На пути к современной аналитике

«Первая экспедиционная компания» (ПЭК) — мультисервисный оператор логистических услуг — специализируется на комплексных решениях и организации грузоперевозок на территории России и за ее пределами. Филиальная сеть компании насчитывает свыше 300 отделений в России, Армении, Беларуси, Казахстане, Узбекистане, Таджикистане, Таиланде, Киргизии, Турции и Китае. Ежегодно услугами компании пользуются почти 5 млн клиентов, а экосистема ПЭК включает девять подразделений, выполняющих такие задачи, как: LTL, FTL и Eхpress — доставка сборных, генеральных грузов и срочная доставка; 3PL — аутсорсинг складской логистики; Global — международные грузоперевозки; Retail — доставка в торговые сети и маркетплейсы; Express — срочная доставка грузов по России; Easyway — логистические решения для Интернет-магазинов; Mall — маркетплейс автозапчастей и аксессуаров. Поддержка эффективной работы такой экосистемы сегодня невозможна без сквозной аналитики и инструментов машинного обучения, позволяющих повысить точность прогнозов и маршрутизации грузов. О пути компании к современной аналитике и достигнутых результатах рассказывает Антон Слученков, директор департамента разработки и визуализации данных компании ПЭК и номинант на премию Data Award 2025.

Как эволюционировала аналитика в ПЭК?

Аналитика в компании прошла путь от «каменного века Excel» до машинного обучения. В 2012 году у нас были только разрозненные выгрузки из «1С» и собранные вручную таблицы. Все это напоминало попытки собрать космический корабль из деревянных палочек. Постепенно пришло понимание, что с такой инфраструктурой далеко мы не улетим, — количество запросов от бизнеса выросло кратно, число контролируемых показателей стало измеряться сотнями, сам бизнес вырос, а с ним и вопросы к аналитике. В 2013 году было развернуто BI-хранилище, объединившее большинство источников данных. Через год появились OLAP-кубы, а в 2017 году — Power BI и Grafana. Сейчас мы активно развиваем решения машинного обучения.

При создании аналитической платформы мы придерживались строгой философии. Во-первых, никакой двусмысленности — если есть показатель, то он должен быть один и понятный, дубликаты и разночтения запрещены. Во-вторых, качество данных — BI-хранилище не должно превращаться в телефонный справочник, где половина сведений устарела. В-третьих, важна стабильность — если данные вовремя не доставлены, то бизнес начинает нервничать. Наконец, скорость — если данные загружаются долго, это уже не оперативная аналитика, а «историческое исследование».

Состав технологического стека?

В основе платформы — Microsoft SQL Server, данные загружаются через сервисы SQL Server Integration Services (SSIS) и CDC (change data capture — "захват изменения данных"), обрабатываются программами на Python, затем интегрируются в витрины с помощью технологии MOLAP (Multidimensional OLAP). Визуализация выполняется с помощью средств Power BI, Grafana, Excel и Web. Продвинутая аналитика реализована на Python, LLM и RAG (Retrieval Augmented Generation), а для ролевого управления — MDS (Master Data Services).

Аналитическая платформа ПЭК

При выборе систем мы стараемся придерживаться золотой середины между готовыми решениями и кастомными разработками. Готовые решения — это стабильность и документация, но относительно высокая стоимость, а Open Source — это гибкость и низкая цена. Однако в ИИ кастомные модели заведомо предоставляют больше возможностей, чем стандартные решения. Все задачи, от сбора данных и наполнения хранилища до визуализации для конечных пользователей, мы выполняем силами собственной команды, в которую входят архитекторы, разработчики и аналитики

Чем в платформе вы гордитесь больше всего?

Аналитическим хранилищем, объединяющим все данные компании. Сейчас у нас исключена ситуация, когда бухгалтерия считает прибыль в одном отчете, а коммерческий отдел — в другом, и числа у них не совпадают даже в пределах одной вселенной. Хранилище охватывает более 80 источников данных, сформировано 50 OLAP-кубов и примерно 1,2 тыс. отчетов Excel. Интеграция данных в хранилище происходит посредством нормализации данных внутри ETL. Сейчас хранилище содержит 12 Тбайт данных, из которых 200 Гбайт находится в оперативной обработке в сутки, предоставляя нужные сведения более чем 2 тыс. пользователей, которые могут выполнять аналитику с помощью более чем 500 дашбордов Power BI, Grafana, или используя Excel, подключаясь к OLAP-кубам или витринам данных.

Антон Слученков: «Мы предоставили сотрудникам доступ к структурированным данным как к управляемому ресурсу. Это позволило каждому участнику процесса не просто видеть метрики, а на основе достоверной информации принимать обоснованные решения, влияющие на эффективность бизнеса»

Какие бизнес-проекты удалось реализовать благодаря аналитике?

Приведу несколько ярких примеров: рейтинг филиалов позволяет моментально увидеть, где проседает операционная эффективность, а прогноз нагрузки дает возможность клиентам выбирать наиболее удобное время посещения офисов ПЭК; оптимизация логистики позволила снизить издержки благодаря моделированию маршрутов — все расчеты сейчас выводятся в дашборды, в которых собраны как исходные данные, поданные на вход (направления, сроки, цены), так и информация после моделирования. Затем выводится процент расхождений от базовой модели. Такой подход позволяет видеть только измененные цепочки, не тратя ресурсы на анализ всего массива. Кроме того, были налажены оценка эффективности работы сотрудников контакт-центра и мониторинг влияния коммуникаций с клиентами на грузооборот — ИИ проводит обработку входящих звонков, суммаризацию и выделение смыслов, осуществляет категоризацию и автоматически заполняет карточки лидов. Система компьютерного зрения позволяет анализировать качество погрузки — сегодня появилась возможность в реальном времени выявлять проблемные участки на складах, нарушения технологии, что в конечном итоге влияет на качество предоставляемых услуг.

По словам операционных руководителей, эффект от внедрения аналитической платформы измеряется сотнями миллионов рублей — деньги на развертывание и поддержку системы аналитики точно расходуются не зря.

Как меняется культура в компании?

Инициатором проекта на первом этапе выступал директор департамента, управляющий всей филиальной сетью. Но после запуска проекта эффект оказался настолько значимым, что и другие руководители поняли, что подход data driven — это будущее и включились в проект. Налицо подход win-win — все прошло легко, без какого-то сопротивления со стороны руководства или конечных пользователей, включая линейный персонал. Сейчас даже неквалифицированные сотрудники получили возможность работы с данными, инструменты оценки своей работы с помощью метрик, а также средства выявления проблемных зон в своей работе.

Что дальше?

Мы планируем и далее продолжить работы по снижению задержек загрузки данных — все источники данных должны обновляться в минутных интервалах. Есть нормативный срок разгрузки рейс, и в целом большинство рейсов так раньше и разгружались, однако увидеть конкретных нарушителей нормативов было сложно, учитывая то, что анализ выполнялся с задержкой (разбор за прошедшую неделю). После создания оперативного хранилища и поддержки быстрых обновлений разгрузку можно контролировать в режиме онлайн. Как следствие, сроки разгрузки снизились на 40–50%. Аналогичные позитивные изменения произошли и по другим показателям: задержки рейсов, объемы перевозок и др.

Еще одно направление — продвинутый ИИ: чат-боты, виртуальные помощники и автоматизированная обработка данных.

Николай Смирнов (nsmirnov@osp.ru) — независимый автор (Москва).