Круглый стол - Предикативная логика в действии

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»

 

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.

 

Какие элементы предикативного анализа являются неотъемлемыми элементами разрабатываемых BI-платформ?

Мария Баркова

Базовыми элементами современных BI-платформ являются: математические и статистические модели, различные методы визуализации результатов анализа и доступ к большим данным (Big Data) и потоковым данным (Streams).

Кроме того, важными элементами являются бесшовная интеграция в BI-платформы инструментов машинного обучения и методов оценки предикативных моделей, наличие репозиториев метаданных, описывающих предметные области в терминах, понятных конечным бизнес-аналитикам, и необходимых для решения задач самообслуживания.

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 BI-платформе.

Никита Кардашин

При разработке BI-платформ сегодня широко применяются все известные подходы к предикативному моделированию: определение тренда и прогноза, поиск аномалий и выбросов. В последнее время многие компании, включая и NAUMEN, применяют комплексный подход, который предполагает не прогнозирование значения определенных параметров, например потребления ресурса или температуры, а выявление всех скрытых закономерностей между параметрами для предсказания сложных сущностей – таких как сбои или аварийные ситуации, а также расчет экономических параметров бизнес-процессов или инфраструктуры (наработки на отказ, технического предела работы, выживаемости и т. д.). В целом же анализу поддается практически любая техническая или бизнес-метрика организации.

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 кредитно-финансовых организаций, прогнозирования рынка.

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 look-alike (таргетинг, при котором рекламные материалы показывают тем пользователям, которые по поведенческим характеристикам похожи на текущую аудиторию сайта), строятся таблицы, рассчитывающие вероятность приобретения каждого товара из ассортимента магазина каждым его покупателем. После этого можно применять различные фильтры, позволяющие выбирать или товары с наиболее высокой вероятностью покупки, или покупателей, у которых выше вероятность покупки того или иного товара. Таким образом достигаются сразу две цели: покупатель получает только релевантные предложения, а торговая сеть не тратит лишних денег на никому не нужные коммуникации.

Никита Кардашин

Сейчас в России применение data-driven-технологий, в том числе и предикативной аналитики, все еще находится в стадии активного развития, поэтому их применение еще далеко не повсеместное. Локомотивами процесса действительно выступают отрасли, где применение этих подходов позволяет получать максимально быстрый коммерческий результат, быстрые победы, которые дают возможность вернуть затраты на проект в короткие сроки и улучшить показатели компании. В России это в первую очередь топливно-энергетический комплекс, транспортный сектор и промышленность – как, впрочем, и в остальном мире. А вот использование data-driven в сфере ЖКХ и строительства в России от мировых трендов пока еще отстает. Впрочем, широкое распространение устройств Интернета вещей (IoT), вероятно, будет подталкивать и эти секторы к применению предикативной аналитики, ведь данные с IoT-датчиков – это прекрасная база для построения прогнозов.

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 интернет-компании, как Google. Банки и телеком очень быстро взяли на вооружение новую технологию, сейчас к ним подтягивается электронная коммерция и производственные компании. На очереди – страховая, транспортная и добывающая отрасли. Наиболее восприимчивы бизнесы, в которых собрано достаточно информации для предсказаний и которые перестроились на принятие решения на данных (data-driven).

 

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 и т. д.). Выявили покупателей, похожих на тех, кто ранее что-то покупал из этого товарного ряда. Имея их контактные данные, мы сделали каждому из них персональное предложение и получили отличный отклик: более 20% тех, кто получил персональное предложение на кассе, купили предлагаемый товар.

Тимур Каюмов

Я могу привести такой пример: задача определения оптимального места расположения нового магазина продуктов, чтобы он приносил определенную прибыль.

 

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 бизнес-метрик, особенно в России, довольно сложен: далеко не у всех заказчиков есть детальное понимание картины «as is» – базы для измерения этих метрик. Зачастую оцифровка бизнеса происходит в рамках проектов цифровизации, что усложняет сравнение с некоторой «базой» – ввиду ее отсутствия. Тогда мы предлагаем сравнивать свои цифры не с тем, что было «до», а с тем, что есть у конкурентов, у рынка – для получения картины «сейчас у меня лучше или хуже, чем у коллег?», что дает неплохой ориентир для управленческих решений.

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 free-to-play игр на раннем этапе по их поведенческим шаблонам. Такая модель может увеличить выручку студии на 30–50%.

 

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, во-первых, небольшая доля специалистов в области Data Science в общем числе ИТ-специалистов и, во-вторых, низкая, на наш взгляд, культура накопления и систематизации больших данных.

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 бизнес-процессов и инфраструктур предприятий к цифровой трансформации. Многие заказчики ожидают, что data-driven-технологии, и в том числе предикативный анализ или мониторинг, могут выступить неким черным ящиком, который можно принести на производство и радикально улучшить его показатели, ничего не меняя в существующих бизнес- и технологических процессах. Однако в реальности далеко не всегда это возможно по такому сценарию.

Наиболее частая проблема – недостаток качественных данных. А для того чтобы этот недостаток устранить, нередко требуется изменение бизнес-процессов и перестройка инфраструктуры. Другая беда – неготовность персонала участвовать в проектах цифровизации и поддерживать их, а готовности не всегда удается достичь легко. Однако это не повод сдаваться: при наличии воли руководства и грамотных партнеров – ИТ-компаний и интеграторов – эти проблемы вполне решаемы.

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 data-driven. Должна быть возможность быстро опуститься из итогов в детальные операции, чтобы избежать ошибок и искажений.

Одновременно необходимо обучать больше специалистов работе с данными, создавать им условия для работы. На рынке есть хорошие подвижки: помимо онлайн-курсов к обучению подключились ведущие вузы России. Мы недавно общались на эту тему с представителями ВШЭ и «Сколтех». Однако здесь перед нами возникает важная задача – мотивировать ведущих специалистов к работе с данными или Data Science применять свои знания и развивать отрасль именно в России. Этому может помочь увеличение конкурентной среды, развитие собственного рынка коммерческих data-driven-компаний и помощь государства, например, в обеспечении доступа специалистов по машинному обучению к мощным дорогостоящим графическим серверам для обучения нейронных сетей в рамках национальной программы «Цифровая экономика».

 

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 Рейнско-Вестфальском техническом университете (Ахен, Северный Рейн-Вестфалия, Германия), или в Московской Школе Управления («Сколково»).

 

 

Следите за нашими новостями в Телеграм-канале Connect


Поделиться:



Следите за нашими новостями в
Телеграм-канале Connect

Спецпроект

Медицинские задачи для ИИ

Подробнее
Спецпроект

Цифровой Росатом

Подробнее


Подпишитесь
на нашу рассылку