Знания «из воздуха»

Компании все активнее внедряют технологии Интернета вещей, порождающие поток данных, которые могут быть использованы для дальнейшего анализа. Разумеется, сами данные особой ценности принести не могут — в каждом случае требуется создание аналитических решений, способных интерпретировать получаемые данные. Как известно, любая математическая модель не может быть «умнее» человека, который ее придумал. Тем не менее информация о процессах, получаемая компанией таким образом, может стать ценным источником знаний, позволяющим ей оптимизировать деятельность.

Например, для компании Cotton Way, предоставляющей в аренду текстиль, важную роль стали играть технологии радиочастотной идентификации (RFID). «К использованию RFID нас подтолкнул один из клиентов — сеть спортклубов. Они предложили применять эти технологии для автоматизации пересчета имущества при его передаче», — говорит Дмитрий Буканов, ИТ-директор компании Cotton Way.

Сейчас компания использует две технологии RFID: высокочастотную (ВЧ) для работы со спецодеждой в больницах и сверхвысокочастотную (СВЧ) — в спортклубах. Разница между ними очень велика — это абсолютно разные сценарии использования. Даже спустя три года после начала их эксплуатации сложно сказать, какая лучше — у каждой есть недостатки, универсального рецепта, как обычно, найти не удалось.

При использовании RFID в рабочих процессах речь не всегда идет об экономии рабочего времени в чистом виде или ускорении работы персонала. Иногда правильнее говорить о принципиальной возможности работы с заказчиком: бывают операции, которые возможно выполнить только во время жестко определенного технологического окна.

Примером может служить работа с гостиницами во время Олимпийских игр в Сочи. Тогда были окна продолжительностью 15–20 минут. За это время требовалось принять грязное белье и выдать чистые вещи. Число единиц имущества составляет сотни и тысячи штук, успеть пересчитать их вручную невозможно. Если же не пересчитать вещи поштучно, начнутся потери — такова жизнь. На чьей стороне пропадают вещи, будет выяснить невозможно. В данном случае использование ИТ — возможность сохранить свои деньги.

«Основная польза технологии RFID заключается в анализе данных. Инженерная составляющая дает лишь знание о том, что какая-либо метка в указанное время была в определенном месте, и ничего больше. Интерпретация события — задача компании», Дмитрий Буканов, ИТ-директор компании Cotton Way

RFID-решение для работы с больницами удалось найти готовое — его приобрели у итальянской компании ABG Systems. А вот СВЧ-решение пришлось разрабатывать самостоятельно — как приложения, так и внутренние процессы, позволяющие извлекать из технологии пользу.

«Технология RFID весьма сложна и с инженерной точки зрения, и с организационной. Для того чтобы верить получаемым данным, требуется соблюдать много внутренних правил, которые раньше не были нужны», — подчеркивает Буканов. Если говорить о производственном персонале, непосредственно осуществляющем операции, это довольно заметная проблема: контролировать сотрудников сложно, здесь есть над чем работать. Еще сложнее выявлять случаи, когда работники совершают ошибки, пытаясь сделать что-либо проще, с меньшими усилиями.

Сила — в интерпретации

«Основная польза технологии RFID заключается в анализе данных. Инженерная составляющая дает лишь знание о том, что какая-либо метка в указанное время была в определенном месте, и ничего больше. Интерпретация события — задача компании», — говорит Буканов.

Анализ проводится на всех уровнях. Например, при осуществлении приемки и передачи имущества водитель-экспедитор и представитель заказчика видят результаты фактического пересчета и осведомленно подписывают документы. Обобщенные данные, в свою очередь, используются для анализа в подразделении анализа и прогнозирования. На базе определенного набора отчетов принимаются стратегические решения в масштабах компании.

Одним из примеров может служить отчет о выбытии меток из оборота. Полезно проверять наличие меток, которые в течение определенного времени (например, месяца) нигде не регистрируются. Это позволяет предположить, что метка потеряна — конечно же, вместе с имуществом, к которому была прикреплена. Таким образом, появляется возможность, проводя инвентаризацию у себя или на площадке заказчика, заранее представлять ее результаты и доводить их до сведения заказчика. Это облегчает переговоры о результатах инвентаризации и экономит много времени и усилий.

Еще один показательный пример — контроль гарантийных сроков имущества. Производителем гарантируется, что текстильные изделия выдержат 150 циклов обработки. Можно отслеживать, какая доля имущества реально выдерживает заявленное число циклов. Если заметная часть изделий его не выдерживает, поставщику выставляются претензии. В противном случае компания имеет возможность закупать меньше изделий для возобновления запасов. В обоих случаях вырисовывается прямой финансовый результат.

Еще одним важным направлением стало отслеживание не только жизненного пути самих изделий, но и связанных с ними событий, а также участвующих в них сотрудников, в том числе со стороны заказчика. Такие наблюдения способны дать ценные знания.

«Многие заказчики любят придумывать проблемы с качеством, а не­обоснованные рекламации никому не нужны», — отмечает Буканов. Следует предупредить своих сотрудников, что отдельные менеджеры являются «рис­кованными» и ряд операций с ними надо выполнять не так, как обычно, а по-другому.

В результате удалось снизить потери и прямые затраты на осуществление операций. Заметно повысилось качество управления — сотрудники могут детальнее анализировать операции и точнее планировать, принимая более обоснованные решения.

«Мы храним всю поступающую с меток информацию, по крайней мере до сих пор, пока ее объем не слишком велик. Нам важно отслеживать свою историю, в том числе для оценки эффективности принятых ранее решений», — говорит Буканов.

На сегодня в обороте у компании находится несколько сотен тысяч маркированных изделий, и идет подготовка к следующему шагу — маркировать еще несколько миллионов изделий. Эти работы предполагается осуществить к середине будущего года.

«При старте проекта мы подсчитали затраты и возможные эффекты и поняли, что уровень неопределенности достаточно высок», — вспоминает Буканов. Было невозможно заранее предугадать, какие именно показатели будут достигнуты — их диапазоны оказались достаточно широки. Поэтому было решено начать с относительно небольшого проекта. Увидев эффект, руководство приняло решение о расширении масштаба.

Анализ в реальном времени

«Ключевой задачей для многих компаний является постоянный мониторинг различных источников данных — от всевозможных датчиков и мобильных устройств до социальных сетей», — считает Михаил Комаров, руководитель департамента инноваций и бизнеса в ИТ факультета бизнес-информатики ВШЭ. В большинстве случаев польза от такого мониторинга существует только в реальном времени — данные быстро устаревают. Более того, других способов получить актуальную информацию пока не существует: эффективности предсказательной аналитики для этих целей явно недостаточно.

Мобильные устройства — пока единственная массово работающая технология в рамках Интернета вещей. Она является сейчас основным источником Больших Данных для анализа, причем наибольший объем данных предоставляют сами пользователи.

Развитие мобильного Интернета сделало возможным возникновение множества услуг: мобильная реклама, мобильные платежи, геолокационные сервисы, мобильные игры и видео. Мобильные устройства формируют портрет своего хозяина и сильно помогают в оказании ему персонифицированных услуг. Они круглосуточно включены и отправляют операторам связи массу ценной информации.

«Ключевой задачей для многих компаний является постоянный мониторинг различных источников данных — от всевозможных датчиков и мобильных устройств до социальных сетей», Михаил Комаров, руководитель департамента инноваций и бизнеса в ИТ факультета бизнес-информатики ВШЭ

Как полагает Комаров, уже в ближайшее время будет крайне велика роль посредников, профессионально занимающихся извлечением из данных дополнительной ценности и предлагающих свои услуги. Компании уже приходят к архитектуре построения систем на основе модели «Данные как услуга» (Data-as-a-Service).

Разумеется, анализ потоков данных в реальном времени требует новых аналитических инструментов, способных решить эту задачу. «Быстрые данные» (Fast Data), или, как их еще называют, «потоковые данные» (Stream Data), — это отдельная, новая область Больших Данных, которая серьезно дополняет и обогащает возможности бизнеса.

«Концепция потоковых данных — это способ объединить в одном месте, в центре принятия решений, информацию не только по накопленным историческим данным, данным из социальных сетей и Интернета, но и огромные потоки непрерывно поступающей информации, — отмечает Алексей Мещеряков, руководитель направления платформенных решений «SAS Россия/СНГ». — Они позволяют, например, мгновенно понять, где в данный момент находится клиент, какие торговые точки и рестораны у него на пути, где находятся поставщики услуг, что происходит в мире». Такая концепция применима ко многим областям.

Скажем, в медицине важно понять, как часто люди болеют, на что жалуются, какие поисковые запросы преобладают (не развивается ли эпидемия?), какие сейчас проходят исследования в целой сети поликлиник. Можно постоянно (каждую миллисекунду) отслеживать информацию с многочисленных датчиков, расположенных на корпусе самолета или болида, которые фиксируют малейшие отклонения в их работе. В нефтегазовой отрасли анализ потоковых данных, поступающих с датчиков на газотурбинных двигателях, дает возможность фиксировать разрозненную информацию, выделять из нее определенные составляющие и тренды, важные для бизнеса и для обеспечения безопасности всего производственного процесса. Для этого разработаны специальные аналитические решения.

«Ценность таких решений в том, что они не только дают возможность подключиться и считать весь поток информации, выдать какое-то управляющее решение или «сложить» куда-то данные для дальнейшего анализа, но и позволяют накапливать некую историю и реагировать не просто на отдельное событие, а на весь поток событий во времени», — говорит Мещеряков. Обработка потоковых данных — это быстрое реагирование, отлавливание исторических событий за какой-то промежуток времени, а далее — перенаправление управляющего воздействия на другие системы принятия решений. Такой подход уже используется ведущими мировыми компаниями для управления всеми видами рисков в высокоскоростном режиме, для оперативного предсказания поломок оборудования и планирования ремонта, для борьбы с мошенничеством.