Как анализ данных помогает принимать решения: 7 примеров

Цифровые предприятия бывают разными, но у всех есть одно важное качество: умение выстраивать повседневную работу и принимать операционные решения исключительно на основе данных. Самых актуальных данных. А не на основе интуиции или заранее продуманного плана.

В простых ситуациях информацию можно проанализировать в голове или в таблицах Excel. Но со временем системы становятся сложнее, данные массивнее, а параметров рабочих процессов, которые надо учитывать, становится больше. Цифровые компании используют для анализа данных обученные математические модели.

С помощью таких моделей заказчики Softline Digital сокращают расходы, обеспечивают контроль качества, снижают время внепланового простоя оборудования и решают много других задач. Вот несколько примеров из нашей практики в нефтегазовой и атомной промышленности, а также в государственных структурах.

1.Экспресс-контроль параметров бензина на НПЗ. Виртуальный датчик.

Контроль качества продукции (например, бензина) традиционно проводится на нефтеперерабатывающих заводах стандартными лабораторными методами по показателям физико-химических свойств, нормируемых соответствующими документами (ГОСТ, ТУ, СТП, условиями контрактов). Такой анализ позволяет получить результат не ранее чем через 1-3 часа. А значит в случае проблем завод будет выдавать некачественную продукцию еще 1-3 часа.

Наше решение позволяет НПЗ реализовать непрерывный экспресс-контроль параметров бензина (а также других нефтепродуктов) на основании данных ИК-спектроскопии (октановое число, давление насыщенных паров, фрикционный состав) благодаря применению автоматических online-анализаторов. Построенная математическая модель описывает зависимость характеристик бензина от качества исходного сырья и заданных параметров оборудования. Если качество бензина отличается от ожидаемого – значит технологический процесс нужно скорректировать. Самое главное – информация о проблеме появляется без задержек.

2.Оценка надежности насосного оборудования нефтяных скважин

Один из наших заказчиков, российская нефтедобывающая компания, поставил задачу прогнозирования отказов установки электроприводного центробежного насоса и другого оборудования для извлечения нефти из скважин. Решение должно было учитывать разные технологические режимы работы и геологические условия, помогать в планировании профилактических работ.

Имеющаяся у заказчика обширная историческая информация об отказах различных узлов позволила построить эксплуатационную модель насосного оборудования скважин. Модель дает возможность для конкретной скважины определить оптимальную конфигурацию оборудования (сочетание конкретных моделей узлов и устройств), чтобы наработка на отказ была максимально долгой.

Решение обеспечивает снижение эксплуатационных и капитальных затрат, сводя к минимуму количество инцидентов, каждый из которых требует выезда ремонтной бригады на скважину, часто удаленную и труднодоступную.

3. Прогнозирование объемов потребления и цен на электроэнергию

Крупные предприятия потребляют много электроэнергии. Для них имеет принципиальное значение прогнозировать потребление и по факту оставаться в рамках прогноза. Соответствие плану позволяет пользоваться оптимальными рыночными тарифами, а невыполнение плана вызывает дополнительные издержки.

Заказчик поставил перед Softline Digital задачу оптимизировать расходы на электроэнергию за счет точного почасового планирования потребления с погрешностью не более 1,5%. Для решения задачи мы провели предобработку данных (поиск и обработка аномалий, пропусков, сглаживание), затем построили прогнозные модели для временных рядов и панельных данных с учетом различных факторов: погода, календари (производственный, загрузки, профилактики), макроэкономические показатели.

4.Система технической диагностики оборудования на атомных станциях

Хотя в атомной энергетике предусмотрены эффективные средства предупреждения аварийных ситуаций и контроля технического состояния оборудования, незначительные отказы техники все же случаются. Наш заказчик, предприятие атомной энергетики, накопил обширную базу данных по таким отказам и результатам их расследования. Перед Softline Digital он поставил задачу создать экспертную систему, позволяющую быстро проводить мониторинг для выявления и классификации отказа по его признакам.

Создав модель, мы обучили ее на исторических данных заказчика по отказам. Модель стала ядром системы мониторинга и предупреждений, которая отслеживает нештатные ситуации и помогает персоналу классифицировать их на основе статистического анализа базы предыдущих отказов.

5.Вопросно-ответная система

По данным опроса, проведенного аналитическим агентством TAdviser совместно с компанией Naumen в 1 квартале 2021 года, около половины российских организаций (крупных промышленных структур и верхнего сегмента среднего бизнеса) сталкивались в 2020 году с проблемами в поиске сотрудниками необходимой информации для решения рабочих задач. Иногда информацию нужно получить быстро, но поиск в разных документах и сообщениях и сведение обнаруженных данных занимает много времени.

Для решения задачи специалисты Softline Digital реализовали прототип системы интеллектуального поиска. В ней сотрудник может задать вопрос, и система среди множества документов находит релевантный и выдает ответ в виде цитаты.

6.Нормирование на примере рынка канцелярских товаров

Для Счетной палаты РФ команда Softline Digital создала инструмент глубокой аналитики «Цифровой аудитор», который позволяет проводить мониторинг закупок, сопоставлять цены и проводить визуальный анализ с помощью информационных панелей.

Из-за отсутствия предельных цен на множество товаров, работ, услуг, приобретаемых государственными организациями, а также методических рекомендаций по расчету нормативных цен и ответственности за их завышение, при проверке обоснованности расчетов обнаруживалось завышение планируемых затрат при формировании бюджета.

В системе «Цифровой аудитор» каждый товар описывается вероятностным распределением цены. Из параметров восстановленного распределения (вид, мат. ожидание, дисперсия) определяется рекомендуемая (справедливая) цена и категория отклонения заявленной цены от рекомендуемой.

После расчета справедливой цены модель находит разницу между справедливой ценой и той, за которую пытались купить товары, и оценивает, насколько эта разница существенна. Также был разработан индикатор для составления рейтинга организаций по уровню отклонений от справедливой цены с учетом объема закупок.

7.Мониторинг тендерных закупок

Этот проект реализован внутри компании Softline. У цифровой площадки для тендерных закупок были ограниченные возможности поиска, также стоит проблема слишком долгой и трудоемкой оценки коммерческого интереса тендера. Решением задачи должен был стать продукт для автоматизированного поиска и оценки конкурсов.

Для обучения модели мы взяли все тендеры с площадки госзакупок за определенный период времени и поделили их на «хорошие» (эксперты тендерного отдела вручную определили их как хорошие, взяли в работу и занесли в CRM) и «плохие» (те, что в CRM не попали). Обученная модель смогла отличать «хорошие» тендеры от «плохих» с точностью 98.5%!

Иными словами, работу, которую раньше делали вручную, модель теперь выполняет автоматически. В результате снизились расходы на поиск, выросла скорость обнаружения тендеров, вызывающих коммерческий интерес. Сотрудники отдела тендеров вместо мониторинга занимаются более интеллектуальной работой и задачами, требующих экспертной оценки.

Вместо заключения

Команда анализа данных Softline Digital отлично умеет создавать решения, связанные с предиктивной аналитикой, машинным обучением, обработкой больших данных. Представленные разработки – это лишь некоторые примеры применения анализа данных. Мы приглашаем вас обсудить, как аналитика способна на новом уровне решать задачи вашего бизнеса.

ПОЛУЧИТЬ КОНСУЛЬТАЦИЮ И УЗНАТЬ БОЛЬШЕ