Цифровые компании не работают в неопределенности. Они принимают решения, опираясь на информацию и выявленные закономерности. Когда дело касается промышленных технологий, простые таблицы Excel уже не справляются: системы усложняются, данные становятся обширнее, а параметры, описывающие рабочие процессы, увеличиваются.
Достигнув высокого уровня цифровизации и накопив Big Data, компании обращаются к Softline Digital для разработки математических программных моделей. Автоматизированный анализ данных становится ключевым конкурентным преимуществом. Это позволяет сократить издержки, обеспечить контроль качества, уменьшить время простоя оборудования и повысить эффективность работы.
Вот несколько примеров работы наших специалистов в нефтегазовой и атомной промышленности, а также в государственных организациях.
Оценка качества продукции, такого как бензин, традиционно проводится на нефтеперерабатывающих заводах с использованием лабораторных методов. Анализируются физико-химические свойства, установленные нормативными документами. Этот анализ занимает от 1 до 3 часов. В случае проблем завод может выдавать некачественную продукцию.
Наше решение основано на применении автоматических онлайн-анализаторов, которые обеспечивают непрерывный контроль параметров бензина и других нефтепродуктов. Математическая модель описывает зависимость характеристик бензина от качества сырья и параметров оборудования. Если качество бензина не соответствует ожиданиям, технологический процесс корректируется мгновенно.
Клиент - нефтедобывающая компания - поставил задачу прогнозирования отказов установок насосного оборудования. Решение должно учитывать технологические режимы и геологические условия.
Используя исторические данные, мы построили модель для каждой скважины, чтобы определить наиболее подходящую конфигурацию оборудования. Это снижает эксплуатационные затраты и минимизирует количество инцидентов.
Большие предприятия нуждаются в точном прогнозе потребления электроэнергии. Заказчик хотел оптимизировать расходы с точностью до 1,5%.
Мы провели предобработку данных и построили прогнозные модели с учетом различных факторов, влияющих на расходы.
Несмотря на эффективные средства предупреждения аварий, отказы случаются. Заказчик - атомная станция - хотела создать экспертную систему для мониторинга и классификации отказов.
Мы создали модель, обученную на исторических данных, для отслеживания нештатных ситуаций и помощи персоналу.
По информации исследования аналитического агентства TAdviser, проведенного совместно с фирмой Naumen в первом квартале 2021 года, приблизительно половина российских компаний (больших промышленных организаций и верхнего уровня среднего бизнеса) в 2020 году сталкивались с трудностями в поиске нужной информации и ее применении для решения рабочих задач. Обычно информацию необходимо получать быстро, но статистика свидетельствует о том, что поиск занимает чрезмерно много времени.
Для решения этой проблемы специалисты из команды Softline Digital разработали прототип системы интеллектуального поиска. В ней сотрудник имеет возможность задать вопрос, а программа среди обширной информации сможет найти соответствующий ответ и представить его в виде цитаты и контекста. Благодаря этому, пользователи приложений интеллектуального поиска смогут получать необходимую информацию максимально быстро, что ускорит все связанные с этим рабочие процессы.
Для Счетной палаты РФ группа специалистов Softline Digital разработала инструмент глубокого анализа под названием "Цифровой аудитор". Его цель - отслеживать закупки, сравнивать цены и проводить визуальный анализ с помощью информационных панелей.
Из-за отсутствия максимальных цен на множество товаров, работ и услуг, закупаемых государственными организациями, а также методических рекомендаций и правил по расчету нормативных цен, при проверке обоснования расчетов выявлялось завышение планируемых затрат. Отсутствие реальной ответственности за такие завышения также способствовало искажению справедливых расценок.
В рамках системы "Цифровой аудитор" каждый товар описывается вероятностным распределением цены. Из параметров восстановленного распределения определяется рекомендованная (справедливая) цена и категория отклонения от нее заявленной цены.
После вычислений модель определяет разницу между справедливой ценой и той, за которую пытались приобрести товары, оценивает, насколько эта разница значима, и строит соответствующий график. Также был разработан индикатор для составления рейтинга организаций по уровню отклонений от справедливой цены с учетом объема закупок. В рамках системы предусмотрена визуализация с помощью BI-инструментов, что позволяет легко представить отчетность и быстро оценить результаты.
Этот проект был внедрен в компании Softline. У цифровой тендерной площадки были ограниченные возможности поиска, а также существовала проблема длительного и трудоемкого оценивания коммерческого интереса тендера. Решением стал продукт для автоматизированного отбора потенциально интересных тендеров.
Для обучения модели использовались текстовые описания тендеров с площадки госзакупок за определенный период. По значимости они были разделены на "хорошие" (те, что эксперты отдела тендеров считали важными и внесли в CRM) и "плохие" (те, которые не попали в CRM). Обученная модель смогла различать "хорошие" и "плохие" тендеры с точностью 98,5%. Она работает не только на сайте госзакупок, но и на аналогичных публичных площадках.
Другими словами, то, что ранее делалось вручную, теперь автоматизировано моделью. Это позволило сократить расходы на поиск, увеличить скорость обнаружения интересных тендеров. Сотрудники отдела тендеров теперь могут заниматься более интеллектуальной работой и задачами, требующими экспертной оценки.
Команда аналитики данных Softline Digital профессионально разрабатывает решения, связанные с предиктивной аналитикой, машинным обучением и обработкой больших данных. Представленные
