Вестник цифровой трансформации CIO.RU

«РесурсТранс»: научиться доверять данным
«РесурсТранс»: научиться доверять данным




14:45 10.01.2019 (обновлено: 10:44 11.01.2019)  |  621 просмотров



Отслеживание транспорта с помощью спутников — далеко не панацея для эффективного управления крупным автопарком. Гораздо важнее наладить контроль качества данных и обеспечить доверие им для дальнейшего использования при управлении компанией.

Спутниковым мониторингом транспортных средств уже давно никого не удивишь — любая компания, обладающая серьезным парком техники, не пускает его на самотек и пытается наладить за ним контроль. Однако телематические инструменты способны решить далеко не все управленческие вопросы. Даже при успешной блокировке явных коррупционных схем открытым остается вопрос доверия данным и дальнейшего повышения эффективности компании. О контроле данных и об организации процесса их выверки рассказывает Леонид Кушнир, заместитель генерального директора по ИТ компании «РесурсТранс» и соискатель премии CDO Award.

- В чем заключаются вызовы, стоящие перед компанией?

Мы занимаемся транспортным аутсорсингом и управляем парком примерно из 10 тыс. единиц транспортных средств. Любой аутсорсинг всегда сопряжен с потребностью в снижении себестоимости. Приходится не только конкурировать с другими игроками рынка, но и предлагать услуги дешевле, чем предлагают внутренние транспортные подразделения. При этом нужно не нарушать законодательство и соблюдать требования безопасности. Мы должны находить всё новые и новые способы работать дешево, качественно и безопасно.

Сокращение издержек на транспорт было одной из приоритетных задач. Я взял на себя проект по использованию в этих целях инструментов телематики, углубился в него и стал детально разбираться. На стыке телематических и учетных платформ требовалось создать процесс, который позволил бы получать достоверные данные об эксплуатации транспорта и понесенных в связи с этим затратах.

- В чем особенность выбранного вами подхода?

Леонид Кушнир
Леонид Кушнир: «Система проверки пробега автотранспорта стала для нас пробным камнем и показала свою эффективность. Мы поняли, что такие решения себя оправдывают, и глядим дальше — нацеливаемся на самообучающиеся системы и нейросети»

Наш подход подразумевает глубокое погружение в детализацию процессов. Я много общаюсь с коллегами из транспортной отрасли и вижу, что они зачастую не до конца осознают сложившуюся ситуацию. Внедрив телематическую систему на базе какой-либо из существующих платформ, они считают, что у них все хорошо. Да, в этих системах на карте можно увидеть машины и их уровень топлива, и всё выглядит вроде бы нормально, но на самом деле картина не столь радужна. У компаний много данных, но их никто не проверяет. А проверять нужно, причем каждый день. Это несложно сделать, если предприятие невелико и директор сам готов разбирать инциденты с водителями. Но когда парк исчисляется сотнями или даже тысячами машин, между руководителем и водителями находится несколько управленческих уровней. На каждом из них данные искажаются из-за того, что менеджеры стремятся решить свои личные задачи. Возможен и прямой сговор водителей с начальниками колонн и участков с целью использования ресурсов в своих интересах.

- То есть дело не столько в том, что телематика врет, сколько в человеческом факторе, проявляющемся на разных управленческих ступенях?

Техническая погрешность тоже есть. Заявленная точность средств телематики — 4%, точность показаний одометра — до 20%. На показания приборов влияют загруженность машины, износ шин, погрешность самого одометра, рельеф местности, дорожное покрытие и пр. Поэтому разница между плановым и фактическим потреблением горючего может доходить до 20%. И это исключительно объективные факторы.

Есть и другие погрешности: например, если давление в шинах понижено, показания пробега увеличиваются на 5%. Подспустив колеса, водитель такой нехитрой манипуляцией вполне может обмануть технику. В транспортных компаниях машины проезжают минимум 5 тыс. км в месяц, и эти 5% превращаются во вполне ощутимую сумму.

Второй фактор — непосредственное воздействие на оборудование с целью накручивания показаний. К сожалению, в России это очень популярное занятие. При попустительстве руководства водитель может накрутить пробег до 100%, такие прецеденты случались неоднократно, и поэтому приходится исходить из того, что словам сотрудников не следует доверять. Причем манипуляции настолько профессиональны, что отследить их без помощи спутников невозможно. Требуются решения, способные автоматически контролировать правдоподобность цифр, заносимых в учетные системы.

- В чем проблема перехода на данные объективного контроля?

После принятия решения о том, что мы доверяем только данным спутникового мониторинга, пришлось пройти аудит в KPMG, который подтвердил, что так можно делать — у нас есть письмо от Министерства финансов, разрешающее принимать к учету пробег по системе ГЛОНАСС. Таким образом, появилась возможность принимать пробег от системы мониторинга.

Мы несколько раз пытались внедрить системы мониторинга, однако в реальности они не работали. Проблема кроется именно в расхождении данных. Сначала пробовали сверять показания, предоставленные водителем, с системой мониторинга. Диспетчеры, выявляя расхождения, считали показания мониторинга ложными и принимали показания от водителей, потому что «нет оснований им не доверять», прикрывались инструкциями и регламентами.

Мы ввели показатель качества работы системы — процент принятия пробега по системе ГЛОНАСС, то есть данных, которым мы полностью доверяем. Он не превышал 30%. Мы выезжали в филиалы и разбирались на местах, но переломить ситуацию не получалось.

Решили, что проверять данные должны независимые сотрудники, выделенные в отдельное подразделение — центр компетенций в Нижнем Новгороде, где 10 человек следили за пробегом транспортных средств. Но работа по-прежнему велась вручную: диспетчер, принимая путевой лист от водителя, связывался с центром компетенций и запрашивал информацию о достоверности пробега. В случае недостоверности данных оборудование считалось неработающим и создавалась заявка на его ремонт. Конечно, мы сразу столкнулись с тем, что водители стали ломать оборудование, пришлось организовывать быструю его поставку и замену. В результате этих усилий мы вышли на показатель достоверности данных 90%, а затем и 95%. Мы считаем, что это уже хорошо.

- На каком этапе возникло желание уйти от человеческого труда?

В пилотном центре компетенций работали 10 сотрудников со средней зарплатой 35 тыс. руб. Каждый из них может обрабатывать данные 50 машин, а у нас ежедневно выходят на линию 8 тыс. машин. При масштабировании проекта это означает наем 160 диспетчеров и колоссальные издержки на фонд оплаты труда.

Мы начали анализировать данные. Я проводил экспертную оценку закономерностей с целью роботизировать процесс сверки данных. В результате удалось разработать алгоритмы принятия решений, как совсем простые, так и довольно сложные — при тех или иных параметрах качества системы мониторинга, параметрах спутников, датчиков скорости.

Усилиями партнеров в телематическую платформу Wialon и учетную систему — собственную конфигурацию на базе «1С» — был встроен модуль по анализу качества данных. Проверка осуществляется не только по телематическим данным, но и по путевым листам и их последовательности, а также с учетом прежних инцидентов с водителем. Появляются «черные» и «серые» списки транспортных средств, анализируются прочие закономерности, и самые частые события не остаются без внимания.

Разработанную систему удалось масштабировать на 8 тыс. единиц транспортных средств. Теперь для сверки данных не нужно звонить в диспетчерский центр. Сам робот мгновенно дает ответ на вопрос, корректен ли пробег по системе мониторинга. У нас осталось лишь шесть диспетчеров, они обрабатывают спорные моменты. По нашим оценкам, лишь 2% показаний попадают в диспетчерский центр для принятия нестандартных решений, все остальные проверяются автоматически.

Не менее важно то, что радикально ускорились процессы. Раньше у диспетчера было два часа на обработку заявки вручную, и люди на местах были вынуждены ждать, не имея возможности закрыть документы. Приходилось тратить больше времени на выполнение своих обязанностей. Роботизация высвободила много времени.

- Каков достигнутый эффект?

Реализация проекта дала возможность снизить пробеги на 30%. Прямая экономия на топливе составила 470 млн руб. в год. Эффект превзошел ожидания. Мы рассчитывали на сокращение затрат хотя бы на 10%.

Сэкономленные средства пошли на дальнейшие ИТ-разработки и обновление парка машин. Обновление парка положительно сказывается на лояльности и клиентов, и водителей.

- В чем заключается роль этого проекта для развития компании?

Наши идеи удалось реализовать совершенно небольшими усилиями партнеров, наладивших интеграцию между системами и разработавших и вписавших ботов в наши системы. Теперь, если мы видим в каком-то регионе снижение уровня приема данных, это становится известно руководству и является поводом для разбирательств, заканчивающихся в том числе увольнением руководства филиала. Например, в астраханской автоколонне руководство сменили трижды, прежде чем показатель честности приблизился к среднему по стране.

Конечно, важно использовать получаемые данные в системе мотивации. При показателе качества данных ниже 95% руководство участков, автоколонн и филиалов автоматически лишается премий. Во многом благодаря этому удалось выйти на впечатляющие показатели экономии.

- А каким вы видите будущее интеллектуальных систем в вашей компании?

Внедрив систему мониторинга транспорта, мы получили данные, с которыми можно работать. Это стимулирует дальнейшую работу, направленную на их анализ. Только посредством роботизации, ускорения процессов и улучшения производительности труда в целом мы можем сделать услуги дешевле и качественнее. Система сама должна выполнять многие рутинные, а желательно и более сложные операции. Инструменты должны частично вытеснить человека.

Мы многое делаем для перевода процессов под управление роботами: налаживаем максимально детализированный учет, в том числе запчастей, анализируем поставщиков и эффективность работы с ними и формируем уровень доверия к ним. С помощью системы мониторинга мы контролируем, вовремя ли техника подана клиенту, создаем систему контроля загрузки водителей.

Система проверки пробега автотранспорта стала для нас пробным камнем и показала свою эффективность. Мы поняли, что такие решения себя оправдывают, и глядим дальше — нацеливаемся на самообучающиеся системы и нейросети.

Например, сейчас думаем о создании цифровых помощников руководителей, способных выступать консультантами. У нас много руководителей (например, почти 250 начальников участков), и их уровень подготовки различен. Многие недостаточно хорошо понимают свои показатели эффективности и не всегда владеют всеми существующими методами решения проблем. Разработанные роботы могли бы на базе опыта наших лучших специалистов подсказывать пути решения задач. После прохождения стадии «помощника» они естественным образом превратятся в полностью роботизированные системы, руководящие сотрудниками.


Теги: CDO Award RPA