Большие данные в разных отраслях: сценарии применения
Технологии больших данных обеспечивают доступ к качественно новым знаниям и возможностям, которые не только дают компаниям конкурентное преимущество на рынке, но и развивают индустрию в целом, задействуют скрытый потенциал. Такие перспективы открыты более чем для двадцати отраслей: от финансовых организаций и госсектора до металлургии и нефтегазовой промышленности.
Отраслевой спектр применения больших данных очень широк. Рассмотрим наиболее очевидные сферы использования этих технологий.
Розничная торговля
Накопленные крупными торговыми сетями значительные объемы данных могут дать массу полезной аналитической информации топ-менеджерам: какие товары пользуются спросом, обеспечено ли их достаточное количество на складе, налажены ли поставки, какие магазины наиболее прибыльны и так далее. Для аналитики используются такие инструменты, как, например, SAP HANA. Он позволяет супермаркету с более 10 тыс. наименований товаров затратить на получение детализированной информации по ним не 15 дней, как при ручном анализе, а всего 5 минут.
Система автоматически прогнозирует спрос и предлагает ряд решений для конкретной ситуации: планирование промо-кампаний, перемещение товаров на другие склады и магазины, возврат поставщикам и другие действия. В итоге время реакции на выявленные возможности увеличения продаж сокращаются с месяцев до нескольких дней. В качестве примера можно привести успех крупнейшей ритейловой компании Швейцарии Migros Group, владеющей сетью из 37 универмагов. Скорость и точность обработки операционных данных достигается благодаря платформе SAP HANA. Это решение позволяет компании гибко изменять ценовую политику и маркетинговые стратегии, реагируя на малейшие колебания рынка. Ритейлер, предлагающий более 800 тыс. наименований товаров от 3500 поставщиков, получает отчет о товарах, не пользующихся спросом, в каждой товарной группе за 17 секунд. Для сравнения, до установки SAP HANA на генерирование подобного отчета уходило 22 минуты. Отчеты по продвижению продаж создаются за 60 секунд – вместо 7 минут, как было раньше. В результате, компании удалось кардинально изменить стратегию продвижения товаров пониженного спроса.
В России проекты по внедрению аналитических решений были реализованы в таких крупных сетях, торгующих электроникой и бытовой техникой, как «М.Видео» и «Эльдорадо». В результате внедрения SAP HANA подготовка годовой отчетности в компаниях сократилась с десяти до трех дней, скорость ежедневной загрузки данных вместо трех часов теперь занимает 30 минут. Кроме того, внедрение BW on HANA помогло «М.Видео» улучшить логистическое планирование.
В расходах металлургических предприятий доля энергоресурсов возросла до 30%. Поэтому все более актуальной становится тема управления энергосбережением, ей сегодня занимаются генеральные директора и главные инженеры. Зачастую у них нет полной информации о расходовании энергии. SAP HANA обеспечивает дистанционный оперативный учет и мониторинг электроэнергии, потребляемой на различные нужды (отдельными производствами, цехами, участками, видами продукции), и формирование отчетных документов по этим данным. Результат: повышение эффективности функционирования энергохозяйства предприятия и снижение затрат на электроэнергию путем выявления и устранения факторов неэффективного ее использования. В металлургии большие данные ценны для исследования сбытовых стратегий и формирования ценовой политики.
Финансовая отрасль
В финансовых организациях SAP HANA может служить как электронной торговой площадкой, так и инструментом для анализа кредитоспособности или расчета нормативов по достаточности капитала. Например, в соответствии с инструкцией ЦБ № 139-И «Об обязательных нормативах банков» производится расчет около 300 показателей на большом объеме исходных данных. В других случаях платформе для поддержки торгов или аукционов требуется работать с огромным потоком запросов на запись и чтение (тысячами в секунду). В банках большие данные могут быть полезны для кредитного скоринга, а также андеррайтинга – моделирования сценария прохождения заявки заемщика, в котором фиксируются отклонения от кредитных правил и рассчитывается кредитный лимит. Интеграция такой подсистемы с системой ввода кредитных заявок в несколько раз сокращает время рассмотрения заявок. В качестве иллюстрации в России интересен опыт Уральского банка реконструкции и развития – он стал работать клиентской базой для создания кредитных предложений, вкладов и других услуг, которые могут с максимальной вероятностью заинтересовать конкретного клиента. За год применения соответствующих ИТ-решений розничный кредитный портфель УБРиР вырос на 55%.
Большие данные в нефтегазовой промышленности используются как при добыче ресурсов, так и при их сбыте. При добыче, безусловно, важна оценка эффективности разработки месторождения. Это подразумевает огромный набор функций: комплексный анализ и выявление неоптимальных участков разработки, адресное планирование мероприятий, подбор геолого-технических мероприятий, прогноз эффектов, подбор оптимальных вариантов программ мероприятий, режимов разработки в соответствии с требованиями по добыче, экономике, инфраструктурным ограничениям. Также важны мониторинг процесса бурения, отслеживание графика капитального строительства, анализ текущей ситуации на скважине относительно исторических данных, выявление инцидентов и дальнейший прогноз по возможным инцидентам на других активах.
При сбыте нефтепродуктов через розничные сети (АЗС) большие данные помогают маркетингу прогнозировать спрос, проводить бренд-аналитику, анализировать цены и их изменения в разрезе конкурирующих компаний, регионов с учетом макроэкономических показателей. А коммерческий директор заинтересуется возможностями увеличения продаж сопутствующих товаров (за счет выявления закономерностей) и снижением простоев АЗС (за счет более точной логистики бензовозов).
В качестве примера приведем активное внедрение в нефтегазовой отрасли Бразилии технологий больших данных, которое идет под действием двух факторов: открытия крупных трудноизвлекаемых запасов нефти и газа и стремительного роста ИТ-сектора. Современные ИТ-инструменты позволили проанализировать весь объем разведочных данных, выделить из него наиболее ценную информацию, и на ее основе инвесторы смогли принимать обоснованное решение об инвестициях в «сложную» бразильскую нефть.
Итог внедрения новых технологий – массовые иностранные инвестиции в отрасль. Благодаря частичной государственной поддержке и инвестициям зарубежных энергетических предприятий, множество международных ИТ-компаний теперь инвестируют в экономику страны. Одна только EMC уже вложила около $100 млн в создание научно-исследовательского центра в Рио-де-Жанейро, который занимается разработкой технологий обработки больших данных, специализируясь на решениях в области хранения, анализа и управления потоками больших данных, в изобилии генерируемых нефтедобывающими предприятиями страны.
Несмотря на то, что сегодня только 2% работ по разведке нефти в Бразилии выполняют компании-конкуренты бразильской государственной Petrobras, только за прошлый год они вложили здесь в НИОКР около $500 млн. При этом ожидается, что в следующие пять лет эта цифра возрастет на 25%, а к 2017 г. общая сумма инвестиций в НИОКР по разведке и добыче нефти в Бразилии составит $7 млрд.
Телеком
Передовые технологии больших данных, конечно, используются и в сфере телекоммуникаций. Одна из сфер применения – управление лояльностью абонентов. Компании используют большие данные для формирования профилей абонентов: проводят сегментацию клиентской базы, оценку предпочтений и расчет доходности для каждой группы. Далее они делают анализ записей о звонках клиентов по десяткам и сотням настраиваемых параметров, определяют социальные группы абонентов. После этого проводятся планирование и предварительная оценка маркетинговых компаний, качественное таргетирование исходя из профилей абонентов. В итоге маркетинг помогает предотвратить отток абонентов за счет выявления и оценки значимости факторов, которые влияют на лояльность.
В начале 2014 г. испанская телеком-компания презентовала аналитическую систему, основанную на работе с большими данными в сетях 3G и 4G. Система предсказывает поведение скоплений людей на основании информации, передаваемой их смартфонами, причем как на улице, так и в больницах, библиотеках, торговых центрах и других общественных зданиях. Система может использоваться правоохранительными органами, во время концертов и спортивных мероприятий и для организации рекламных кампаний.
Российские телекоммуникационные компании также используют большие данные. Например, МГТС теперь обеспечивает управление техническим персоналом в режиме онлайн: прогнозирует потребности в полевых ресурсах, планирует смены персонала, а также оптимизирует рабочие графики сотрудников. Такая система уже используется крупными зарубежными операторами.
Еще одно решение в сфере телекоммуникаций – превентивная диагностика. Анализируя различные параметры работы оборудования, можно выявлять шаблоны поведения системы, которые предшествуют возникновению сбоев, определять причины отказа. Ранняя диагностика позволяет планировать профилактику, замену и ремонт оборудования в рабочем порядке, без проблем для клиентов.
Телеком-операторы стараются анализировать, кто из их клиентов считается авторитетом в своем круге общения и какие у них существуют потребности. Такую информацию дает анализ социальных сетей. Если вдруг один из авторитетных клиентов публично сообщает, что переключается на другого оператора, то это может вызвать эффект домино. Естественно в интересах компании предотвратить эти события. И помочь ей в этом может предиктивная аналитика, которая выявит тенденцию увеличения стоимости услуги, или уменьшению количества вызовов. У компании появляется шанс исправить ситуацию, не доводя пользователя до перехода к конкуренту. Предиктивная аналитика может автоматически предупреждать, когда необходимо принимать меры. Сообщается, что таким образом американская T-Mobile сократила уровень оттока клиентов на 50% в квартал.
SAP HANA предлагает решения и для сферы транспорта. Интересное решение существует для контроля дислокации и выполнения графиков, планирования расписаний на железной дороге. Во-первых, оно дает анализ отклонений движения поездов с указанием причин задержек. А, во-вторых, обеспечивает возможность гибкой и быстрой обработки заявок заказчиков за счет быстрого просчета различных вариантов выполнения заявки (например, предложение других сроков или другого объема, по более выгодным ценам для заказчика) с критериями оптимальности по выполнению расписания, прибыли компании и удовлетворенности клиента. Большие данные также могут совершенствовать учет расхода дизтоплива. Для этого производится анализ расхода топлива с целью определения оптимального режима скорости по маршруту при разном тоннаже и числе остановок. Строятся графики расхода топлива и выявляются ошибки машиниста на маршруте при выборе режима работы силовой установки, рассчитываются показатели эффективности (л/ткм) за период.
Строительство железных дорог также стало объектом для применения больших данных. С каждым годом в мире строится все больше километров железнодорожного полотна, и соответственно его ремонт и содержание также являются затратной частью в бюджете страны. К примеру, канадская машиностроительная компания Bombardier построила в Саудовской Аравии и Сан-Паулу монорельсовые дороги для поездов, которые на 25% легче и на 10% менее энергозатратны, чем традиционный подвижной состав метро. Идеи для строительства компания позаимствовала в аэрокосмической отрасли. Помимо этого, система отличается высокой экономичностью, не требуя значительных затрат на строительство и организацию инфраструктуры.
В Нидерландах железные дороги используют передовое программное обеспечение, анализируя 56 тыс. переменных, включая состояние железных дорог и уровень пассажирского спроса. Благодаря анализу этих данных перевозчик отправляет более 5 тыс. поездов в день, повышает операционную эффективность на 6% и экономит около 20 млн евро в год.
Не менее показательным является пример использования больших данных в авиации. Bangkok Airways используют весь комплекс решений на платформе SAP HANA. Одно из преимуществ этого решения для пассажиров заключается в том, что компания в режиме реального времени получает информацию о самых популярных и загруженных маршрутах, оперативно вводя дополнительные перелеты по ним. Решения SAP повышают эффективность аэропортов по всему миру, так, используя их, руководство Fraport AG (аэропорт Франкфурта-на-Майне), добилось сокращения затрат на техническое обслуживание и на управление оборудованием на 70%.
Энергетика
Применяются решения на SAP HANA и в энергетике. Популярная тема последних лет – интеллектуальные электроэнергетические системы. Они обладают широкой функциональностью – от мониторинга и адаптивного управления сетью в реальном времени, анализа и изменения топологических параметров энергосетей, до обеспечения коммуникации между потребителями и поставщиками. Основная задача – оптимизация генерации и потребления, и, как следствие – сокращение затрат на электроэнергию. Другое решение – мониторинг технического состояния электросетевого оборудования, который предполагает раннее обнаружение (прогнозирование) неисправностей и увеличение готовности оборудования, что позволяет в итоге перейти на обслуживание производственных активов «по фактическому состоянию» и дает возможность руководству предприятий принимать более обоснованные решения.
Еще один фронт работ в энергетике – оперативный мониторинг и прогнозирование. Здесь имеется в виду оперативный мониторинг передаваемой, потребляемой электроэнергии, учет электроэнергии в режиме реального времени и формирование отчетных документов по этим данным. В результате – повышение эффективности функционирования энергохозяйства и снижение затрат на электроэнергию благодаря выявлению нерационального использования и прогнозированию объемов потребления.
В качестве примера можно привести одну из разработок SAP – концепт «Манхэттен». Сценарий проекта предполагает, что каждый дом будет оснащен «умным счетчиком». Замеры показаний будут вестись каждые 5 минут, а полученные результаты – направляться в аналитическую систему на базе передовых технологий работы с большими данными, интегрированную с ГИС (в т.ч. с онлайн-картами). Благодаря этому в системе можно будет увидеть общую картину энергопотребления и получить подробную информацию по каждому району и дому: как меняется энергопотребление в зависимости от погодных условий, времени года и суток. И на основе этих реальных и точных данных можно будет планировать энергоснабжение одного из самых оживленных и энергоемких районов.
Кросс-индустриальные сценарии
Кроме решений для конкретных индустрий, большие данные применяются и для кросс-индустриальных сценариев. Кратко расскажем о некоторых из них.
Организация «ремонтов по состоянию» (Predictive Maintenance) позволяет снизить простои оборудования, более точно планировать ремонты, уменьшить складские запасы.
Ситуационный центр – он организуется для моментального реагирования на события с планом мероприятий по всем направлениям (персонал, экология, производство), автоматического контроля заданных параметров функционирования системы, выявления возможных угроз и поддержки разработки решений в нетипичных, кризисных и чрезвычайных ситуациях.
Противодействие мошенничеству помогает в выявлении мошеннических транзакций и определенных типов поведения объектов – либо подпадающих под заранее настроенные фильтры (несоответствие информации в различных источниках данных, кодов операций), либо содержащих отклонения (количество оказанных услуг больше, чем среднее в группе, текущий уровень потребления услуги не соответствует истории потреблений) и т.д.
Аналитика бренда предусматривает использование больших данных для анализа данных соцсетей, медиа и форумов, формирование персонализированного подхода к клиентам.
Распознавание и идентификация по изображению – идентификация нарушителей, мошенников, клиентов с помощью камер видеонаблюдения и системы распознавания, профилирование данных.
Число таких сценариев со временем будет только увеличиваться по мере развития технологий обработки и анализа больших данных.
