Учить матчасть: как решения компании F5Devs повышают эффективность бизнеса
В контексте современных трендов
Цифровая трансформация и автоматизация бизнес-процессов неизбежно приводит к тому, что IT-инфраструктура компаний обрастает различными взаимодействующими между собой информационными системами, приложениями и сервисами. Внутри этих систем накапливается огромный объем данных. От способности грамотно их использовать, опираясь на цели компании и критерии ее эффективности, во многом и зависит выбор оптимального сценария для управления бизнесом. С реализацией всех этих задач и способны помочь решения класса Operations Research* в сочетании с Machine Learning.
* Operations Research — это методология управления организацией на основе данных, при которой поиск оптимального решения бизнес-задач происходит с помощью средств математического моделирования и программирования. Они тесно связаны с технологиями искусственного интеллекта и машинного обучения.
Технологии Operations Research улучшают показатели операционного и стратегического планирования — собственно, в этом и заключаются ключевые преимущества применения такого класса решений.
«Если обратиться к отчетам Gartner и других аналитиков, в числе нарастающих IT-трендов мы увидим такие перспективные технологии, как Data Fabric или Data Mining, — отмечает Антон Ларин, директор по проектам F5Devs. — Но в контексте российских реалий это не то, что волнует бизнес сейчас. Базово его волнует, как выжить в моменте, когда зарубежные IT-поставщики покинули рынок, рвутся цепочки поставок и будущее неопределенно. Поэтому компании обращают внимание на отечественные решения, которые могут повысить эффективность процессов здесь и сейчас. Однако в России мало IT-компаний, которые занимаются применением математического программирования для оптимизации масштабных бизнес-задач. Именно по этой причине наши компетенции во многом уникальны, а решения находят большой спрос».
С нарушением сложившихся логистических цепочек и необходимостью более тщательно прогнозировать поставки многие компании столкнулись еще с приходом пандемии. Сегодня бизнесу приходится решать проблемы иного характера, переориентируясь с западных направлений на восточные.
К примеру, один из игроков российского рынка контейнерных перевозок раньше доставлял грузы преимущественно в Европу, сегодня же спрос в основном идет из Азии. Перевозчику нужно развивать инфраструктуру в восточной части страны, но при этом резко нарастить количество контейнеров он не может. Возникает запрос на решение, которое обеспечит наиболее эффективное управление текущими активами из всего многообразия возможных вариантов.
«По нашему опыту, наибольшее влияние Operations Research оказывает на те процессы компании, которые выполняются часто и находятся в корне ее деятельности. В таком случае даже небольшое улучшение приводит к значительному эффекту», — уверен Равиль Каримов, технический директор F5Devs.
Алгоритмы для бизнеса
Характерные примеры — управление транспортной логистикой и курьерская доставка. В первом случае рассчитывается оптимальное использование транспортных средств с учетом вида транспорта, количества заказов, маршрута и т. д. Сюда же можно отнести утилизацию транспорта.
В случае же с курьерской доставкой система может предсказать, сколько по времени займет перемещение курьера от старта до конечной точки маршрута. Учитывая это в распределении заказов в онлайне, можно точнее планировать сроки доставки и экономить ресурсы.
Еще одна сфера применения решений класса Operations Research — формирование оптимального плана производства.
Система рассчитывает нагрузку на производственное оборудование с учетом множества ограничений и целевой функции: правил эксплуатации оборудования, необходимости равномерной нагрузки или производства с учетом сезонного спроса, скорости отгрузки товара со склада и других.
Operations Research может применяться и в оптимизации затрат на производство. Зная стоимость и характеристики каждого компонента, необходимого для создания конечного продукта, система рассчитывает их оптимальное сочетание.
Например, в процессе смешения в нефтегазовой промышленности в расчет могут приниматься такие условия, как объем остатков, стоимость закупки дополнительных компонентов, качество продукта на выходе.
В банковской сфере, в области оптимизации портфеля активов, система помогает формировать портфель с учетом поставленных задач, прибыльности и рисков.
В целом же решения класса Operations Research могут эффективно применяться в управлении любыми динамическими системами. Например, система может смоделировать сценарии использования сложного оборудования в разных условиях и проверить гипотезу: можно ли снизить энергопотребление этого оборудования с сохранением высокого качества процесса.
Поможет Operations Research и в формировании рабочего графика сотрудников. Например, в случае, когда компании необходимо планировать равномерную загрузку ремонтных бригад, которые перемещаются между удаленными объектами и должны вовремя обслужить оборудование, нефтяную скважину и т. д., во избежание простоя производства. В расчет могут приниматься производственный календарь, логистические затраты, время перемещения между скважинами и другие параметры.
«В случаях, когда принятие оптимального решения затруднено большим объемом данных и большим количеством вариантов этого, способна помочь Operations Research. Таким образом, применяемую нами методику можно применить ко многим процессам компании, учитывая их специфику», — подытоживает Равиль Каримов.
В индивидуальном порядке
Внедрение инструментов Operations Research может происходить по-разному. Так, в крупных софтверных продуктах, таких как SAP, существует готовая среда для моделирования. В других случаях под конкретную задачу интегратором создается отдельная рабочая модель, которая впоследствии встраивается в IT-ландшафт в виде отдельного сервиса/микросервиса, интегрируясь с существующими системами.
Встречаются также разработки in-house, но их создание и внедрение требует от внутренней IT-команды специфических навыков, а неэластичное и негибкое решение может вызвать разочарование бизнеса в этой технологии.
Индивидуальный подход к каждому проекту — одна из особенностей команды F5Devs. Ведь полностью идентичных задач в математическом моделировании, как правило, не существует.
«Бизнес-процессы каждого нашего заказчика, крупной компании, включают в себя множество специфических элементов, — замечает Равиль Каримов. — Использовать «коробочное» решение при реализации проекта с использованием математических алгоритмов сложно: в большинстве случаев лучшим вариантом является кастомная разработка под конкретный бизнес-процесс. Это экономит издержки при внедрении и улучшает гибкость системы. Заказчикам удобно с нами работать за счет того, что мы делаем именно кастомные решения и учитываем все нюансы их деятельности».
Как происходит взаимодействие заказчика с F5Devs? Есть два основных сценария, говорят эксперты компании.
В первом, наиболее типичном сценарии заказчик формулирует конкретную задачу и ожидает от разработчика экспертизы. Специалисты F5Devs показывают заказчику реализованные проекты, объясняют принципы работы алгоритмов того или иного решения и выслушивают пожелания. Затем производится предпроектное обследование инфраструктуры и бизнес-процессов заказчика, формируется предварительное техническое задание — и проект набирает ход.
Второй сценарий выглядит сложнее: когда заказчик планирует оптимизацию, имея на руках не готовую задачу, а лишь некий набор данных, которые нужно как-то применить. Перед тем как перейти к этапу предпроектного исследования, разработчик предлагает ему набор задач, которые можно решить с помощью этих данных, и приоритизирует их, например, по критериям скорости реализации и параметрам эффективности.
Экономический эффект: рассчитать и проверить
Перед внедрением решения, использующего математические алгоритмы в своей IT-инфраструктуре, заказчик с помощью разработчика может несколькими способами подтвердить ожидаемый эффект от их применения. Например, проверить модели на основе ретроспективных данных.
«Например, для компании, занимающейся железнодорожными перевозками, мы в течение двух месяцев создали тестовую модель, — вспоминает Равиль Каримов. — Получив независимую выборку, запускали на ней модель и сравнивали фактический результат с ожидаемым, делали выводы, насколько выполняются различные показатели перевозок. Когда по определенному показателю диспетчер и менеджеры заказчика указывали на необходимость изменений, мы запускали следующую итерацию, и так до тех пор, пока не получали доказательство эффективности».
Второй вариант — проверка модели или сервиса в рамках пилотной или промышленной эксплуатации. Критерии приемки формулируются заранее, настраивается и мониторинг за отчетными показателями.
«Нашему заказчику, организатору пассажирских перевозок, требовалась грамотная маршрутизация контролеров, производящих обходы, — рассказал Равиль Каримов. — За два месяца мы сформулировали задачу, провели очистку и анализ данных, создали модель, а затем сразу сформировали API и интегрировали модель в систему заказчика. В течение 2–4 недель маршрут для части контролирующего персонала определялся математическим алгоритмом, а для других — классическим способом. Со временем заказчик положительно оценил эффект применения Operations Research и перевел систему из тестовой в промышленную эксплуатацию».
Новый уровень эффективности
Решения класса Operations Research для оптимизации операционной деятельности компании могут принести эффект и сразу же после внедрения. F5Devs практикует не только индивидуальный подход к каждому проекту, но и обязательный расчет показателей экономической эффективности внедряемых систем.
Так, диспетчер или логист в рамках своей повседневной деятельности, используя привычные прикладные инструменты, получает от автоматизированной системы помощь в принятии решений.
Системы, в которых реализованы методы математического моделирования, позволяют компании управлять стратегическим планированием, не прибегая к услугам управленческих консультантов.
Например, алгоритм ежегодно рассчитывает стратегию развития логистики в компании с учетом оценки активов, приоритетного вида транспорта, актуальных логистических цепочек.
Еще один характерный пример — прогнозирование жизненного цикла локомотивов. Чем чаще подвижной состав выходит из строя, тем меньше прибыли компания получает. Поэтому ей необходимо на горизонте 5–10 лет предсказывать, какие локомотивы подлежат выводу из эксплуатации, в обслуживание каких еще можно вкладывать средства, сколько новых единиц транспорта нужно приобрести.
«Наш клиент, железнодорожный грузоперевозчик, управляет десятками тысяч вагонов, получая огромное количество заказов по всей России и странам ближнего зарубежья. Он должен соблюдать множество ограничений — например, разные грузы размещать в вагонах определенных категорий. Процесс доставки сопровождается дополнительными операциями: разгрузка и очистка вагонов, обеспечение станций пустыми вагонами и т. д. Это комплексная задача колоссального масштаба. Когда компания внедряет глобальную модель оптимизации, которая рассчитывает миллионы переменных в этой системе уравнений, с учетом большого промежутка времени, соблюдая все ограничения и прогнозируя поведение на отдельных участках неопределенности, — при грамотном подходе это дает огромный эффект», — уверен Антон Ларин.
Как правило, для таких расчетов используются обе технологии — и Machine Learning, и Operations Research. В Machine Learning берутся исторические данные, на основе найденных в них закономерностей создается модель прогнозирования на будущее (например, прогнозирование спроса). А через Operations Research создается модель принятия решений, которая помогает выбрать оптимальный вариант. Совмещение моделей дополнительно улучшает выбор итогового решения, выводя компанию на новый уровень эффективности: алгоритмы позволяют оптимизировать процессы обслуживания, распределения ресурсов, управления запасами с учетом всего многообразия данных, поступающих в информационные системы.
По завершении проекта поддержку внедренного решения и его дальнейшее развитие клиент может взять на себя или предоставить эту функцию разработчику. Например, с одним из своих заказчиков, логистической компанией, команда F5Devs взаимодействует уже более трех лет. По мнению представителей компании, основа долгосрочного сотрудничества — использование индивидуального подхода в сочетании с собственным опытом.
«На внутреннюю экспертизу клиента мы накладываем собственное понимание того, как решать ту или иную задачу. В любом случае мы работаем в связке, очень тесно взаимодействуем с клиентом, — заключает Антон Ларин. — У нас сильная команда специалистов с профильным образованием и большим стажем. Даже бэкенд-разработчиков мы стараемся погружать в контекст решаемых задач, чтобы они понимали основу бизнеса заказчиков. Это и позволяет нам создавать лучший сервис».
* Информационная поддержка