Цифровые предприятия разные, но все они имеют одно важное качество: способность строить повседневные операции и принимать операционные решения исключительно на основе данных. Самые свежие данные. И не на основе интуиции или заранее продуманного плана.

В простых ситуациях информацию можно анализировать в заголовке или в таблицах Excel. Но со временем системы становятся более сложными, данные становятся более массивными, а параметры рабочего процесса, которые необходимо учитывать, становятся больше. Цифровые компании используют обученные математические модели для анализа данных.

С помощью таких моделей заказчики Softline Digital сокращают расходы, обеспечивают контроль качества, сокращают незапланированные простои оборудования и решают многие другие проблемы. Вот несколько примеров из нашей практики.

1. Экспресс-контроль параметров бензина на НПЗ. Виртуальный датчик.
Контроль качества продукции (например, бензина) традиционно осуществляется на нефтеперерабатывающих заводах стандартными лабораторными методами по физико-химическим свойствам, стандартизованным соответствующими документами (ГОСТами, ТУ, СТП, условиями договоров). Такой анализ позволяет получить результат не ранее, чем через 1-3 часа. Это значит, что в случае возникновения проблем завод еще 1-3 часа будет производить некачественную продукцию.

Наше решение позволяет НПЗ осуществлять непрерывный экспресс-мониторинг параметров бензина (а также других нефтепродуктов) на основе данных ИК-спектроскопии (октановое число, давление насыщенных паров, состав трения) с использованием автоматических онлайн-анализаторов. Построенная математическая модель описывает зависимость характеристик бензина от качества исходного сырья и заданных параметров оборудования. Если качество бензина отличается от ожидаемого, то технологический процесс нужно отрегулировать. Самое главное, что информация о проблеме появляется незамедлительно.

2. Оценка надежности насосного оборудования нефтяных скважин.
Один из наших клиентов, российская нефтяная компания, задался целью спрогнозировать сбои при установке центробежного насоса с электрическим приводом и другого оборудования для добычи нефти из скважин. Решение должно было учитывать разные технологические режимы работы и геологические условия, помогать в планировании профилактических работ.

Доступная заказчику обширная историческая информация об отказах различных узлов позволила построить рабочую модель насосного оборудования скважин. Модель дает возможность для конкретной скважины определить оптимальную конфигурацию оборудования (комбинацию конкретных моделей узлов и устройств), чтобы MTBF был как можно большим.

Решение снижает эксплуатационные и капитальные затраты за счет минимизации количества инцидентов, каждый из которых требует, чтобы ремонтная бригада посетила скважину, которая часто является удаленной и труднодоступной.

3. Прогнозирование объемов потребления и цен на электроэнергию.
Крупные предприятия потребляют много электроэнергии. Для них принципиально важно прогнозировать потребление и, по сути, оставаться в рамках прогноза. Соблюдение плана позволяет вам пользоваться оптимальными рыночными ставками, а невыполнение плана влечет за собой дополнительные расходы.

Заказчик поставил перед Softline Digital задачу оптимизации затрат на электроэнергию за счет точного почасового планирования потребления с погрешностью не более 1,5%. Для решения задачи была проведена предварительная обработка данных (поиск и обработка аномалий, пропусков, сглаживание), а затем построены прогнозные модели для временных рядов и панельных данных с учетом различных факторов: погоды, календарей (производство, загрузка, обслуживание), макроэкономики. индикаторы.

4.Система технического диагностирования оборудования АЭС.
Хотя атомная энергетика предоставляет эффективные средства предотвращения аварийных ситуаций и контроля технического состояния оборудования, незначительные отказы оборудования все же случаются. Наш заказчик, атомная электростанция, накопил обширную базу данных о таких отказах и результатах их расследования. Он поставил перед Softline Digital задачу создать экспертную систему, которая позволила бы быстро отслеживать, выявлять и классифицировать сбой по его характеристикам.

Создав модель, мы обучили ее на исторических данных о сбоях клиента. Модель стала ядром системы мониторинга и предупреждения, которая отслеживает нештатные ситуации и помогает персоналу классифицировать их на основе статистического анализа базы предыдущих отказов.

5.Система вопросов-ответов
Согласно опросу, проведенному аналитическим агентством TAdviser совместно с компанией Naumen в 1 квартале 2021 года, около половины российских организаций (крупные промышленные структуры и верхний сегмент среднего бизнеса) столкнулись с проблемами в 2020 году, когда сотрудники нашли необходимое информация для решения рабочих задач. Иногда информацию нужно получать быстро, но на поиск в разных документах и ​​сообщениях и на консолидацию найденных данных уходит много времени.

Для решения проблемы специалисты Softline Digital реализовали прототип интеллектуальной поисковой системы. В нем сотрудник может задать вопрос, а система найдет соответствующий среди набора документов и даст ответ в виде цитаты.

6. Нормирование на примере канцелярского рынка.
Для Счетной палаты РФ команда Softline Digital создала инструмент глубокой аналитики «Цифровой аудитор», который позволяет отслеживать покупки, сравнивать цены и проводить визуальный анализ с помощью информационных панелей.

В связи с отсутствием предельных цен на многие товары, работы, услуги, закупаемые государственными организациями, а также инструкций по расчету нормативных цен и ответственности за их завышение, при проверке обоснованности расчетов было обнаружено завышение плановых затрат при формирование бюджета.

В системе «Цифровой Аудитор» каждый товар описывается вероятностным распределением цен. Параметры восстановленного распределения (тип, ожидание, дисперсия) определяют рекомендованную (справедливую) цену и категорию отклонения заявленной цены от рекомендованной.

После расчета справедливой цены модель находит разницу между справедливой ценой и той, по которой они пытались купить товар, и оценивает, насколько значительна эта разница. Также был разработан индикатор для составления рейтинга организаций по уровню отклонений от справедливых цен с учетом объемов закупок.

7. Мониторинг тендерных закупок.
Этот проект реализован в компании Softline. Цифровая платформа для закупок тендеров имела ограниченные возможности поиска, а также существует проблема слишком долгой и трудоемкой оценки коммерческого интереса тендера. Решением проблемы должен был стать продукт для автоматического поиска и оценки тендеров.

Для обучения модели мы взяли все тендеры с площадки госзакупок за определенный период времени и разделили их на «хорошие» (специалисты тендерного отдела вручную определили их как хорошие, взяли в работу и занесли в CRM) и « плохо »(те, что не попали в CRM). Обученная модель смогла отличить «хорошие» тендеры от «плохих» с точностью 98,5%!

Другими словами, работа, которая раньше выполнялась вручную, теперь выполняется моделью автоматически. В результате затраты на поиск снизились, а скорость обнаружения тендеров, представляющих коммерческий интерес, увеличилась. Сотрудники тендерного отдела вместо мониторинга занимаются более интеллектуальной работой и задачами, требующими экспертной оценки.

Вместо заключения
Команда Softline Digital по анализу данных отлично умеет создавать решения, связанные с прогнозной аналитикой, машинным обучением и обработкой больших данных. Представленные разработки являются лишь некоторыми примерами приложений для анализа данных. Приглашаем вас обсудить, как аналитика способна решать задачи вашего бизнеса на новом уровне.