Московский экономический журнал 10/2021

image_pdfimage_print

Научная статья

Original article

УДК 338.2

doi: 10.24412/2413-046Х-2021-10583

ТЕХНОЛОГИИ BIG DATA КАК СОСТАВЛЯЮЩИЕ ЦИФРОВОЙ ТРАНСФОРМАЦИИ ПРЕДПРИЯТИЙ

BIG DATA TECHNOLOGIES AS COMPONENTS OF DIGITAL TRANSFORMATION OF ENTERPRISES

Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-010-00219

Евдокимова Елена Николаевна, доктор экономических наук, доцент, заведующая кафедрой экономики, менеджмента и организации производства, Рязанский государственный радиотехнический университет им. В.Ф. Уткина, г. Рязань

Куприянова Марина Владимировна, кандидат экономических наук, доцент, доцент кафедры экономики, менеджмента и организации производства, Рязанский государственный радиотехнический университет им. В.Ф. Уткина, г. Рязань

Симикова Ирина Павловна, старший преподаватель кафедры экономики, менеджмента и организации производства, Рязанский государственный радиотехнический университет им. В.Ф. Уткина, г. Рязань

Соловьева Ирина Павловна, кандидат экономических наук, доцент, доцент кафедры экономики, менеджмента и организации производства, Рязанский государственный радиотехнический университет им. В.Ф. Уткина, г. Рязань 

Evdokimova E.N., e008en@mail.ru

Simikova I.P., simirina83@mail.ru

Kupriyanova M.V., mvkupriyanova@gmail.com

Soloviova I.P., Solov0112@yandex.ru 

Аннотация. В статье рассмотрены технологии Big Data как составляющие процессов цифровизации предприятия. Актуальность статьи обусловлена развитием цифровых технологий, активным внедрением их на все стадии производства продукции, начиная от выбора поставщиков до продажи готовой продукции. Изложены характеристики больших данных и методы, используемые для их анализа. Проанализированы результаты опроса предприятий, проведенного в рамках исследования, и определено количество предприятий, использующих различные виды цифровых технологий в производстве. Структурированы причины, замедляющие внедрение технологий Big Data российскими предприятиями. Рассмотрены преимущества, которые получают компании за счет внедрения BI-решений (англ. Business intelligence).

Abstract. The article considers Big Data technologies as components of enterprise digitalization processes. The relevance of the article is due to the development of digital technologies, their active introduction at all stages of production, from the selection of suppliers to the sale of finished products. The characteristics of big data and the methods used for their analysis are described. The results of a survey of enterprises conducted within the framework of the study are analyzed and the number of enterprises using various types of digital technologies in production is determined. The reasons slowing down the introduction of Big Data technologies by Russian enterprises are structured. The advantages that companies receive through the introduction of BI-solutions (Eng. Business intelligence) are considered.

Ключевые слова: цифровизация промышленности, технологии Big Data, BI-инструменты, предиктивное производство, «умная» аналитика

Keywords: digitalization of industry, Big Data technologies, BI-tools, predictive production, «smart» analytics 

Сложно представить цифровизацию промышленного предприятия без «умной» аналитики. На современном производстве ежедневно создается огромное количество разнообразных данных: информация с датчиков, приборов, «умных устройств», камер видеонаблюдения, таблицы, тестовые документы и пр.  И не всегда этот поток информации используется в полном объеме, зачастую выделяется лишь небольшая часть, на основе которой делаются те или иные выводы. Так, по оценке специалистов около 95% получаемой информации предприятиями не используется вообще, а собирается из соображений «чтобы было». Получая собственные данные, а также информацию из внешней среды, большинство предприятий не имеют инструментов и технологий для их обработки, анализа, выявлению зависимостей и взаимосвязей между ними, на основе которых возможны принятие обоснованных решений, корректировка производственных и бизнес-процессов.  Используя традиционные методики обработки и анализа, невозможно охватить постоянно растущий объем гигабайтов информации. Поэтому технологии Big Data в настоящее время рассматриваются как основной инструмент принятия решений как в промышленности, так и в других сферах жизни общества.

Термин Big Data или «большие данные» впервые появился в 2008 году в журнале Nature. Его редактор Клиффорд Линч назвал этим словосочетанием взрывной рост потоков информации. К нему он отнес любые массивы неоднородных данных свыше 150 Гб в сутки. До 2011 года Big Data использовались только для научного анализа, но постоянно растущие объемы информации способствовали тому, что данная технология стала востребованной не только в науке, а крупнейшие компании в области IT стали инвестировать в их развитие.

Под «большими данными» понимают информацию, не имеющую определённой структуры, не организованную в определённом порядке, а также метаданные, т.е. данные о других данных, данные о «данных» об информации (в пер. с греч. meta — выход за пределы) [1].

Технологии Big Data – это комплекс методов, инструментов и подходов к обработке информации, которые обеспечивают хранение, управление, структурирование, обработку и анализ гигантских массивов данных для дальнейшего прогнозирования и принятия решений.

Чтобы классифицироваться как «большие данные» информация должна обладать рядом характеристик [2]:

  1. Объем (англ. Volume) – более 150 Гб в сутки;
  2. Скорость (англ. Velocity) — большие данные накапливаются и регулярно обновляются, поэтому необходимы инструменты для их обработки в режиме онлайн;
  3. Разнообразие (англ. Variety) — многообразие типов данных, структурированных, неструктурированных или структурированных частично. Например, информация с датчиков о состоянии оборудования, данные с камер видео-наблюдения, финансовая информация.
  4. Достоверность (англ. Veracity) — самих данных и результатов обработки и анализа;
  5. Изменчивость (англ. Variability) – данные могут меняться под влиянием экономических и политических процессов, сезонности и др. факторов. Соответственно, чем стабильнее данные, тем проще с ними работать, а чем они динамичнее, тем сложнее становится аналитика и прогнозирование;
  6. Ценность (англ. Value) — значимость данных и возможность полезного использования могут быть различны, также они могут иметь разную сложность обработки.

Основная задача, которая стоит перед технологиями Big Data, заключается в обеспечении пользователя максимальной информацией о процессе или продукте, на основе которой можно принять обоснованное решение, учитывая возможные риски.

Исходя из конкретных потребностей использования выделяют четыре основных метода анализа Big Data [3]:

  1. Описательная аналитика (descriptive analytics), которая основана на сборе различных данных для выявления причин каких-либо явлений или определения закономерностей. Например, информация, получаемая с датчиков IoT-оборудования может указать на момент возникновения неполадок или нарушения в производственном цикле.
  2. Диагностическая аналитика (diagnostic analytics), используя методы классификации, корреляции выявляет причины произошедшего. Это помогает выявить какие факторы оказали наибольшее влияние на данное событие, установить случайные связи между действиями или процессами.
  3. Прогнозная или предикативная аналитика (predictive analytics), цель которой на основе имеющихся данных спрогнозировать, что произойдет в будущем. Здесь широко используются методы математической статистики, моделирование, интеллектуальный анализ данных (Data Mining) и др. Опираясь на прошлую информацию и текущие данные о работе оборудования, с помощью прогнозной аналитики можно определить срок замены комплектующих или заранее рассчитать дату предупредительного ремонта, что немаловажно в случае использования дорогостоящего оборудования.
  4. Предписывающая аналитика (prescriptive analytics). Ее цель – ответить на вопрос: «Что делать?». Искусственный интеллект, анализируя всю имеющуюся информацию, помогает найти пути решения конкретной проблемы, например, определить «узкие места» в производственном процессе, и предложить наиболее рациональный вариант их «расшивки».  

Все эти методы находятся в тесной взаимосвязи, образуя последовательную иерархию от самого простого метода описательной аналитики до предписывающей, которую можно реализовать только с помощью технологий Big Data. Каждый следующий уровень базируется на информации, полученной на предыдущем (рис. 1).

Одна из ключевых задач цифровизации промышленности – это реализация всего комплекса аналитики данных на основе современных BI-инструментов. Но несмотря на, казалось бы, очевидные плюсы от использования технологий Big Data, их внедрение в промышленной сфере идет сравнительно небольшими темпами. Так, в ходе исследования авторами был проведен опрос, в котором приняли участие 42 предприятия ЦФО РФ [4]. Среди них были как промышленные предприятия (45%), так и предприятия сферы услуг (55%). Опрос показал, что совсем небольшое количество предприятий использует продвинутую аналитику и большие данные (2,38%), облачные и аддитивные технологии (2,38%) (рис. 2).

Специалисты и эксперты в данной области объясняют это следующими причинами:

  1. Для внедрения этих технологий требуется детальная проработка бизнес-процессов;
  2. Предприятия не доверчиво относятся к хранению информации в «облаке», используя для этого в основном внутренние ресурсы, в то время как IT-разработчики инструментов на основе технологий Big Data чаще всего предлагают именно облачные хранилища;
  3. Отсутствие стабильности в экономике и не всегда благоприятный инвестиционный климат;
  4. Нехватка квалифицированных кадров, способных работать в сфере Big Data;
  5. Нежелание компаний, имеющих опыт по использованию BI-решений, делиться им с «новичками»;
  6. Также достаточно серьезным фактором, сдерживающим внедрение цифровых технологий, является отсутствие компетенций руководителей в области цифровизации.

В то время как внедрение BI-решений позволяет предприятиям добиться определенных преимуществ среди конкурентов:

  1. сократить величину незапланированных простоев и как следствие увеличить эффективность использования производственных активов;
  2. за счет прогнозирования и своевременного предотвращения поломок оборудования снизить затраты на его техническое обслуживание;
  3. повысить производительность труда;
  4. за счет более эффективного использования энергоресурсов уменьшить эксплуатационные расходы.

«Умная» аналитика обеспечивает прозрачность промышленных процессов. С ее помощью возможна реализация «предиктивного производства»: достаточно точное прогнозирование спроса на продукцию, а на его основе планирование необходимых ресурсов в нужном количестве.

 На наш взгляд, цифровая трансформация производственных процессов невозможна без разработки и внедрения BI-инструментов.
Предприятия, ориентированные на цифровизацию производства, инвестируют средства в разработку собственных систем аналитики больших данных или используют уже готовые решения. Конечно, любой из данных способов предполагает достаточно крупные финансовые вложения (по оценкам специалистов это от 1 до 10 млн. руб. в год [6]), что, на наш взгляд, для большинства средних и малых предприятий становится главной причиной отказа от внедрения технологий Big Data. Но тем не менее если руководство компании заинтересовано в актуальности, качестве и своевременности предоставляемой информации и готово принимать решения на основе «умной» аналитики, то средства, инвестированные в данные технологии, безусловно, окупаются достаточно быстро: в среднем по оценкам экспертов от 11 мес. до 1 года [6].

Список источников

  1. Что такое Big Data и почему их называют «новой нефтью» [Электронный ресурс]. – URL: https://trends.rbc.ru/trends/innovation/  (дата обращения 28.08.2021);
  2. Как подружить промышленность и big data [Электронный ресурс] – URL: https://habr.com/ru/company/croc/blog/466933/ (дата обращения 28.08.2021);
  3. Types of Analytics: descriptive, predictive, prescriptive analytics [Электронный ресурс] – URL: https://www.dezyre.com/article/types-of-analytics-descriptive-predictive-prescriptive-analytics/209 (дата обращения08.2021);
  4. Евдокимова Е.Н., Куприянова М.В., Соловьева И.П., Симикова И.П. Цифровая трансформация промышленности: проблемы управления, методология оценки: монография [Текст]. – Рязань: ОГБУ ДПО «РИРО», 2020. – 117 c.;
  5. Симикова И.П., Евдокимова Е.Н., Куприянова М.В., Соловьева И.П. Анализ внедрения цифровых технологий предприятиями ЦФО РФ [Текст] // Экономика и предпринимательство. – 2020. – № 9(122). – С. 1170-1174;
  6. http://www.tadviser.ru [Электронный ресурс] – URL: (дата обращения 28.08.2021);
  7. Kupriyanova M.V., Evdokimova E.N., Solovyova I.P., Simikova I.P. Metods of developing digital maturity models for manufacturing companies [Текст] // Topical Problems of Agriculture, Civil and Environmental Engineering, TPACEE 2020: E3S Web of Conferences. – Moscow, 2020. – P. 02034.
  8. Remane G., Hanelt A., Wiesboeck F. Digital maturity in traditional industries – an exploratory analysis. // Twenty-Fifth European Conference on Information Systems (ECIS), Guimarães, Portugal, 2017. – URL: https://www.researchgate.net/publication/316687803;
  9. Schumacher A., Erol S., Sihn W. A maturity model for assessing Industry 4.0 readiness and maturity of manufacturing enterprises. // Procedia CIRP 52 (2016) 161 – 166. DOI: 10.1016/j.procir.2016.07.040.

 References

  1. Chto takoye Big Data i pochemu ikh nazyvayut «novoy neftyu» [Elektronnyy resurs]. – URL: https://trends.rbc.ru/trends/innovation/ (data obrashcheniya 28.08.2021);
  2. Kak podruzhit promyshlennost i big data [Elektronnyy resurs] – URL: https://habr.com/ru/company/croc/blog/466933/ (data obrashcheniya 28.08.2021);
  3. Types of Analytics: descriptive, predictive, prescriptive analytics [Elektronnyy resurs] – URL: https://www.dezyre.com/article/types-of-analytics-descriptive-predictive-prescriptive-analytics/209 (data obrashcheniya 28.08.2021);
  4. Evdokimova E.N., Kupriyanova M.V., Solovyeva I.P., Simikova I.P. Tsifrovaya transformatsiya promyshlennosti: problemy upravleniya. metodologiya otsenki: monografiya [Tekst]. – Ryazan: OGBU DPO «RIRO». 2020. – 117 c.;
  5. Simikova I.P., Evdokimova E.N., Kupriyanova M.V., Solovyeva I.P. Analiz vnedreniya tsifrovykh tekhnologiy predpriyatiyami TsFO RF [Tekst] // Ekonomika i predprinimatelstvo. – 2020. – № 9(122). – S. 1170-1174;
  6. http://www.tadviser.ru [Elektronnyy resurs] (data obrashcheniya 28.08.2021);
  7. Kupriyanova M.V., Evdokimova E.N., Solovyova I.P., Simikova I.P. Metods of developing digital maturity models for manufacturing companies [Tekst] // Topical Problems of Agriculture. Civil and Environmental Engineering. TPACEE 2020: E3S Web of Conferences. – Moscow. – P. 02034.;
  8. Remane G., Hanelt A., Wiesboeck F. Digital maturity in traditional industries – an exploratory analysis. // Twenty-Fifth European Conference on Information Systems (ECIS), Guimarães, Portugal, 2017. – URL: https://www.researchgate.net/publication/316687803;
  9. Schumacher A., Erol S., Sihn W. A maturity model for assessing Industry 4.0 readiness and maturity of manufacturing enterprises. // Procedia CIRP 52 (2016) 161 – 166. DOI: 10.1016/j.procir.2016.07.040.

Для цитирования: Евдокимова Е.Н., Куприянова М.В., Симикова И.П., Соловьева И.П. Технологии Big Data как составляющие цифровой трансформации предприятий // Московский экономический журнал. 2021. № 10. URL: https://qje.su/ekonomicheskaya-teoriya/moskovskij-ekonomicheskij-zhurnal-10-2021-5/

© Евдокимова Е.Н., Куприянова М.В., Симикова И.П., Соловьева И.П., 2021. Московский экономический журнал, 2021, № 10.