Круглый стол - предикативная логика в действии
Каков сейчас уровень использования средств предикативного анализа в различных отраслях российского рынка? Какие ниши и сегменты наиболее восприимчивы к применению инструментов предикативной логики? Решение каких задач сегодня невозможно без применения инструментов предикативного анализа? Какова вообще экономическая отдача от использования средств предикативного анализа и как ее можно измерить? По этим и другим вопросам мы попросили высказаться ведущих российских экспертов в области аналитики больших данных.
В круглом столе принимают участие:
-
Мария Баркова, заместитель генерального директора НПО «Криста» по аналитическим системам -
Владимир Бельцов, заместитель генерального конструктора, ИКФ «СОЛВЕР» -
Дмитрий Зеленко, коммерческий директор, «ЛАНИТ Омни» (Группа компаний ЛАНИТ) -
Никита Кардашин, руководитель по развитию решений в области анализа данных и машинного обучения, компания NAUMEN -
Тимур Каюмов, руководитель группы аналитических решений, компания «ICL Системные технологии» -
Тимур Мишин, руководитель продуктового направления Центра компетенций больших данных, компания «Техносерв»
Какие элементы предикативного анализа являются неотъемлемыми элементами разрабатываемых
Мария Баркова
Базовыми элементами современных
Кроме того, важными элементами являются бесшовная интеграция в
Владимир Бельцов
Если речь идет о предикативной аналитике и предикативном сервисе, то предсказуемость вероятного сценария поведения бизнес системы как основа моделирования возможных будущих сценариев развития бизнеса, без сомнения, является не только неотъемлемым элементом, но и основой принятия решений в
Никита Кардашин
При разработке
Тимур Каюмов
1. Интуитивно понятный пользовательский интерфейс.
2. Развитые инструменты визуализации данных.
3. Модели, реализующие линейную регрессию и линейный корреляционный анализ.
Как вы оцениваете уровень использования средств предикативного анализа в различных отраслях российского рынка? Насколько обоснованно утверждение о том, что существуют ниши и сегменты рынка, наиболее восприимчивые к применению инструментов предикативной логики?
Мария Баркова
Уровень использования средств предикативного анализа в различных отраслях российского рынка оценить сложно. Очевидно, что чем больше отрасль использует инструменты предикативной логики, тем больше она от них зависит. В основном, это касается
Владимир Бельцов
Конечно, наиболее восприимчивы к применению инструментов предикативного сервиса те сегменты рынка, где сервис наиболее трудоемок и дорог. В первую очередь это касается морских добывающих платформ, автономных энергоустановок, а также сложного электрогенерирующего оборудования.
Дмитрий Зеленко
Уровень использования методов предикативного анализа в различных сегментах российского рыка пока еще довольно низок. Наиболее восприимчивыми к новым технологиям являются банковский сектор, определенная часть промышленных сегментов и ритейл. На предприятиях розничной торговли становится популярным использование предикативных моделей для прогнозирования поведения покупателей. Разные способы аналитики помогают ритейлеру предлагать покупателю товар, который именно этот клиент с высокой вероятностью купит. Для этого анализируется история покупательского поведения всех клиентов, производится сегментирование аудитории по модели
Никита Кардашин
Сейчас в России применение
Тимур Каюмов
По нашему мнению, уровень использования элементов AI (искусственного интеллекта) в таких сегментах российского рынка, как финансовый сектор, промышленность, нефтегазовый сектор, энергетический сектор, в настоящий момент является невысоким. При этом мы наблюдаем достаточно большое количество задач прогнозной аналитики, которые появляются в этих отраслях последнее время.
Что касается второго вопроса, то утверждение о существовании ниш и сегментов рынка, наиболее восприимчивых к применению инструментов предикативной логики, вполне справедливо. В любом сегменте (нише) рынка, где сегодня требуется решение задач моделирования поведения системы и при этом нет существующей экспертной модели, описывающей эту систему (либо ее создание дорого или неприемлемо долго), на помощь приходит анализ исторических данных и машинное обучение.
Тимур Мишин
Потенциал российского рынка в отношении уровня использования предикативной аналитики очень высок. Этому направлению анализа данных, позволяющему предсказывать будущие события на основе исторических данных и математической статистики, уже несколько десятков лет. Первопроходцами в этой области были финансовые институты и страховые компании, чей бизнес во многом математический. Потом подключились отрасли, в которых цена ошибки очень высока: авиаперевозки, космос, энергетика. В массовый рынок это направление не пошло, так как требовало сильной математической базы и не было в достаточной мере автоматизировано.
С появлением машинного обучения как более доступной технологии предикативного анализа произошел скачок в развитии и перераспределение проникновения по отраслям. У истоков машинного обучения стоят такие международные
Приведите примеры задач и проектов, эффективное решение и реализация которых невозможны без применения инструментов предикативного анализа?
Мария Баркова
Самый известный пример это кредитный скоринг, когда по кредитной истории и другим сведениям дается оценка платежеспособности и прогноз выплат по кредитам и займам для потенциального заемщика. Кроме того, инструменты предикативного анализа используются при прогнозировании притока\оттока клиентов, прогнозировании объемов продаж, медицинской диагностике, продвижении рекламы в Интернете.
В бюджетной сфере инструменты предикативного анализа могут применяться при анализе риска при осуществлении закупок за счет средств Федерального бюджета (на основе данных ЕИС, федеральных реестров недобросовестных поставщиков, банкротов и др.).
Владимир Бельцов
Предикативный анализ состояния оборудования и предикативный сервис являются обязательными условиями перехода бизнеса к модели прямых продаж функций вместо продажи оборудования, реализующего эти функции. Например, производитель компрессоров Kaeser предлагает свои услуги по продаже сжатого воздуха, вместо продажи компрессоров. Клиент просто должен заплатить за использованный сжатый воздух. Путем дистанционного мониторинга оборудования и анализа данных компания Kaeser прогнозирует возможные ремонты и простои, чтобы гарантировать 100%-ную готовность оборудования к работе для получения сжатого до нужного давления воздуха.
Дмитрий Зеленко
У нашей команды была следующая задача — увеличить объем продаж нелекарственных товаров в аптечной сети. Мы провели кластеризацию участников программы лояльности, выяснили, что существует целый ряд сегментов покупателей, которым можно предлагать сопутствующие товары из аптечного ассортимента (средства по уходу за больными и гигиенические средства, биологически активные добавки, косметику
Тимур Каюмов
Какова экономическая отдача использования средств предикативного анализа? Как и на основании каких критериев ее можно измерить, насколько объективны подобные оценки/измерения в отношении названных инструментов?
Мария Баркова
При грамотном использовании средств предикативного анализа экономическая отдача может исчисляться миллионами сэкономленных рублей, завоеванной долей на рынке, количеством постоянных клиентов, снижением рисков, экономией трудозатрат и другими показателями. Ее можно оценить, выполнив несколько итераций моделирования, с различными входными данными и в длительной перспективе, сравнив с уже полученными фактическими показателями. Для успешного прогнозирования не стоит останавливаться только на одной модели или методе — необходимо сравнить результаты с точки зрения различных подходов.
Владимир Бельцов
Переход к предикативному сервису окупается очень быстро, как правило, за несколько месяцев. Улучшение OEE (Overall Equipment Effectiveness — общая эффективность оборудования) и времени работы производственной системы могут быть достигнуты уже в первый месяц. Дорогостоящие ошибки и сбои оборудования могут быть предсказаны до их возникновения. Техническое обслуживание может быть построено не на интервальном сервисном обслуживании, рекомендованном производителем оборудования, а на его фактическом состоянии и осуществлено при необходимости до наступления отказа. Да и график производства может быть скорректирован в соответствии со сценарным анализом состояния и прогнозируемых ремонтов основного оборудования.
Дмитрий Зеленко
В ритейле самый лучший критерий измерения эффективности — рост объема продаж. По нашему опыту отклик на персональные предложения, сделанные с применением методов предикативного анализа, превышает отклик на стандартные маркетинговые предложения более чем на 200%. А это значит, что при стандартной конверсии маркетинговых акций в 3–4% персональные предложения увеличивают ее до 6–8%. Для каждого ритейлера это конкретный рост объема продаж, а значит, и подтверждение эффективности инструментов предикативного анализа.
Никита Кардашин
Как показывает наша собственная практика, а также выкладки западных консалтинговых компаний, применение предикативной аналитики, например, в эксплуатации оборудования может помочь на 25–30% снизить полную стоимость владения инфраструктурой, предотвратить до 40% аварийных ситуаций и отказов и на 25% повысить эффективность использования ресурсов: материальных, энергетических, а главное — человеческих. Это целевые показатели, и далеко не всегда их можно достичь быстро и дешево, но это вполне достойная цель, к которой можно и нужно стремиться.
Вопрос же измерения реальных
Тимур Каюмов
Например, раннее обнаружение аномального поведения системы позволяет своевременно выявить дефект в технологическом оборудовании и получить запас по времени, чтобы скорректировать план его обслуживания и предотвратить инцидент. В каждом конкретном случае финансовые риски от поломки оборудования и остановки технологического процесса разные, потому и эффект от внедрения необходимо считать индивидуально.
Тимур Мишин
Для массового рынка машинного обучения экономическая отдача заключается в кардинальном сокращении затрат на фонд оплаты труда, увеличении скорости и качества работы, в некоторых случаях — создания добавочной стоимости. Есть примеры из жизни.
1. Решение по выявлению нештатных ситуаций на камерах наружного наблюдения с применением компьютерного зрения (направление машинного обучения). Мы имеем 10 объектов наблюдения по 9 камер на каждом. Задача обеспечить наблюдение 24×7 и незамедлительную реакцию при возникновении внештатных ситуаций. Без предиктивной аналитики на каждый объект нужны 3 оператора в месяц. Затраты на 30 операторов с зарплатой в 50 тысяч составят почти 2 млн руб. в месяц с налогами, и еще остается человеческий фактор. С применением предикативной аналитики потребуется в 10 раз меньше сотрудников — 3 оператора на центральный пост, и реагируют они только на отмеченные алгоритмом нештатные ситуации, а значит, снизится зрительная нагрузка и будет больше времени на принятие решений. Затраты ФОТ (фонд оплаты труда) сократятся в 10 раз и составят 195 тыс. руб. в месяц с налогами плюс экономия за счет уменьшения количества постов. Приобретение ПО и дополнительного оборудования для видеоанализа окупится на горизонте менее 6 месяцев.
2. Автоматизированное выявление брака на производстве за счет предикативного анализа данных с датчиков. Экономия составляет до 45 млн руб. в год по одному цеху по одной линейке продукции. При этом алгоритмы работают в режиме 24×7, и их можно совершенствовать, повышая точность и расширяя области применения.
3. Пример создания добавочной стоимости: предикативная модель, определяющая активно платящих игроков мобильных
Что препятствует широкому применению средств предикативного анализа на российском рынке? Какие типичные ошибки допускают компании, которые впервые обращаются к использованию таких инструментов?
Мария Баркова
Широкому применению средств предикативного анализа на российском рынке препятствует,
Впервые обращаясь к подобным инструментам, компании зачастую не имеют четко поставленной цели или задачи, что приводит к несогласованности действий и к использованию несогласованных между собой данных. Кроме того, уделяется недостаточное внимание к мониторингу качества предикативных моделей в процессе их использования.
Владимир Бельцов
Предикативный анализ и сервис — это определенные этапы развития цифровизации предприятия на пути реализации концепции «Индустрия 4.0». Прежде чем дойти до уровня предсказуемости поведения оборудования, который следует за достижением уровней наблюдаемости и прозрачности поведения, нужно добиться хотя бы уровня, который называется «гигиеническим уровнем цифровизации». Дело не только в использовании умных датчиков, компонентов промышленного Интернета вещей, алгоритмов обработки больших данных и современных информационных систем. Предикативный сервис невозможен без одновременного развития ресурсов, организационной структуры и корпоративной культуры предприятия.
Дмитрий Зеленко
Прежде всего неверие большинства руководителей компаний в эффективность использования этого инструмента, слабые представления о том, как способна помочь аналитика, в том числе предиктивная, в ежедневном процессе управления компанией.
Никита Кардашин
Основная проблема — это неготовность
Наиболее частая проблема — недостаток качественных данных. А для того чтобы этот недостаток устранить, нередко требуется изменение
Тимур Каюмов
Наибольшей сложностью для реализации задач прогнозной аналитики видится отсутствие накопленных консистентных и репрезентативных данных, отражающих интересующий процесс.
Тимур Мишин
Для широкого применения средств предикативного анализа нужны исторические данные, без них предикативная аналитика невозможна. Компаниям следует осознать ценность данных, воспринять их как свой актив и создать культуру по их регулярному сбору и накоплению. Одновременно следует заложить поддержание высокого качества данных в первичных системах.
Вместе с накоплением данных следует привить в компании культуру регулярного анализа данных и подкрепления решений руководства выводами из них, быть
Одновременно необходимо обучать больше специалистов работе с данными, создавать им условия для работы. На рынке есть хорошие подвижки: помимо
Что могут позаимствовать российские компании у зарубежных конкурентов, которые уже оценили преимущества предикативного анализа?
Владимир Бельцов
Сам процесс внедрения предикативного анализа и сервиса — это пошаговая и довольно непростая технология, которой могут поделиться те организации, где эти технологии зарождались. Очень полезно, например, пройти обучение в Industrie 4.0 Maturity Center GmbH, который базируется в