Интеллектуальный анализ данных в принятии стратегических решений – возможности качественного развития российских предприятий

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Интеллектуальный анализ данных в принятии стратегических решений - возможности качественного развития российских предприятий Работа выполнена при финансовой поддержке РФФИ, проект «Методология и инструментарий стратегирования технологических изменений экономических систем разного уровня иерархии с учетом требований индустрии 4.0 к нестационарной российской экономике» № 18-010-01028 «а».

Димитриев И.В.

специалист АО «Газпромбанк»

Тенденции становления «индустрии 4.0.» не являются идентичными в разных секторах экономики. Вызовы, которые определены новыми траекториями развития, связаны как с технологическим обновлением, так и с изменением управленческой парадигмы. Зарубежные энергетические компании не являются цифровыми лидерами, несмотря на активность в повышении уровня интеллектуального анализа данных, что благоприятно сказывается и на взаимоотношениях с клиентами, и на бизнес-процессах. Разрыв в производительности между цифровыми лидерами и отстающими компаниями расширяется, и дальнейшая цифровизация компании означает повышение ее конкурентоспособности. С 2010 г. динамика спроса и предложения на энергетических рынках связана с различными трендами. Ужесточение стандартов экономии в США определило необходимость для автопроизводителей рассматривать альтернативу бензину. Усовершенствование технологий и поставок солнечных батарей привело к трехкратному снижению цен за последние шесть лет в США. Технологическое улучшение аккумуляторов делает электрические автомобили более реалистичным вариантом для многих потребителей. Число поставщиков электроэнергии растет, в то время как генерация и потребление энергии на душу населения продолжает падать.

Согласно исследованию Boston Consulting по индексу диджитализации в энергетическом секторе только 15% компаний являются цифровыми лидерами в США, в Европе - всего 6%. Отрасль энергетики является отстающей по фактору цифровых технологий как в США, так и в Европе. Лидерами определена отрасль телекоммуникаций, ИТ, банковский сектор, автомобильная промышленность - в них более 20% компаний соответствуют цифровому лидерству. Интересно, что 71% компаний нефтегазового сектора, несмотря на вложение значительных средств в повышение эффективности процесса исследования, оценили себя как отстающие.

Компания McKinsey разработала индекс цифровизации промышленности США. Сектор нефти и газа характеризуется относительно невысокой готовностью активов к диджитализации. Достаточно низкой по критерию диджитал является сфера транзакций и взаимодействий.

Основные вызовы, с которыми сталкивается отрасль, связаны с требованиями государственной политики по сокращению издержек, неустойчивостью отдачи от возобновляемых источников энергии, несовершенством умных сетей. Возможности роста основаны на использовании умного анализа данных для прогнозирования, на применении искусственного интеллекта, блокчейна. Компания определяет готовность, условия, возможности и риски для цифровой модернизации. Так, сектор нефти и газа, согласно данному индексу относительно диджитализован, есть потенциал у активов к цифровым преобразованиям. Выявлен позитивный тренд для рабочей силы в этом секторе, он проявляется в росте цифровых квалификаций, цифровых расходов на рабочих.

Развитие технологий невозможно без осуществления значительных инвестиций в разработки и исследования. Абсолютным лидером расходов на НИОКР среди европейских стран является Германия, несмотря на кризисные ситуации, тренд является растущим. Величина инвестиций значительно отличается не только в страновом аспекте, но и для компаний с разной технологичностью. Так, высокотехнологичные компании осуществляют в 7 раз больше вложений в НИОКР по сравнению со среднетехнологичными предприятиями. Лидером для среднетехнологичных предприятий также является Германия.

Рисунок 1. Расходы на НИОКР в высокотехнологических компаниях. Источник: построено автором.

Рисунок 2. Расходы на НИОКР в среднетехнологических компаниях. Источник: построено автором.

Глобальный финансовый кризис ускорил и усилил фундаментальные, долгосрочные изменения, что привело к новой реальности. При этом многие компании остались технологически к этому не подготовленными. Волатильность на мировых рынках выросла в результате крупномасштабных рисков дефолта и неопределенности финансирования в связи с изменением поведения потребителей и повышенных рисков в регулировании и политике.

Традиционные компании находятся под давлением конкуренции, встает задача проводить кардинальные изменения или придерживаться устоявшегося бренда, места на рынке и клиентов. Однако им также необходимо идентифицировать новые области роста, поскольку рынок традиционной энергетики перенасыщен.

Согласно Международному институту управленческого развития по факторам разработки и внедрения технологий Россия занимает 51 место; по гибкости и адаптивности компаний - 61 место; по использованию больших данных - 58 https://www.imd.org/globalassets/wcc/docs/wco/pdfs/countries-landing-page/ru.pdf. Россия показывает положительные тренды и рейтинг по цифровым технологиям и навыкам.

Для российских предприятий стратегии должны быть основаны не столько на количественном наращивании и внедрении технологий, сколько на общей системной трансформации. Стратегии российских компаний в условии перехода к новому технологическому укладу, «индустрии 4.0.»:

Новые бизнес-модели - переход к системной динамике на основе технологических изменений.

Новые продукты. интеллектуальный индустрия диджитализация

Рост эффективности бизнеса: оптимизация, робототехника, автоматизация системы управления, визуализация, большие данные. Интеллектуальный анализ данных в принятии стратегических решений - возможности качественного развития российских предприятий.

Развитие новых методик, в частности интеллектуальный анализ данных трансформирует существующие бизнес-процессы, облегчает и повышает качество принятия решений. Продвинутая аналитика, основанная на процессах автоматизации, обработки больших данных, в конечном итоге изменяет взаимоотношения между компаниями и клиентами. Она повышает результативность моделей, оценивающих, к примеру, вероятности неплатежей, способствует уточнению прогностической силы моделей.

Энергетические компании повысили свою валовую прибыль более чем на 20%, создав профили своих клиентов, используя множество факторов, включая возраст, местоположение, профессию и выбор способа оплаты. Легкость выбора поставщиков энергии онлайн, а также большая прозрачность предлагаемых цен приводят к быстрому перетоку клиентов. Несмотря на то, что определяющим для клиента является цена услуги, плохое взаимодействие с клиентом способствует изменению контрактов с поставщиками энергии. К примеру, платя фиксированную плату, компания-посредник предоставляет автоматические изменения контрактов в результате модификации предпочтений потребителей. На основе реальных отзывов потребителям удобнее заплатить 120 долл. в месяц, и получить большую экономию, чем каждый месяц проводить собственный анализ расходуемой энергии и тарифов. Так действует компания-посредник Energy Ogre https://www.bcg.com/ru-ru/publications/2018/digital-maturity-is-paying-off.aspx.

Используя автоматизацию процессов, компании могут повысить эффективность задач, традиционно выполняемых персоналом call-центра. Программный робот дублирует действия сотрудника, взаимодействующего с пользовательским интерфейсом компьютерной системы. Это помогает энергетическим ритейлерам сочетать устаревшие системы с новыми, увеличивая скорость обработки и минимизируя ошибки.

Одним из актуальных направлений обработки данных в настоящее время является классификация. Классификация представляет процесс разбиения данных на классы таким образом, чтобы объекты, принадлежащие одному классу, имели высокое сходство по сравнению друг с другом, а также заметно отличались от объектов, принадлежащих другим классам. Классификация также может быть полезна в обнаружении аномальных значений, которые «далеки» от объекта любого класса. Классификация - форма анализа данных, которая может использоваться, чтобы создать модели, описывающие важные классы данных, а также предсказать будущие тенденции этих данных. Подобный интеллектуальный анализ данных может быть очень полезен для лучшего понимания данных в целом. На первом шаге создается классификатор, описывающий предопределенный набор классов данных. Это шаг обучения (или учебная фаза), где алгоритм классификации создает классификатор, анализируя или «извлекая уроки из» обучающего набора данных (training data). На втором шаге оценивается точность классификатора. Если использовать обучающий набор данных, чтобы оценить точность классификатора, то полученная оценка будет слишком завышена по сравнению с реальной картиной, поскольку классификатор имеет тенденцию «сверхсоответствовать» данным (обучающий набор данных не может отобразить в себе все данные в целом, так как он был произвольно выбран из всех имеющихся данных). Далее результат представляется визуально. Инструменты визуализации позволяют легко отображать ключевые идеи, использоваться в дата-аналитике. К примеру, телекоммуникационные компании используют визуализацию для интерактивного ответа на запросы клиентов.

Для энергетики визуализация применяется, например, при разработке энергетического атласа. Данные визуализируются по 40 странам, позволяют оценить традиционные источники энергии, возобновляемые, выбросы углекислого газа. Наглядно представлены лидеры по выбросам от сжигания топлива: Китай (28%), США (15%), Индия (6%), Япония и Россия (4%). Мы признаем целесообразность использования интеллектуального анализа больших данных для исследования энергетических компаний, в частности мы получим закономерности, которые могут быть упущены при использовании методов дескриптивного или статистического анализа. На основе предварительных расчетов мы выявили применимость метода классификации на основе разработанного программного модуля.

Размещено на Allbest.ru