Возможности прогнозной аналитики: кейс от Beltel Datanomics

Концепция Интернета вещей подарила миру массу новых возможностей, в том числе и возможность организованного и непрерывного сбора данных с датчиков и других устройств. Теперь компании могут собирать  большие объемы данных о различных процессах в режиме реального времени. А благодаря облачным вычислениям хранить и обрабатывать данные стало гораздо проще. Массивы исторических данных дают возможность не только анализировать прошлые ошибки, но и получать новые знания, которые позволяют прогнозировать будущие события. Благодаря этим прогнозам компании увеличивают эффективность бизнеса на десятки процентов.

По данным Transparency Market Research, к 2019 году рынок прогнозной аналитики достигнет 6,5 миллиардов долларов, тогда как по итогам 2012 года он составлял всего 2,8 миллиарда. Мировой рынок систем для предиктивного анализа будет расти в среднем на 17,8% ежегодно. Практика показывает, что в сложные экономические периоды выживают те компании, которые продолжают инвестировать в технологии и инновации. И предиктивная аналитика, безусловно, является одной из них.

Предиктивная или прогнозная аналитика (Predictive Analytics) – совокупность методов статистического анализа, которые разрабатываются для извлечения новой информации из текущих и исторических данных. Далее эта информация используется для прогнозирования бизнес-процессов, тенденций и моделей поведения, благодаря чему компания может заранее узнать о будущих событиях и на основе этих знаний скорректировать бизнес-стратегию. В основе прогнозной аналитики лежит автоматический поиск связей, аномалий и закономерностей между различными факторами. Для формирования прогнозной модели используется большой набор статистических методов моделирования, интеллектуальный анализ данных (Data Mining), машинное обучение (Machine Learning), нейронные сети и другие механизмы. Системы предиктивного анализа позволяют снизить риски, оптимизировать ресурсы и повысить эффективность компании благодаря принятию результативных управленческих решений. Предиктивный анализ незаменим, когда компании необходимо обнаружить неочевидные закономерности, произвести сегментацию товаров или клиентов в маркетинговых целях, построить прогноз продаж или изменений клиентской базы. Предиктивный анализ существовал и раньше, но тогда он требовал гораздо больших информационных ресурсов и вычислительных мощностей. Воспользоваться инструментами прогнозной аналитики могли исключительно крупные предприятия и банки. Они хранили данные на серверах, а обработкой и  анализом данных занимались математики-статистики или аналитики. Сейчас сервера сменились облачными хранилищами. Искусственный интеллект стал выполнять расчеты во много раз быстрее людей. Автоматизация производства, появление более сложных информационных систем, накопление данных, возникновение новых технологий для работы с ними и многие другие факторы способствовали демократизации сферы предиктивного анализа. Сейчас средства прогнозного обслуживания доступны очень многим предприятиям.

Предиктивная аналитика на производстве

Для промышленных предприятий, где требуется обработка и понимание огромного количества данных и есть высокие риски при принятии решений, предсказательная аналитика имеет особое значение.

Данные о протекании технологического процесса не всегда используются эффективно, в то время как их можно использовать для оптимизации операционных процессов и повышения технико-экономических показателей производства. Оптимизацию можно выполнить на любом типе производства с серьезным уровнем автоматизации, организованным сбором и длительным хранением информации. Для этого успешно применяются интеллектуальные  системы, которые могут проанализировать состояние технологического процесса в реальном времени, спрогнозировать дальнейшее протекание процесса, определить уровень оптимальности и, при необходимости,  изменить управляющие параметры или дать рекомендации диспетчеру. Для решения данных задач с помощью средств машинного обучения создается предиктивная математическая модель технологического процесса. Она анализирует входные параметры, в реальном времени выдает прогноз протекания процесса и предложения по его оптимизации. Эта модель объединяется с АСУТП, MES и ERP-системами предприятия.

Еще одна задача для предиктивных алгоритмов – это техническое обслуживание и ремонт оборудования.  В основном, предприятия используют базовые механизмы контроля, предоставленные производителями оборудования. Но потенциал этих средств ограничен, поскольку они не позволяют проанализировать дополнительные факторы, влияющие на состояние оборудования, и заранее спрогнозировать критическую ситуацию. Таким образом, сотрудники отдела технического обслуживания получают множество данных, но не знают, как эти данные связаны между собой. В итоге реакция от ремонтных служб следует только после отказа оборудования, что ведет за собой простои, и, следовательно, дополнительные расходы. Прогнозная аналитика средствами машинного обучения и искусственного интеллекта проводит непрерывный анализ больших данных, выполняет визуализацию данных о состоянии оборудования на текущий момент и прогнозирует сценарии возникновения отказов оборудования. В результате сокращаются внеплановые простои, оптимизируются работы по ТОРО, уменьшается время техобслуживания, а управляющий персонал получает углубленный анализ причин отказов оборудования.

Еще один важный показатель, который могут контролировать интеллектуальные системы на производстве – это прогнозирование объемов спроса. Одно из действующих решений разработано подразделением системного интегратора БЕЛТЕЛ Beltel Datanomics. В его основе лежит предсказательная модель на базе Microsoft Azure Machine Learning.  В систему загружаются два основных  потока данных: отчеты о совершенных продажах и внешние факторы (праздничные и выходные дни, сезонность, погодные условия и т.д.)  Сначала модель анализирует очевидные факторы по отдельности и вместе с другими факторами. Затем проверяются ошибки, собираются менее значимые на первый взгляд факторы. Рассматривается их влияние на прогноз и исследуется влияние факторов друг на друга. Порой результаты прогноза получаются неожиданными: «очевидные» факторы могут не иметь никакого значения, в то время как другие условия очень сильно меняют общую картину. В итоге предприятие получает необходимый объем поставок по каждому продукту для каждой точки реализации.  Прогнозирование объемов спроса необходимо для планирования объемов производства, формирования системы автозаказа и сокращения возвратов.

Задача сокращения возвратов особенно сильно затрагивает производителей скоропортящейся продукции: мясоперерабатывающие, молочные, хлебобулочные производства. Так, на одном крупном российском хлебозаводе, поставляющем продукцию в 6000 торговых точек, объем возврата только по 10 точкам составляет более 11 млн. рублей в год. Это более 14% от объема поставок. Возвраты могут доходить до 30-35%, а это огромные потери для заводов. Повторно товар использовать невозможно, и компании неизбежно терпят убытки. Предиктивная модель на базе облачных вычислений от подразделения системного интегратора БЕЛТЕЛ  Beltel Datanomics помогла почти в 2 раза сократить возвраты на указанном хлебозаводе. При этом на производстве не потребовалась установка дополнительного оборудования или ПО, так как решение предоставляется в формате сервиса на абонентской основе с последующим масштабированием по мере роста бизнеса.

Проблемы и перспективы

Современные возможности в области IoT и Big Data вместе с передовыми методами предиктивной аналитики становятся действенным инструментом для сокращения издержек, улучшения качества продукции и увеличения производительности предприятия. Прогнозная аналитика стала новым трендом современности, который открывает широкие перспективы для дальнейшего развития компаний.  Кроме промышленности, прогнозные платформы успешно используются в банковской сфере, страховании, ритейле, логистике, маркетинге и многих других направлениях. Так, банки и другие финансовые организации используют инструменты прогностической аналитики для того, чтобы предсказать поведение своих клиентов, например, выяснить, будут ли они приобретать новый банковский продукт, продолжат ли сотрудничество с банком. Исследуя их историческое поведение в совокупности с внешними факторами, математические алгоритмы могут составлять выгодные персональные предложения, предугадывать повышение продаж, отток клиентов и т.д. В маркетинге математические моделирование позволяет сегментировать клиентов по определенным признакам, прогнозировать их дальнейшее поведение (обозначить ценность клиента, рассчитать вероятность повторной покупки и т.д.) и выделить услуги и товары, которые могут быть интересны клиентам. Прогнозные модели точно определяют эффективные каналы взаимодействия с целевой аудиторией. Анализ данных социальных сетей помогает маркетологам лучше понять клиентов и потенциальных покупателей. В ритейле и логистике предиктивные модели прогнозируют спрос, оптимизируют складские запасы и анализируют риски задержки поставок. 

Приступая к внедрению системы предиктивной аналитики, необходимо иметь в виду, что работа такой системы невозможна без большого объема исторических данных и непрерывного сбора текущих данных. Чем меньше данных задействовано, тем менее точными будут прогнозы. При продвижении инструментов предиктивного анализа компании довольно часто сталкиваются с проблемой недостатка данных, что становится непреодолимым барьером на пути к прогнозированию. 

Поэтому начинать сбор данных нужно прямо сейчас, иначе компания рискует не выдержать соперничества с более технологичными конкурентами. Организация стабильного качественного сбора и хранения данных – вот первостепенная задача, которая должна быть решена в ближайшее время, если компания намерена оставаться на рынке.

Beltel Datanomics

Компания БЕЛТЕЛ с 1995 года работает на рынке системной интеграции и имеет множество успешных кейсов не только в телекоме и IT, но и в BMS. В 2017 году компания собрала группу специалистов,  состоящую из аналитиков данных (Data Scientists), программистов и разработчиков и для создания новых продуктов в области IoT, Big Data и Predictive Analytics. Beltel Datanomics работает с ведущими производителями облачных решений, а также производителями решений для сбора и хранения данных для непрерывного повышения эффективности стратегий развития бизнеса своих клиентов.

На правах рекламы