Проведем подробную обзор-консультацию по ЦУС
Персональный менеджер в удобное для вас время продемонстрирует, чем ЦУС будет полезен именно вам
Где применяются Big Data в строительстве: источники данных и польза для девелопера, заказчиков и подрядчиков
Тема больших данных в строительстве становится все более актуальной из-за тренда на внедрение цифровых решений. Все больше компаний переходят на цифровые процессы, однако, далеко не все получают реальную выгоду от накапливаемых в системах данных. В этом материале мы собрали самое важное про Big Data в строительстве с учетом российской практики.
Оглавление
1. Что такое большие данные в строительстве
Большие данные — это машиночитаемые массивы информации, которые помогают управлять проектом на основе зафиксированных фактов. В такой массив могут входить сметы, графики, информация из ТИМ, исполнительная документация, данные закупок, стройконтроля.
В российской строительной практике термин Big Data часто используют шире, чем в классическом IT-смысле. В стройке обычно нет готовой инфраструктуры с дата-озером и ML-моделями. Чаще у компании в наличии разрозненные данные по проектам. Если они машиночитаемы и их можно сопоставить между собой, то они подходят для строительной аналитики.
Такие данные помогают увидеть, где проект теряет сроки, деньги или качество. Например, какие подрядчики чаще задерживают исполнительную документацию, какие материалы закупают в авральном режиме, где техника простаивает и какие замечания повторяются чаще всего.
Нейросети упростили работу с данными. Они могут анализировать документы без предварительной работы дата-аналитика и кластеризации данных. Однако если невозможно установить связи между документами, то такая аналитика становится слишком абстрактной.
В строительстве данные появляются на всех этапах проекта: от выбора площадки до эксплуатации здания. Часть данных связана с проектированием, самая большая часть — непосредственно со строительными работами на площадке. Меньше всего данных в настоящий момент на этапе эксплуатации объекта после сдачи.
В российской строительной практике термин Big Data часто используют шире, чем в классическом IT-смысле. В стройке обычно нет готовой инфраструктуры с дата-озером и ML-моделями. Чаще у компании в наличии разрозненные данные по проектам. Если они машиночитаемы и их можно сопоставить между собой, то они подходят для строительной аналитики.
Такие данные помогают увидеть, где проект теряет сроки, деньги или качество. Например, какие подрядчики чаще задерживают исполнительную документацию, какие материалы закупают в авральном режиме, где техника простаивает и какие замечания повторяются чаще всего.
Нейросети упростили работу с данными. Они могут анализировать документы без предварительной работы дата-аналитика и кластеризации данных. Однако если невозможно установить связи между документами, то такая аналитика становится слишком абстрактной.
В строительстве данные появляются на всех этапах проекта: от выбора площадки до эксплуатации здания. Часть данных связана с проектированием, самая большая часть — непосредственно со строительными работами на площадке. Меньше всего данных в настоящий момент на этапе эксплуатации объекта после сдачи.
Где возникают Big Data в строительстве
Для строительной компании ценен не сам размер архива. Ценность появляется, когда данные можно точно сопоставить по цифровому следу.
Например, работу из графика можно увязать со стоимостью из сметы, с фактическим объемом со стройплощадки и актом исполнительной документации. Точно также позиции из заявки на материалы могут быть связаны с приемкой материалов, со входным контролем и замечаниями стройконтроля.
Так компания видит не отдельные отчеты, а полную картину проекта: где возникло отклонение, кто за него отвечает, как оно отразилось на общей логике строительства, какое решение нужно принять в будущем.
Например, работу из графика можно увязать со стоимостью из сметы, с фактическим объемом со стройплощадки и актом исполнительной документации. Точно также позиции из заявки на материалы могут быть связаны с приемкой материалов, со входным контролем и замечаниями стройконтроля.
Так компания видит не отдельные отчеты, а полную картину проекта: где возникло отклонение, кто за него отвечает, как оно отразилось на общей логике строительства, какое решение нужно принять в будущем.
2. Почему большие данные стали актуальны для российского строительства
В строительных организациях стало больше цифрового следа. Важную роль играет повестка по цифровизации Минстроя Р Ф. Во многих проектах уже есть ТИМ/BIM-модели, электронный документооборот, цифровой стройконтроль и снабжение. Многие документы переведены в стандартизированный формат, благодаря внедрению XML-схем.
Второй важный фактор — это ухудшение экономики проектов. Теперь ошибки в сроках, качестве и эффективности закупок сильно влияют на маржинальность строительства. Компании вынуждены избавляться от бумажных процессов и переходить в цифру.
Проблема в том, что в отрасли нет выстроенной культуры работы с данными. Каждая организация работает по каким-то своим процессам и генерирует свой «неповторимый» цифровой след. В результате внедрение цифровизации происходит долго, а ее результат — данные, далеко не всегда позволяют собрать качественную аналитику.
Второй важный фактор — это ухудшение экономики проектов. Теперь ошибки в сроках, качестве и эффективности закупок сильно влияют на маржинальность строительства. Компании вынуждены избавляться от бумажных процессов и переходить в цифру.
Проблема в том, что в отрасли нет выстроенной культуры работы с данными. Каждая организация работает по каким-то своим процессам и генерирует свой «неповторимый» цифровой след. В результате внедрение цифровизации происходит долго, а ее результат — данные, далеко не всегда позволяют собрать качественную аналитику.
3. Как формируются большие данные
Большие данные формируются из рутинных рабочих действий. Пользователь создает документ, меняет статус, выдает замечание, отправляет на согласование — это все часть данных для аналитики.
Каждое такое действие оставляет цифровой след:
Из таких небольших событий складывается массив данных по реальному ходу строительства. Остается только научиться регулярно фиксировать эти события и собирать на их основе проектные метрики.
Каждое такое действие оставляет цифровой след:
- кто выполнил;
- по какой работе;
- в какой момент это произошло;
- какой результат появился;
- на что это повлияло.
Из таких небольших событий складывается массив данных по реальному ходу строительства. Остается только научиться регулярно фиксировать эти события и собирать на их основе проектные метрики.
4. Когда Big Data действительно полезны
Big Data полезны, когда у компании есть повторяемые процессы, регулярный цифровой след и сотрудники, которые отвечают за аналитику.
Если данные вводятся задним числом, каждый объект ведет учет по-своему, документы находятся на локальных компьютерах и согласовываются в мессенджерах, графики вовремя не обновляются, то в такой ситуации компания получит имитацию контроля. Отчеты собрать можно, но они не помогут управлять объектом.
Также должны быть выделены сотрудники, чья задача будет проверять достоверность данных, следить за связанностью и защищать массив данных «от дурака», то есть случайных или сознательных искажений информации.
Если данные вводятся задним числом, каждый объект ведет учет по-своему, документы находятся на локальных компьютерах и согласовываются в мессенджерах, графики вовремя не обновляются, то в такой ситуации компания получит имитацию контроля. Отчеты собрать можно, но они не помогут управлять объектом.
Также должны быть выделены сотрудники, чья задача будет проверять достоверность данных, следить за связанностью и защищать массив данных «от дурака», то есть случайных или сознательных искажений информации.
5. Где применяются технологии Big Data
Анализ площадки и старт проекта
На старте девелопер или инфраструктурный заказчик считает экономическую эффективность. Заходить ли на данную площадку, какой объект выгоднее построить, в какие сроки, когда произойдет возврат инвестиций или какая будет маржинальность. Ошибка на этом этапе может проявиться через год, когда изменить параметры проекта уже сложно.
Какие данные можно использовать:
Что можно узнать
Анализ больших данных в девелопменте помогает проверить экономическую модель до выхода на площадку или начала проектирования. На практике собрать внешние данные сложно. Тут больше помогает внутренний массив информации, если он у компании есть.
Какие данные можно использовать:
- похожие реализованные проекты;
- проектные решения;
- типовые сроки строительства;
- стоимость строительства в регионе;
- логистические ограничения;
- фактическую маржинальность завершенных проектов.
Что можно узнать
Анализ больших данных в девелопменте помогает проверить экономическую модель до выхода на площадку или начала проектирования. На практике собрать внешние данные сложно. Тут больше помогает внутренний массив информации, если он у компании есть.
Управление сроками
Срыв графика редко начинается внезапно. Обычно перед ним возникают ранние сигналы. Например, задержался выпуск документации, слишком долгие согласования, большой объем задействованной техники в пиковый сезон, не готов фронт работ из-за ошибок планирования, исполнительная документация сильно отстает от закрытия этапа и так далее.
Какие данные можно использовать:
Что можно узнать
Данные показывают предвестников срыва сроков и удорожания проекта. Руководитель проекта может заранее пересобрать график или усилить контроль на участке.
Какие данные можно использовать:
- плановый график работ;
- фактическое выполнение по этапам;
- поставки материалов и оборудования;
- скорость выпуска и качество документации;
- загрузка подрядчиков;
- статусы исполнительной документации;
- причины простоев.
Что можно узнать
Данные показывают предвестников срыва сроков и удорожания проекта. Руководитель проекта может заранее пересобрать график или усилить контроль на участке.
Закупки и стоимость материалов
Закупки напрямую влияют на маржу. Даже хорошо посчитанная смета не спасет проект, если материалы покупают поздно и по завышенной стоимости.
Какие данные можно использовать:
Что можно узнать
Большие данные помогают понять, где строительный проект теряет деньги в снабжении. Например, какие материалы закупают дороже рынка, какие поставщики чаще задерживают поставки, где растут лишние остатки и какие позиции расходуются быстрее планового объема.
Какие данные можно использовать:
- динамику цен на материалы;
- данные по срокам поставок по наиболее критичным категориям;
- историю срывов поставок;
- данные по качеству работы поставщиков;
- остатки или процент списания материалов;
- фактический расход материалов;
- отклонения от сметы.
Что можно узнать
Большие данные помогают понять, где строительный проект теряет деньги в снабжении. Например, какие материалы закупают дороже рынка, какие поставщики чаще задерживают поставки, где растут лишние остатки и какие позиции расходуются быстрее планового объема.
Оценка подрядчиков и субподрядчиков
Подрядчика часто выбирают по цене и предыдущему опыту. Но часто компания видит только то, что в прошлый раз подрядчик выполнил порученный объем работ, но не видит, с какими трудностями это было сопряжено. Такой подход плохо оценивает реальные риски.
Какие данные можно использовать:
Что можно узнать
Реальное качество работы подрядчиков и соотношение цена/качество. Один подрядчик может давать низкую цену, но задерживать сроки из-за множества переделок, что в итоге приводит к более значимому удорожанию строительства. Другой на старте стоит дороже, но стабильнее закрывает работы и укладывается в сроки. Для заказчика и генподрядчика это база для отбора и допуска подрядчиков к новым объектам.
Какие данные можно использовать:
- соблюдение сроков по конкретным видам работ;
- типы и количество замечаний стройконтроля;
- объем переделок;
- качество рабочей документации;
- качество исполнительной документации;
- результаты испытаний;
- отклонения от бюджета.
Что можно узнать
Реальное качество работы подрядчиков и соотношение цена/качество. Один подрядчик может давать низкую цену, но задерживать сроки из-за множества переделок, что в итоге приводит к более значимому удорожанию строительства. Другой на старте стоит дороже, но стабильнее закрывает работы и укладывается в сроки. Для заказчика и генподрядчика это база для отбора и допуска подрядчиков к новым объектам.
Мониторинг техники и стройплощадки
На площадке часто простаивает техника, бригада ждет материалы, фронт работ не готов, один участок тормозит смежников.
Какие данные можно использовать:
Что можно узнать
Данные показывают, как техника работает в реальности. Можно узнать, на каких работах техника чаще всего используется неэффективно, кто планирует такие работы, причины простоев, какие участки тормозят график.
Какие данные можно использовать:
- Телеметрию техники, GPS-данные, в том числе данные простоев;
- данные с камер на стройплощадке и внутри техники;
- историю поломок, заявки на ремонт и обслуживание;
- записи из журналов работ;
- статистику инцидентов и причины остановки работ.
Что можно узнать
Данные показывают, как техника работает в реальности. Можно узнать, на каких работах техника чаще всего используется неэффективно, кто планирует такие работы, причины простоев, какие участки тормозят график.
Стройконтроль и исполнительная документация
Для российского строительства это наиболее ценный массив данных для анализа. Работы могут быть выполнены физически, но документальное закрытие отстает, в том числе из-за замечаний строительного контроля. Частая практика, когда замечания закрываются позднее, чем стартовал следующий этап. Одни и те же дефекты могут повторяться у одного подрядчика на одном и том же виде работ.
Какие данные можно использовать:
Что можно узнать
Данные стройконтроля показывают повторяющиеся типы замечаний и подрядчиков, которые их генерируют. Можно увидеть, какие подрядчики готовят исполнительную документацию задним числом, какие виды работ имеют больше всего замечаний, кто и на какое время задерживает приемку, какие документы требуют частой переделки.
Какие данные можно использовать:
- типы замечаний строительного контроля;
- статистика замечаний по юрлицам и ответственным;
- сроки закрытия замечаний;
- данные повторных проверок;
- статусы исполнительной документации;
- замечания к исполнительной документации;
- акты и даты из заполнения оформления;
- фотофиксацию дефектов;
- данные с камер на площадках.
Что можно узнать
Данные стройконтроля показывают повторяющиеся типы замечаний и подрядчиков, которые их генерируют. Можно увидеть, какие подрядчики готовят исполнительную документацию задним числом, какие виды работ имеют больше всего замечаний, кто и на какое время задерживает приемку, какие документы требуют частой переделки.
Эксплуатация зданий и ЖКХ
После ввода объекта данные показывают, как проектные решения работают в реальной эксплуатации. Для управляющей компании это основа обслуживания. Для заказчика — обратная связь для следующих проектов.
Какие данные можно использовать:
Что можно узнать
Данные эксплуатации помогают понять, какие системы требуют больше расходов, где повторяются заявки, какие узлы чаще выходят из строя и какие проектные решения стоит пересмотреть в следующих объектах.
Какие данные можно использовать:
- энергопотребление;
- статус работы инженерных систем;
- аварии и инциденты;
- сервисные заявки;
- сроки реакции;
- стоимость обслуживания.
Что можно узнать
Данные эксплуатации помогают понять, какие системы требуют больше расходов, где повторяются заявки, какие узлы чаще выходят из строя и какие проектные решения стоит пересмотреть в следующих объектах.
Таблица: как используют большие данные в строительстве
6. BIM, ТИМ, Big Data, BI и цифровой двойник: в чем разница
В строительстве часто встречаются термины: BIM, ТИМ, BI, цифровой двойник, искусственный интеллект. Все они связаны с данными, но отвечают за разные задачи.
ТИМ и BIM
ТИМ и BIM схожи по сути и формируют данные об объекте строительства. В них описаны элементы здания, параметры, объемы, спецификации и проектные связи. Это фундамент проектной информации. В информационной модели может отсутствовать твердотельная трехмерная модель. В таком случае техническая информация содержится в чертежах и сопроводительных документах.
В любом случае модель дает больше пользы, когда связана с трехмерной моделью, сметной документацией, графиком строительства, закупками, стройконтролем и эксплуатацией. Без этой связки она остается проектным источником, а не полноценной базой для строительной аналитики.
В любом случае модель дает больше пользы, когда связана с трехмерной моделью, сметной документацией, графиком строительства, закупками, стройконтролем и эксплуатацией. Без этой связки она остается проектным источником, а не полноценной базой для строительной аналитики.
Big Data в строительстве
Big Data в классическом понимании — это структурированные объемы информации, которые подходят для анализа с помощью машинного обучения. Такие массивы объединяют данные из разных процессов: проектирования, стройки, снабжения, ПТО, стройконтроля, финансов и эксплуатации.
Для строительной компании важна структурированность данных и их связность. Документы должны быть однотипны, обрабатываться по типовым сценариям. Тогда есть возможность связать их между собой и проанализировать. Например, если можно сопоставить работу подрядчика, сроки выполнения, замечания и стоимость, то аналитика начинает показывать причины отклонений.
Для строительной компании важна структурированность данных и их связность. Документы должны быть однотипны, обрабатываться по типовым сценариям. Тогда есть возможность связать их между собой и проанализировать. Например, если можно сопоставить работу подрядчика, сроки выполнения, замечания и стоимость, то аналитика начинает показывать причины отклонений.
BI-системы
BI превращает структурированные данные в отчеты, графики и дашборды. Это инструмент отображения различных срезов данных. С его помощью можно «крутить куб» данных и строить различные гипотезы. Например, видеть статистику просрочек по подрядчиками, считать их рейтинги, строить загрузку ресурсов, прогнозировать динамику замечаний.
BI зависит от качества исходных данных. Если статусы ведутся хаотично, справочники расходятся, а часть информации остается в переписке, дашборд не даст надежной картины.
BI зависит от качества исходных данных. Если статусы ведутся хаотично, справочники расходятся, а часть информации остается в переписке, дашборд не даст надежной картины.
Цифровой двойник
Цифровой двойник связывает информационную модель объекта с фактическими данными, полученными в ходе строительства. В него могут попадать данные строительно-монтажных работ, процесса эксплуатации, телеметрии датчиков, статистика ремонтов, аварий и потребления ресурсов.
Он помогает следить за состоянием объекта во времени и принимать решения по эксплуатации на основе факта.
Он помогает следить за состоянием объекта во времени и принимать решения по эксплуатации на основе факта.
Нейросети и ИИ
Нейросети — это еще один инструмент для обработки строительных данных. В отличие от BI, они не требуют точного алгоритма для анализа. Наоборот, нейросети могут сами придумывать способ и методологию анализа, что является наиболее ценным для практической работы.
ИИ усиливает аналитику, когда у компании есть цифровой след. При слабой дисциплине данных нейросети будут «фантазировать» и додумывать данные, дополняя картину.
ИИ усиливает аналитику, когда у компании есть цифровой след. При слабой дисциплине данных нейросети будут «фантазировать» и додумывать данные, дополняя картину.
Таблица: сравнение Big Data, BIM, ТИМ, BI, AI и цифрового двойника
7. Российские источники данных для строительной аналитики
Строительная аналитика опирается на внутренние и внешние источники. Внутренние показывают ход проекта. Внешние помогают оценить рынок, площадку, контрагентов и стоимость ресурсов.
Внутренние источники данных
Основной цифровой след формируется внутри компании. К нему относятся ТИМ-модели, сметы, графики, закупки, исполнительная документация, стройконтроль и данные по подрядчикам.
Эти источники наиболее ценны, так как отражают реальную картину хода строительства.
Эти источники наиболее ценны, так как отражают реальную картину хода строительства.
ЕИСЖС / Наш.дом.рф
ЕИСЖС полезна для анализа новостроек, застройщиков, стройготовности, распроданности и проектных характеристик. Девелопер может оценивать конкурентную среду, активность застройщиков по регионам и динамику рынка жилья в конкретной локации.
Росреестр и ЕГРН
Данные Росреестра и ЕГРН помогают анализировать земельные участки, объекты недвижимости и юридический контекст площадки. Это полезно на прединвестиционном этапе, когда компания проверяет участок и окружение будущего объекта.
Минстрой и ФГИС ЦС
ФГИС ЦС и данные Минстроя используют для работы со сметной стоимостью, строительными ресурсами и нормативной базой. В связке с внутренними закупками эти данные помогают сравнивать нормативную и фактическую стоимость.
ЕИС в сфере закупок
ЕИС в сфере закупок дает данные по лотам, контрактам, требованиям заказчиков и активности рынка. Такие сведения полезны подрядчикам, поставщикам и компаниям, которые работают с государственным или окологосударственным сегментом.
ФНС «Прозрачный бизнес»
Сервис ФНС помогает проверять юридических лиц и ИП. Для строительной компании это часть оценки контрагента. Больше пользы появляется при связке с внутренней историей: сроками, замечаниями, претензиями и качеством работ.
Росстат и отраслевые данные
Росстат нужен для стратегической аналитики. Он помогает смотреть на динамику строительной отрасли, ввод жилья, региональные различия и общую деловую активность.
8. Ограничения больших данных в российском строительстве
Фрагментация данных
Чаще всего массив данных хранится у разных юридических лиц, а внутри них — у разных служб. Проект, рабочка, графики, исполнительная документация, замечания, закупки и финансы живут в разных колодцах данных.
Поэтому собрать все данные вместе и проанализировать технически и юридически сложно. Для этого нужно:
Поэтому собрать все данные вместе и проанализировать технически и юридически сложно. Для этого нужно:
- Иметь общую систему, в которой будут работать все участники строительства на объекте.
- Заключить дополнительные соглашения к договорам, чтобы появилась юридическая обязанность предоставлять данные. Важно на старте указать, какие конкретно данные необходимо предоставлять и в каком объеме. Нередки случаи, когда формулировки в договорах прописаны общими словами, в результате чего данные предоставляют по самому минимальному сценарию.
Росстат и отраслевые данные
Чаще всего массив данных хранится у разных юридических лиц, а внутри них — у разных служб. Проект, рабочка, графики, исполнительная документация, замечания, закупки и финансы живут в разных колодцах данных.
Поэтому собрать все данные вместе и проанализировать технически и юридически сложно. Для этого нужно:
Поэтому собрать все данные вместе и проанализировать технически и юридически сложно. Для этого нужно:
- Иметь общую систему, в которой будут работать все участники строительства на объекте.
- Заключить дополнительные соглашения к договорам, чтобы появилась юридическая обязанность предоставлять данные. Важно на старте указать, какие конкретно данные необходимо предоставлять и в каком объеме. Нередки случаи, когда формулировки в договорах прописаны общими словами, в результате чего данные предоставляют по самому минимальному сценарию.
Низкое качество данных
Первая проблема — нестабильная доля машиночитаемых данных. Некоторые сканированные документы низкого качества и их невозможно распознать даже продвинутыми нейросетями. Также возможны ошибки при сканировании, например, часть листа не попала на изображение.
Кроме того, сотрудники допускают много ошибок при ручном вводе данных, путают названия материалов и работ, заводят дубли наименований в справочниках, и так далее.
Все это влияет на качество анализа. Например, один и тот же материал будет числиться в двух поставках под разными названиями.
Кроме того, сотрудники допускают много ошибок при ручном вводе данных, путают названия материалов и работ, заводят дубли наименований в справочниках, и так далее.
Все это влияет на качество анализа. Например, один и тот же материал будет числиться в двух поставках под разными названиями.
Слабая стандартизация
Разные объекты могут вести учет по разным правилам. Без единых справочников, структуры хранилища документов, единых статусов сложно сравнивать данные между собой. В этом случае аналитика нескольких объектов «разваливается», и остаются только локальные данные.
Недостоверность данных
В строительстве данные часто подвергаются обработке, прежде чем стать официальными. Например, журналы работ ведутся задним числом, аналогично готовится исполнительная документация. В результате фактическое событие и подкрепляющий его документ могут не совпадать или сознательно искажаться. В этом случае единственным решением может быть цифровая платформа, которая помогает фиксировать фактические данные непосредственно в момент наступления нужного события.
Даже если сотрудники начнут придумывать «лайфхаки», как обмануть систему, рано или поздно все лазейки будут закрыты и данные в целом станут более достоверными.
Даже если сотрудники начнут придумывать «лайфхаки», как обмануть систему, рано или поздно все лазейки будут закрыты и данные в целом станут более достоверными.
Неочевидная экономика внедрения
Big Data в строительстве дают эффект, если изначально привязаны к конкретной задаче: сократить срок проверки исполнительной документации, снизить долю срочных закупок, уменьшить простои техники. В этом случае вся логика работы с данными будет выстроена по сквозному процессу. Без такого сценария внедрение превращается в технологический проект без бизнес-цели.
9. Как большие данные формируются на примере платформы ЦУС
Платформа «Цифровое управление строительством» (ЦУС) работает как среда общих данных для участников строительства: заказчика, проектировщика, генподрядчика, подрядчиков, стройконтроля.
Внутри системы можно создавать и согласовывать документы, работать с ТИМ-моделями, управлять графиками строительства, формировать исполнительную документацию.
Так как ЦУС — это платформа для совместной работы, то сразу формируется единый массив данных, подходящий для дальнейшего анализа инструментами BI и нейросетей.
Данные появляются из рутинных действий. Пользователь создает или загружает документ, получает замечание, вводит данные по выполненным работам, система фиксирует, кто выполнил действие, когда, по какому объекту. А затем пересчитывает и меняет связанные данные.
В ЦУС накапливаются данные по нескольким контурам:
Внутри системы можно создавать и согласовывать документы, работать с ТИМ-моделями, управлять графиками строительства, формировать исполнительную документацию.
Так как ЦУС — это платформа для совместной работы, то сразу формируется единый массив данных, подходящий для дальнейшего анализа инструментами BI и нейросетей.
Данные появляются из рутинных действий. Пользователь создает или загружает документ, получает замечание, вводит данные по выполненным работам, система фиксирует, кто выполнил действие, когда, по какому объекту. А затем пересчитывает и меняет связанные данные.
В ЦУС накапливаются данные по нескольким контурам:
- работа с проектной и рабочей документацией;
- графики работ, плановое и фактическое выполнение работ;
- исполнительная документация: акты, схемы, журналы, статусы готовности;
- стройконтроль: замечания, предписания, сроки устранения;
- согласования: маршруты проверки, ответственные, даты возврата и подписания;
- подрядчики: кто задерживает документы, получает замечания, исправляет ошибки.
Чем дольше компания работает в такой среде, тем ценнее история по подрядчикам, видам работ, объектам и срокам проверки.
10. Как начать использовать большие данные без лишних затрат
Выбрать основной сценарий
Начинать лучше с задачи, где эффект можно быстро измерить. Если компания регулярно задерживает закрытие исполнительной документации, можно начать с ПТО. Достаточно собрать данные по документам, срокам проверки, замечаниям, ответственным и статусам. После этого станет видно, где возникает задержка.
Определить минимальный набор данных
Для контроля сроков нужны график, факт выполнения, ответственные, причины отклонений и зависимые поставки.
Для снабжения нужны заявки, цены, сроки поставки, остатки и потребность по графику.
Для ПТО нужны документы, статусы, сроки проверки, замечания и даты подписания.
Для эксплуатации нужны заявки, аварии, оборудование, регламент обслуживания и срок устранения инцидента.
Для снабжения нужны заявки, цены, сроки поставки, остатки и потребность по графику.
Для ПТО нужны документы, статусы, сроки проверки, замечания и даты подписания.
Для эксплуатации нужны заявки, аварии, оборудование, регламент обслуживания и срок устранения инцидента.
Настроить цифровой след
Цифровой след показывает процесс. Нужно видеть, кто создал документ, кто проверил, какое замечание выдал, когда исправили и сколько времени занял цикл.
Для этого в системе должны автоматически фиксироваться эти данные и собираться в отчеты.
Для этого в системе должны автоматически фиксироваться эти данные и собираться в отчеты.
Назначить владельца данных
По каждому процессу должен быть ответственный за полноту данных, качество заполнения, справочники, регламент и проверку отчетов. Без владельца данные быстро устаревают.
Вывод
Большие данные в строительстве в России — это прикладной инструмент управления проектом. В большинстве компаний речь идет о машиночитаемом цифровом следе: сроках, сметах, подрядчиках, документах, поставках, замечаниях и эксплуатации.
Главная польза появляется там, где компания связывает данные из разных процессов. Тогда она видит причины отклонений и принимает решения раньше: по срокам, закупкам, подрядчикам, исполнительной документации, технике и эксплуатации.
Главная польза появляется там, где компания связывает данные из разных процессов. Тогда она видит причины отклонений и принимает решения раньше: по срокам, закупкам, подрядчикам, исполнительной документации, технике и эксплуатации.
FAQ: частые вопросы о применении Big Data
Большие данные в строительстве — это машиночитаемые массивы информации, состоящие из данных по проектированию, СМР, снабжения, использования техники, финансовых документов, рынка и эксплуатации. Их анализируют, чтобы управлять сроками, затратами, качеством, подрядчиками и эксплуатацией объекта.
Big Data применяют в девелопменте, проектировании, снабжении, управлении стройкой, ПТО, стройконтроле, управлении подрядчиками, эксплуатации и ЖКХ. Самые понятные сценарии — прогноз сроков, контроль отклонений, прогноз цен на материалы, оценка подрядчиков и предиктивное обслуживание.
Строительные компании собирают сметы, графики, проектную документацию, исполнительную документацию, акты, журналы, замечания, заявки, поставки, складские остатки, данные о технике, подрядчиках и эксплуатации.
BIM или ТИМ — это информационная модель объекта. Big Data — это данные из разных источников, включая модель, стройку, закупки, документы, рынок и эксплуатацию. BIM может быть источником больших данных, но не заменяет строительную аналитику.
BI — это инструменты аналитики и визуализации: отчеты, графики, дашборды. Big Data — это сами массивы данных, которые можно анализировать и использовать для прогнозов. BI показывает аналитику, но зависит от качества исходных данных.
Они помогают раньше видеть риск срыва сроков, перерасход бюджета, дефицит материалов, проблемы подрядчиков, повторные замечания и будущие расходы на эксплуатацию.
Начать лучше с одного сценария: сроки, снабжение, исполнительная документация, подрядчики, техника или эксплуатация. Затем нужно собрать минимальный набор данных, настроить цифровой след, назначить владельца данных и измерить KPI пилота.
ИИ не обязателен на первом этапе. Сначала нужны достоверные данные, регулярный сбор, понятные метрики и цифровой след. Нейросети полезны, когда компания понимает, какие данные у нее есть и какие решения нужно принимать.
Оставьте заявку, и мы расскажем о возможностях ЦУС, как строительные процессы связаны друг с другом: сметы, ГПР, ИД и журналы, как строится сквозная аналитика на основе данных. Проведем демонстрацию и ответим на вопросы: