Александр Тарасов, старший директор, руководитель центра экспертизы по управлению данными
Долгое время считалось, что создание цифрового двойника – это исключительно IT-задача. Практика показывает обратное: успех проекта определяется главным образом тем, насколько точно сформулирована бизнес-цель и как она переведена на язык данных. В этой статье мы расскажем о своем видении современного цифрового двойника и реальном кейсе для крупного инфраструктурного холдинга.
Эволюция подхода: от управления активами к тотальной копии
Тема цифровых двойников не нова. Она начиналась с задач по управлению активами, под которые был создан целый стек продуктов. Однако эти решения далеко не всегда приносили ожидаемый результат. Причина кроется в том, что цифровой двойник требует объединения разнородных данных: финансовых показателей, кадровой информации, геоданных, метеосводок и многого другого. На практике это приводило к необходимости создавать второй контур приложений параллельно с существующей ERP–системой, что было неудобно и затратно. Ситуация кардинально изменилась с появлением дата–платформ, технологий больших данных и инструментов работы с информацией.
Сегодня цифровой двойник – это не просто трехмерная модель оборудования. Это тотальная цифровая копия физического актива и всех бизнес-объектов, которые на него влияют. Такая копия нужна для поиска оптимального решения на стыке трех вводных: оценки стоимости реальных мероприятий (модернизация, закупка), прогноза поведения актива и связанного с ним финансового результата, а также анализа экологических, регуляторных и иных рисков. Поскольку ни один актив не существует в вакууме и зависит от других объектов, нужна не единичная модель, а целая цифровая экосистема взаимосвязанных факторов. При этом цифровой двойник нельзя создать «за один проход». Он требует постоянной актуализации и дополнения данных, расширения модели. Необходим инструмент, позволяющий быстро интегрировать новые источники и добирать недостающие данные – то есть дата-платформа.
Современная дата-платформа – это не просто хранилище, а экосистема из нескольких ключевых элементов. Во-первых, это решения по интеграции, обеспечивающие оперативный сбор данных из разных систем. Во-вторых, инструменты работы с качеством данных, которые нормализуют информацию и обеспечивают ее достоверность. В-третьих, дата-каталог, который ускоряет доступ к данным: до 80% процентов бюджета проекта обычно тратится на поиск данных, и каталог переворачивает эту пропорцию. В-четвертых, искусственный интеллект для быстрой обработки больших объемов информации. При этом главное, что должен понимать заказчик: успех проекта зависит не от технологий, а от правильно сформулированной бизнес-задачи.
Практический кейс: цифровой двойник парка строительной техники
Рассмотрим конкретный пример. Заказчик – крупный инфраструктурный холдинг с более чем 100 тыс. сотрудников, 10 тыс. единиц строительной техники, сотней компаний по всей стране и, соответственно, более чем сотней разных учетных систем. Данные были разбросаны по нестандартизированным и негармонизированным системам: Excel-базы, ERP, маршрутные листы, телеметрия. Цель проекта заключалась в повышении эффективности использования активов за счет быстрого реагирования на простои, оптимизации программы технического обслуживания и ремонта на основе объективных данных, а также снижения рисков потери эффективности благодаря своевременным управленческим решениям.
В качестве технологической основы выбрана платформа класса Data Lakehouse – российское решение «Селена Lakehouse». Lakehouse расширяет традиционную аналитику данных, совмещая гибкость озер данных с четкой структурой хранилищ. Это обеспечивает унификацию доступа ко всем источникам данных в масштабе всей группы компаний, позволяет хранить большие объемы структурированных, полуструктурированных и неструктурированных данных и проводить аналитику с высокой скоростью обработки. Кроме того, продукт включает ИИ-ассистента для анализа и нормализации данных.
В рамках проекта были решены несколько ключевых задач. Сначала апробирована технология загрузки данных в Lakehouse из разрозненных учетных систем холдинга. Затем проведена нормализация данных с применением технологий ИИ, сформирован единый классификатор и нормализованная база машин и механизмов. После этого в платформу загружены большой объем исторических и оперативных данных из системы мониторинга телеметрии и системы диспетчеризации по одной из дочерних компаний холдинга. На основе анализа структуры и атрибутивного состава загруженных данных спроектирована и реализована единая нормализованная модель данных.
Отдельным треком разработана методология расчета основных эксплуатационных показателей – коэффициента технической готовности и коэффициента использования оборудования – на данных из систем телеметрии и диспетчеризации. Эта методология была имплементирована в расчетную модель. Наконец, выполнены расчеты показателей эффективности эксплуатации в разрезах единиц оборудования, классов машин и календарных периодов с выводом результатов на BI-дашборды.
В результате нормализованная база машин и механизмов включила 10 076 записей, а нормализованный классификатор оборудования – 2 237 записей. В систему загружено более 74 тысяч записей по путевым и ремонтным листам из систем диспетчеризации, а также более 10 млн показаний датчиков, регистрирующих техническое состояние и эксплуатационные события по оборудованию дочерней компании за период 2024 года и первое полугодие 2025 года. Расчеты выполнены для 400 единиц оборудования.
Главный вывод практического кейса
Цифровой двойник – это всегда синтез бизнес-подхода и технологий. На рынке часто возникает перекос в сторону технологий, из-за чего результат получается технически корректным, но бесполезным для бизнеса. Если у вас есть методика расчета показателя, но нет методики его проверки и сверки с ожиданиями, вы рискуете уйти в сторону, особенно при подключении искусственного интеллекта. В нашем проекте этот баланс соблюден, именно поэтому цифровой двойник имеет практическую ценность и готов к масштабированию.
Если вы планируете создание цифрового двойника, необходимо пройти пять шагов. Первый – паспортизация активов, это база, на которой будет работать ваш двойник. Второй – определение бизнес-цели: какого результата компании, а не самого двойника, вы хотите достичь. Третий – разработка процессов формирования и изменения цифрового двойника, бизнес-правил и методологического обеспечения. Четвертый – создание целевой модели данных, которая учтет все правила, атрибуты и требования к качеству данных. И только после этого – выбор и развертывание дата-платформы и определение сценариев использования ИИ под цели проекта.
Юникон Бизнес Солюшнс обладает опытом в разработке методики расчета показателей, анализе, выборе и сопровождении различных платформ, а также внедрении инструментов работы с данными. Если перед вами стоит похожая задача или у вас есть вопрос, свяжитесь с нашими экспертами, и мы с радостью поможем.
17.04.2026