ANALYSIS OF THE IMPACT OF BIG DATA TECHNOLOGIES ON THE PURCHASING ACTIVITIES OF OIL AND GAS INDUSTRY ENTERPRISES

Full Text

В ходе обзора существующего опыта внедрения технологий больших данных в закупочную деятельность и научных исследований, посвященных данной теме, было выявлено, что внедрение, в основном, осуществляется в следующие процессы закупочной деятельности: планировании потребности и управление запасами, анализ рынка и поставщика ТРУ.

Планирование потребности в ТРУ у предприятий нефтегазовой отрасли является одним из важнейших этапов не только закупочной деятельности предприятия, но и вышестоящего бизнес-процесса, управления цепочкой поставок. Для обеспечения точного и эффективного планирования потребности в закупках предприятиям необходимо не только понимать специфику внутренних производственных процессов, но и учитывать различные внешние факторы, в частности планирование спроса на продукцию предприятия. 

Внедрение технологий сбора, анализа и хранения больших данных в планирование потребности позволяет предприятиям находить закономерности, позволяющие более эффективно использовать трудовые и денежные ресурсы предприятия. Также использование технологий больших данных позволяет повысить точность прогнозирования спроса на продукцию предприятия, что позволит избежать дефицита или профицита МТО. 

Существует несколько подходов к прогнозированию спроса: 

- Количественный;

- Качественный;

- Комбинированный. 

В рамках количественного подхода планирования спроса в ТРУ традиционно используются такие методы прогнозирования, как: простые скользящие средние, взвешенные скользящие средние, экспоненциальное сглаживание, статистический анализ и т.д. Существенным ограничением данных методов является использование только исторической информации, располагаемой предприятием. В условиях динамично изменяющегося рынка нефтегазовых продуктов и его общей нестабильности использование традиционных методов прогнозирования может привести к неточным прогнозам, что скажется на эффективности закупочной деятельности и прибыльности предприятия в целом [1]. Качественный подход основывается на экспертных оценках, данный подход применяется в случае отсутствия исторической информации или сложных, неопределённых рыночных условий.

Наиболее распространенным подходом к освоению преимуществ больших данных в планировании потребности предприятия является единовременное использование как традиционных методов планирования потребности, так и методов анализа больших данных. 

Примером совместного использования традиционных методов и методов анализа больших данных может послужить статистический анализ, который является одним из самых распространенных методов анализа данных, данный метод основан на использовании статистических моделей для выявления закономерностей и тенденций. Использование статистического анализа совместно с технологиями анализа больших данных позволяет использовать не только исторические данные предприятия, но и данные, находящиеся в открытом доступе и в процессе постоянной актуализации. Использование технологий анализа больших данных позволит выявлять скрытые зависимости и корреляции, что позволяет предприятиям принимать управленческие решения, основанные полных данных и внедрять культуру принятия решений, основанных на данных (data-driven decision). 

Также предприятия внедряют технологии не только в отдельные инструменты планирования потребности, но и создают новые цифровые решения на основе традиционных методов анализа данных и технологий анализа больших данных.

Исследователи отмечают, что ряд предприятий разрабатывает или ищет готовые решения единой интегрированной платформы планирования, способной объединить данные из различных источников (систем ERP, MES, CRM, SCM, датчиков IoT и сети интернет), а также применять методы расширенной аналитики. Внедрение данной платформы совместно с технологиями анализа больших данных, предиктивной аналитики, в частности, и машинного обучения позволит увеличить скорость и точность планирования на 20-25% [2].

Многие исследователи отмечают, внедрение технологий сбора, анализа и хранения больших данных в планирование потребности позволит улучшить работу не только закупочных подразделений, но и логистических подразделений, складских управлений и т.д. [3-5]. Также существенный потенциал внедрения прослеживается в управлении цепочками поставок.

Качественный метод прогнозирования основывается на субъективном мнении внутренних или сторонних экспертов. Качественный метод не позволяет внедрить технологии в процесс прогнозирования.

В рамках комбинированного используются как методы количественного прогнозирования, так и качественного. Использование технологий анализа больших в данном подходе проявляется в стремлении компаний к созданию предприятиями решений, включающих в себя на начальном этапе продвинутую аналитику, дашборды, а на финальном этапе ИИ-ассистентов закупщика. Данные процесс уже начат во множестве компаний: BP, ММК, Сибур [6-8].

Результатом внедрения технологий анализа больших данных в планирование потребности в закупках предприятий стало развитие подхода к динамическому планированию, не только на уровне закупок, но и всего предприятия в целом. В процессе перехода предприятиями на новые модели планирования, перед компаниями появляется необходимость в решении ряда проблем: переосмысление текущих принципов закупочной деятельности, централизация закупочной деятельности, создание новых моделей сотрудничества с поставщиками, максимально возможная автоматизация закупочной деятельности. 

Следует отметить, что внедрение технологий анализа больших данных в закупочную деятельности и планирование потребности целесообразно в случае применения и других цифровых технологий, таких как автоматизация, интернет вещей, цифровые двойники.

На повышение эффективность закупочной деятельности помимо планирования спроса оказывает влияние и работа с запасами на предприятии, поскольку определение их объема зависит от прогнозируемого спроса и состояния рынка, связи с чем данный процесс также подлежит цифровизации для оптимизации процесса закупок.

Управление запасами – процесс закупочной деятельности, направленный на поддержание оптимального уровня запасов предприятием. Технологии сбора, анализа и хранения больших данных в данный процесс могут быть использованы для повышения качества и точности прогнозов потребности в запасах (используются те же технологии, что и в процессе “планирование потребности”); сбора и обработки данных складских служб, получаемых с помощью других цифровых технологий.

Эффективное управление поставщиками несет в себе значительную роль в обеспечении бесперебойности производственного процесса и экономической безопасности предприятия в целом. Выбор поставщика основывается экспертных оценках сотрудников предприятия, которые исходят из анализа совокупной цены, качества поставляемых ТРУ и анализа благонадежности поставщика. Данный подход к выбору поставщика несет в себе риски, связанные с человеческим фактором [9].

В академической литературе детально рассмотрены возможности применения машинного обучения и искусственного интеллекта в управлении поставщиками, обучение которых основывалось на больших данных или требовало их. 

В исследованиях Поцулина А.Д., Сергеевой И.Г. и Баклушинского В.В., Пустынниковой Е.В. была подтверждена эффективность использования методов машинного обучения (МО), основанных на анализе данных из открытых источников, для оценки благонадежности поставщиков [9-10]. В данных исследованиях также было отмечено, что точность оценки возрастет при обучении моделей на больших данных. Для оценивания использовались следующие методы: 

- Логистическая регрессия (статистическая модель, используемая для прогнозирования вероятности возникновения некоторого события;

- K-ближайших соседей (алгоритм классификации и регрессии, основанный на гипотезе компактности, предполагающая, что расположенные близко друг к другу объекты имеют схожие значения или принадлежат к одному классу);

- Древо решений (алгоритм машинного обучения, направленный на решение задач классификации и регрессии);

- Случайный лес (алгоритм, основанный на генерации множества древа решений и объединении их результатов для достижения точных прогнозов).

Методы машинного обучения используются для оценки благонадежности поставщиков на основе внешних данных сети интернет, такие как: отзывы, каталоги, отчетности предприятий, – данных, публикуемых государственными органами ФАС, ФНС России, и внутренних исторических данных, сформированных из опыта взаимодействия с поставщиками.  

Дальнейшие исследования также рассматривают использование технологий анализа больших данных для управления поставщиками в связке как с ИИ и МО, так и с традиционными инструментами, что отражается в создании новых подходов оценки и выбора поставщиков, ключевым из которых является мультиагентный подход.

Использование мультиагентного подхода к выбору поставщиков подразумевает под собой создание единой мультиагентной системы (МАС), состоящей из ряда агентов, конкурирующих или сотрудничающих друг с другом с целью минимизации издержек и получению максимальной прибыли от принимаемых решений для всей системы, где под агентом подразумевается автономное предприятие, способное и стремящееся к достижению поставленных целей в условиях внешней и внутренней неопределенности. Следует отметить, что использование МАС наиболее эффективно при сопутствующем анализе ТРУ поставщика. 

Выбор предлагаемого поставщика основывается на системах с нечеткой логикой, подтвердившей свою эффективность в исследовании Сарфараз, Яздиб и др., применивших систему нечеткой логики для выбора поставщиков нефтегазовыми предприятиями Ирана, а также исследование Гадини и Гасеми, посвященное оценки эффективности использования систем с нечеткой логикой для оценки поставщиков медицинского оборудования [11-13].

Для достижения эффективного управления поставками с использованием МАС необходимо определить агентов, оценки продукции и поставщика, а также типовые операции и взаимодействия агентов, происходящие в процессе закупочной деятельности.

Для анализа поставщиков и их ТРУ обычно выделяют следующих агентов: поставщик, менеджер по закупкам, структурное подразделение, база данных. На рисунке представлена формализованная структура МАС оценки поставщиков.

Рисунок. МАС оценки поставщиков.

Определение критериев выбора наиболее подходящего поставщика является первоочередной задачей не только для создания МАС, но и для эффективного функционирования предприятия в целом. Наиболее распространенным подходом к оценке поставщика и ТРУ является определение структурным подразделение, обладающего потребностью, точных характеристик ТРУ, после определение соответствия поставщика требованиям политики предприятия.

Интеграция МАС с системами ERP, MES, CRM, SCM и применение технологий автоматизации рутинных операций с методами нечеткой логики существенно повышает качество и скорость закупочных процедур, внедрение технологий сбора, анализа и хранения больших данных позволит анализировать не только исторические данные, но и отслеживать изменения, касающиеся ТРУ и поставщиков, а также позволит производить поиск и анализ поставщиков, с которыми предприятие не сотрудничало и не сотрудничает. 

Результатом внедрения технологий анализа больших данных в процесс анализа поставщиков и их ТРУ является возможность использования всех методов оценки поставщиков, повышение скорости выполнения процесса, повышение прозрачности и осуществление дополнительного поиска поставщиков из открытых источников. 

Следует отметить, что процедуры анализа и выбора поставщиков у предприятий нефтегазовой отрасли оцениваются как наиболее эффективные среди предприятий всех отраслей. что также подтверждается годовыми отчетами крупнейших отечественных нефтегазовых компаний.

Внедрение технологий анализа больших данных в закупочную деятельность сталкивается с рядом ограничений, среди наиболее распространенных выделяют следующие: низкая квалификация сотрудников, сложная и дорогостоящая инфраструктура, низкое качество данных.

Исходя из опыта предприятий данные ограничения не являются критичными. Предприятия решают проблему низкой квалификации сотрудников путем создания корпоративных университетов, проведения вебинаров и лекций для собственных сотрудников и сотрудников поставщиков. Решение проблемы сложности и дороговизны внедрения технологий сбора, анализа и хранения больших данных в закупочную деятельность осуществляется путем комплексности внедрения технологий в несколько бизнес-процессов или для ограниченной номенклатурной группы продукции, примером решения данной проблемы является компании Сибур и ММК, соответственно [14-15]. Примером успешного решения проблемы низкого качества данных является опыт BP, в рамках которого было успешно создано и сформирован единое хранилище всех данных компании [16].

В ходе анализа опыта внедрения технологий анализа больших данных в закупочную деятельность были выявлены и сформулированы основные цели, преследуемые и ожидаемые предприятиями:

- Повышение качества и скорости принятия управленческих решений;

- Повышение прозрачности бизнес-процессов;

- Снижение трансакционных издержек; 

- Повышение качества прогнозной аналитики;

- Повышение качества и безопасности поставок;

- Повышение качества отбора и оценки поставщиков.

Анализ внедрения технологий сбора, анализа и обработки больших данных на закупочную деятельность предприятий нефтегазовой отрасли показал высокий потенциал внедрения технологий, сопряженный со значительными финансовыми и трудовыми затратами. Внедрение технологий сбора, анализа и обработки больших данных оказывает существенное влияние на различные процессы закупочной деятельности, также требует совершенствования текущих подходов, разработки и внедрения новых.

About the authors

A. V. Arkhipov

Author for correspondence.
Email: artemarkhipov01@gmail.com

Graduate Student

References

Supplementary files