Hackathon über Data Science in SIBUR: wie es war

Hallo!

Seit Anfang des Jahres haben wir landesweit etwa 10 Hackathons und Workshops abgehalten. Im Mai organisierten wir zusammen mit der AI-Community einen Hackathon in Richtung „Digitalisierung der Produktion“. Wir haben noch keinen Hackathon über Datenwissenschaft in der Produktion durchgeführt, und heute haben wir beschlossen, ausführlich darüber zu sprechen, wie es war.



Das Ziel war einfach. Es war notwendig, unser Geschäft in allen Phasen (von der Rohstoffversorgung über die Produktion bis zum Direktvertrieb) zu digitalisieren. Natürlich sollten Aufgaben angewandter Art gelöst worden sein, zum Beispiel:

• Beseitigung von Ausfallzeiten, technologischen Verstößen und Ausfällen;
• Steigerung der Produktivität und gleichzeitig der Produktqualität;
• Reduzierung der Logistik- und Beschaffungskosten;
• beschleunigte Einführung und Einführung neuer Produkte.

Was ist der Hauptwert solcher Aufgaben? Das ist richtig, so nah wie möglich an realen Geschäftsfällen und nicht an abstrakten Projekten. Die erste Aufgabe wurde bereits von einem der Teilnehmer ausführlich auf Habré beschrieben (danke, integrierter David!). Und die zweite Aufgabe des Hackathons war die Notwendigkeit, den Prozess der Kombination von geplanten Reparaturen von Eisenbahnwaggons des Logistikparks zu optimieren. Dies wurde direkt aus unserem aktuellen Rückstand entnommen, der leicht an die Teilnehmer angepasst wurde, um ihn verständlicher zu machen.

Also die Beschreibung des Problems.

Was musste getan werden?

Logistikspezialisten haben einen speziellen Kalender, der Informationen über den Versand von Autos zur planmäßigen Wartung enthält. Da es mehr als zwei Wagen gibt (viel mehr als zwei), benötigen Sie eine Lösung, die die Arbeit des Mitarbeiters vereinfacht, seine Arbeit einfacher und intuitiver macht und ihm hilft, Entscheidungen auf der Grundlage vorläufiger Datenanalysen schneller zu treffen.

Daher muss die Entscheidung selbst zwei Komponenten enthalten:

1. Spezieller Algorithmus basierend auf Datenanalyse.
2. Benutzerfreundliche Oberfläche, mit der Sie die empfangenen Daten und die Ergebnisse des Algorithmus klar und deutlich visualisieren können. Was genau zu implementieren ist (Web, mobile Anwendung oder sogar mit Hilfe eines Bots) - nach Ermessen der Teilnehmer.

Daten eingeben

Wir haben den Teilnehmern einen Datensatz zum Senden von 18.000 Autos zur Reparatur mit Daten zu allen Entfernungen, Zeitpunkten usw. zur Verfügung gestellt (Informationen für mehrere Jahre). Außerdem hatten sie die Möglichkeit, live mit dem Geschäftsprozess-Ouner zu chatten und mit ihm alle notwendigen Details zu klären sowie Wünsche zu sammeln.

Es scheint, dass ich einen Autoreparaturkalender erstellt habe und alles, was kann hier noch optimiert werden? Und vor allem - wie und womit soll die Wirksamkeit der Lösung gemessen werden?


Kriterien zur Optimierung geplanter Reparaturen

Hier lohnt es sich, damit zu beginnen, dass Autoreparatur nicht nur Autoreparatur ist. Jedes unserer Autos kann 4 Arten von Reparaturen haben.

• Kapital.
• Depot.
• Geplante Warnung.
• Staubsaugen und Hydrotest.

Jede dieser vier Reparaturarten hat ihre eigenen Reparaturkosten (Reparaturmaterial + Bezahlung für Reparaturarbeiten) sowie die Kosten für die Vorbereitung der Reparatur. Hinzu kommen die Kosten für die Lieferung des Autos an das Depot. Und da das Auto absichtlich für Reparaturen fährt, wird es leer, was bedeutet, dass wir einen möglichen Gewinn für die Reise hier ausschließen.

Die Jungs haben natürlich mit Hypothesen angefangen.

Hypothesen

Hypothese Nr. 1. Wenn Sie mehrere Reparaturen an einem Tag kombinieren, können Sie Vorbereitungsarbeiten sparen.

Die Hypothese traf auf einen Satz der Form "Ja, dann machen wir bei jeder Reparatur einfach alles andere, um nicht zweimal am selben Tag aufzustehen."

Das klingt cool. An manchen Stellen ist es sogar logisch. Aber nicht so einfach.

Eine Reparatur (eine der vier) hat nicht nur Kosten, sondern auch Entsorgung. Im Allgemeinen wie bei einem Auto. Sie haben die Inspektion im Januar bestanden und ziehen sie so lange wie möglich bis zur nächsten Inspektion, damit jeder Rubel, der für die erste Inspektion ausgegeben wird, effizient ausgegeben wird. Wenn Sie zu oft TÜV durchführen, ohne eine Ressource zu entwickeln, verlieren Sie Geld.

Ja, das Beispiel mit einem Auto stimmt nicht genau mit unserem überein. Dennoch sind die Situationen anders, und manchmal lohnt es sich, den TÜV vor einer wichtigen langen Reise im Voraus (oder sogar 2-3 Mal im Jahr) zu durchlaufen. Bei einer großen Anzahl von Autos kann ein derartiger Fehlstart von Reparaturen jedoch zu erheblichen Verlusten führen.

Hypothese Nr. 2. Dann können Sie diese Reparaturen einfach kombinieren, um die Entsorgung so vollständig wie möglich zu gestalten.

Schon besser. Fragen stellen sich:

Von welcher Station aus ist es rentabler, ein Auto zur Reparatur zu schicken?
Den Weg von jeder Station zum Depot kennen wir. Aber der Weg zwischen den Stationen selbst ist nicht. Vielleicht wird das Auto es schaffen, etwas mehr Fracht zu transportieren und von einer weiter entfernten Station zum Depot zu fahren, aber auf einer Reise Geld zu verdienen?

Hypothese Nr. 3. Wir berücksichtigen den Abstand zwischen den Stationen und den Gewinn aus der Produktlieferung - wir optimieren die logistischen Versandstellen für die Reparatur.

Dass die Hypothese nicht nur eine unbegründete Aussage war, ist es besser, sie in Finanzindikatoren auszudrücken.

Das heißt, um das Problem im Idealfall zu lösen, muss ein Modell erstellt werden, das diese Indikatoren maximal miteinander verknüpfen kann. Gleichzeitig war es möglich, die Eingabeparameter (Anzahl der zur Reparatur gesendeten Fahrzeuge, Reparaturdaten, Stationen usw.) zu ändern und echte Kosteneinsparungen zu erzielen.

Und wieder die Hauptsache. Dies ist ein Programm, mit dem die Leute arbeiten werden. Daher müssen Sie eine Schnittstelle für Menschen erstellen und nicht einen Haufen Formen und Filterplatten. Jeder der Mitarbeiter, die mit dieser Schnittstelle arbeiten, sollte schnell verstehen, was los ist, woher dieses Auto kommt und für welche Autos es kombiniert werden sollte.
Als Ausgangspunkt haben wir den Teilnehmern einige unserer Entwürfe gezeigt. Dies war kein Leitfaden, sondern nur ein Beispiel.





Entwurf von Entwurfsskizzen

Die Teilnehmer akzeptierten alle Skizzen und Wünsche und ließen nachdenken.

Ein paar Tage vergingen im Format ständiger Klarstellungen - die Teams kamen zu uns, zeigten grobe Entwürfe, klärten etwas, bekamen Antworten und ließen die Entscheidung weiter abschließen.

Tatsächlich sieht es vom Veranstalter aus sehr cool aus - die Leute sind unterwegs kreativ, passen sich den neuen, verfeinerten Einführungsnotizen an, finden in ein paar Stunden einige Nachteile in ihrer eigenen Lösung und beseitigen sie genau dort. Darüber hinaus sind Datenwissenschaftler im Format vollwertiger Teamarbeit - während man das Design all dieser Dinge zeichnet - bereits mit dem Schreiben der ersten Skripte fertig.

Wir versuchen jetzt, unsere digitale Abteilung dazu zu bringen, die täglichen Aufgaben des Unternehmens in derselben Atmosphäre zu erledigen, weil es sehr aufregend ist.

Demo und Finale ansehen

Hier war alles einfach und vertraut. Jedes Team hat 5 Minuten Zeit, um zu sprechen, und die Organisatoren haben 5 Minuten Zeit, um zu antworten. Natürlich war der Rahmen nicht wirklich eng und manchmal gingen wir über diese Zeit hinaus.

Für alles über alles in einem solchen Rhythmus haben wir 3 Stunden verbracht.



Sie bewerteten die Lösungen umfassend - Lösungsansätze im Allgemeinen, Visualisierung, Anwendbarkeit von Vorschlägen in der Realität. Hier half der AI-Community-Ansatz, mit dem auch die Zwischenergebnisse des Prozesses erfasst wurden.

Gewinner

Der Hauptpreis (300.000 Rubel) ging an das Hack.zamAI-Team.

Die Jungs haben eine umfassende Lösung entwickelt, die nicht nur die finanzielle Leistung optimiert, sondern auch eine Reihe zusätzlicher Brötchen schreibt, die einen vorgefertigten Geschäftsprozess im Produkt anzeigen.

Gleichzeitig sieht es immer noch anständig und freundlich aus.







Hier sehen Sie eine Demonstration ihrer Lösung.



(Video auf GoogleDrive)

Dies ist natürlich nicht unser letzter Hackathon.

Wir möchten uns bei allen bedanken, die daran teilgenommen haben. Und stellen Sie sicher, dass Sie die Ankündigung des nächsten veröffentlichen.

Dmitry Arkhipov, Architekt, Digitalisierung von Prozessen, SIBUR