Возврат на инвестиции от внедрения технологии интеграции данных
На основе исследований компании Forrester "400% ROI and $21.6M of total benefits from Cognite Data Fusion®"
Этот вопрос всегда животрепещущий для тех, кто такие технологии продает и покупает
Компания Forrester по заказу вендора делает такие исследования и вендор радостно их публикует. Все это, конечно, «с заказным душком», но совсем отворачиваться от таких исследований мы не имеем права, тем более что одной компании Forrester насчитал 400% ROI. Кроме того, сама методология может отчасти оказаться полезной как для нас, так и для наших заказчиков.
Приводим ее здесь…
Приводим ее здесь…
Вендорская платформа
И была у неё следующая функциональность
- 1БерётОна берет операционные и инженерные данные по промышленным активам из различных систем и загружает их в единый репозиторий
- 2СоздаетЗатем создает «контекстуализированные модели данных» оторванные от моделей источников
- 3ПерегружаетЗатем перегружает данные из репозитория в эти модели с тем, чтобы Заказчик на их базе смог быстро выстраивать аналитические дашборды и вообще новые промышленные решения и цифровые двойники и использовать их на нескольких активах одновременно
"Заказчик"
Forrester проинтервьюировал 6 клиентов этого вендора и создал большого обобщенного суррогатного B2B «Заказчика», у которого 30 крупных производств по всему миру, 25000 человек в штате и $2 млрд. годового оборота и около 10 млн. клиентов.
Перед тем, как принять решение, «Заказчик» пытался разработать собственные инструменты анализа промышленных данных, но понял, что задача гораздо сложнее, чем они подозревали.
Проблемы
Проблемы «Заказчика» сводились к трем ключевым эпикам:
1. Многочисленные хранилища данных. Промышленные данные труднодоступны и поэтому используются недостаточно. Устаревшее оборудование работает с устаревшими специфическими системами, которые не предоставляют легкодоступных данных, которые можно было бы использовать интегрированным образом.
2. Отсутствие «контекстуализации» данных. Проблема виделась не только в том, чтобы собрать данные воедино, но и в том, чтобы объединить данные об активах из разных источников для получения новой информации, основанной на алгоритмах и автоматизации. В частности, ни одна из организаций заказчика не смогла убедительно объединить структурированные и неструктурированные данные.
3. Неполная аналитика. Современные промышленные процессы объединяют физические системы: данные должны быть доступны на всех этапах, чтобы процессы можно было оптимизировать.
Перед тем, как принять решение, «Заказчик» пытался разработать собственные инструменты анализа промышленных данных, но понял, что задача гораздо сложнее, чем они подозревали.
Проблемы
Проблемы «Заказчика» сводились к трем ключевым эпикам:
1. Многочисленные хранилища данных. Промышленные данные труднодоступны и поэтому используются недостаточно. Устаревшее оборудование работает с устаревшими специфическими системами, которые не предоставляют легкодоступных данных, которые можно было бы использовать интегрированным образом.
2. Отсутствие «контекстуализации» данных. Проблема виделась не только в том, чтобы собрать данные воедино, но и в том, чтобы объединить данные об активах из разных источников для получения новой информации, основанной на алгоритмах и автоматизации. В частности, ни одна из организаций заказчика не смогла убедительно объединить структурированные и неструктурированные данные.
3. Неполная аналитика. Современные промышленные процессы объединяют физические системы: данные должны быть доступны на всех этапах, чтобы процессы можно было оптимизировать.
Внедрение
Сначала набрасывались гипотетические сценарии использования, и они тестировались на наиболее передовом производстве. Команды «Заказчика» и вендора работали вместе чтобы:
«освободить операционные технологии, инженерные технологии и данные из разрозненных хранилищ на флагманском объекте и передать их в платформу».
Далее работа состояла в создании и тестировании вариантов использования на флагманском сайте. После успешного развертывания вариантов использования они масштабировались на остальные активы.
Сначала набрасывались гипотетические сценарии использования, и они тестировались на наиболее передовом производстве. Команды «Заказчика» и вендора работали вместе чтобы:
«освободить операционные технологии, инженерные технологии и данные из разрозненных хранилищ на флагманском объекте и передать их в платформу».
Далее работа состояла в создании и тестировании вариантов использования на флагманском сайте. После успешного развертывания вариантов использования они масштабировались на остальные активы.
Исчисляемые выгоды
Расчет делается исходя из 3х лет эксплуатации с поправкой на факторы риска.
Расчет делается исходя из 3х лет эксплуатации с поправкой на факторы риска.
1. $1,9 млн. (24%, 33% и 43% в 1й, 2й и 3й годы соответственно) экономии за счет повышения эффективности специалистов (SME – subject matter experts). Эффективность повышается от того, что данные «операционализируются» и «контекстуализируются», а также становятся более доступны и прозрачны, за счет чего методы работы с ними и уровни сотрудничества команд меняются в лучшую сторону.
Расчет исходит из следующих исходных данных: число активов где внедрена платформа (20, 25 и 30 соответственно по годам), средняя стоимость команды специалистов на активе в день - $5000, количество суммарно сэкономленных дней команды (10, 11 и 12), сохраненный процент продуктивности – 50%, поправка на риск – 10%. Расчет для первого года: 20 (активов) х $5000 (за команду в день) х 10 дней х 50% (утилизация) х 90% (за риск)
= $450 000.
Расчет исходит из следующих исходных данных: число активов где внедрена платформа (20, 25 и 30 соответственно по годам), средняя стоимость команды специалистов на активе в день - $5000, количество суммарно сэкономленных дней команды (10, 11 и 12), сохраненный процент продуктивности – 50%, поправка на риск – 10%. Расчет для первого года: 20 (активов) х $5000 (за команду в день) х 10 дней х 50% (утилизация) х 90% (за риск)
= $450 000.
2. $2,9 млн. (0%, 45% и 55% в 1й, 2й и 3й годы соответственно) или 1% экономии за счет увеличения эффективности, за счет доступа к данным реального времени и соответственного повышения эксплуатационной гибкости, повышения безопасности на объекте, улучшения профилактического обслуживания и повышения производительности машин.
Расчет для 2-го года: 25 (активов) х $200 000 (доход с актива в день) х 335 (операционных дней в году) х 1% (выигрыш в эффективности) х 12,5% (маржинальность) х 70% (выигрыш в производительности атрибутированный к платформе) х 90% (за риск) = $1 319 000.
Расчет для 2-го года: 25 (активов) х $200 000 (доход с актива в день) х 335 (операционных дней в году) х 1% (выигрыш в эффективности) х 12,5% (маржинальность) х 70% (выигрыш в производительности атрибутированный к платформе) х 90% (за риск) = $1 319 000.
3. $5,7 млн. (0%, 0% и 100%) экономии за счет оптимизации планового технического обслуживания, которая в свою очередь происходит за счет новых возможностей анализа и интерпретации вновь доступных данных о рабочих процессах и жизненных циклов компонентов.
Расчет для 3-го года: 30 (активов) х $200 000 (доход с актива в день) х 336 (операционных дней) х 5% (потери, которых удалось избежать) х 12,5% (маржинальность) х 50% (экономия атрибутированная к платформе) х 90% за риск
= $5 670 000
Расчет для 3-го года: 30 (активов) х $200 000 (доход с актива в день) х 336 (операционных дней) х 5% (потери, которых удалось избежать) х 12,5% (маржинальность) х 50% (экономия атрибутированная к платформе) х 90% за риск
= $5 670 000
4. $ 6,1 млн. (0%, 41% и 59%) экономии в результате сокращения времени простоя. Используя вновь построенные цифровые двойники, и за счет повышенной доступности данных о компонентах, специалисты могут предиктивно минимизировать периоды простоя при возникновении аномалий данных.
Расчет осуществляется следующим образом: Доход от оперирования одного актива в день – $200 000, дополнительных операционных дней (0, 5 и 6 соответственно по годам), операционная маржинальность – 12,5%. Расчет для второго года: 25 (активов) х $200 000 (дохода с актива в день) х 5 сэкономленных дней х 12,5%(маржинальность) х 80% (за риск) = $ 2 500 000.
Расчет осуществляется следующим образом: Доход от оперирования одного актива в день – $200 000, дополнительных операционных дней (0, 5 и 6 соответственно по годам), операционная маржинальность – 12,5%. Расчет для второго года: 25 (активов) х $200 000 (дохода с актива в день) х 5 сэкономленных дней х 12,5%(маржинальность) х 80% (за риск) = $ 2 500 000.
5. $ 6,8 млн. (0%, 0% и 100%) экономии за счет энергоэффективности. Интеллектуальные данные можно использовать для снижения энергопотребления и, следовательно, эксплуатационных расходов.
Расчет за 3й год: 30 (активов) х 10 000 (затраты на электричество с актива в день) х 336 (операционных дней) х 15% (экономии от повышенной энергоэффективности) х 50% (экономия атрибутированная к платформе) х 90% за риск
= $6 804 000
Расчет за 3й год: 30 (активов) х 10 000 (затраты на электричество с актива в день) х 336 (операционных дней) х 15% (экономии от повышенной энергоэффективности) х 50% (экономия атрибутированная к платформе) х 90% за риск
= $6 804 000
Казалось бы: меньше простоев – больше энергопотребления, ан нет! Свет, наверное, выключали на ночь!
6. $11,5 млн. (0%, 44% и 56%) экономии за счет оптимизации тяжелого машиностроения и промышленных процессов
Расчет для 2-го года: 25 (активов) х $200 000 (доход с актива в день) х 335 (операционных дней в году) х 15% (выигрыш в эффективности) х 12,5% (маржинальность) х 20% (выигрыш в производительности атрибутированный к платформе) х 80% (за риск) = $5 025 000.
Расчет для 2-го года: 25 (активов) х $200 000 (доход с актива в день) х 335 (операционных дней в году) х 15% (выигрыш в эффективности) х 12,5% (маржинальность) х 20% (выигрыш в производительности атрибутированный к платформе) х 80% (за риск) = $5 025 000.
Это, с вашего разрешения, я в загадки запишу. Как именно они оптимизировали буровую за счет дополнительных данных – не сказано
Неисчисляемые выгоды
- Здоровье и промышленная безопасностьОпросы клиентов показали, что организации, умело связывающие инциденты с конкретными производственными объектами, могут сократить количество перемещений людей через потенциально опасные «горячие» зоны, снижая риски для здоровья и безопасности сотрудников.
- Экологическая, социальная и управленческая отчетность (ESG)Некоторые организации начали разрабатывать варианты использования данных для облегчения внешней отчетности.
Затраты
- $241 000затраты на развертывание и интеграция платформы с учетом как внутренних, так и внешних ресурсов.
Расчет:
6 (человек в команде развертывания)
х
$57 (почасовая ставка разработчиков, создающих интеграции)
х
640 (часов на человека)
х
110% (за риск)
= $241 000 - $3,9 млн.стоимость подписки за 3 года ($650 000, $1 100 000 и $2 000 000 по годам соответственно).
Использовалась модель лицензирования на основе подписки, основанная на ряде факторов, включая количество промышленных площадок, типы объединяемых данных и количество развертываемых сервисов объединения данных - $2,4 млн.эксплуатационные расходы, связанные с разработкой новых вариантов использования и масштабированием избранных вариантов на новые объекты.
Расчет: 2 разработчика на поддержке решения в год х $100 000 средний ФОТ на разработчика в год
+
($435 000, $635 000 и $535 000 профессиональных сервисов от вендора по годам)
Итого
Потрачено (с поправкой на PV) $5,4 млн.
Сэкономлено $26,95 млн.
NPV $21,55 и ROI 400%.
И вам того же желаем!
Сэкономлено $26,95 млн.
NPV $21,55 и ROI 400%.
И вам того же желаем!
20 feb / 2024
Открываем W.online для доступа к данным NPD, Equinor VOLVE и Росгеолфонда
Выступление на юбилее АО "Росгеология"
Статья ЛУКОЙЛ Коми об использовании Корпоративного Банка сейсмических Данных на базе Whereoil