В данной статье представлена разработанная авторами модель, позволяющая описать процессы сбора, обработки и выгрузки информации по котировкам ценных бумаг из внешних источников в Банке. Поскольку моделирование основной целью несет в себе представление процессов в наглядной и понятной большинству форме, для разработки данной модели был использован унифицированный язык моделирования UML, а в качестве реализации языка UML использовалось инструментальное средство визуального моделирования Enterprise Architect. Разработанная модель процессов представлена в виде смоделированных макрошагов бизнес-процесса, а также детального описания имеющихся макрошагов методом декомпозиции. На основе модели бизнес-процесса были определены требования к создаваемой АС и разработана схема ее функциональной структуры. Показано, как четкое и наглядное моделирование бизнес-процессов предметной области может улучшить ряд показателей при создании автоматизированной системы.
Финучёт: как наладить сбор, обработку и анализ финансовой информации в малом и среднем бизнесе
автоматизированная система
моделирование
Enterprise Architect
1. ГОСТ 34.602-89. Техническое задание на создание автоматизированной системы // Библиотека стандартов [Электронный ресурс]. – Режим доступа: http://www.it-gost.ru.
2. Золотухина Е.Б. «Методика выявления функций создаваемого программного обеспечения, отображающая полноту предметной области» / Е. Золотухина, С.А. Красникова, А.С. Вишня // Наука молодых – интеллектуальный потенциал современности: сборник материалов Международной научной конференции. [Электронный ресурс]. – Режим доступа: http://elibrary.ru.
3. Золотухина Е.Б. «Моделирование предметной области с использованием Enterprise Architect» / Р. Алфимов, Е. Золотухина, С. Красникова // «Интерфейс» [Электронный ресурс]. – Режим доступа: http://www.interface.ru.
4. Золотухина Е.Б. «Построение моделей системы с использованием Enterprise Architect» // «Интерфейс» [Электронный ресурс]. – Режим доступа: http://www.interface.ru.
5. Золотухина Е.Б. «Способ описания функционального требования к автоматизированной системе» / Р. Алфимов, Е. Золотухина, С. Красникова // «Интерфейс» [Электронный ресурс]. – Режим доступа: http://www.interface.ru.
6. Максаков С.А. Язык моделирования UML [Электронный ресурс]. – Режим доступа: http://www.maksakov-sa.ru.
7. Методологии разработки программного обеспечения [Электронный ресурс]. – Режим доступа: http://www.web-pharus.ru.
8. Моделирование и анализ корпоративных информационных систем [Электронный ресурс]. – Режим доступа: http://www.interface.ru.
9. Трофимов С.А. Использование моделей UML в процессе разработки программных систем // Computer-Aided Software Engineering Club [Электронный ресурс]. – 2003. – Режим доступа: http://www.caseclub.ru.
В настоящее время банки как одни из ключевых финансовых институтов по всему миру ежедневно получают, обрабатывают и публикуют большие объемы информации о ситуации на валютных, кредитных и товарных рынках. Поставщиками этой информации для банковских учреждений являются такие разнообразные организации, как ведущие мировые информационные агентства (например, Bloomberg, Thomson Reuters), биржи (например, Московская межбанковская валютная биржа), другие ведущие банки различных стран (например, Центральный банк РФ). Для получения, сохранения и корректной обработки для дальнейшего использования информации необходимо наличие АС, работа которых будет обеспечивать стабильную и быструю загрузку данных от их поставщиков.
Практика описания и оптимизации бизнес-процессов — Банк «Екатеринбург»
Степень разработанности проблемы
Из источников [7, 8] становится ясно, насколько важным шагом в вопросе создания АС является моделирование. На протяжении последних лет этап моделирования АС становится присущ не только крупным фирмам и предприятиям. Моделирование АС стало обязательной ступенью в разработке АС и в небольших компаниях, зачастую даже не связанных напрямую с информационными технологиями. В современные методологии разработки включаются процессы моделирования существующих и будущих бизнес-процессов и разрабатываемых для их поддержки информационных систем.
Процесс моделирования предназначен для того, чтобы повысить эффективность всех этапов разработки АС. Начиная от этапа бизнес-моделирования, затем выявления требований, анализа и проектирования и заканчивая разработкой АС, везде используется этап моделирования. Моделирование основных процессов и сущностей – главная цель процесса моделирования. Анализ их дальнейшего развития, прогнозирование ситуации «а что, если. » позволит упростить процесс создания АС в целом, снизит риск возникновения грубых ошибок, а также позволит создать устойчивую к изменениям архитектуру АС [8].
Таким образом, разработка модели процессов сбора, обработки и выгрузки данных по котировкам ценных бумаг из внешних источников в Банке позволит в дальнейшем создать АС, поддерживающую указанные процессы [4]. В свою очередь, использование АС приведет к систематизации всех получаемых данных из различных источников для их последующей обработки внутри Банка и выгрузки в системы-приемники. При этом будет снижено влияние человеческого фактора, обеспечен дополнительный контроль получаемых данных по котировкам.
Предлагаемая модель бизнес-процесса
Для формализации процесса сбора, обработки и выгрузки данных и создаваемой АС используется UML [6, 9] и средство визуального моделирования Enterprise Architect [3]. На рис. 1 представлены основные этапы процесса сбора, обработки и выгрузки данных по котировкам ценных бумаг из внешних источников в Банке.
Как видно из рис. 1, процесс сбора, обработки и выгрузки данных по котировкам ценных бумаг из внешних источников в Банке включает следующие основные этапы:
1) составление запроса на получение данных;
2) получение данных по котировкам из ЦБ;
3) получение данных по котировкам из Bloomberg/Reuters;
4) получение данных по котировкам из ММВБ;
5) обработка полученных данных по котировкам ценных бумаг;
6) выгрузка полученных данных по котировкам ценных бумаг.
Рис. 1. Основные этапы процесса сбора, обработки и выгрузки данных по котировкам ценных бумаг из внешних источников в Банке
Рис. 2. Этап 1 «Составление запроса на получение данных»
Рис. 3. Этап 4 «Получение данных по котировкам из ММВБ»
Рис. 4. Схема функциональной структуры АС
На рис. 2, 3 представлены примеры моделей этапов 1 «Составление запроса на получение данных» и 4 «Получение данных по котировкам из ММВБ».
Шаги бизнес-процесса, которые будут автоматизированы в дальнейшем, отмечены цветом. На основе автоматизируемых шагов бизнес-процесса определены функциональные требования к создаваемой АС [5].
На рис. 4 представлена схема функциональной структуры (состав подсистем АС и функциональные требования к каждой подсистеме) создаваемой АС.
Рис. 5. Требования к режимам функционирования системы
Рис. 6. Требования к лингвистическому обеспечению системы
Помимо функциональных требований к АС определены и нефункциональные требования, предъявляемые к АС [2].
Группы нефункциональных требований определялись в соответствии с ГОСТ 34.602-89 [1].
На рис. 5–6 представлены примеры нефункциональных требований.
Разработка моделей АС является важным этапом создания любой новой АС. Четкое и наглядное моделирование бизнес-процессов предметной области и моделирование требований к АС на основе моделей бизнес-процессов:
1) позволит упростить процесс создания АС в целом;
2) снизит риск возникновения грубых ошибок на ранних стадиях АС;
3) позволит создать устойчивую к изменениям архитектуру АС.
Источник: top-technologies.ru
Просто об автоматизированных системах сбора и обработки данных: причины использования, алгоритм и примеры применения
Повышение эффективности предприятия и оптимизация бизнес-процессов невозможна без предварительного анализа информации обо всех сторонах деятельности компании. Более того, совсем неважно, что из себя представляет бизнес: завод, магазин или городское хозяйство.
Для того, чтобы в полной мере проанализировать компанию, нужно потратить достаточно много времени, ведь объем информации, который должен быть собран, зачастую является большой проблемой.
Причина? Дело в том, что ручной сбор большого количества первичных данных может привести к ошибкам и неточностям. Ошибочные данные, принимаемые в расчет при выработке решения, могут негативно сказаться на последующей работе компании. Объем первичных данных также в значительной степени влияет на полноту и правильность последующей стратегии управления.
Например, руководителю на производстве необходимо самостоятельно контролировать используемое оборудование и его эффективность. Понятное дело, что это трудозатратная и долговременная задача. В данном случае, наиболее простым и приемлемым выходом из ситуации был бы промышленный контроллер, на который, в свою очередь, отправляются и обрабатываются данные.
И здесь нам помогают те самые системы автоматизированного сбора и обработки данных, так как они справляются с этой задачей быстрее и успешнее как с точки зрения меньшей трудоемкости, так и с точки зрения точности полученного результата.
Перечень предварительно заданных источников информации, использующихся при автоматизированном сборе и обработке данных:
1. Датчики, регистрирующие затраты сырья, выпуск продукции и простои оборудования.
2. Различные измерительные потоковые устройства, например, топливомеры на автоматических АЗС.
3. Современные электронные весы, которые используют оптовые поставщики и отделы расфасовки товаров в крупных продовольственных сетях.
4. Автоматизированные системы учета рабочего времени, основанные на смарт-картах.
5. Счетчики банкнот и электронные кассы.
6. Видеокамеры, установленные в городах – помимо функций безопасности они могут быть задействованы также в сборе данных для дальнейшего анализа транспортных потоков.
7. Первичные данные с бумажных носителей (документы, таблицы, графики) заносятся в системы автоматизированного сбора и обработки данных непосредственно из персональных компьютеров, либо с помощью сканнеров.
Информация с этих и многих других источников информации поступает непосредственно в систему автоматизированного сбора и обработки данных. Полученные данные обрабатываются, в том числе расшифровываются в случае необходимости и конвертируются в вид, удобный для принятия управленческих решений.
Как работают системы автоматизированного сбора и обработки данных?
На вход поступают аналоговые сигналы с датчиков физических величин, установленных на различных физических объектах, в том числе природных. Разнообразные устройства, входящие в состав комплекса, усиливают сигнал, убирают посторонние шумы, фильтруют его и преобразуют в цифровой. Затем, уже в цифровом виде, информация поступает в контроллер для первоначальной обработки.
Различные дополнительные устройства также участвуют в сборе данных:
Сканеры собирают печатную информацию или графические изображения. На производствах это могут быть сканеры штрих-кодов, автоматические датчики давления, температуры, влажности.
Аудио и видеоинформацию собирают диктофоны и видеокамеры, специальные устройства для записи сигналов радио и телевидения.
Комплексы сбора и обработки данных применяются довольно широко, практически во всех сферах промышленности и сельского хозяйства, а также в научных исследованиях.
Геологоразведка в труднодоступных местах и сбор информации с искусственных спутников земли, предупреждения о природных катаклизмах и расчет нагрузки на электросети при их проектировании, управление крупным заводом и контроль потребления ресурсов в ЖКХ – все это было бы невозможным без комплексов сбора и обработки информации.
Где применяются?
Книги с бухгалтерскими проводками, списки поставщиков и перечней продукции – все это осталось в прошлом веке вместе с забытыми счетами и ведомостями по зарплате. Большинство современного поколения менеджеров и владельцев бизнесов даже не знают, как выглядят эти, бывшие когда-то необходимыми, вещи.
Автоматизация бизнеса началась как раз с бухгалтерского учета. И если еще пару десятилетий назад автоматически учитывались бухгалтерские проводки, что облегчало составление баланса, то современные платформы для автоматизации бизнеса помогают вести, в том числе, учет поставщиков, покупателей, групп товаров и отдельных наименований, получать отчеты в любых сочетаниях данных.
Автоматическое формирование деклараций, отчетов для государственных органов, зарплатных ведомостей значительно облегчило труд бухгалтеров, сократило технические ошибки, сэкономило немалые суммы за счет оптимизации количества персонала, сокращения штрафов.
Современные платформы для автоматизации бизнеса внедряются и для управленческого учета. Многие из них предоставляют возможности управления бизнес-процессами компании, постановки задач и контроля их исполнения.
Работа менеджеров по закупкам, которые оперируют с данными сотен поставщиков и десятками тысяч наименований товаров также невозможна вручную. Платформы для автоматизации бизнеса предлагают не только автоматизировать процесс заказа товара в определенные сроки у определенных поставщиков, они также могут отслеживать снижение цен и предлагать замену поставщика того или иного наименования товара к выгоде компании.
Работа крупных медицинских центров, в том числе частных, в настоящее время значительно облегчена внедрением платформ для автоматизации бизнеса – медицинскими информационными системами. В этих системах хранится вся информация о пациентах, назначениях, препаратах, операциях. Врачи не тратят время на заполнение вручную большого количества отчетов, поиск информации о пациенте и проведенном лечении.
В заключении, в настоящее время есть возможность автоматизировать процессы даже для микробизнеса и самозанятых – многие банки наряду с ведением счетов предоставляют необходимые услуги по онлайн-бухгалтерии, автоматическим отчислениям налогов.
Источник: vc.ru
Данные в промышленности: как правильно собирать и извлекать из них выгоду
Темпы цифровизации в промышленности ниже, чем в других отраслях: при том, что еще в 2019 году анализ данных был наиболее часто внедряемой технологией в российских компаниях, лишь 14-16% предприятий использовали данные для оптимизации производства. В чем причина такого отставания и что делать промышленным компаниям, чтобы извлечь пользу из данных?
Приятно читать новости: исследования говорят о значительных успехах промышленности в цифровой трансформации* (KMDA, 2020), а кейсы вроде компании СИБУР показывают, что на производстве есть примеры получения быстрого и заметного бизнес-эффекта от анализа данных. Вот только работая над проектами в разных отраслях мы видим, что в целом промышленные компании пока не используют все возможности для развития бизнеса, которые дают данные.
Казалось бы, конкурентные преимущества и польза очевидны: и прогноз внеплановых остановок оборудования, и снижение издержек за счет оптимизации технологических режимов, и повышение качества и количества выпускаемой продукции. Что же останавливает промышленные предприятия?
Дело в том, что им сложнее организовать сбор и анализ данных, чем другим компаниям.
1. Нужно оцифровывать аналоговые данные с оборудования и машин.
2. У таких предприятий колоссальный объем информации – петабайты данных в год.
3. Сказывается нехватка людей с релевантным опытом: пока таких задач было немного, и в этом смысле промышленные отрасли — нефтегазовый сектор, металлургия, энергетика, машиностроение — находятся в начале пути.
При этом заметно: все уже осознали, что использование данных в работе неизбежно, что оно дает конкурентное преимущество.
Новые люди и предприятия – даже с меньшим опытом в индустрии, но знающие, как работать с данными — начинают теснить старожилов. Похоже, сбором и анализом данных в ближайшем будущем придется заняться всем компаниям, которые хотят оставаться на рынке
Какие данные и как собирать промышленным предприятиям
Оснащать датчиками все подряд очень дорого. Между оборудованием и цифровой системой для его мониторинга есть много звеньев. Для сбора информации нужно создать целую инфраструктуру:
• аналоговый датчик,
• программно-логический контроллер, осциллограф или другое устройство, способное оцифровывать информацию,
• передатчик, отправляющий данные в хранилище,
• само хранилище данных.
Кроме того, чем больше звеньев в такой цепи, тем больше возможных проблем при анализе данных:
• погрешности в замерах,
• технологические ограничения,
• колебания в результате влияния внешних факторов,
• ошибки при оцифровке,
• электроника, которая иногда выходит из строя.
Бывает, что компании оснащают оборудование датчиками на миллионы долларов, а потом не знают, что делать с полученными данными, либо оптимизация, которую они проводят с их помощью, не окупается.
Что же собирать? Универсального ответа на этот вопрос нет. Все зависит от оборудования, от режима его эксплуатации, от специфики производственных процессов, от того, какие модели уже созданы и апробированы, и в каждом конкретном случае это вопрос проектирования. И на этапе проектирования вероятность ошибиться гораздо выше, если вы не обладаете опытом. Куда поставить датчики, с какой частотой замерять, как интерпретировать данные — все это определяется только опытом.
Главные источники данных – это датчики, видеокамеры, системы с ручным вводом информации, и журналы инцидентов, которые ведутся на производстве. Какие именно данные, поступающие из этих источников, стоит собирать и анализировать, решает бизнес-аналитик. Это эксперт, который понимает, как устроен производственный процесс и оборудование, какие узлы оно в себя включает, и как они связаны между собой с точки зрения логики, механики, термодинамики и т. д. Эксперт указывает, какие из измеряемых параметров наиболее ясно отражают работу оборудования и происходящие процессы.
Сложность сбора данных обычно определяется условиями производства — высокие температуры, пыль и т.п. — и тем, насколько оборудование оснащено необходимыми датчиками. В большинстве случаев дооснащение связано с вмешательством в конструкцию устройства — а это потеря гарантии, создание рисков функционированию и безопасности дорогого оборудования. Есть неинвазивное дооснащение, но тут возникает вопрос точности, и существуют объекты, с которых данные таким образом просто нельзя снять: например, с внутренней изоляции в электродвигателях.
После сбора данных необходимо провести их очистку, т. е. удалить ненужные. Многие чистят данные, просто отсекая пороговые значения, в Ctrl2GO Solutions другой подход: мы считаем, что нужно исключать вероятность ошибки с помощью умных алгоритмов отслеживания того, какой датчик мог выйти из строя или показывает неверные значения.
Что делать с собранными данными
Можно собрать огромный массив данных о работе оборудования, записав определенные параметры в рамках производственного цикла. Но вся эта информация без аналитики будет почти бесполезной: никаких открытий сама по себе она не предоставит.
Здесь все решает специалист по работе с данными — data scientist. В зависимости от задачи и объема данных он определяет, какие алгоритмы обработки и в какой последовательности можно применять, к какому результату они могут привести. Обычно строится несколько гипотез, которые затем тестируют. Доказанная гипотеза, как правило, становится решением задачи — аналитической моделью, которую внедряют в промышленное использование.
Если у компании есть несколько предприятий с одинаковым оборудованием, лучше собирать данные по всем единицам. У станка или насоса может быть несколько десятков наиболее вероятных поломок, но вряд ли все они случатся с одной конкретной единицей оборудования. Поэтому чем больше данных получит модель для обучения, тем точнее она будет.
Созданная модель анализирует данные по работе оборудования, информацию о происходящих производственных процессах и влиянии внешних факторов, и выявляет аномалии. Таким образом можно найти причину уже произошедшего отказа — например, так мы в Ctrl2GO Solutions по историческим данным обнаружили неисправность в турбогенераторе тепловой электростанции, которая только через полтора года привела к аварии.
После обучения на исторических данных ML-модель может не только мониторить состояние оборудования в реальном времени, но и осуществлять предиктивную аналитику, то есть заранее предсказывать время и вероятность отказа узла или агрегата. Можно также рассчитывать “индекс здоровья” оборудования, что позволяет переходить от планового ремонта к ремонту по состоянию.
Зачем данные вашему бизнесу
Правильный подход к использованию данных о работе оборудования и производстве может помочь промышленным предприятиям добиться реальных бизнес-результатов — как оперативных, так и стратегических.
Оптимизация процессов. Используя поступающие в реальном времени данные, можно вносить необходимые корректировки в производственные процессы — скажем, регулировать режимы работы флотационной установки на обогатительной фабрике, что позволит сократить расход реагентов и повысить извлечение.
Повышение производительности. Металлургическому предприятию данные о качестве сырья помогают обеспечить правильное соотношение концентратов при шихтовании и за счет этого увеличить производительность печей на 2-5% и повысить качество выходного продукта на 1-6%.
Сокращение простоев техники и оборудования. Данные телеметрии с тепловоза помогут снизить время простоя на сервисном обслуживании на 12%, в 4 раза сократить время диагностики подвижного состава, уменьшить затраты на техническое обслуживание и ремонт.
Источник: ctrl2go.solutions
