В эпоху цифровой экономики трансформация бизнеса неизбежна.

До недавних пор компании управляли традиционными активами — имуществом, деньгами, интеллектуальной собственностью. Цифровая эпоха принесла новый тип активов — данные. Как пишетEconomist, в XXI веке данные играют ту же роль, что нефть в XX-м   [14]. То есть стали главным фактором роста и перемен.

Мир становится цифровым, стирается переход между физической реальностью и виртуальной. Предприятия трансформируются вслед за изменениями в поведении потребителей, которые не выпускают гаджеты из рук. Онлайн-сервисы работают на данных, как машины на бензине. Искусственный интеллект обрабатывает большие данные в гигантских супермощных дата-центрах, порождая новые классы программных продуктов [16]. Радикально изменяются компании и конкуренция.

Афоризм «данные — это новая нефть» (англ. «data is the new oil») успелнабитьоскомину. Авторство цитаты приписывается британскому математику Клайву Хамби, разработавшему систему лояльности для торговой сети Tesco. Он произнес ее на конференции по маркетингу в 2006 году [14].

Благодаря интернету вещей источниками данных стали любые устройства — от тостера до авиационного двигателя. Теперь все, что мы делаем, — это генерируем данные. При этом, в интернете находится только 20% данных, остальные 80% хранятся в недрах компаний и организаций. Поэтому топ-менеджер IBM Дэвид Кенни считает данные валютой будущего [14]. Чтобы понимать, как данные изменяют компании, нужно знать, из каких компонентов они состоят, по какой технологии работают и что умеют делать.

Примерно каждые 20 лет цифровая революция меняет мир и приносит нам что-то качественно другое. Каждая проблема трансформации из набора конкретных новых технологий вызывает характерные изменения в экономике.

Исследования, стартовавшие в шестидесятых годах прошлого века, привели к появлению протокола TCP/IP, который позволил соединить миллиарды устройств по всему миру между собой. Подобная возможность породила множество новых технологий, информация и скорость ее передачи стали самым ключевым активом цивилизации… Мир навсегда изменился (рис. 1).

Цифровая трансформация в 1970-х и 80-х годах принесла нам интегральные схемы — крошечные процессоры и память на микрочипах, которые уменьшили размеры устройств и значительно ускорили вычисления. Инженеры смогли использовать программы компьютерного проектирования, менеджеры смогли отслеживать запасы в реальном времени, а геологи смогли различать страты и рассчитывать вероятность нефти. Экономике впервые была оказана серьезная вычислительная помощь. Наступил современный быстрый персональный расчет [2].

Следующая трансформация, проходившая  в 1990-х и 2000-х годах, привела нас к связи цифровых процессов. Компьютеры соединяются в локальные и глобальные сети посредством телефонной, или волоконно-оптической, или спутниковой передачи. Интернет становится коммерческим. В этот период появились веб-службы, а облако предоставило общие вычислительные ресурсы. Все внезапно стало находиться на связи со всем остальным. Именно в это время возникает виртуальная экономика взаимосвязанных машин, программного обеспечения и процессов, где физические действия теперь могут выполняться в цифровом виде.

Рисунок 1. Иллюстрированная хронология цифровой экономики [12].

Возможность быстрой передачи данных на расстоянии обрушилась на рядового человека тонной информационного контента, объять который ему было попросту неподвластно. Сейчас мы называем это все информационным шумом.

Кроме того, в этот период также возросло значение географического фактора. Расцветают офшоры, производство сконцентрировалось там, где оно было самым дешевым — Мексика, Ирландия, Китай — и ранее процветающие местные экономики развитых стран стали засыхать. Пришла современная глобализация, и это было очень связано с трансформацией по подключению компьютеров в глобальные сети.

В далеких шестидесятых прошлого века весь поток новостей сводился к пяти каналам эфирного телевидения и нескольким газетам, в которых печатались в основном локальные новости: даже у редакций этих газет не было доступа к глобальному информационному полю. Скорость жизни, а главное – потребления информации, была совершенно другой.

Теперь контент на нас валится отовсюду — электронная почта, телевизор, радио, социальные сети, мессенджеры, боты и наши друзья, которые потребили свою порцию информационного шума и обязательно должны ею поделиться. Жизнь превращается в калейдоскоп твитов, лайков, новостей и сообщений.

Третья трансформация –«Интернет вещей»  происходит сейчас. Эта трансформацияпринесла то, что сначала выглядело незначительным: дешевые и вездесущие датчики.  В итоге в сети оказались не только пользователи с маленькими экранами смартфонов, но и существа вообще без экранов — другие машины и датчики.

Концепция «Интернета вещей» (Internet of Things, IoT) появилась в 1999 году в Центре автоматической идентификации (Auto-ID Center) при Массачусетском технологическом институте (MIT) в рамках проекта для Procter&Gamble. Сотрудник этой компании Кевин Эштон предложил оптимизировать логистику корпорации с помощью радиочастотных меток (radio-frequencyidentification, RFID) [4].

Как говорит Википедия, «IoT – концепция сети физических объектов, которые взаимодействуют друг с другом без помощи человека. Они обмениваются данными, анализируют статистику, иногда даже самостоятельно принимают решения».

Прообразом интернета вещей стали системы промышленной автоматизации Ethernet [17].  Некоторые инженеры считают IoT чисто маркетинговым термином, в который переупаковывают давно известные технологии. [13]. Современный интернет вещей просто ускорил скорость передачи и обработки информации в существующих бизнес-процессах.

Суть заключается в том, что абсолютно любое устройство может обмениваться информацией с пользователем, а также с другим устройством, предоставляя  персонифицированный и отзывчивый сервис. [12]. По сути, это интернет, захватывающий реальный мир.

Концепция IoT проникла во все сферы жизни: системы для управления дорожным движением, подключённые автомобили, электросети, устройства для анализа медицинских показателей, бытовые приборы, пользовательские трекеры. Во многих областях применение интернета вещей уже сейчас очень успешно и экономически эффективно [4].

Интернет вещей  — это новая стадия развития интернета, когда к нему подключилось больше вещей, чем людей. Этот переход случился в 2008-2009 годах, когда количество устройств в сети обогнало численность населения Земли.Можно сказать, что мы уже живём в подключённом мире.  Аналитики рисуют экспоненты роста числа подключённых устройств.

Считается, что к 2025 году к глобальной сети будет подключено около 20 миллиардов устройств, что почти втрое превышает население мира. За последние два года такие устройства собрали 90 процентов данных, когда-либо выпущенных человечеством [6].

Известно, что основной поток информации генерируют не люди. Источником служат интеллектуальные устройства, находящиеся в постоянном взаимодействии друг с другом. Это приборы для мониторинга, сенсоры, системы наблюдения, операционные системы персональных устройств, смартфоны, интеллектуальные системы, датчики и прочее.

У нас есть радиолокационные и лидарные датчики, гироскопические датчики, магнитные датчики, датчики крови, датчики давления, температуры, расхода и влажности, десятки и сотни, объединенные в беспроводные сети, чтобы сообщить нам о наличии объектов, или химических веществ, или текущего состояния, или положения системы, или изменения ее внешних условий. Эти датчики принесли нам данные — океаны данных.

Мировой объем оцифрованной информации растет по экспоненте. По данным компании IBS, к 2003 году человеческая цивилизация со времени своего основания накопила 5 эксабайтов данных (1 ЭБ = 1 млрд гигабайтов). К 2008 году этот объем вырос до 0,18 зеттабайта (1 ЗБ = 1024 эксабайта), к 2011 году — до 1,76 зеттабайта, к 2013 году — до 4,4 зеттабайта. В мае 2015 года глобальное количество данных превысило 6,5 зеттабайта. К 2020 году, по прогнозам, человечество сформирует 40-44 зеттабайтов информации. [15]. Объем записываемых в мировые хранилища данных ежесекундно растет, а это означает, что такими же темпами должны изменяться условия хранения информации и появляться новые возможности для наращивания ее объема.

Внедрение интернета вещей стало возможным за счет широкого распространения интернета, смартфонов, беспроводных сетей, удешевления электронных компонентов и обработки данных. В результате, за последние десять лет стало заметно развитие интеллектуальных алгоритмов. Мы получили компьютерное зрение, способность машин распознавать объекты, обработку на естественном языке, способность разговаривать с компьютером так же, как и с другим человеком, перевод на цифровом языке, распознавание лиц, распознавание голоса, индуктивный вывод и цифровых помощников [2].

На практике IoT-системы обычно состоят из сети умных устройств и облачной платформы, к которой они подключены. К ним примыкают системы хранения, обработки и защиты, собранных датчиками данных.

Интернет вещей уже среди нас, просто мы этого иногда не замечаем. Ваш смартфон сообщает «Яндексу» о загруженности дорог, система рекомендует изменить маршрут, чтобы объехать пробку, — все это и есть IoT в действии. Телефон — это умный сенсор, сотовая сеть — это среда сбора данных, центр обработки данных (ЦОД) Яндекса — это облачный сервис их хранения и обработки [13].

Центральным интерфейсом для взаимодействия человека с «умными» устройствами интернета вещей стали мобильные приложения. Это видно на примере пользовательских продуктов. Например, «умная» зубная щётка. Где ещё, если не в телефоне, мы будем смотреть данные о качестве чистки собственных зубов? Можно варить кофе, не вставая с дивана в «умной» кофеварке или смотреть, что осталось в нашем «умном» холодильнике прямо из магазина. Но концепция проникает не только в b2c-сегмент.

Например, многие сети газопроводов уже обвешаны датчиками контроля, и инженерам недостаточно иметь единый центральный пункт управления – их нужно снабжать мобильными приложениями. Так они могут получать актуальные данные и взаимодействовать с системой «в полях».

Даже такие, казалось бы, консервативные компании как РЖД устанавливают датчики на участки путей, чтобы анализировать нагрузку на рельсы. И есть приложение, чтобы со всем этим работать [4].

Интернет вещей можно разделить на потребительский (b2c) и промышленный (b2b) сегменты. Ниже приведены различные ниши, которые относятся к IoT [13].

Интернет вещей в b2c:

• носимые устройства (wearables)
• умный дом (smart home)
• умная одежда
• smart TV
• умные девайсы для животных
• другое

Интернет вещей в b2b:

• умный транспорт (connectedcars) и беспилотники
• умныйгород (smart city)
• страховаятелематика (usage-based insurance)
• умные рабочие места
• умные электросети (smartgrid)
• умныезаводы (smart factory, industrial internet, IIoT)
• точное земледелие
• умные скважины (smartwell)
• геолокационный маркетинг, в том числе биконы
• умные склады
• другое

Что можно делать с помощью мобильных приложений с интернетом вещей?

• Наблюдать (показания приборов, датчиков, видео).
• Анализировать (строить графики и отчеты).
• Управлять (открывать/закрывать, включать/выключать, вызывать тревогу, передавать сообщения и совершать множество других действий) [4].

У любой «умной» техники, от бытовой до промышленной, имеются три ипостаси:

• физическая (механические и электрические детали),
• интеллектуальная (датчики, микропроцессоры, память, системы контроля, ПО, встроенная операционная система и цифровой пользовательский интерфейс)
• коннективная (порты, антенны, протоколы, сеть, которая обеспечивает связь продукта с его облаком на удаленных серверах и включает внешнюю операционную систему). [3].

Их соединение в одно целое породило их название —  «киберфизические устройства», и они стали основой «Индустрии 4.0».

Термин «Индустрии 4.0» появился в Европе: в 2011 году на одной из промышленных выставок в Ганновере Правительство Германии заговорило о необходимости более широкого применения информационных технологий в производстве. Стратегия превращения производственных предприятий в «умные», разработанная по итогам выставки, получила название «Индустрии 4.0». Позже термин стал использоваться как синоним четвертой промышленной революции. Суть в том, что материальный мир соединяется с виртуальным, в результате чего рождаются новые киберфизические комплексы, объединенные в одну цифровую экосистему. Здесь необходимо сделать небольшое историческое отступление.

После второй мировой войны возникла новая научная и техническая область – кибернетика. Это название было перенято у французского физика Андре Ампера. Еще в 1834 году, пытаясь дать всеобъемлющую классификацию наук, он назвал так предполагаемую науку об управлении человеческим обществом (древнегреческое слово «кибернетес» означает рулевой, кормчий).

Есть множество определений управления, от очень общих до очень конкретных. Одно из самых коротких: управление – это «воздействие на систему для достижения целей». Взаимодействие может быть разным от конфронтации, мягкого манипулирования до подчинения. Важно одно менеджер – субъект, добивающийся своей цели. Цели тоже могут быть разными, и они меняются со временем, но важно понимать, что в любой организации цели субъектов не всегда совпадают.

Единственный случай, когда все просто – частный предприниматель, который все делает сам: и продает, и обслуживает, и рекламирует, и ведет учет, и т.п. Только в этом случае управляющий субъект имеет всю полноту информации о своем предприятии и не испытывает сопротивления управляющим решениям. В общем случае ситуация будет немного другая (рис. 2).

Рисунок 2. Потоки информации при управлении организацией

Появляется дополнительный уровень подчиненности, который может быть сегментирован по управленческим функциям. И вот тут управление сразу сталкивается с фундаментальными проблемами – сбор информации, передача и обработка. [5].

В результате осмысления этих проблем позже были сформулированы несколько основных принципов построения «Индустрии 4.0», следуя которым промышленные предприятия со сложной структурой могут внедрять сценарии четвертой промышленной революции на своих предприятиях:

— Совместимость, что означает способность машин, устройств, сенсоров взаимодействовать и общаться друг с другом посредством интернета вещей (IoT).

— Прозрачность, которая появляется в результате такого взаимодействия. В виртуальном мире создается цифровая копия реальных объектов, систем, функций, которая точно повторяет все, что происходит с ее физическим клоном. В результате накапливается максимально полная информация обо всех процессах, которые происходят с оборудованием, умными продуктами, производством в целом. Для этого необходимо обеспечить возможность сбора всех этих данных с сенсоров и датчиков и учесть контекст, в котором они генерируются.

— Техническая поддержка, которая означает, что компьютерные системы помогают людям принимать решения благодаря сбору, анализу и визуализации всей той информации, о которой говорилось выше. Эта поддержка также заключается в полном замещении людей машинами при выполнении опасных, либо рутинных операций.

— Децентрализация управленческих решений, делегирование некоторых из них киберфизическим устройствам – четвертый принцип «Индустрии 4.0». Суть этого принципа состоит в том, чтобы автоматизация была настолько полной, насколько это возможно: везде, где машина может эффективно работать без вмешательства людей, рано или поздно должно произойти человекозамещение. Сотрудникам при этом отводится роль контролеров, которые могут подключаться в экстренных и нестандартных ситуациях [11].

Для «умной» продукции нужна новая многослойная инфраструктура. Поэтому IoT — не одна, а целый стек технологий. Это и создание датчиков, и множество протоколов их взаимодействия. Объекты могут общаться между собой через Wi-Fi, Bluetooth, LPWAN, BLE, Ethernet, RFID, ZigBee и другие виды беспроводной связи. Частным случаем интернета вещей является межмашинное взаимодействие (M2M).

По данным Википедии, стек (от англ. Stack – стопка) – абстрактный тип данных, представляющий собой список элементов, организованных по принципу LIFO. Понятие ввел в 1946 году Алан Тьюринг. Чаще всего принцип работы стекасравнивают со стопкой тарелок: чтобы взять вторую сверху, нужно снять верхнюю.

Итак, для создания и выпуска «умной» продукции для сервисных контрактов промышленным компаниям нужна многослойная инфраструктура — стек технологий. Это «железо», ПО, сетевые средства связи для поддержания коннективности, облако продукта (программы, выполняемые на удаленных серверах, средства защиты, шлюз для внешних источников информации и интеграции с бизнес-системами предприятия).Через этот стек идет обмен данными между продуктом и пользователем, он интегрирует данные из бизнес-систем, внешних источников и сопутствующих продуктов. Стек технологий — это и платформа для хранения и анализа данных, он запускает приложения и защищает доступ к продукту и потокам данных (рис. 3).

Благодаря такой инфраструктуре «умная» техника, во-первых, контролирует свою работу и передает производителю данные о своем состоянии и внешней среде, что позволяет хорошо понимать, как она функционирует (что важно в сервисных контрактах).

Во-вторых, сами пользователи через опции удаленного контроля могут отслеживать производимые оборудованием операции. Они теперь регулируют функции, качество работы, интерфейс оборудования и могут применять его в опасной для человека среде или в труднодоступных местах.

В-третьих, отслеживание данных и удаленное управление открывает новые возможности для оптимизации. Алгоритмы существенно улучшают работу техники, ее эксплуатацию, сроки службы, взаимодействие оборудования в более крупных системах вроде «умных» зданий и агрокомплексов.

Рисунок 3. Новый стек информационных технологий промышленного предприятия [9]

В-четвертых, все перечисленное обеспечивает автономность оборудования. Оно может самообучаться, адаптироваться к внешней среде и предпочтениям пользователя, обслуживать себя и выбирать режим работы [10].

Прежде чем оборудование «поумнело», главными источниками данных были совершаемые в самой компании операции и транзакции: обработка заказов, взаимодействие с поставщиками и потребителями, обслуживание клиентов и т. д. Дополнялись они информацией из опросов, исследований и т. п. Обрабатывая все эти данные, компании получали представление о потребителях, спросе и себестоимости продукции, но гораздо меньше узнавали о том, как она используется и функционирует. Каждое подразделение собирало и анализировало нужные ему данные и держало их при себе. Если кто-нибудь и делился данными (например, о продажах), то редко и весьма скупо.

Первостепенная задача для любой компании при сервисной бизнес-модели  – свести к минимуму затраты времени и сил клиентов на сервисную поддержку и перейти на скоростной ремонт любой сложности по удаленной связи.

Новые разработки позволяют организациям анализировать запросы клиентов и реагировать на них в режиме реального времени. Согласно исследованиям, скорость в решении проблем клиентов – второй по значимости критерий после качества сервиса [8].

Довольно долгое время основным инструментом взаимодействия клиентов и бренда был колл-центр. Сегодня, по данным исследований (например, Dimension Data), все больше и больше людей хотят общаться через цифровые каналы, а клиенты моложе 40 лет и вовсе общаются только в мессенджерах и социальных сетях.

Это и есть цифровая революция в сервисе – объем трафика в digital-каналах растет, а доля общения с клиентами по телефону сокращается. Организациям нужно перестраивать бизнес-модель и информационную архитектуру, обеспечивать мультиканальность в коммуникациях. В конечном итоге цифровизация клиентского сервиса повышает скорость ответа на запросы клиентов и делает общение более удобным.

Так, в сервисный центр Samsung по цифровым каналам сегодня поступает около 25% всех запросов, и ежегодно их число растет на 30%. Примерно через пять лет онлайн-каналы станут основным способом общения с клиентом, а онлайн-чаты заменят колл-центры. [8].

В настоящее время к традиционным источникам данных добавился еще один: сам продукт. Интеллектуальные устройства интернета вещей поставляют информацию — беспрецедентнопо объему и многообразию — в реальном времени. Данные наравне с людьми, технологиями,капиталом, как уже указывалось в начале статьи, стали одним из основных активов корпораций, а часто и самым главным.

Эти новые данные ценны сами по себе, но их значимость многократно возрастает, когда они сочетаются с другими — например, с информацией об истории обслуживания, нахождения складов, ценах на продукцию и схемах движения транспорта и другие.

Разработка этих данных значительно повышает эффективность аналитики, что ведет непосредственно к значительно более высоким уровням автоматизации — как процессов, так и, в конечном счете, решений. Умение извлекать информацию из данных становится залогом конкурентного преимущества, а сбор, анализ и обеспечение безопасности информации — новой важной задачей бизнеса.

Показатели каждого датчика, конечно, важны, но, выявляя закономерности в широком потоке данных, поступающих за определенное время с многих датчиков, производители делают настоящие открытия. Сведения с датчиков, фиксирующих, например, температуру мотора, положение дроссельной заслонки и расход топлива, могут объяснить, как работа двигателя зависит от технических характеристик автомобиля.Специалисты по анализу больших данных выявляют эти закономерности с помощью целого семейства новых методов. Полезно знать, какие показатели говорят о вероятных проблемах, и даже если истинную причину поломки выявить трудно, можно выявить закономерности. Показания датчиков, измеряющих тепло и вибрацию, могут задолго предупредить о поломке подшипника. Извлечь эту ценную информацию — задача аналитиков, обрабатывающих большие массивы данных.

В сущности, применение больших данных подразумевает все направления работы с огромным объемом самой разрозненной информации, постоянно обновляемой и разбросанной по разным источникам. Цель предельно проста — максимальная эффективность работы, внедрение новых продуктов и рост конкурентоспособности.

Технологию обработки больших данных (Big Data) можно свести к трем основным направлениям, решающим три типа задач:

• Хранение и перевод поступаемой информации в гигабайты, терабайты и зеттабайты для их хранения, обработки и практического применения.
• Структурирование разрозненного контента: текстов, фотографий, видео, аудио и всех иных видов данных.
• Анализ Big Data и внедрение различных способов обработки неструктурированной информации, создание различных аналитических отчетов.

Проблемы системы больших данных можно свести к трем основным группам: объем, скорость обработки, неструктурированности. Это, так называемые, три V — Volume, Velocity и Variety.

Хранение больших объемов информации требует специальных условий, и это вопрос пространства и возможностей. Скорость связана не только с возможным замедлением и «торможением», вызываемом старыми методами обработок, это еще и вопрос интерактивности: чем быстрее процесс, тем больше отдача, тем продуктивнее результат.

Проблема неоднородности и неструктурированности возникает по причине разрозненности источников, форматов и качества. Чтобы объединить данные и эффективно их обрабатывать, требуется не только работа по приведению их в пригодный для работы вид, но и определенные аналитические инструменты (системы).

Данные, генерируемые «умным» оборудованием, а также сопутствующие данные из самой компании и внешнего мира обычно не структурированы и поступают в разном формате: это, например, показания датчиков, координаты, температура, история продаж и другие (рис. 4). Прежние электронные таблицы или таблицы баз данных тут не годятся — в отличие от «озера данных», репозитория, в котором хранятся данные из различных источников в их первоначальном виде. Их можно изучать с помощью новых аналитических инструментов четырех категорий: описательных, диагностических, прогностических и предписывающих.

Рисунок 4. Структура больших данных на предприятия [10]

Искусственный интеллект (ИИ) нуждается в данных, он «берет» необработанные данные и превращает их во что-то полезное для принятия решений. Искусственный интеллект строит прогнозы на данных. Данные, которыми компания обычно обладает, либо накопила с течением времени, относятся к типу, используемому для создания механизмов прогнозирования, но не для их эксплуатации.

Имеющиеся у предприятия данные – это обучающие данные. Они используются для обучения алгоритма ИИ. Компании используют этот алгоритмом для получения прогнозов, которые влияют на действия субъектов управления. Именно в этом смысле данные представляют ценность, то есть являются той самой нефтью ХХI века [1].

Благодаря данным, поступающим от интеллектуального оборудования, промышленные предприятия, их клиенты и партнеры могут оптимизировать его работу. Сами устройства анализируют собираемые ими данные, этот простейший анализ дает общую картину. Более детальную – обеспечивает более детальный анализ данных, стекающихся в «озеро» вместе с данными из внешних и корпоративных источников.

Современные облачные сервисы выводят информационные технологии (IT) компаний на принципиально новый уровень.

Переход бизнеса на облачные решения уже не зависит от вида деятельности, отрасли, специализации. Это общий тренд, обусловленный с одной стороны потребностью в быстром масштабировании, а с другой – растущим функционалом и безотказностью виртуальных сервисов. Большинство бизнес-процессов так либо иначе задействует облачные инструменты. Общение с клиентами, внутренние коммуникации, бухгалтерия, документооборот – онлайн все становится проще и удобнее.

В связи с миграцией бизнеса в облака меняется фокусировка в работе IT-подразделений, а также роль и значение IT в стратегическом развитии компаний [19].

Чтобы извлечь максимум из всего богатства данных, генерируемых «умными» девайсами, в Агентстве передовых оборонных исследовательских проектов (DARPA) США придумали «цифровой двойник» — трехмерную виртуальную копию реальной вещи. По мере поступления данных двойник показывает  (воспроизводит),  как изменяется физический объект, как и в каких условиях, он функционирует. Как аватар реального продукта цифровой двойник позволяет специалистам компании визуализировать режим работы и состояние оборудования, находящегося очень далеко. Благодаря цифровым двойникам разработчики лучше понимают, как можно усовершенствовать конструкцию, производство, работу и техобслуживание оборудования [10].

Четвертая промышленная революция знаменуется тем, что любые произведенные предметы, будь то чайник или станок, становятся Smart Connected  Products – «умными» и подключенными продуктами. Этооткрывает новые возможности для производителей: дистанционное обслуживание, ремонт только при необходимости, сбор и анализ данных во время эксплуатации для совершенствования следующих модификаций. Главное изменение касается трансформация бизнес-модели производителей в сервисную модель.

Переход к сервисной модели стал возможен благодаря появлению новых технологий. Промышленный интернет вещей (IoT), который подразумевает использование датчиков в выпускаемом оборудовании, сделал возможным взаимодействие производителя с клиентом по этой модели. Но одних датчиков, конечно, недостаточно. Необходима инфраструктура связи, позволяющая снимать показания в любое время суток в реальном времени или близком к этому режиме. Данные передаются и обрабатываются информационной системой, которая является «мозговым центром» всего комплекса IT, поддерживающего сервисную бизнес-модель.

Система отвечает за то, чтобы вовремя, желательно заранее, выявлять неисправности и составлять план работы ремонтных бригад. Это позволяют делать ERP-системы нового поколения, например SAP S/4 HANA. Система работает на базе новейших технологий вычислений в оперативной памяти. Встроенные инструменты для работы с большими данными позволяют обрабатывать и интерпретировать в реальном времени огромные массивы информации, приходящей с промышленного оборудования.

Цена IoT-проекта для промышленных предприятий зависит от количества устройств, задач и сферы применения. На их реализацию обычно уходит от одного до трех месяцев. Чаще всего такие проекты подразумевают оплату подписки на облачный сервис, а не разработку и внедрение. Типовой бюджет для завода с 3-4 производственными линиями оценивается экспертами в районе 7-10 млн. рублей [13].

Изменения, которые происходят в промышленности под воздействием информационных технологий, позволяют значительно увеличить качество выпускаемой продукции и услуг. Это повышает лояльность и удовлетворенность клиентов. Производители тоже не остаются внакладе: новые подходы и бизнес-модели, которые рождаются в «Индустрии 4.0» позволяют им больше зарабатывать, а значит, инвестировать в улучшение продукции [11].

Развитие технологий уже сейчас позволяет использовать различные IoT-устройства в повседневной жизни. Разработки в этой области существуют и в России. [ 20].

Применение инноваций в традиционных, устоявшихся отраслях и предприятиях, где во главе угла стоит производственная и технологическая дисциплина, а любая неточность в эксплуатации пусть давно установленного, но дорогостоящего оборудования может привести к значительным потерям, имеет свою специфику [7, 17].

Внедрение новых технологий иногда занимает годы — это во многом объясняется культурными барьерами, в частности, боязнью брать на себя риски и экспериментировать. Работа с инновациями на действующих, устоявшихся предприятиях всегда сопряжена с рисками. Поэтому для них так важно разрабатывать врамках компании комплексную систему, которая, поощряя инициативу и эксперименты, в то жевремя управляет рисками.

Так вплотную занявшись темой цифровой трансформациив 2016 году, в начале 2017-го  в «Северстали» ввели должность директора по развитию цифровых технологий и сформировали, по их мнению, одну из самых сильных в российской промышленности диджитал-команд.Информационная архитектура «Северстали» (рис. 5) построена по принципам, изложенным в настоящей статье.

Рисунок 5. Информационная архитектура «Северстали»

На оборудовании металлургического производства «Северстали» установлены, по свидетельству генерального директора, десятки тысяч датчиков. Анализ информации с помощью датчиков, автоматизированных систем на крупных российских предприятиях, например таких как «Сибур», был всегда, но это не была цифровизация (big data, ИИ) поскольку использовался  другой математический аппарат[17].  В «Северстали» это огромное количество информации, которое в настоящее время используется лишь на 5%.

В 2017 году на металлургическом предприятии создали крупнейшее в российской индустрии хранилище данных Data Lake для сбора и хранения Петабайтов информации, которая раньше терялась. Совокупный размер хранилища только на собственных серверах  «Северстали» составляет 2Птб, также на предприятии планируют использовать облачные сервера.

Теперь для реализации проектов в области глубокой аналитики данных, машинного обучения и искусственного интеллекта диджитал-команда «Северстали» может обрабатывать и использовать до 50% всей информации, собираемой с помощью интернета вещей. Такие проекты уже реализуются. На финальных стадиях разработки в «Северстали»  находятся семь моделей и проектов с использованием больших данных — в таких областях, как предиктивный ремонт, оптимизация расходов сырья, оценка качества и предотвращение дефектов [7].

К примеру, в 2017 году была запущена в промышленную эксплуатацию предиктивная модель, позволяющая избегать отказов на стане горячей прокатки. Соответственно, значительно  были сокращены затраты от его простоев. С помощью модели анализируется поток данных с датчиков температуры, расположенных на стане, и на их основе формируется прогноз температурного режима на ближайший промежуток времени. Если показатели отклоняются от нормы, оператор получает соответствующее оповещение. Горизонта прогнозирования отказа достаточно, чтобы принять необходимые меры и предотвратить незапланированную остановку стана.

Только от семи реализуемых проектов предприятие ожидает эффект в размере около 300 млн. рублей в год.