Develop yourself

Новости Volvo Trucks

Каждый десятый грузовик в РФ регистрируется на физлицо

АВТОСТАТ (autostat.ru) 26.07.2019 14:28https://www.autostat.ru/news/40206/За 5 месяцев 2019 года объем рынка новых грузовых автомобилей в России составил 29,5 тыс. единиц. 90% от данного количества пришлось на юридические лица (26,7 тыс. шт.) и только 10% – на физические (2,8 тыс. шт.). Такие данные содержатся в отчете ” Ежемесячная статистика учета ТС на балансе юридических лиц в России “, подготовленном специалистами аналитического агентства “АВТОСТАТ”.

Модельная структура предпочтений грузовых автомобилей у физических и юридических лиц тоже заметно отличается. Так, у “физиков” самой популярной моделью является GAZ Gazon NEXT, который за 5 месяцев разошелся тиражом в 515 экземпляров. За ним располагается KAMAZ 43118 (167 шт.), а замыкает тройку лидеров Volvo FH (153 шт.).

У “юриков” же GAZ Gazon NEXT по закупкам оказывается только на четвертом месте, а выше него находятся сразу три представителя Камского автозавода: KAMAZ 43118 (2 422 шт.), KAMAZ 5490 (1 963 шт.) и KAMAZ 65115 (1 961 шт.).

“Хороший результат – это когда предприятие готово жить по тому сценарию, который был сформирован в цифровом двойнике”, SAS

BigpowerNews.ru 26.07.2019 15:40http://www.bigpowernews.ru/news/document89141.phtmlЦифровой двойник предприятия – тема, набирающая обороты не только на российском, но и на международном рынке. В этом году в рамках SAS Forum Russia 2019 ей впервые была посвящена отдельная секция, где были представлены реализованные в этом направлении проекты. О том, что такое цифровой двойник, как его внедрять и что это дает компании, рассказывает Андрей Свирщевский, руководитель группы стратегических инициатив, SAS Россия / СНГ 

Промышленность, как правило, во внедрении новых аналитических инструментов идет во втором эшелоне.Первыми обычно их применяют банки, телеком и некоторые другие отрасли, а индустрия подтягивается позднее. Почему в случае с цифровым двойником все наоборот, ведь и для банка такая модель не была бы лишней? 

Причина в том, что в промышленности более детерминирована технологическая цепочка, ее проще смоделировать. Часть моделируется физико-математическими моделями, часть – нормативами, а в банках, телекоме, страховании и т.п. гораздо больше стохастики, сильнее сказывается случайный фактор, поскольку многое завязано на поведении людей. Клиент может прийти или не прийти, вернуть кредит или не вернуть, откликнуться на кампанию или нет. Получается, что маркетинг, как основная доходная составляющая, зависит от случайных процессов, а они сложнее поддаются верхнеуровневому моделированию. Нельзя просто сказать: “Мы можем выделить на маркетинг на 10% бюджета больше, и тогда на уровне всей компании произойдет то-то и то-то”.

В производстве с этим чуть проще. Что смешал, то и получил. Можно более точно прогнозировать результат своих действий. Конечно, определенные закономерности есть в банках и телекоме. Но там не применяется термин “цифровой двойник”, поскольку пока нет комплексных end-to-end моделей. В целом я считаю, что в горизонте 2−3 лет банки, телеком и страхование подойдут к созданию цифрового двойника предприятия. Первые проработки анализа взаимосвязей и моделирования поведения ключевых показателей эффективности мы делали для одного крупного банка в России еще несколько лет назад.

Это если речь идет о цифровом двойнике предприятия. Что касается цифрового двойника оборудования, то его роль в процессах банка заметно меньше, поэтому и двойник, допустим, сервера, был бы менее эффективен, чем цифровой двойник 500−тонной мельницы в цикле измельчения золотосодержащей руды. Конечно, банки и тем более телеком диагностируют и мониторят состояние своего оборудования, просто у них нет понятия “цифровой двойник”. Цифровые двойники конкретных процессов уже существуют, просто называются по-другому.

Важно понимать отличия “цифрового двойника предприятия” от “цифрового двойника оборудования”. Цифровой двойник предприятия моделирует процессы организации в комплексе, с детализацией, как правило, в месяц на несколько лет вперед. То есть это более широкая, но менее детальная модель. 

Цифровой двойник оборудования предполагает более глубокое моделирование поведения конкретного оборудования или технологического процесса. Цель – повышение эффективности оперативного и тактического управления. В рамках цифрового двойника оборудования система может подсказать, в какие дни, часы и в каких режимах нужно проводить различные операции.

Есть ли запрос со стороны предприятий на такие решения, как цифровой двойник, или к ним еще нужно идти и объяснять, что это и зачем это нужно? 

Если мы говорим про цифровой двойник оборудования, то сейчас это заметный тренд. Да, пока нет устоявшегося понимания функций, и каждый раз приходится синхронизировать видение, но в целом всем все ясно. Что касается цифрового двойника предприятия, здесь у большинства нет целостного понимания, и часто требуется объяснение, что это такое и зачем нужно. Например, некоторые под цифровым двойником предприятия понимают цифровой двойник оборудования, который сделали для целого цеха, но на самом деле цифровой двойник предприятия – это еще и управленческо-финансовая модель. Она более широкая и обязана связывать производственные и финансовые показатели как минимум предприятия, а желательно и группы компаний.

Насколько окупаемы так называемые точечные двойники, когда моделируется не все предприятие а какой-то отдельный небольшой сегмент? Не проще ли применять уже известные инструменты вместо дополнительных инвестиций? 

Моделирование отдельной области деятельности предприятия тоже окупается. Особенно, если для сегментного внедрения цифрового двойника предприятия выбрана та область, в которой вы видите реальный потенциал повышения эффективности. Однако отсутствие полного видения многого лишает. То есть, вы не можете посмотреть, как изменение стратегии обслуживания конкретного типа оборудования повлияет на консолидированные показатели холдинга. Или как производственная программа и ТОиР могли бы подстроиться друг под друга. Но, в целом, влияние на конкретную статью бюджета вы увидите. Это тоже хорошо. Этого может быть достаточно для окупаемости.

Как и чьими силами выстраивается цифровой двойник, если предприятие решает его внедрить? Сколько времени на это требуется? Через какой период он выходит на уровень окупаемости? 

Со стороны предприятия необходимы совместные усилия всех основных направлений деятельности. Чуть чаще инициаторами выступают финансисты, так как стратегические цели, как правило, финансовые. Поэтому именно финансовое подразделение заинтересовано в том, чтобы сделать процессы прозрачнее и эффективнее. Помимо них, нужна рабочая группа с представителями всех основных подразделений – от маркетинга и продаж до производства. Необходимо будет прописать или выработать пути к расчету с помощью математической статистики для десятков, иногда сотен взаимосвязей, между разными областями деятельности. Определить технологические или бизнес ограничения для 6−7 оптимизационных задач, которые будут вырабатывать оптимальный сценарий жизни компании.

Сначала обычно берется производственная программа и общий бизнес-план на следующий год, а лучше на пять лет, смотрится их детализация, обсуждаются области, которые хотелось бы проработать более детально. Далее идет адаптация нашей типовой модели предприятия, состоящей из порядка 200 справочников. Добиваемся, чтобы контуры модели предприятия соответствовали тем производственным и финансовым показателям, которые есть в бизнес-плане. Эти модели дополняются и детализируются, основное внимание уделяется тем точкам процессов, где от цифрового двойника ожидается применение математической оптимизации и выработка рекомендаций. Это делается для ключевых параметров управления организацией – финансовых и производственных.

Что касается источников данных для дальнейшего поиска взаимосвязей и построения прогнозов, то они могут быть самими разными – от статистических нормативов на основе анализа фактических показателей до усредненных значений по индустрии в целом. Немаловажную роль играет экспертное мнение людей на конкретном предприятии. На одном из проектов нам пришлось пережить несколько итераций в проработке интерфейса, чтобы пользователям было максимально удобно вносить экспертные правки.

Понятно, что все предприятия разные, технологическая цепочка у всех разная, так что про сроки однозначно ответить сложно. При условии, что у предприятия все данные и статистика по работе различных процессов аккуратно сохраняются, то для оцифровки одного предприятия в новой для нас отрасли требуется от 6 до 12 месяцев. Создание модели для консолидированного уровня группы компаний – тоже от 6 до 12 месяцев. Модули Стратегия, ТОиР, Персонал, Материалы и реагенты, Закупки, Инвестиции, Финансовые ресурсы и Плановые финансовые формы (система выдает как часть сценария жизни предприятия привычные финансистам P&L, Движение денежных средств и Баланс) – по сути однотипные для предприятий из самых разных областей, поэтому перенастраиваются во многом подгрузкой справочников. За счет этого тиражируемость имеющейся базовой модели оценивается в 30−70%. С наработкой базы моделей такие модули, как Производственная программа и Маркетинг, тоже станут легче адаптируемы.

Поговорим про окупаемость. Цель модели – повысить прозрачность, предсказуемость последствий и управляемость процессов. Все заинтересованные участвуют в проверке модели предприятия и, если видят в ней недостатки, влияют на корректировки. Кстати, во многом уже поэтому многие считают, что даже сам процесс внедрения очень полезен, поскольку уже на этом этапе идет статистическая перепроверка того, как применяются нормативы, учитывается мнение большого количества экспертов, устанавливаются взаимосвязи, вскрываются узкие места в работе и нащупываются основные точки возможного повышения эффективности. Таким образом, первый эффект возникает еще в процессе внедрения. Как только создаются первые сценарии в процессе опытной эксплуатации точечно финансисты и стратеги также могут начать задавать определенные вопросы производственникам и откорректировать бюджет. Производство может рассчитать эффективность для первых инвестиций и обосновать их финансистам. Как правило, в ближайшую осень после передачи двойника в продуктив, утверждается бизнес-план на следующий год, и тогда возможностей для окупаемости становится еще больше для всех подразделений. Но это все еще сценарий, план, реальная выгода наступит, только если по нему жить, т.е. в полной мере еще через год.

Насколько подготовленным с точки зрения аналитики должен быть пользователь, чтобы работать с цифровым двойником ?

Так как цифровой двойник выдает некую идеальную с математической точки зрения картину мира, хорошо, если пользователь хотя бы примерно понимает принципы ее построения. Например, у нас на проекте возникал вопрос: “Почему мы привыкли работать с кредитами раз в полгода-год, а система предлагает каждый месяц ходить в банк?”. Да потому что в этом случае, чисто математически, предприятие заплатит меньше процентов. Другое дело, что величины столь маленькие, что ради них иногда не стоит тратить силы и время. То есть люди должны понимать, что математически так будет эффективнее, а стоит ли это затрат других ресурсов – времени, внимания, усилий – это уже решать человеку. С этим пониманием они приходят к нам, к разработчикам, с пожеланием заложить некую стоимость процесса взятия каждого кредита, чтобы система не предлагала ради выгоды в 50 рублей прилагать усилия, занимаясь лишней бумажной работой. Таким образом, понимание математической природы модели позволяет людям эффективнее поставить задачу системе.

С другой стороны, априори никакая аналитическая подготовка не нужна. Пользователь вводит параметры в свой прорабатываемый сценарий, а потом смотрит результат в понятном ему формате. Вся аналитика зашита глубоко внутри. Для освоения интерфейса достаточно нескольких дней обучения, которое мы всегда проводим в рамках проекта внедрения.

Какой процент погрешности существует при принятии решений и планировании с помощью цифрового двойника? За счет чего он возникает? 

Все очень индивидуально, поскольку погрешность возникает из-за того, что математическая модель не может учесть всех аспектов жизни предприятия. Если есть точечная работа по обслуживанию, с которой справится только конкретный специалист, или если есть работа, которую лучше сейчас не выполнять, то это не будет учтено. Это происходит из-за того, что жизнь оказывается сложнее, чем модель. Поэтому погрешность, особенно первое время, будет. С годами уточняются все нюансы жизни предприятия, повышается точность. Из-за этого мы и говорим, что модель должна непрерывно развиваться, детализироваться и адаптироваться под точечные аспекты жизни конкретного предприятия.

Есть первичная математическая рекомендация, которую выдала модель. Дальше в дело вступает пользователь, у которого есть экспертное мнение. Он может перезапустить модель с учетом введенной им информации. Соответственно, есть первичная точность, где работает чистая математика, а есть вторичная, которая учитывает экспертное мнение пользователя.

Я бы сказал, что при самом первом внедрении неплохим считается показатель точности 80% на выходе, то есть погрешность около 20%. Хороший результат – погрешность не выше 10%. По точности после работы пользователя: 90% – это терпимый результат. Хороший результат это когда все ключевые представители корпоративного центра и дочерних предприятий готовы жить по тому сценарию, который был сформирован в цифровом двойнике.

Можете ли вы привести примеры успешных кейсов по внедрению цифрового двойника? 

Если мы говорим про цифровой двойник предприятия, то совсем свежий масштабный кейс на территории СНГ – это КазАтомПром, мировой лидер по добыче урана. Компания внедрила цифровой двойник для первых четырех дочерних обществ по добыче, охватив все области их деятельности, хотя и с разной детализацией. В целом, модели покрывают все ключевые процессы и показатели – от первичного прогнозирования объема добычи для каждого техблока (группы скважин) до итоговых финансовых показателей. Для этого сначала нужно понимать, какой потенциал заложен в земле, для чего прогнозируем потенциальный объем добычи. Ключевой момент производственной программы – график активации технологических блоков, который обеспечит необходимый уровень добычи в каждый отдельный месяц до конца отработки месторождения. Дальше нужно оптимально запланировать все ремонтно-восстановительные работы, работы по обслуживанию любого оборудования, а не только скважин, все ресурсы: материалы, реагенты, закупки, персонал, кредиты и т.д. В итоге просчитать ожидаемые финансовые показатели предприятия. Умение просчитывать инвестиции в системе тоже реализовано.

Кроме того, внедрена модель корпоративного центра, то есть модель деятельности предприятия на уровне холдинга. Соответственно, здесь есть функционал каскадирования стратегических целей. То есть, если акционеры ставят определенные стратегические цели, нужно знать такие значения показателей на уровне дочерних предприятий, которые позволят выполнить поставленные консолидированные задачи. Есть также модуль маркетинга, который определяет, какой объем урана оптимально произвести, чтобы не обвалить цену на рынке. Он рассчитывает предполагаемую цену через восприятие ожидаемого спроса и предложения в мире и формирует план реализации в контексте конкретного предприятия. 

На уровне корпоративного центра рассчитываются его собственные плановые финансовые формы, как для отдельного юрлица. Также просчитываются консолидированные плановые финансовые формы, которые показывают сценарии жизни всего холдинга.

Еще есть функционал для балансировки портфеля инвестпроектов, когда они просчитаны для каждого предприятия. Корпоративный центр может заложить ограничения на бюджеты по месяцам на несколько лет вперед. Система может предложить отменить или сдвинуть во времени отдельные проекты, чтобы уложиться в общие ограничения холдинга с учетом ранжирования проектов по их эффективности.

То же самое происходит с финансовыми ресурсами. Достигается понимание того, какие кредиты собирается брать каждое конкретное предприятие, и на этой базе выстраивается видение всего холдинга.

В мировой практике предприятия чаще исходят из конкретных проблем при использовании аналитики. Поэтому термин “цифровой двойник предприятия” хоть и присутствует, но не очень распространен. Тем не менее, уже есть кейсы, когда решаются задачи интегрированного планирования: в них все процессы планируются и управляются единым движком. В том числе наша компания решала подобные задачи. Например, наш заказчик в Норвегии ConocoPhilips для месторождения Ecofisk реализовал такой комплексный проект для решения задач интегрированного планирования. Это не называли цифровым двойником, но, по сути, делали именно его. Эффект от экономии на операционных расходах – порядка 700 млн долларов в год.

Что касается цифровых двойников оборудования, то тут сложно приводить примеры, потому что многие организации не называют или не всегда называют аналитическую работу с оборудованием цифровым двойником. И тем не менее примеры есть: так, Volvo Trucks сократили затраты на обслуживание на 50%, одна энергетическая компания в США сократила затраты на обслуживание на 200 млн долларов за 18 месяцев, в Posco снизили процент брака с 15% до 1,5%. 

Марочная структура парка грузовиков в России

Автостат инфо (avtostat-info.com) 28.07.2019 15:06https://avtostat-info.com/News/8645В российском парке грузовых машин насчитывается 2 505 612 ед. техники, о чем свидетельствуют данные “Автостат Инфо”. В этом объеме 33,4% (или 836 104 ед.) приходится на иномарки, а на российские грузовики – 66,6% (или 1 669 508 ед.). 

В парке грузовых автомобилей больше всего техники “КАМАЗ“. Таких грузовиков зарегистрировано 649 405 ед. на начало 2019 года. Помимо этого зарегистрировано также 446 329 грузовых машин марки “ГАЗ“, а также 213 230 грузовиков “ЗИЛ“, 207 841 грузовой автомобиль марки “МАЗ” и 110 716 ед. машин “УРАЛ“. Самый массовый бренд в сегменте грузовиков-иномарок – это Volvo. В парке России зарегистрировано 95 904 грузовика “Вольво“. В числе наиболее массовых брендов – MAN (90 581 ед.), Scania (80 384 шт.), Isuzu (70 547 ед.), а также Mercedes-Benz (69 220 ед.) и Fuso (55 333 шт.). 

Добавим, что самый распространенный в стране грузовик – это модель “ГАЗ-3307”. Таких машин в автопарке России зарегистрировано 166 471 ед. 

Leave a Reply

Your email address will not be published. Required fields are marked *