23.06.2017 Нефть России 5-8/2017
Абдулла Караев, Ирина Москвитина, Андрей Будяков
публикация в pdf-формате

Современная система закупок вертикально интегрированной нефтяной компании — это комплексная структура, сочетающая опыт и знания специалистов по закупкам, возможности аналитических служб, а также целый комплекс автоматизированных систем, которые позволяют контролировать, систематизировать и повышать эффективность бизнес-процессов.
Миллионы тонн грузов ежегодно приобретаются службами закупки и доставляются на месторождения и технологические площадки для эффективной эксплуатационной деятельности и выполнения инвестиционных проектов. Ежедневно в автоматизированных решениях и информационных системах генерируются массивы цифровых данных — от процессов планирования и формирования потребности до списания и оплаты. С каждым годом терабайты информации в виде различных данных, аналитик и показателей накапливаются в так называемые большие данные, или big data. Использование этого объёма информации является важнейшей задачей для прогнозирования различных событий в системе закупок.

Нетривиальная задача

Анализ больших данных позволяет определять закономерности в производственных процессах, прогнозировать риски поставок, а также выполнять на базе высокорелевантной и качественной выборки оценку эффективности закупочных служб и разрабатывать программы по оптимизации.

Работа с big data не является рутинной и простой задачей. Существует целый ряд проблем при обработке и анализе больших данных. Одна из них — проблема выбора релевантных данных. То есть понимание, какую информацию следует извлекать и анализировать, а какую — не принимать во внимание при анализе. Подготовка и выполнение проекта по работе с большими данными — это трудоёмкая во многих аспектах работа, требующая существенного финансирования. Это зачастую отталкивает потенциальных заказчиков от таких проектов или снижает их инвестиционную привлекательность. В данной статье мы не будем обсуждать вопросы ценообразования и стоимости работ, так как это специфичные аспекты, которые зависят от многих факторов. Мы сделаем акцент на потенциальных выгодах и нашем опыте проработки проблем, связанных с использованием больших данных.

Обработка и анализ накопленного массива информации в системе снабжения позволяет выполнять прогноз событий и повысить эффективность работы службы закупки

Зачастую на различных конференциях, семинарах и встречах анонсируются решения, позволяющие значительно улучшить различные блоки закупочного процесса. Большие данные не являются исключением, и все чаще слышатся предложения по анализу, оценке и получению значимых выгод. Однако за маркетинговыми выступлениями открывается большой пул работ, который включает не только анализ закупочных данных, но и значительные работы по организации инфраструктуры обработки информации и огромный объем трудоемкой аналитической работы.

Для оценки многолетнего опыта заявочной кампании или качества планирования в разрезе подразделений и сотрудников нужно закупить оборудование, консолидировать данные, провести оценку значимости, отсеять неактуальнуюинформациюи проделать много другой работы с контентом, зачастую с привлечением внешних ресурсов. Учитывая это, в «Газпром нефти» к вопросу обработки больших данных применяется комплексный и долгосрочный подход, мы понимали, что объем информации растет быстрыми темпами и консолидировать информацию по закупкам, хранящуюся в различных системах или разрозненных источниках, крайне затратная по всем аспектам работа. Так-же, как и работа с некачественной нормативно-справочной информацией и каталогами, которая может просто свести на нет все усилия.

Единая база данных

Именно поэтому на первом этапе было принято решение разработать единую автоматизированнуюсистему закупок, которая будет охватывать все процессы: от планирования до списания и оплаты. Параллельно с этим ПАО «Газпром нефть» начало реализацию проекта по систематизации и унификации каталогов материально-технических ресурсов и услуг. Таким образом, мы хотели получить единые каталоги нормативно-справочной информации, которые обрабатываются и ведутся в одной мастер-системе и применяются во всех прикладных решениях. Это позволило уже на первой фазе значительно сократить объём работы сотрудников по кодификации позиций, облегчить взаимодействие с производственными подразделениями, а также заложить основы для дальнейшего использования и анализа данных.

Создание единой автоматизированной системы закупок МТР, работ и услуг позволило нам получить единую базу данных всех шагов процесса и один источник информации для последующей обработки данных. Разработка электронной торговой площадки и активное включение в общее информационное пространство претендентов и поставщиков сформировало полный спектр аналитический информации и ключевых показателей для оценки процесса и прогнозирования событий.

Первые проекты по анализу больших объёмов данных выполнялись для построения бизнесаналитики. На базе решений класса BI строилась отчётность и прогнозы для руководителей закупочных служб. Был получен огромный опыт по консолидации, анализу, правилам выборки данных, определению ключевых показателей, созданию хранилища данных. Возникали трудности с оценкой качества отчётов и достоверности данных. Но это помогло нам понять, что в автоматизированной системе нужны дополнительные модули контроля и автоматической проверки.

Одной из наиболее критичных и сложных задач является создание логической модели обработки данных. По сути, это математические формулы с рядом переменных значений, в результате применения которых мы должны получить прогнозные данные и информациюна аналитических панелях. В этой работе важен каждый шаг — от оценки качества и полноты исходной информации от донора данных (например, инициатора заявки на закупку) вплоть до детальной проверки уже преобразованной информации на уровне руководителя подразделения.

Но, вероятно, ключевым результатом стало осмысление процесса обработки данных, а именно: какая и когда требуется информация, а что анализировать здесь и сейчас не нужно (а может и не требуется вовсе), кто является источником информации, кто реальным потребителем и заинтересован в итоговом результате обработки и анализа данных. Можно сказать, что мы сделали дифференциацию данных, потребностей и времени получения информации, поскольку аналитика, которая получена несвоевременно, зачастую просто теряет свою ценность.

Формирование аналитики и хранилища данных — это лишь первая попытка обработать массивы информации, причём достаточно простая с точки зрения анализа big data. Но именно эти шаги позволили нам оценить возможные выгоды и реальные перспективы использования больших данных. Сегодня мы подходим к этой теме с определённым опытом, знаниями и надеемся, что они помогут нам получить ощутимые выгоды.

Как сделать обоснованный выбор

Перейдём теперь к некоторым аналитическим наработкам, которые планируются к реализации с использованием больших данных. Одной из наиболее значимых на сегодня тем является формирование качественной базы материалов-аналогов или материалов-субститутов в Дирекции по закупкам и капитальному строительству. Наличие данных по аналогам/заменам в разрезе исходной потребности на длительном промежутке времени позволяет как снизить будущие затраты, так и определить неэффективные закупки, а также позиции, которые могут быть заменены либо на аналоги, либо (с учётом анализа опыта их использования) на другие позиции. Именно в данном случае мы видим огромные возможности больших данных. Ведь, консолидируя информацию по заявкам на закупку материалов и оборудования с данными по аналогам и заменам, добавляя данные по опыту использования оборудования по ряду показателей (стоимости владения, сроку использования, количеству ремонтов и т. д.), мы получаем реальные предпосылки для прогнозирования закупок качественных материалов и оборудования с минимальными затратами.

Обоснованный выбор специалистом той или иной позиции к закупке позволит снизить общие затраты, обеспечить высокое качество и бесперебойность работы поставленного оборудования. А в контексте, например, инвестиционного проекта, это ещё и повышение эффективности предприятия в целом. Нельзя не отметить, что анализ больших данных позволяет увидеть также реальные, но скрытые за массивом данных, показатели KPI сотрудников закупки в высокорелевантной выборке, что зачастую ведет в дальнейшем к пересмотру ориентиров работы и ее оптимизации.

Отметим, что мы рассмотрели только один из возможных сценариев использования big data. Но даже его реализация требует довольно глубокого анализа имеющегося контента. Поэтому крайне важно заранее определить, какие цели необходимо достигнуть по итогам обработки данных и какие итоговые выгоды получить. Иначе, проделав огромный объём работы, можно не достичь требуемого результата. Большие данные, словно айсберг, вся мощь которого скрыта от нашего ежедневного взора. Но стоит только увидеть возможности этой информации, подойти к её анализу с чётко поставленными целями и предварительной подготовкой, поверьте, можно получить значительные результаты, кратно превышающие затраченные ресурсы.

Новости
  • 26.09.2017
    «ИНЛАЙН ГРУП» и Fortinet защитили web-сервисы ТМК Подробнее
  • 14.09.2017
    «ИНЛАЙН ГРУП» на III Федеральном ИТ-форуме нефтегазовой отрасли России Подробнее
Проекты
  • Альфа-Банк
    Консолидация ИТ-ресурсов на основе индустриальных стандартов