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.
Металлургия
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%.
Нефтегазовая отрасль
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.
Транспорт
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.