«Мы живем в то время, когда зарождаются сценарии прогнозного качества и прогнозного ремонта. В будущем это поможет бизнесу экономить. Например, не ремонтировать то, что не нуждается в ремонте», – считает Юрий Бондарь, заместитель генерального директора компании SAP СНГ. В интервью Bel.biz он объяснил, зачем интернет вещей «КамАзу», и рассказал, как внедряет инновации сам SAP.
Цифровая трансформация и эффект масштаба
Сегодня на инновации решаются, в основном, те бизнесы, которые работают с большими объемами данных. Они понимают, что Big Data – это нечто ценное, хотя пока и не умеют пользоваться этим активом. Чаще всего о цифровой трансформации задумываются телеком-операторы, транспортные компании, банковский сектор, то есть b2c-компании. Еще можно выделить капиталоемкие индустрии: энергетику, нефтяной бизнес, металлургию – так как эти бизнесы обладают огромными объемами основных средств, которые надо обслуживать, ремонтировать, модернизировать. В масштабах предприятия это – огромные затраты. Поэтому изменение стратегии может дать серьезный экономический эффект, ведь 5% от 10 рублей – это полрубля, но 5% от миллиарда рублей – 50 миллионов. Разный масштаб – разный эффект.
Цифровая трансформация бизнеса неминуема. Мы стремительно погружаемся в мир цифры и больших данных. Компании создают внутренние модели бизнеса, называя их CRM, ERP, но, по сути, моделируют себя в информационном пространстве. Это первый шаг. Вторым шагом часто становится осознание скрытых резервов и потенциальной эффективности своего бизнеса. Например, в ГМК «Норильский никель» система корпоративной финансовой отчетности на базе SAP Business Planning and Consolidation (BPC) позволила более чем на две недели сократить сроки формирования консолидированной финансовой отчетности по МСФО, а также автоматизировать и унифицировать её подготовку на всех предприятиях.
Еще один пример – проект по электронному документообороту, который мы реализовали в группе «Черкизово», крупнейшем в России производителе мясной продукции и комбикормов. Решение SAP Extended ECM by OpenText позволило «Черкизово» на 15% сократить затраты на персонал, работающий с документами, увеличить в два раза качество и на 20% – скорость обработки документов. В результате внедрения на 60% сократились налоговые риски, связанные с утерей или недобросовестным хранением оригиналов.
Традиционно SAP – компания, ориентированная на крупный и средний бизнес. Например, в Беларуси мы работаем с «Мозырским НПЗ», «Белоруснефтью», «Белорусской нефтяной компанией», «Белвестом», «БелАЗом», «Атлант Телекомом», «Белорусской железной дорогой», «Газпром трансгаз Беларусью», «Гомельэнерго», «КиС» – крупными предприятиями с большими массивами данных. Но компании среднего и малого бизнеса также нуждаются в изменениях. Поэтому мы видим повышенный интерес к нашим новым продуктам и в этом сегменте бизнеса. Например, технология SAP HANA позволяет совмещать аналитические и транзакционные процессы. Все вычисления производятся в оперативной памяти, что гарантирует высокую скорость операций. Это позволяет компаниям опираться на первичные данные. Владелец видит свой бизнес насквозь, контролирует вплоть до конкретной транзакции. Это очень важно, ведь в среднем и малом бизнесе часто все сосредоточено вокруг акционера.
«КамАЗ»: интернет вещей, чтобы прогнозировать потенциальные поломки
Месяц назад SAP подписал соглашение о стратегическом партнерстве с «КамАЗ». Проект включает в себя цифровую трансформацию предприятия с применением облачных технологий SAP. Сейчас «КамАЗ» предлагает свои грузовики как конечный продукт, но, если задуматься, заказчику чаще всего необходима услуга (перевозка/доставка груза), а не конкретный объект имущества. Осознание этого факта сильно трансформирует бизнес-модель: «КамАЗ» может заниматься не только продажами, но и ремонтом, изменением конкретных параметров автомобиля, вплоть до контроля поломок, которые могут произойти с машиной в пути. Это требует совсем другого подхода к данным. Если раньше их актуальность исчислялась днями и неделями, то при сервисном подходе необходимо знать, где находится машина в конкретную минуту, сколько километров она проехала. Для получения таких данных используется телеметрия на базе IoT (интернет вещей) — машина или ее комплектующие передают сведения о своем состоянии в единую базу для последующего анализа работы двигателя, трансмиссии и др.
Второй пример: производство «КамАЗ» на рынке Индии. Индия – большая страна со сложным ландшафтом и дорогами. Заказчики хотят получить достойный сервис. Чтобы его организовать, предприятию понадобится открыть сервисные пункты, обеспечить их комплектующими, но только теми, которые актуальны для данного сервисного пункта. Как понять, что именно потребуется в ближайшие 3–4 месяца? Ведь необходимо так спланировать поставки, чтобы к моменту потенциальной поломки или планового ремонта комплектующие были на месте. У «КамАЗа» есть наработки по узлам, где сервисные пункты дислоцировались ранее, но в Индии таких наработок нет. Поэтому они создаются на месте, а прогнозы перерабатываются с учетом влажности региона, перепадов температур, эксплуатационных рисков. Датчики для сбора телеметрии, установленные на грузовики, собирают многочисленные данные, которые затем сопоставляются с трендами в других странах, условия работы в которых уже известны.
Новая «нефть»
Герман Греф как-то сказал: «Данные – это новая нефть». Кто умеет их обрабатывать, тот владеет миром. Сегодня такой подход привлекает многие компании. Металлургическая домна каждый день генерирует данные на один терабайт, а для принятия решений используется максимум 5% этой информации. И так обстоит дело не только в металлургии. Мы живем в эру, когда зарождаются сценарии прогнозного качества и прогнозного ремонта. В будущем это поможет бизнесу экономить — например, не ремонтировать то, что не нуждается в ремонте, поскольку повысить качество изделий можно до их выпуска. Прежде подобные возможности у бизнеса отсутствовали, мы не собирали такие данные и не могли их учитывать. Еще десять лет назад подобные вещи вовсе не обсуждались.
Еще один вопрос – качество конечной продукции, услуги. Размышляя об этом, мне хочется привести в пример мнение Игоря Комарова, гендиректора Роскосмоса. В рамках интервью на Петербургском международном экономическом форуме, говоря о ситуации в ракетной отрасли, он отметил, что современные изделия обладают огромным количеством комплектующих, и многие из них не производятся конечным производителем. Он лишь осуществляет сборку. Как в этой ситуации оценивать качество конечного продукта, срок службы, ремонтопригодность, возможность быстрого ремонта? Вопрос о качестве – сложный, и прежде он рассматривался в теории. Был математический аппарат, но не было данных. Теперь есть и математический аппарат, и данные, но до конца не понятны задачи, которые мы можем решать. Надеюсь, в ближайшие несколько лет они станут более явными и значимыми для бизнеса.
Как меняется сам SAP
Компания SAP быстро осознала: быть на пьедестале – это не ролевая модель. Надо быть на шаг впереди, опережая тренды. Поэтому во многих вопросах SAP движется в авангарде ИТ-индустрии, принимает решения не сегодняшнего, а завтрашнего, иногда послезавтрашнего дня. Например, уже сейчас компания задумывается о машинном обучении и искусственном интеллекте. В частности, о том, каким образом использовать эти две технологии внутри своих бизнес-процессов и продуктов. Потому что все разработки движутся в эту сторону, и в перспективе это сильно изменит предприятия. Возможно, подобные инновации не будут внедрены завтра, скорее всего, послезавтра. Но ими занимаются уже сейчас.
В структуре SAP есть SAP Labs – лаборатории, деятельность которых направлена на поиск инноваций для бизнеса, полезных как для самой компании, так и для её заказчиков. Один из форматов работы – co-innovation project, когда SAP и заказчик совместно инвестируют в какой-то проект, который сейчас еще не является стандартом, но, возможно, станет технологией будущего. Например, сейчас мы реализуем проект с одной из металлургических компаний. Он направлен на повышение превентивного качества. Из сталеплавильных машин выходят заготовки-слябы, покрытые коркой шлака. Чтобы понять, какого качества металл, нет ли дефектов заготовки, ранее приходилось снимать шлак. Очистка от шлака происходила с помощью специальных машин, работа которых требовала определенных затрат. Алгоритмы SAP позволяют собрать информацию с датчиков, проанализировать процесс подготовки заготовки: скорость подачи металла, скорость перемещения кристаллизатора, температуру воды для охлаждения и многие другие параметры. Это позволяет на 75% сократить количество операций по контролю качества, а, следовательно, и расходы. В реальных суммах предприятие получает возможность экономить более десяти миллионов рублей с одной установки ежегодно.
Есть конкретные сроки, заказчик, задачи, сам проект обладает элементами machine learning, анализа больших данных. Подобные проекты мы делаем постоянно, потому что технологии должны быть апробированы. Только тогда это будет ценно и востребовано.
Фото: Глеб Канаш.
