятия решений позволяет группировать информацию, относить то или иное событие (запись) к определённому классу событий и предсказывать на основе обучения конкретные (числовые) значения.
ИИ, бесшовно интегрированный в систему. Примеры использования
Для полноценного и лёгкого использования сложных алгоритмов ML и ИИ на основе нейросетей необходимо выполнить ряд условий. В частности, речь идёт о:
- реализации лучших методологических практик;
- использовании инструментария системы (блоков извлечения, трансформации данных, визуального анализа, нотификации, безопасности и т. д.) для работы создаваемых моделей ИИ;
- встраивании наиболее распространённых шаблонов нейросетей и классических моделей ML в качестве базовой функциональности системы;
- скрытии от пользователя системы всех сложностей использования алгоритмов;
- удобстве анализа результатов обучения моделей;
- удобстве помещения их в продуктовый режим.
Для осуществления всех этих пунктов, реально приближающих применение предиктивной аналитики к пользователю, лучше всего реализовать в качестве базовой функциональности системы цикл CRISP-DM и использовать в системе следующий подход (см. рисунок 3).
Так, в рамках эксперимента и для решения конкретной бизнес-задачи мы создаём неограниченное количество моделей ИИ. Для этого используется следующий подход:
Кейс «Определение неисправности электротехнического оборудования»
В качестве примера реализации данного подхода рассмотрим следующий кейс.
Система электроснабжения состоит из 4 генераторов. Между ними установлены трансформаторы. Отслеживаются напряжение и сила тока на выходе энергосистемы (перед подачей в распределительную сеть).
Предсказание неисправностей электротехнического оборудования позволяет:
- предотвращать непредвиденные простои и аварии, обеспечивая бесперебойную работу оборудования;
- своевременно проводить профилактические работы, обеспечивая увеличение срока службы оборудования;
- планировать техническое обслуживание оборудования.
Цель заключается в построении модели прогнозирования неисправностей электротехнического оборудования. Для решения поставленной задачи использовались несколько алгоритмов, доступных в системе, включая классические алгоритмы и нейронные сети.
Все нейросетевые и классические модели превысили 98% точности. Использовались MLP-классификатор, RNN, а также дерево решений.
Полученный результат: в промышленном использовании нейросетевая модель RNN верно определила неисправности на новых данных с точностью 83%.
Все стадии подхода CRISP-DM: предобработка данных, создание моделей (классических или нейросетей), тренировка и промышленное использование — реализованы с применением режима no-code. Это позволяет в кратчайшие сроки (несколько дней) получать удовлетворительные результаты.
Возможности использования единого центра аналитики в нефтегазовой промышленности
Возможности использования единого центра аналитики (единого центра «правды») в нефтегазовой промышленности безграничны. При выработке дорожной карты развития мы рекомендуем использовать следующую модель потенциальных решений:
Если раскрыть эти пункты, то получится такая картина:
- проекты — оценка портфеля проектов, детализация по конкретному проекту, анализ узких мест, RAG статус и т. д.;
- анализ точек добычи (месторождений) — аналитика условий залегания, затрат на разведку, увязка геологоразведочных работ с возможной добычей;
- производство — сводная информация, прогресс выпуска, пропускная способность, отслеживание добычи нефти, газа, сопоставление производственных затрат с бюджетом, отслеживание заявок на обслуживание, отслеживание прогресса в соответствии с заказами на выполнение работ, планами, расписаниями, сменами, пропусками, табелями учёта рабочего времени и т. д.;
- продажи — общая точка отчётов, управление рисками, детализированное отслеживание продаж, финансовая и контрольная отчётность;
- управление активами, ИТ — мониторинг по типам активов, сроку использования, местоположению, анализ надёжности, распределение по персоналу, отделам, площадкам, стоимость, амортизация и чистая приведённая стоимость, аналитика по управлению соглашениями об уровне обслуживания, обращениям и т. д.;
- простои оборудования — аналитика матриц заданий, цепочек поставок, ресурсов и т. д. перед любым периодом простоя, сценарное планирование и анализ критического пути, отслеживание статусов отдельных задач, анализ влияния задержек или изменений графика;
- закупки — аналитика и сопоставление данных о расходах на закупки из различных систем, аналитика в финансах;
- управление финансами и рисками — система раннего предупреждения о рисках, аналитика профилей рисков (тепловые карты и т. д.), финансовая аналитика по всей цепочке создания добавленной стоимости, анализ отклонений.
Ключевые пункты создания единой системы поддержки принятия решений на предприятии
При построении единой системы поддержки принятия решений или, иначе говоря, единого центра принятия решений необходимо соблюдать ряд условий. Наиболее важные перечислены ниже:
- Использование полностековой (т. е. содержащей все необходимые блоки: ETL, интерактивную визуальную аналитику, предиктивную аналитику, генерацию отчуждаемой отчётности) системы. Это позволяет решать широкий набор управленческих и аналитических задач на одной платформе, что экономит время и повышает качество внедряемого решения. Кроме того, это напрямую влияет на подготовку собственных специалистов.
- Выработка реалистичной дорожной карты внедрения, состоящей из этапов, каждый из которых служит фундаментом для последующего решения. Укрупнённо это можно представить в виде трёх основных фаз:
- начальное внедрение, которое решает одну из ключевых задач, одновременно создавая базис для дальнейшего расширения на уже внедрённой платформе; втягивание в аналитический контур всех основных звеньев цепочки создания добавленной стоимости и обеспечивающих процессов;
- тьюнинг и всестороннее распространение аналитики — компания действительно начинает управляться на основе данных.
- привлечение компетентной компании-поставщика решения.
- Выращивание собственного центра компетенции, который впоследствии будет отвечать за формирование портфеля аналитических приложений, моделей данных и промышленное использование блока предиктивной аналитики. Это крайне важный пункт. Не стоит увлекаться лозунгом «self-service BI». В любом случае, создание «промышленно используемых решений» — это дело подготовленных специалистов, как инженеров данных, аналитиков, так и инженеров ML.
Ключевые эффекты от использования подобной системы
Единый центр аналитики на базе полностековой, сбалансированной платформы бизнес-анализа позволяет достичь снижения двух ключевых показателей: общей стоимости владения (TCO) и времени создания нужной функциональности (TTM).
Это достигается за счёт гибкой политики лицензирования, ориентации системы на корпоративное владение продуктом, наличия трёх типов аналитики (описательной, диагностической и предиктивной) в одном продукте, масштабируемой, устойчивой к нагрузкам архитектуры с преимущественно no-code технологиями.
Согласно различным международным исследованиям, в частности, проводимым компанией IDC, внедрение подобного единого центра аналитики даст следующие эффекты:
- повышение скорости и качества принятия решений — до 40%;
- снижение затрат — до 20%;
- рост эффективности вложений — до 10%.
Ведущие компании в мире и в России это понимают и активно используют подобный подход.
Касаткин Владимир Александрович,
директор по развитию BI ООО «Омега», MBA


Ссылка на официальный сайт: omegafuture.ru
Почта: info@omegafuture.ru
Контактный номер: +7 (812) 448-01-48
Ознакомиться с платформой OmegaBI можно по ссылке: https://omegabi.ru/
Почта: info@omegabi.ru