Как анализ данных помогает принимать решения: 7 примеров

Цифровые предприятия не живут в условиях неопределенности. Они принимают решения исключительно на основе данных и выявленных закономерностей. Когда речь идет о промышленных технологиях, инструментария таблицы Excel недостаточно: системы усложняются, данные для сбора становятся все более массивными, а количество параметров, описывающих рабочие процессы, увеличивается.

Достигая высокого уровня цифрового развития и накапливая Big Data, компании обращаются в Softline Digital для создания математических программных моделей. Автоматизация аналитики становится для них конкурентным преимуществом. С ее помощью компании сокращают расходы, обеспечивают контроль качества, снижают время внепланового простоя оборудования и повышают эффективность работы.

Вот несколько примеров деятельности наших разработчиков в сфере 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 с помощью основных лабораторных методов. Исследуются показатели физико-химических свойств, которые нормируются следующими документами – ГОСТ, ТУ, СТП, условия контрактов. Такой анализ позволяет узнать результат не ранее чем через 1-3 часа. А значит, в случае проблем, все это время завод будет выдавать некачественную продукцию.

Наше решение, благодаря применению автоматических онлайн-анализаторов, позволяет заводу реализовать непрерывный экспресс-контроль параметров бензина и других нефтепродуктов, основанный на данных ИК-спектроскопии. К ним относятся: октановое число, давление насыщенных паров, фрикционный состав. Построенная математическая модель описывает зависимость характеристик бензина от качества исходного сырья и заданных параметров оборудования. Если качество бензина отличается от ожидаемого – значит, есть ошибки и технологический процесс нужно скорректировать. Самое главное, что определение текущих проблем происходит мгновенно, а информация о них появляется без задержек.

2.Оценка надежности насосного оборудования нефтяных скважин

Один из наших заказчиков (российская нефтедобывающая компания) поставил задачу стратегического прогнозирования отказов установки электроприводного центробежного насоса и другого оборудования для извлечения нефти из скважин. Решение должно было учитывать ключевые 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 наиболее подходящую конфигурацию оборудования (сочетание конкретных моделей узлов и устройств), чтобы наработка на отказ была максимально долгой.

В целом решение обеспечивает снижение эксплуатационных и капитальных затрат. Оно сводит 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 важно прогнозировать потребление и оставаться в рамках целевого 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 в первую очередь провели предобработку данных (поиск и обработку аномалий, пропусков, сглаживание), и вторым шагом построили прогнозные модели для временных рядов и панельных данных с учетом различных факторов, которые влияют на расходы: погода, календари, 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 знаний и данные 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 прошлого. Модель является ядром системы мониторинга и предупреждений, которая отслеживает возможные нештатные ситуации и помогает персоналу классифицировать их на основе статистического анализа.

5.Вопросно-ответная система

По данным исследования аналитического агентства TAdviser, проведенного 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 необходимой информации и ее использовании для решения рабочих задач. Как правило, сведения нужно получать быстро, но статистика показывает, что поиск занимает очень много времени.

Для решения задачи специалисты Softline Digital реализовали прототип системы интеллектуального поиска. В ней сотрудник может задать вопрос, а алгоритм среди массивов данных сможет найти релевантный ответ и привести его в виде цитаты и ее контекста. Для пользователей приложений интеллектуального поиска скорость получения необходимой информации будет максимальной, что ускорит все связанные с этим рабочие процессы.

6.Нормирование на примере рынка канцелярских товаров

Для Счетной палаты РФ команда Softline Digital создала инструмент глубокой аналитики «Цифровой аудитор». Его цели: мониторить закупки, 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 и правил по расчету нормативных цен, при проверке обоснования расчетов обнаруживалось завышение планируемых затрат. Отсутствие реальной ответственности за их завышение также способствовало искажению справедливых расценок.

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

После расчета модель находит разницу между справедливой ценой и той, за которую пытались купить товары, оценивает, насколько эта разница существенна и строит с ее помощью график. Также был разработан индикатор для построения рейтинга организаций по уровню отклонений от справедливой цены с учетом объема закупок. В системе предусмотрена визуализация с помощью BI-инструментов, за счет чего можно легко обеспечить представление отчетности и быстро оценить результаты.

7.Мониторинг тендерных закупок

Этот проект реализован внутри компании Softline. У цифровой площадки для тендерных закупок были ограниченные возможности поиска, а также стояла проблема слишком долгой и трудоемкой оценки коммерческого интереса тендера. Решением задачи стал продукт для автоматизированного составления выборки потенциально интересных тендеров.

Для обучения модели были взяты текстовые описания тендеров с площадки госзакупок за определенный период времени. По значимости мы поделили их на «хорошие» (те, что эксперты тендерного отдела определили по заданным критериям, 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%. Работает она не только на сайте госзакупок, но и на подобных публичных площадках.

Иными словами, действия, которые раньше выполнялись вручную, модель теперь осуществляет автоматически. В связи с этим снизились расходы на поиск, выросла скорость обнаружения тендеров, вызывающих коммерческий интерес. Сотрудники отдела тендеров вместо мониторинга занимаются более интеллектуальной работой и задачами, требующими экспертной оценки.

Вместо заключения

Команда анализа данных Softline Digital профессионально создает решения, связанные с предиктивной аналитикой, машинным обучением, обработкой больших данных. Представленные разработки – это лишь некоторые примеры многомерных аналитических моделей. Softline Digital сможет разработать аналитическое решение для задач именно вашего бизнеса.

Задать вопрос и узнать подробнсти: digital@softline.com