Вопросы внедрения аналитических систем больших данных и других достижений цифровизации для повышения эффективности бизнеса горнодобывающих компаний
А.М. Балашов
Новосибирский государственный педагогический университет, г. Новосибирск, Российская Федерация
Горная Промышленность №3 / 2024 стр. 139-142
Резюме: В настоящее время цифровизация и широкое внедрение цифровых технологий значительно меняют деятельность людей во многих сферах. Цифровые технологии обеспечивают автоматизацию бизнес-процессов, управление данными, аналитику, поддерживают принятие стратегических решений и диктуют необходимость внедрения новых подходов к ведению бизнеса для повышения его эффективности и рентабельности, а также обеспечения устойчивости развития компаний в современных условиях. Особо следует сказать о внедрении технологий обработки и анализа больших данных и других достижений «Индустрии-4.0» в горнодобывающей промышленности. Применение аналитических систем больших данных в современном производстве, в том числе и в горной промышленности, обеспечивает комплексный подход к обработке и анализу большого количества информации, а также предоставляет организациям значительные преимущества, отражающиеся на различных уровнях управления и принятия стратегических решений. Перспективы внедрения и развития данных цифровых решений выглядят в настоящее время весьма обнадеживающими. Эффективное управление этими процессами предоставляет компаниям значительные возможности и преимущества, позволяя повысить конкурентоспособность, оптимизировать использование ресурсов и увеличить эффективность бизнеса в целом.
Ключевые слова: цифровая трансформация, технологии обработки и анализа больших данных, операционные расходы, горнодобывающая промышленность
Для цитирования: Балашов А.М. Вопросы внедрения аналитических систем больших данных и других достижений цифровизации для повышения эффективности бизнеса горнодобывающих компаний. Горная промышленность. 2024;(3):139–142. https://doi.org/10.30686/1609-9192-2024-3-139-142
Информация о статье
Поступила в редакцию: 16.04.2024
Поступила после рецензирования: 20.05.2024
Принята к публикации: 30.05.2024
Информация об авторе
Балашов Алексей Михайлович – кандидат экономических наук, доцент кафедры информационных систем и цифрового образования, Новосибирский государственный педагогический университет, г. Новосибирск, Российская Федерация; https://orcid.org/0000-0002-4264-2592; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Введение
В настоящее время цифровизация и широкое внедрение цифровых технологий значительно меняют деятельность людей во многих сферах. Цифровые технологии обеспечивают автоматизацию бизнес-процессов, управление данными, аналитику, поддерживают принятие стратегических решений и диктуют необходимость внедрения новых подходов к ведению бизнеса для повышения его эффективности и рентабельности, а также обеспечения устойчивости развития компаний в современных условиях.
В промышленности все более широко говорят о переходе к «Индустрии 4.0». Этот переход подразумевает внедрение следующих ключевых компонентов, которые существенно модернизируют производственные процессы [1, с. 49]:
– обработка больших данных, применение возможностей нейросетей и искусственного интеллекта;
– цифровая и дополненная реальность, которые значительно повышают эффективность многих технологических процессов;
– концепция Интернета вещей, организующая движение информации между некоторыми физическими объектами, имеющими необходимое технологическое оснащение;
– технология роботизации, которая замещает ручной труд в некоторых технологических процессах;
– облачные технологии, дающие возможности сбора и хранения информации, минуя физические носители.
Результаты
Индустрия 4.0 представляет собой цифровую трансформацию производства, и внедрение ее достижений позволяет обеспечить такие выгоды и возможности, как увеличение конкурентоспособности компаний, повышение производительности труда, автоматизация и оптимизация бизнес-процессов, снижение операционных расходов, улучшение условий труда и др. В контексте горной промышленности основной целью реализации данного направления является повышение производительности. В частности, сформулирована стратегическая цель достижения роста указанного показателя в пять раз, а также улучшения ключевых экологических критериев как минимум в 2–3 раза [2, с. 209]. Кроме того, возможности цифровой трансформации могут в некоторой степени нивелировать тенденцию повышения операционных расходов в горнодобывающей промышленности, которая наблюдается в последние десятилетия. Согласно оценкам экспертов в этой области за последнее десятилетие увеличение данного показателя составило порядка 90%.
Основные составляющие управления в этой перспективе включают в себя совершенствование и цифровую трансформацию технологических процессов с целью достижения максимальных результатов использования горнотранспортных средств и технологического оборудования. Горнодобывающие предприятия активно продолжают работать над повышением уровня прозрачности, возможностью оперативных ответных действий и усилением технологического контроллинга с использованием возможностей анализа информации. Согласно ожиданиям количество горнодобывающих предприятий, применяющих цифровые решения в сфере анализа информации, должно вырасти как минимум на треть [3, с. 31].
В европейских странах в течение длительного времени осуществляется активное создание специальных цифровых решений, которые позиционируются как «Горно-геологические информационные системы» (ГГИС). Они находят все более широкое применение в горнодобывающей индустрии. Существенное влияние на данный процесс оказало распространение ИКТ-технологий, программных продуктов и расширение инструментов программирования. Данные разработки пришли в нашу страну два десятилетия назад, при этом некоторые из них активно эксплуатируются на сегодняшний день горнодобывающими компаниями, геологоразведочными организациями, проектными и исследовательскими фирмами.
Одним из известных представителей горно-геологических информационных систем является ГГИС MINEFRAME. Структурные компоненты и функциональные характеристики ГГИС MINEFRAME обеспечивают возможность разработки компьютерных систем для инженерного сопровождения работ на открытых и в подземных горных объектах, которые могут адаптироваться к особенностям каждой горнодобывающей компании. Практически это означает формирование унифицированного виртуального окружения, способного в будущем поддерживать внедрение автоматизированных технологий в горнодобывающей индустрии [4, с. 64].
В рамках системного подхода, базирующегося на имитационных технологиях, комплексная технологическая система выступает в виде взаимосвязанных компонентов, которые моделируют характеристики физических аналогов. Это наиболее ярко видно при выполнении задачи проектирования подземных работ на участках с высоким напряжением. Здесь важно отметить, что технические решения обязаны подвергаться геомеханической оценке за счет наличия значительных рисков.
Идея, которая реализована с помощью инструментов описываемой информационной системы, состоит в применении итерационного подхода для выявления наилучшего технологического решения. Этот метод подразумевает перебор альтернативных вариантов с учетом показателя напряженно-измененного статуса горных образований. Итоги определения данного показателя можно представить графически при помощи модуля GEOTECH-3D, что предоставляет дополнительные данные для более глубокой аналитики. По завершении комплекса итераций выявляется экономически эффективная альтернатива, которая гарантирует безопасное осуществление производственных процессов. Также стоит отметить, что в процессе планирования работ итоги, представленные в GEOTECH-3D как участки микроразрушений, дают возможность определить реакцию горных образований на приложенные действия [5, с. 27].
Опыт эксплуатации ГГИС MINEFRAME на объектах отечественных горнодобывающих предприятий показывает ее способность эффективно адаптироваться под различные горно-геологические условия и объемы выполняемых работ. В настоящее время данная информационная система успешно внедрена на более чем 500 автоматизированных рабочих местах предприятий горной промышленности. Также необходимо отметить, что применение информационной системы MINEFRAME покрывает значительный спектр научных и коммерческих задач, в частности, в области аргументации применения определенных технологий выполнения открытых и подземных работ. Это включает в себя анализ технико-экономических аспектов методов добычи природных ресурсов. Реализация данных задач способствует расширению возможностей MINEFRAME, которая в настоящее время включает в себя более 200 инструментов для автоматизации многих аспектов геотехнологических процессов.
Особо следует сказать о внедрении технологий обработки и анализа больших данных в горной промышленности. Аналитические системы больших данных представляют собой комплексные информационные платформы, разработанные для эффективной обработки, анализа и интерпретации больших объемов данных, которые обычные методы неспособны эффективно обработать [6]. Основной целью таких систем является извлечение ценной информации из множества неструктурированных или слабоструктурированных данных, чтобы поддерживать принятие обоснованных решений в реальном времени.
Характеристики аналитических систем больших данных включают в себя следующее:
1. Масштабируемость. Эти системы спроектированы для обработки огромных объемов данных, растущих в объеме и сложности. Их архитектура предоставляет возможность масштабирования по объему данных без потери производительности.
2. Обработка в реальном времени. Аналитические системы больших данных обеспечивают способность обрабатывать данные немедленно, что позволяет компаниям быстро реагировать на изменяющиеся условия рынка и оперативно принимать стратегические решения.
3. Поддержка разнообразных данных. Эти системы предоставляют инструменты для работы с различными типами данных, включая текст, изображения, видео, структурированные и неструктурированные данные.
4. Методы анализа и машинного обучения. Аналитические системы больших данных интегрируют методы анализа данных и машинного обучения для выявления паттернов, трендов и закономерностей в больших объемах информации.
5. Интеграция и хранение данных. Системы предоставляют средства для интеграции данных из различных источников и обеспечивают их хранение в удобном и доступном формате.
6. Гибкость и настраиваемость. Аналитические системы должны быть гибкими и легко настраиваемыми под конкретные потребности предприятия, позволяя аналитикам создавать персонализированные отчеты и аналитические инструменты [6].
Применение аналитических систем в современном производстве, в том числе и в горной промышленности, предоставляет организациям значительные преимущества, отражающиеся на различных уровнях управления и принятия стратегических решений. Одним из основных преимуществ является улучшение качества принятия решений благодаря возможности анализа больших объемов данных. Эти системы обеспечивают комплексный анализ информации, что позволяет выявлять тенденции, паттерны и важные зависимости, положительно влияя на точность и обоснованность стратегических шагов.
Еще одним существенным преимуществом является способность предоставлять в реальном времени актуальную информацию для поддержки оперативных решений. Аналитические системы обеспечивают мгновенный доступ к данным, что позволяет бизнес-лидерам оперативно реагировать на изменяющиеся условия рынка, минимизировать риски и максимизировать возможности.
Другим важным преимуществом является повышение эффективности бизнес-процессов. Аналитические системы автоматизируют процессы анализа данных, сокращая время, затрачиваемое на получение информации, и обеспечивая более эффективное использование ресурсов компании. Это также содействует улучшению общей операционной производительности.
Кроме того, аналитические системы играют важную роль в выявлении новых бизнес-возможностей. Анализ данных позволяет выявлять неочевидные тенденции, рыночные пробелы и потребности клиентов, способствуя более инновационному подходу к развитию продуктов и услуг [7]. Таким образом, использование аналитических систем становится стратегическим преимуществом, обеспечивающим более осознанный и эффективный управленческий подход в современном бизнесе.
Технологии обработки и анализа больших данных представляют собой ключевой аспект современной информационной архитектуры, ориентированной на эффективное управление и анализ объемных и разнообразных данных. Одной из важнейших технологий в этой области является распределенное хранение данных. Системы, например, такие как Apache Hadoop, обеспечивают распределенное хранение и обработку данных через кластеры серверов, обеспечивая высокую надежность и возможность обработки данных в объемах петабайт и более.
Технологии обработки потоков данных, такие как Apache Kafka, предоставляют инструменты для обработки данных в режиме реального времени. Это позволяет компаниям оперативно реагировать на события и изменения, что критично для бизнеса в условиях быстро меняющейся окружающей среды.
Для эффективного анализа данных применяются технологии обработки в памяти, такие как Apache Spark. Они позволяют проводить сложные вычисления и анализ больших объемов данных в реальном времени, обеспечивая высокую скорость выполнения задач 1.
Технологии машинного обучения также стали неотъемлемой частью арсенала анализа больших данных. Библиотеки и платформы, такие как TensorFlow и scikitlearn, предоставляют средства для разработки и реализации моделей машинного обучения, что позволяет автоматизировать процессы прогнозирования и классификации [8].
Заключение
Современные аналитические системы больших данных играют важную роль в повышении конкурентоспособности и улучшении бизнес-процессов, обеспечивая компаниям возможность извлекать ценную информацию из множества данных. Данные технологии обеспечивают комплексный подход к обработке и анализу данных, позволяя горнодобывающим предприятиям извлекать ценные знания из больших объемов информации и принимать обоснованные решения в условиях динамичной и конкурентной бизнес-среды. В подтверждение этого в работе [9, с. 39] приводятся следующие усредненные результаты от процесса внедрения цифровых технологий на горнодобывающих предприятиях:
– увеличение прибыли благодаря повышению производительности и сокращению расходов составляет приблизительно 10–15%;
– рост объемов производства при сокращении времени простоя технологического оборудования достигает в среднем 10–15%;
– увеличение скорости процессов разработки в 1,5– 2 раза;
– сокращение расходов на реализацию физических тестов продукции составляет от 50 до 70%;
– уменьшение расходов на менеджмент логистических цепочек на уровне 20–30%;
– оптимизация технологических процессов, которая ведет к сокращению расходов приблизительно на 30%.
Таким образом, перспективы внедрения и развития данных цифровых решений выглядят весьма обнадеживающими. Эффективное управление этими процессами предоставляет компаниям значительные возможности и преимущества, позволяя повысить конкурентоспособность, оптимизировать использование ресурсов и увеличить эффективность бизнеса в целом.
Список литературы
1. Кабалдин Ю.Г., Шатагин Д.А., Аносов М.С., Колчин П.В. Разработка цифровой модели (двойника) механообрабатывающего предприятия. Journal of Advanced Research in Technical Science. 2019;(13):45–54. https://doi.org/10.26160/2474-5901-2019-13-45-54 Kabaldin Yu.G., Shatagin D.A., Anosov M.S., Kolchin P.V. Development of a digital model (twin) mechanical-processing enterprise. Journal of Advanced Research in Technical Science. 2019;(13):45–54. (In Russ.) https://doi.org/10.26160/2474-5901-2019-13-45-54
2. Стадник Д.А., Габараев О.З., Стадник Н.М., Григорян К.Л. Повышение качества цифровых «двойников» горнодобывающих предприятий на базе стандартизации атрибутивного наполнения технологических 3D-моделей в ГГИС. Горный информационно-аналитический бюллетень. 2020;(11-1):202–212. https://doi.org/10.25018/0236-1493-2020-111-0-202-212 Stadnik D.A., Gabaraev O.Z., Stadnik N.M., Grigoryan K.L. DIgital twin quality improvement for mines through standardization of attribute content for 3D GIS-based geotechnical modeling. Mining Informational and Analytical Bulletin. 2020;(11-1):202–212. (In Russ.) https://doi.org/10.25018/0236-1493-2020-111-0-202-212
3. Паршина И.С., Фролов Е.Б. Разработка цифрового двойника производственной системы на базе современных цифровых технологий. Экономика промышленности. 2020;13(1):29–34. https://doi.org/10.17073/2072-1633-2020-1-29-34 Parshina I.S., Frolov E.B. Development of a digital twin of the production system on the basis of modern digital technologies. Russian Journal of Industrial Economics. 2020;13(1):29-34. (In Russ.) https://doi.org/10.17073/2072-1633-2020-1-29-34
4. Казаков О.Д., Азаренко Н.Ю. Цифровые двойники бизнес-процессов: пространственно-временной слой. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2022;(4-2):60–67. Режим доступа: http://www.nauteh-journal.ru/files/226ea44d-e800-4265-bfb4-7d06410ca7e7 (дата обращения: 12.04.2024). Kazakov O.D., Azarenko N.Yu. Digital twins of business processes: spatio-time layer. Modern Science: Actual Problems of Theory and Practice. Series: Natural and Technical Sciences. 2022;(4-2):60–67. (In Russ.) Available at: http://www.nauteh-journal.ru/files/226ea44d-e800-4265-bfb4-7d06410ca7e7 (accessed: 12.04.2024).
5. Пономарев К.С., Феофанов А.Н., Гришина Т.Г. Стратегия цифрового двойника производства как метод цифровой трансформации предприятия. Вестник современных технологий. 2019;(4):23–30. Ponomarev K.S., Feofanov A.N., Grishina T.G. Strategy of a digital twin of manufactory as a method of digital enterprise transformation. Vestnik Sovremennykh Tekhnologii. 2019;(4):23–30. (In Russ.)
6. Силен Д. Основы Data Science, Big Data. Python и наука о данных. М.: Питер; 2017. 354 c.
7. Михнев И.П., Челнокова А.Д., Реут А.Д. Технологии Big Data и их применение в сфере современного высшего образования. В кн.: Развитие современного образования: от теории к практике: материалы 4-й Междунар. науч.-практ. конф., Чебоксары, 19 марта 2018 г. Чебоксары: ЦНС «Интерактив плюс»; 2018. С. 14–18. https://doi.org/10.21661/r-470090
8. Фрэнкс Б. Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики. М.: Альпина Диджитал; 2014. 370 c.
9. Доррер М.Г. Реализация цифрового двойника бизнес-процессов на базе системы ELMA. ИТНОУ: Информационные технологии в науке, образовании и управлении. 2021;(1):35–43. Dorrer M.G. ELMA-based digital business process double. ITNOU: Informatsionnye Tekhnologii v Nauke, Obrazovanii i Upravlenii. 2021;(1):35–43. (In Russ.)
