Экспертная компания в области бизнес консалтинга и управления проектами

Мы обеспечиваем консалтинг и управление проектами на всех этапах цифровой трансформации с использованием современных цифровых методов интеллектуального анализа
Распознавание проблем и определение путей их успешного преодоления
Оптимизация бизнес-процессов для их соответствия цифровой экономике
Внедрение и развитие сквозных процессов
Поддержка внедрения организационных и технологических изменений

Содержание
Слово директора
Наш подход
Наши преимущества
Команда
Наши партнеры
Решения для отраслей экономики
Опыт релевантных проектов
Контакты
04
05
07
08
10
31
39

Мы опираемся на компетентных, энергичных, инициативных профессионалов.
Наша цель — сохранить динамику нашего развития, быть в центре рынка, мгновенно реагируя на изменения.
Отрасль в которой мы работаем диктует условия построения взаимоотношений с партнерами и заказчиками на основе "взаимного обучения". И мы улучшаем эти отношения качественно и количественно.
Д.Б. Смирнов
К.т.н., академик МАС
Генеральный директор АО «МДТ «ЦИФРА»
04

05
Комплексный
подход
«Цифровизация
под ключ»»
EPCM.
Engineering,
Procurement,
Construction
Management

06
Портфель проектов
по отраслям
50%
30%
10%
10%

07
Наши преимущества
Сопровождение на всех этапах
развития бизнеса, автоматизации и цифровой трансформации.
Команда экспертов-практиков
с многолетним опытом формирования проектов и управления проектами, внедрения и изменения процессов в реальном секторе экономики, предприятиях с государственным участием.
Независимость и объективность
в силу равноудаленности от поставщиков конкретных продуктов и решений.

Команда
Д. Н. Куров
Осуществляет общее руководство стратегическим развитием Компании и отвечает за взаимоотношения с клиентами и партнерами
О. А. Молярчук
Обеспечивает взаимодействие с государственными институтами и органами власти, осуществляет координацию работ партнеров, отвечает за внешние коммуникации Компании
Н. А. Хотеев
Отвечает за технологическое развитие, взаимодействие с командами внедрения, экспертизу решений и их интеграцию в информационные ландшафты заказчиков, а также за технологическую поддержку решений с использованием инструментов цифрового мониторинга и моделирования
08

Команда
09
Ю. В. Боброва
Отвечает за направление «управление проектами», осуществляет экспертизу и координацию команд по управлению проектами государственного масштаба: от разработки ТЗ до сдачи проекта в эксплуатацию
С. В. Баранник
Отвечает за блок «импортозамещение» и взаимоотношение с государственными институтами, органами власти, осуществляет координацию работ партнеров, отвечает за внешние коммуникации Компании
Ресурсы:
— Аналитики
— Технические писатели
— Инженеры
— Разработчики
— Консультанты
— Администраторы проектов
— Техническая поддержка

10
Наши партнеры
Свои компетенции «МДТ «ЦИФРА» подтверждает устойчивыми партнерскими отношениями с ведущими российскими компаниями, российскими и мировыми разработчиками технологий, программного обеспечения и решений, а также выданными ими сертификатами и свидетельствами сотрудников АО «МДТ «ЦИФРА»

РЕШЕНИЯ ДЛЯ ОТРАСЛЕЙ
ПРОМЫШЛЕННОСТИ

12
Наши компетенции
в этой отрасли
Обеспечиваем консалтинг и управление проектами на всех этапах цифровой трансформации бизнеса и государства с использованием инновационных методов
Выявляем проблемы в бизнесе и государственном управлении, находим пути их успешного преодоления
Оптимизируем бизнес-процессы для их соответствия цифровому формату
Поддерживаем внедрение организационных и технологических изменений и развитие сквозных бизнес-процессов

е
13
Технология
AppDynamics
APP iQ
BUSINESS IQ
1. Быстро
двигаться
— Обеспечиваем автоматическое обнаружение и визуализацию проблем
— Не нужна ручная конфигурация
— Бейзлайны для каждой метрики
2. Отслеживать
все
— Мониторинг в продуктивной среде
— Низкий Overhead
— Мониторинг всех пользовательских транзакций
3. Фокусироваться
на главном
— Единая платформа
— Единый интерфейс (UI)
— Контекст в реальном времени

Process
Mining
в промышленной
сфере
14

15
Process Mining –
это технология создания интерактивных моделей бизнес процессов.
С его помощью осуществляется:
— Анализ данных и поддержка осуществления организационных изменений в режиме реального времени
— Контроль отклонений от согласованного регламента и соответствия стандартам
— Существенное сокращение трудозатрат и времени выполнения процессов
— Снижение затрат и издержек, рост доходов и конверсии продаж

16
Принцип работы Process Mining
Журнал событий
АВТОМАТИЧЕСКИ СОЗДАННАЯ ИНТЕРАКТИВНАЯ МОДЕЛЬ
ПОИСК ЗОН ДЛЯ ОПТИМИЗАЦИИ С ИСПОЛЬЗОВАНИЕМ ИИ

17
Примеры направлений анализа:
— Как на самом деле выполняются процессы?
— Шаги, сценарии – как определить самые важные?
Есть ли закономерности в отклонениях/нарушениях?
— Каков оптимальный сценарий процесса и почему происходят отклонения от него?
— Почему возникают дефекты процесса и как они влияют
на показатели работы организации?
— Каков уровень автоматизации процесса, причины возникновения необходимости в ручных изменениях?

Первое внедрение
Process Mining
в России:
Банк повысил эффективность бизнес-процессов с помощью «Process Mining».
История внедрения
— Цели и вызовы проекта
Размер сети продаж банка и активно развивающаяся продуктовая линейка ограничивали возможности для анализа ситуации традиционными методами. Требовалось применение новой технологии.
— Решение
Была выбрана многофункциональная и гибкая платформа Process Mining для анализа следующих процессов:
процесс обслуживания физических лиц в отделениях банка (кроме ипотеки);
сквозной процесс обслуживания клиентов СМБ;
жизненный цикл зарплатных проектов (в разрезе клиента и конкретной карты).
— Результаты
Увеличение производительности процессов на 6-8% за счет оптимизации работы сотрудников;
Сокращение потерь продаж на 3,5% за счет отказа
от неэффективной технологии продаж;
Сокращение трудозатрат на 8,5% за счет оптимизации сценария процессов.
18

19
Варианты внедрения
Продажа лицензий, внедрение,
анализ, обучение
Плюсы
+ Существенное повышение эффективности и управляемости бизнес-процессов;
+ Основа цифровой трансформации при выборе процессов для автоматизации.
Минусы
— Необходимость наличия
— Собственных бизнес-аналитиков;
— Существенные затраты IT-ресурсов; стоимость внедрения.
Консалтинг по модели «облачного» обслуживания
Плюсы
+ Существенное повышение эффективности и управляемости
бизнес-процессов;
+ Сокращение затрат;
+ Экономия времени;
+ Снижение требований к инфраструктуре.
Минусы
— Не нарабатываются внутренние компетенции работы с Process Mining;
— Не формируются НМА.

Mechanica AI
Искусственный интеллект
для оптимизации системы
20

21
Вызовы проекта
— Применение устаревших ГОСТов и РД
— Недостаточность данных о поломках
— Недостатки существующих подходов к управлению службой ТО
— Техобслуживание с "запасом" вместо точной подстройки и перехода к ТО по состоянию
— Отсутствие мотивации у персонала
— Снижение экономической эффективности, вызванное простоями в ремонте подвижного состава

22
Наши предложения:
1 — Персонализация ремонтных операций для каждого механика
2 — Автоматические рекомендации и прогнозы, которые будут генерироваться отдельно для каждой итерации
Прямые и дополнительные эффекты:
1 — Снижение расхода запчастей
2 — Повышение качества ТО в связи с тем, что ФОТ ремонтных бригад будет привязан к метрике качества
3 — Снижение трудо-временных затрат на оформление и поиск необходимой документации
4 — Формирование базы знаний о поломках и методах устранения
5 — Повышение мотивации персонала

23
Внедрение системы ТОиР предиктивный ремонт:
Цифровая поверка всех параметров ТО
в режиме реального времени
Mechanica Predict — предсказательный модуль, генерирующий прогнозы по отказам, исходя из значимых метрик
Mechanica Optimize автоматические рекомендации оптимальных действий и решений по процессам ТО
1
2
3

24
Внедрение продукта
Подтверждение
— выбор регламентных операций
— определение метрик*
описание на следующем слайда
4
Обучение модели
(пилотный проект)
— передача массива исторических данных
— обучение модуля
— тестирование модуля на исторических данных
— проверка работоспособности в реальной эксплуатации
5
Интеграция
системы
— альтернативное развертывание облачного сервиса
6
Опытно-промышленная
эксплуатация
— мониторинг качества техобслуживания
— дообучение модуля на новых данных
— оплата ФОТ ремонтных бригад привязана к достижению согласованных метрик качества
7

25
Что входит в определение метрик*
— Комплексный анализ инструментального контроля наработки оборудования, контроль исполнения объёма плановых и внеплановых операций ТО (возможные сценарии: ППР, обслуживание по состоянию, нештатные ситуации), фиксация и архивация свидетельств объективного контроля исполнения, использование мобильных клиентов (носимая электроника).
— Анализ интеграции с ERP системой предприятия (формирование законченного бизнес-процесса планирования и исполнения ТО агрегатов или отдельных единиц техники с учётом актуальной загрузки, доступности кадровых и материальных ресурсов, сроков их высвобождения / поставки с оценкой стоимости простоев на ремонт .
— Проведение аудита достаточности данных с датчиков формирование обоснованных предложений по дооснащению дополнительными датчиками.

Схема процесса
МОДУЛЬ AI
МОДУЛЬ AI НЕ ИМЕЕТ СОБСТВЕННОГО ИНТЕРФЕЙСА. Он может быть развёрнут на инфраструктуре клиента (мобильном устройстве) или в виде облачного сервиса.
— команды
— управляющие воздействия
— рекомендации
— предсказания
— измерения
— датчики
— телеметрия
ИНТЕРФЕЙС СИСТЕМЫ
ТОиР
ТЕХ ОБСЛУЖ-Е
МЕТРИКИ
ПРОЦЕССЫ
26

Mechanica AI — это
Собственная разработка, учитывающая специфику
крупных эксплуатантов подвижного состава.
Проведение анализа и пред-проектных исследований, описание состава и характеристик работ, расчет бюджета проекта, форми-рование комплектов документов для принятия решения.
Сочетание
искусственного интеллекта
с традиционными
службами
Решение для крупных
служб ремонта
Наша технология адаптирована для работы в условиях неполных или ошибочных данных.
Опытно-промышленная
эксплуатация
Полный цикл создания и поддержки продукта.
27

Ваши преимущества
+ Оптимизация службы ремонта без значительных капитальных вложений
Сокращается время простоев подвижного состава в ремонте без необходимости приобретения нового оборудования
+ Измеримый эффект и быстрая окупаемость
Оплата ФОТ ремонтных бригад привязана к достижению согласованных метрик качества
+ Гибкая настройка
Наша технология оптимизирует те метрики которые важны для конкретных рекомендаций ТО, это задается в момент настройки и обучения модели
+ Легкое внедрение
Наша технология работает с имеющимися данными (даже неполными и неточными) и интегрируется в вашу ИТ архитектуру
28

е
29
Информационные системы управления проектами
различной сложности
ИСУП – это повышение эффективности управления проектами в
— Государственном секторе
— Подведомственных учреждениях
— Коммерческих компаниях
Единые правила
управления проектами
и соблюдение НПА
Единая платформа
управления проектами
Из чего состоит
ИСУП:

е
30
Основной функционал ИСУП:
— Планирование
— Управление проектами
— Управление портфелем проектов
— Управление договорами
— Управление ресурсами
— Управление финансами
— Управление рисками
— База знаний
— Управление коммуникациями
— Управление подрядчиками
— Аналитика и отчетность
управление проектами от идеи до реализации и передачи в эксплуатацию результатов работ

Опыт
выполнения
релевантных проектов
31

32
Управление проектами
для крупной авиакомпании
с государственным участием
Цели и задачи проекта
Управление проектами сопровождения и развития информационных систем и ИТ-решений, включая управление работами по инициации проектов, планированию, реализации, тестированию и сдаче информационных систем и ИТ-решений в эксплуатацию, а также их сопровождению и развитию после перевода в эксплуатацию.
Вызовы и задачи проекта
— Потребность в цифровизации и развитии электронных сервисов для клиентов и внутренних бизнес-процессов компании
— Необходимость проведения анализа функциональных требований по внедрению и/или развитию информационных систем и ИТ-решений
— Формирование комплектов документации, достаточных для принятия решения о целесообразности проведения работ и соответствия стратегии и целям развития компании
— Управление формированием команды проекта (рабочей группы, управляющего комитета) компании
— Управление работами подрядных организаций компании
— Управление проектами на всех стадиях реализации – от инициации до передачи в эксплуатацию
— Формирование различной комплексной отчетности по управлению проектами
Результаты
✓ Реализовано управление более чем 50 проектами различной сложности
✓ Инициировано и осуществляется внедрение ИСУП в компании

33
Прогноз возникновения
потребности в проведении внепланового ТО для Воздушных судов
Цели и задачи проекта
Использование данных полётной диагностики, информации о маршрутах, загрузке воздушного судна и т.п. для прогнозирования возникновения событий, приводящих к внеплановому техническому обслуживанию.
Вызовы проекта
— Отсутствие готовых аналитических моделей, требуется самостоятельное определение ключевых факторов
— Значительное число потенциальных факторов, влияющих на увеличение износа узлов и деталей: режимы полетов, метеоусловия, особенности ВПП, загрузка, особенности конкретной партии узлов и т.п.
— Исключить риск возникновения ошибки
— Необходимость соответствия стандартам безопасности
— Дополнительная потребность в решении задачи планирования графика ремонтов и техобслуживания в разрезе всего воздушного флота компании.
Результаты
✓ Реализован пилотный проект в сфере транспорта и производства
✓ Разработано полное решение на базе платформ IBM BigInsights и IBM PureData for Analytics.

34
Принцип прогнозной модели:
На входе модели организованные нужным образом исторические данные
На выходе вероятность выхода из строя узла ВС на горизонте прогнозирования
✓ Прогноз отказа узла ВС на горизонте прогнозирования
✓ Горизонт прогнозирования настраивается с учетом оптимального срока реагирования
✓ Запуск прогнозирования перед каждым вылетом
✓ Дообучение модели происходит «на лету», по мере поступления новых данных

35
Результаты проекта 1/1
1 Использование данных полётной диагностики, информации о маршрутах, загрузке воздушного судна и т.п. для прогнозирования возникновения событий, приводящих к внеплановому техническому обслуживанию.
2 Разработан ряд предиктивных моделей с доказанной эффективностью:
— Прогнозирование засорения топливных фильтров
— Прогнозирование отказа компрессора двигателя
— Прогнозирование отказ турбины высокого давления
— Прогнозирование отказа запуска двигателя
3 Проведено исследование об отклонении расходов топлива от запланированного: возможна постановка целей по стимулированию экономии топлива пилотами
Частота поломок, связанная с одним воздушным судном
Частота поломок, связанная со всем парком судов
Предсказанный
объем
Фактический объем

36
Результаты проекта 1/2 1 часть
Текущие показатели флота А320
за 12 месяцев:
69 – Среднее число бортов ВС в эксплуатации за период
18 133 часа – Время простоя ВС на внеплановом обслуживании (3% от общего времени за период)
6 044 часа – Время ожидания запчастей, связанного с внеплановым обслуживанием (1% от общего времени за период)

37
Результаты проекта 1/2 2 часть
Оценки результатов проекта:
1758,9 часов — оценка возможного сокращения простоя ВС на внеплановом обслуживании
До 2,7% от общего времени
До 16 374 часов для 69 бортов
586,2 часов — оценка возможного сокращения ожидания запчастей
До 0,9% от общего времени
До 5458 часов для 69 бортов

38
Предсказание возникновения
неисправностей в работе генерирующей энергетической установки
Цели и задачи проекта
Предсказательная модель должна эффективно предсказывать появление нештатных ситуаций, используя телеметрические данные от оборудования, информацию о параметрах эксплуатации, историю зафиксированных неисправностей. Модель производит обработку входной информации: исторических данных, связей, зависимостей параметров, шаблонов неисправностей, используя заложенную логику, и формирует прогноз состояния оборудования.
Вызовы проекта
— Переработка показаний датчиков из промышленных форматов scada в формат для анализа
— Из 900 факторов, потенциально влияющих на результат, определены 100 ключевых событий для моделирования
— Обучение моделей на имеющихся случаях выходов из строя, в т.ч единичных отказов узлов оборудования
— Валидация найденных закономерностей со специалистами по эксплуатации для подтверждения найденных с помощью машинного обучения закономерностей с точки зрения физики протекающих процессов