Технология big data на транспорте. Большие данные (Big Data) и технологии навигации автомобилей ближайшего будущего. Big Data и поддержание летной годности воздушных судов

В Башкирии при анализе турпотока впервые использовали «большие данные». Госкомитет РБ по туризму заказал Уральскому центру мониторинга и аналитики исследование, которое было выполнено на базе динамики передвижений абонентов мобильных телефонов.

Согласно исследованиям, с января по ноябрь 2018 года республику посетили 1,656 млн туристов, 60% из которых — мужчины в возрасте от 30 до 45 лет, как правило, сотрудники коммерческих организаций, с высшим образованием, с доходом от 40 тыс. рублей в месяц. Средняя продолжительность пребывания — 3,8 дня.

Пик туристского потока приходится на лето. В июне 2018 года количество въезжающих составило 179 тыс. человек, в июле — 215 тыс. человек. Минимальный показатель наблюдался в феврале - 118 тыс. человек.

Гости приезжали из самых разных регионов России. Самая большая доля приезжающих — Москва, Подмосковье, Татарстан — по 11%. Жители Оренбуржья, Челябинской и Самарской областей составили доли турпотока в 9%, 7%, 6%. Далее Свердловская область и ХМАО — по 3,8%, Тюменская область — 3%, Пермский край и Удмуртия — каждый чуть более 2%.

Иностранные туристы приезжали из стран ближнего зарубежья, а также Индии, Испании, Италии, Йемена, Германии, Турции, Египта, Нигерии, Израиля, США, Чехии, Саудовской Аравии, Болгарии, Ирана, Китая и Финляндии.

Также было проведено социологическое исследование в виде опросов туристов. 37% опрошенных выбрали для остановки гостиницу или отель. 17% остановились у друзей или родственников, хостелы предпочли 11%. По целям поездок туристский поток распределился следующим образом: поездки к родственникам (30%), деловой туризм (28%), оздоровительный (18%), экскурсионный (12%), активный (8%), паломнический туризм (0,2%).

40% туристов приезжали в Башкирию не в первый раз. По рекомендации друзей (коллег, родственников) приехали 20%. 24% прибыли в командировку. Наименее используемыми источниками информации при выборе направления путешествия для респондентов стали интернет-порталы (3,4%), социальные сети (1,2%), реклама в СМИ (0,5%).

В текущем 2019 году будет анализироваться также туристическая привлекательность отдельных районов республики, проинформировали в госкомитете.

«Геоаналитика с использованием возможностей мобильных операторов является передовой методикой подсчета туристического потока. В настоящее время подобный опыт имеют только Москва и Напомню, что последний занимает в национальном туристском рейтинге первое место в ПФО, Башкортостан — второе», — отметил замруководителя Госкомтуризма и предпринимательства РБ Азамат Галин.

По данным портала «Турстат», Башкирия по итогам 2018 года вошла в Топ-15 рейтинга внутреннего и въездного туризма, заняв 13 место с числом туристов более 2,5 млн человек (+13% к уровню 2017 года).

Данные инициативы Правительства Башкирии весьма интересны и полезны для изучения турпотока и планирования своей деятельности с целью продвижения турпродуктов региона через комплексное предоставление услуг туристам, в том числе с использованием it-технологий.

Кстати, в новости упомянут Нижний Ногород. Мы ранее сообщали, что в этом городе реализован проект "Карта гостя", по которой можно будет отслеживать передвижение туристов, посещающих достопримечательности города, их интересы, туристы смогут получать различные скидки, а также бесплатно пользоваться общественным транспортом.

Все эти инициативы реализуются в регионах обособлено и единично, без федерального участия.

О ЧЕМ РЕЧЬ?

Суть дела в том, что в настоящее время решается вопрос применения электронных виз для иностранных граждан, прибывающих в Российскую Федерацию . По мнению Ассоциации "Безопасность туризма" применение таких виз с использованием специальных цифровых технологий без интеграции в них системы миграционного и регистрационного учета туристов в гостиницах и упомянутых выше услуг по "карте гостя" не имеет смысла. Это не государственный подход.

По нашему мнению, системный, государственный подход должен включать в себя учет всех этих элементов. Турист должен пройти регистрацию на границы единожды, получив электронную метку, а затем передвигаться по стране, регистрироваться в гостиницах (уже без миграционного учета), посещать без проблем музеи, получать различные скидки, пользоваться общественным транспортом бесплатно или со скидками. И при этом данный подход позволит - как обеспечить национальную безопасность, фиксируя передвижения иностранцев, так и освободить отельеров от головной боли регистрационного и миграционного учета, а органам управления туризмом в субъектах РФ получать информацию о наиболее популярных объектах региона (города) и на ее основе формировать туристские предложения, тем самым получая максимальную выгоду.

И ДЛЯ ЭТОГО УЖЕ ВСЕ ЕСТЬ!

А именно Постановление Правительства Российской Федерации еще 6 августа 2015 года №813, которым утверждено Положение о государственной системе миграционного и регистрационного учета, реализация которого может существенно повлиять на гостеприимство и увеличение въездного туристического потока в целом. Именно об этом 06 декабря 2018 года в Совете Федерации говорил Председатель Правления Ассоциации "Безопасность туризма" Сергей Груздь участникам круглого стола на тему «Актуальные вопросы применения электронных виз для иностранных граждан, прибывающих в Российскую Федерацию, и совершенствования законодательства Российской Федерации в этой сфере»

Напомним, что вопросы совершенствования миграционного и регистрационного учета, упрощения визового режима, разработки и внедрения единого биометрического идентификатора для путешествий станут предметом обсуждения в рамках Международного форума "Безопасность туризма" - TSIF - 2019. Данный Форум - ключевое профессиональное мероприятие, на котором представители органов власти, профессионального сообщества и бизнеса на одной площадке обсуждают актуальные вопросы обеспечения безопасности туризма. Форматом Форума предусмотрены 4 секционных заседания.

Москва – огромный мегаполис с 11 979 529 жителей, по данным переписи населения 2013 года. Каждый из них ездит на работу, пользуется мобильным телефоном (а то и не одним), спускается в метро, стоит в пробках. За всем этим следят городские службы, государственные органы, частные компании, предоставляющие различные сервисы. Тысячи видеокамер, сотни тысяч датчиков, мониторов, которые контролируют жизнь города, миллионы мобильных телефонов, 3G/4G-модемов. А все вместе это миллиарды источников данных, обрабатывая которые можно получить информацию для дальнейшего планирования развития города, управления его транспортными потоками, обеспечения безопасности мегаполиса. Одним из немногих инструментов, способных справиться с обработкой такого количества информации, являются решения класса Big Data. Для начала рассмотрим, где они могут быть использованы.

Плотность проживания населения и данные о перемещении жителей

Основным инструментом определения численности и структуры населения, его распределения по местности на текущий момент является перепись. Основной недостаток переписи – стоимость её проведения и отсутствие данных о движении жителей. Источником информации для переписи служат сами жители, опрос которых проводится по месту их проживания.

Какие преимущества может предоставить использование решений Big Data? Для ответа на данный вопрос сначала определим, какие данные нам необходимы:

• где ночуют и работают жители;
• откуда и куда они ездят в будни и выходные;
• каким транспортом пользуются москвичи и гости столицы;
• откуда приезжают в город и зачем.

Для сбора этой информации нам в первую очередь необходимо определиться с источником данных и методом их анализа. Для определения местоположения жителя самым оптимальным является использование данных о местоположении его сотового телефона (он всегда с собой). Как это сделать?

Можно получить:

• данные от сотовых операторов о местоположении телефонного аппарата;
• данные от специализированных сервисов (таких, как “Яндекс.Пробки”);
• данные от мобильных приложений со встроенным функционалом определения местоположения, предоставляемых городом для удобства жителей.

Для анализа полученной информации могут быть использованы различные алгоритмы в зависимости от источника, формата, способа их предоставления. Но вот основные положения.

Определение места, где ночуют жители и где работают, может быть получено путем анализа данных о перемещении и совершённых действиях. Например, периодическое отсутствие звонков с 22:00 до 7:00 и отсутствие перемещения покажет, где человек живет, а отсутствие перемещений в рабочие часы – где тот же человек работает, причем одним из критериев, повышающих точность, будет наличие активности телефонного аппарата абонента в данном местоположении. Здесь же можно будет определить, как часто человек перемещается в рабочее время, сколько людей в городе занимают должности, связанные с постоянным передвижением (курьеры, водители и другие профессии).

Определение направления перемещений жителей осуществляется аналогично, по тем же данным о перемещении абонентов сотовой связи, и позволяет выделить основные потоки перемещений местных жителей, приезжих, трудовых мигрантов, собрать статистику перемещений по районам и направлениям, узнать, как часто жители и гости посещают магазины, культурные мероприятия, городские достопримечательности, а также насколько популярны те или иные места в городе.

Отслеживая скорость перемещения и посещённые места, можно выделить, каким транспортом пользуется человек: автомобиль, метро, наземный общественный транспорт, междугородный транспорт.

Анализ работы городской инфраструктуры и обеспечение безопасности населения

Большое количество светофоров, систем управления городским движением, систем видеорегистрации событий (камеры наблюдения), контроль общественного транспорта в рамках города с населением более миллиона человек требует скоординированного подхода в управлении и централизации данных. Одной из проблем, выявленных в свое время при внедрении систем общегородского видеонаблюдения, стала невозможность контроля происходящих событий (например, с целью выявления неправомерных действий) силами оперативных дежурных. Учитывая текущие возможности современных технологий, становится возможным создание единых распределённых систем, обеспечивающих как распознавание событий по различным источникам (системы регулирования движения, камеры наблюдения и прочие), так и их аналитику с целью оперативной реакции: вызов полиции, сотрудников ремонтных организаций, иных оперативных служб города. Другим применением решений Big Data является распределенное и длительное хранение собранной информации, осуществление поиска необходимых данных и связанных с ними событий. Чем было вызвано то или иное изменение ситуации в городе, какие события ему предшествовали, на кого они повлияли – вот маленькая часть вопросов, на которые позволяют ответить «большие данные».

Сопоставление данных

Одним из ключевых моментов происходящих событий является определение характеристик объектов, в них участвующих. Для сбора данных могут быть использованы совершенно различные источники: например, для данных, полученных от оператора сотовой связи, – характеристики физического лица, на которого зарегистрирована сим-карта, для систем наблюдения – сведения от систем распознавания лиц, ведомственные базы данных. Одним из ключевых моментов является возможность анонимизации информации, исключения персональных составляющих при передаче данных от различных владельцев, источников.

Основные проблемы

И всё же во всём этом есть ложка дегтя. Основной проблемой всех интеграционных решений, особенно если обмен данными осуществляется между разными ведомствами, организациями, являются законодательные ограничения, которые не позволяют предоставлять данные в том виде, в котором они существуют. Как следствие – требуется предварительная их обработка на стороне владельца.

Итого

Подводя итог, хотелось бы отметить, что современные технологии обработки “больших данных” позволяют предоставить городу значительно больше, чем существующие ИТ-сервисы. При этом не требуется обновлять существующую инфраструктуру, так как могут быть использованы те источники данных, которые есть в настоящий момент.

С помощью решений класса Big Data можно повысить удобство жителей города и его гостей, уменьшить количество пробок не за счёт ограничений на въезд в город, а путём управления транспортными потоками, снизить количество преступлений благодаря оперативной реакции, повысить качество предоставления городских услуг вследствие их оперативного и автоматического контроля.

Введение

Согласно прогнозу аналитиков, 67% компаний из аэрокосмической отрасли реализуют проекты на основе Big Data , ещё 10% планируют такие проекты. Что касается авиакомпаний, то здесь реализация проектов на февраль 2019 года заявлена у 44% компаний, а планы на такие проекты анонсировали 25%.

Это результаты исследования, которое провела в декабре 2017 года компания FlightGlobal относительно роли Big Data для аэрокосмических предприятий и авиакомпаний. Аналитики также выяснили мнение по поводу совместного использования данных по состоянию самолётов с производителями и компаниями, осуществляющими ремонт и техническое обслуживание (ТО) . В исследовании приняли участие 300 профессионалов из аэрокосмической и авиационной отрасли. Большинство из них уверены, что технологии Big Data способны повысить операционную надёжность и эффективность авиакомпаний.

Приблизительно половина респондентов ответила, что их компании используют массивы данных о состоянии самолётов, что помогает им принимать более выверенные решения. В ближайшей перспективе доля таких компаний вырастет до 75%.

Совместное использование данных с OEM/MRO всё ещё остаётся проблематичным. Однако 38% авиакомпаний полагают, что такая модель может обеспечить им значительные бизнес-преимущества.

Согласно данным из опубликованного в мае 2018 года обзора компании Honeywell "Connected Aircraft" , 47% опрошенных авиакомпаний планируют потратить в целях подключения воздушных судов к Сети до 1 млн. долларов в течение следующего года на каждый самолёт, эксплуатируемый ими. Большинство этих компаний планирует уложиться в суммы от 0.1 до 0.5 млн. долларов. Однако, в пятилетней перспективе 38% авиаперевозчиков анонсировали инвестиции уже в размере 1-10 млн. долларов на каждый самолёт.

До февраля 2019 года при инвестировании авиакомпаниями в смежные к авиации технологии (connected technologies) речь шла, прежде всего, об обеспечении спутниковой связи и Wi-Fi . Теперь же компании готовы извлекать выгоду из тех данных, которые они могут получать путем использования оборудования непосредственно на борту самолётов. Например, такие данные могут обеспечить им экономию в размере 1% от потребляемого топлива, что эквивалентно 50 000 долларов на самолёт в год, подсчитали аналитики Honeywell.

Использование Big Data зарубежными авиакомпаниями

Технологии Big Data применяются для выполнения ряда задач в сфере гражданской авиации. В этой главе остановимся подробнее на основных направлениях использования в авиации в ряде зарубежных стран. В первую очередь это ремонт и техническое обслуживание, обеспечение экономии топлива, создание цифровых двойников , оптимизация операционной деятельности (включая прогнозирование задержек рейсов), формирование персональных предложений для пассажиров и т.д.

Big Data и поддержание летной годности воздушных судов

Одной из таких приоритетных областей в ближайшей перспективе будут техническое обслуживание (ТО) и ремонт судов. Так, 88% респондентов аналитических исследований ожидают, что именно в этой сфере они смогут получить максимальные преимущества от применения технологий. Техническое обслуживание и ремонт значительно опережают все прочие сферы по важности. Анализ и предиктивные ремонты в авиации демонстрируют свою эффективность и доказывают на практике, что connected technologies работают.

После ТО и ремонта респонденты ожидают преимуществ от внедрения связанных в сфере технологий пилотирования, включая оптимизацию потребления топлива и времени оборота самолётов, а также обслуживания пассажиров.

Так, в исследовании "Sky High Economics: Evaluating the Economic Benefits of Connected Airline Operations" аналитики отмечают, что подключенные самолёты могут передавать данные в облако или на наземные серверы , где эти данные могут быть проанализированы с помощью инструментов Big Data Analytics. Благодаря этому авиаперевозчики могут, например, выявлять неисправности, прежде чем они станут крупными проблемами. Полученная информация может быть использована для принятия более выверенных решений и сокращения дорогостоящего простоя самолётов (Aircraft on Ground).

Кроме того, с появлением прогнозного моделирования (predictive modelling) стала возможной замена деталей, которые на базе анализа определены как требующие замены, до того, как они вышли из строя, а именно во время плановых работ по ремонту и ТО. Всё это способствует сокращению расходов, повышает безопасность полётов.

Digit Twins. Что это такое?

С темой предиктивных (проактивных) ремонтов также тесно связано использование так называемых "цифровых двойников" ("digital twins"). Однако в отличие, например, от нефтегазовой отрасли, где ЦД уже используются рядом крупных компаний на практике, в авиационной отрасли эта тема пока больше обсуждается на уровне экспертов и аналитиков.

Эксперты авиационной отрасли в 2019 году стали активно продвигать тему использования "digital twins": руководство шведской компании IFS , разработчика ПО для корпоративных клиентов, в том числе из авиационной отрасли, заявило в апреле 2018 года, что одной из технологических инноваций, способной помочь авиакомпаниям обеспечивать эффективную эксплуатацию судов при одновременном снижении расходов на ТО и ремонты, являются "цифровые двойники" . Цифровые двойники ― это виртуальные реплики физических активов, способные демонстрировать инженерам на земле работу двигателя, в то время как самолёт находится в воздухе. Чтобы сделать это возможным, инженеры устанавливают на этапе проектирования и производства двигателя тысячи точек сбора данных. Затем они используются для создания цифровой модели, которая отслеживает и контролирует двигатель в режиме реального времени, обеспечивая необходимую информацию на протяжении всего его жизненного цикла, например, температуру, давление и расход воздуха.

GE помогла разработать цифровой двойник для посадочного устройства самолета. Сенсоры были размещены на частях шасси, наиболее подверженным поломкам. В режиме реального времени такие данные, как давление и температура, передавались специалистам, помогая прогнозировать сбои в работе или остающийся срок службы. Эти данные сравнивались с данными цифрового двойника, который подвергался аналогичным нагрузкам.

Для реализации модели прогнозного ремонта и ТО будут задействованы два решения ― бортовая система обмена данными по полётным операциям и ТО (FOMAX) и внебортовой инструментарий для анализа авиационных данных Skywise. FOMAX, сервер от Rockwell Collins, собирает данные по ТО и производительности самолёта, в автоматическом режиме отправляет их инженерам и техникам. SkyWise, работающий на облачной платформе, обеспечивает анализ различных данных, был разработан совместно компаниями Airbus и Palantir Technologies .

Система FOMAX получает все данные из расположенной на борту системы FDIMU (flight data interface management unit). FOMAX имеет функционал 4G-маршрутизатора: после приземления судна все данные с помощью 4G Gatelink-антенн передаются на аналитическую платформу Skywise и анализируются специалистами Airbus. Для анализа специалисты Airbus самостоятельно разработали специальные модели, способные прогнозировать возникновение системных неполадок. После проведённого анализа его результаты переправляются специалистам EasyJet, которые уже самостоятельно принимают решения о необходимости проведения предиктивного ТО или ремонта. Используя полученную информацию, специалисты авиаперевозчика могут создать алгоритмы, которые позволят в будущем прогнозировать возникновение той или иной неполадки на любом из самолётов.

Самолёты модели A320 с FOMAX способны собирать более 24.000 параметров, то есть обеспечивать 100%-й сбор информации с систем и компонентов самолётов. Самолёты без FOMAX собирают 400 параметров, то есть 2% от доступной информации.

Согласно заявлениям руководства Delta, используемая программа прогнозного ТО помогает авиакомпании значительно снизить число сбоев в работе: За последние 12 месяцев использование проактивного ТО помогло избежать 1.200 задержек с вылетом или отмен рейсов.

Программа использует данные, поступающие из различных систем, таких как, например, Aircraft Health Management от Boeing , от систем Airbus и GE. При этом, основу парка самолётов авиакомпании составляют самолёты, которые были разработаны ещё до того момента, как извлечение и анализ данных стали "must-have"-функцией. После анализа полученных данных программа вырабатывает рекомендации по замене деталей и механизмов. По данным специалистов Delta Air Lines, используемая программа демонстрирует 95%-й уровень точности в части рекомендаций по необходимости замены деталей.

При презентации решения стартап указывал, что весной 2018 года должен быть реализован пилот с крупным международным авиаперевозчиком. Однако, какой-либо дополнительной информации по этой теме опубликовано не было.

Применение Big Data для анализа и прогнозирования спроса на авиаперевозки

Разработчик в области технологий для авиации Sabre Corporation , разработчик решений для мировой туристической отрасли, сообщил в ноябре 2017 года о подписании многолетнего соглашения, согласно которому авиакомпания Hong Kong Airlines получит -решение MIDT (Market Information Data Tapes) . Данное решение представляет собой базу данных , обеспечивающую доступ к историческим и прогнозным (глубина до 11 месяцев) данным по бронированиям. Обладание этим продуктом позволяет авиакомпаниям анализировать влияние от мер в области формирования тарифов, маркетинговых программ.

Hong Kong Airlines рассчитывает использовать продукт при реализации планов по началу работы на рынке Северной Америки . Продукт позволяет формировать отчёты и обладает аналитическим функционалом, что даёт пользователю возможность выявлять оптимальные каналы для реализации маркетинговой стратегии. Hong Kong Airlines получит доступ к данным агентов Sabre по всему миру по всем пунктам вылета и назначения, где присутствует авиакомпания.

Big Data для повышения уровня удовлетворённости клиентов и персонализации

Входящая в TOP 10 по пассажиропотоку компания British Airways использует с 2013 года Big Data Analytics для повышения уровня обслуживания своих клиентов: Перевозчик собирает различные данные по пассажирам в специальном хранилище , а затем загружает их в программу под названием "Know Me" . Цель программы ― узнать и лучше понять потребности клиентов, а также использовать данные, накопленные во время всевозможных контактов с этими клиентами для повышения уровня их обслуживания.

"Know Me" содержит различные данные по пассажирам: поведение при онлайн-заказах, пожелания при совершении покупок, предпочтения при выборе места. Вся эта информация автоматически генерируется и автоматически используется при следующем бронировании, осуществляемом клиентом.

Программа работает с помощью аналитического программного обеспечения от Opera Solutions. Также используется поиск по фото Google Image Search, что позволяет сотрудникам авиакомпании распознавать особо важных и много летающих пассажиров уже в тот момент, когда они входят в аэропорт или бизнес-ложу, и, соответственно, предлагать им обслуживание высшего класса.

Другой крупный игрок рынка, Virgin Australia в конце 2017 года, сообщила, что она занимается оптимизацией работы своих приложений в области машинного обучения . Для этих целей компания привлекла стартап DataRobot. Американский стартап разработал платформу предиктивной аналитики для быстрого создания и внедрения прогнозных моделей. Эта платформа уже помогает Virgin Australia сократить время на создание прогнозных моделей на 90%, точность прогнозирования возрастает при этом на 15%.

На февраль 2019 года авиакомпания работает над оптимизацией своей программы лояльности Velocity Frequent Flyer, внедряя в неё предиктивную аналитику, которая должна поддержать клиентов компании при выборе ими лучшего времени для использования полученных балов. Перед DataRobot поставлена задача построения прогнозов/моделей того, кто с максимальной вероятностью готов отправиться в путешествие, какую цену и какой тип путешествия предпочитает путешественник. В общем и целом, речь идёт о повышении уровня сервиса для участников программы лояльности авиакомпании.

Использование умных чат-ботов

Первое решение ― модель чат-бота, который приближен к человеческому общению. При этом для улучшения диалоговых возможностей было использовано приложение на базе машинного обучения под названием LUIS (Language Understanding Intelligence Service). Кроме того, в чат-бот интегрированы когнитивные сервисы, в частности распознавание лиц. Благодаря этому клиенты авиакомпаний смогут запросить для просмотра на борту список фильмов, в которых играет определённый актёр. Для этого требуется только загрузить в приложение фотографию этого актёра.

Второе решение ― приложение на базе искусственного интеллекта для анализа видеоконтента с использованием машинного обучения. Платформа получила возможность выявлять определённые объекты, сценарии или контент с ограничениями по возрасту, что часто требуется в соответствии с требованиями авиакомпаний по контенту. Например, искусственный интеллект способен обнаруживать контент, связанный со сценами крушения самолётов или взрослого содержания, и отфильтровывать его.

В апреле 2018 года компания FoxTripper впервые продемонстрировала программу с "перемещающейся картой" . Программа предоставляет пассажирам информацию о тех местах, над которыми пролетает самолёт, и позволяет пассажирам осуществлять бронирования в пунктах назначения. Собранные в полёте данные в комбинации с данными авиакомпании о пассажире позволяют строить прогнозы относительно итого, какие продукты и сервисы являются для него релевантными.

Другой интересный пример ― Gogo Air. Эта компания-разработчик информационно-развлекательной системы для пассажиров в полёте использует искусственный интеллект и машинное обучение для того, чтобы помочь авиакомпаниям повысить уровень оказываемых услуг . Gogo Air использует набор инструментов серии Adobe Analytics, включая виртуального аналитика (Virtual Analyst) ― инструмент на базе машинного обучения, для сбора информации по клиентам для ряда крупных авиакомпаний.

Предоставляя развлекательный контент и Wi-Fi -доступ в полёте, Gogo Air собирает информацию о пассажирах, пользующихся этими сервисами. Затем эта информация подвергается обработке и анализу. В результате авиакомпании получают те данные, которые помогают им улучшить обслуживание клиентов и, зачастую, предложить своим пассажирам более таргетированные продукты. Авиакомпании узнают, какими продуктами могут интересоваться их клиенты во время полёта, какие устройства они используют в полёте, сколько времени они готовы проводить в Интернете или какие развлечения они предпочитают в самолёте.

Авиакомпании используют получаемые данные для персонализации сервисов на базе ситуационного контекста, например, адаптируя под клиента экраны информационно-развлекательных систем в самолёте в зависимости от длины полёта, используемых пассажиром устройств, пункта назначения.

Не остаются в стороне и технологии организации питания на борту. Так, в апреле 2018 года в Гамбурге компания Black Swan Data, разрабатывающая решения для анализа данных, заключила соглашение о сотрудничестве с gategroup . Цель сотрудничества ― анализ данных пассажиров и трендов в социальных сетях для прогнозирования того, какое меню в самолёте выберут пассажиры. Пассажиры смогут заказывать и рассчитывать на получение своих любимых блюд уже после посадки. Пилотный проект двух компаний продемонстрировал неплохие результаты: Удалось сократить отходы по продуктам питания на 50% и повысить производительность на 15%.

В мае 2018 года компания ― разработчик в области решений для авиации SITA предложила систему отслеживания и управления багажом. Разработанная ею технология BagJourney позволяет управлять операциями с багажом всё большему числу авиакомпаний . Только за первые шесть месяцев 2018 года более 20 перевозчиков выбрали это решение. SITA BagJourney ― одно из основных решений, которое помогает авиационной отрасли выполнять резолюцию 753 IATA , в которой прописано требование по отслеживанию багажа на каждом этапе путешествия.

Решение SITA BagJourney используется каждый год для обработки сотен миллионов мест багажа. По данным пользователей, решение снижает число ошибок на 30%. BagJourney совместимо с различными аппаратными средствами, включая мобильные устройства для сканирования или стационарные приборы.

По словам BahamasAir, одного из пользователей решения, после его внедрения в течение 7 дней удалось осуществить процесс полного перехода на мобильные устройства для отслеживание всего багажа по двум наиболее загруженным в плане багажа направлениям ― Нассау и Майями. По результатам шести месяцев количество жалоб на проблемы с багажом на наиболее загруженном направлении снизилось на 60%. Авиакомпания планирует внедрить решение на всех направлениях и рассчитывает, что до конца года она полностью будет соответствовать требованиям резолюции 753.

Интервью с экспертами

Применение технологий Big Data в российской гражданской авиации

Работа с клиентской репутацией имеет большое значение для транспортных компаний, в том числе, и для авиации. Социальные сети позволяют собирать в режиме реального времени отзывы пассажиров и быстро реагировать на них.

Преимущества рассматриваемой системы ― возможность непрерывного отслеживания удовлетворенности компанией и взаимодействия с пользователями в соцсетях; обеспечение безопасности и выявление террористических организаций, экстремизма и прочих проблем; постоянное улучшение предложения для заказчика посредством анализа в соцсетях и возможность общаться с оператором напрямую; поддержание репутации авиакомпании путем оперативного контакта с аудиторией в соцсетях; анализ пользовательских предпочтений и составление индивидуальных предложений продуктов, а также успешной таргетированной рекламы. Подробнее о проекте -

Отечественная СУБД Tarantool в проекте аналитики больших данных

«Аэрофлот» внедрил алгоритмы предиктивной аналитики в рамках проекта платформы для анализа и обработки обращений пассажиров в социальных сетях. В качестве СУБД была использована отечественная разработка ― решение Tarantool от компании Mail.Ru Group.

Комплекс состоит из большого количества модулей, которые покрывают как функциональные бизнес-требования, так и модули интеграции в существующую ИТ-инфраструктуру ПАО «Аэрофлот» и различные каналы поступления обращений (социальные сети, e-mail , официальный сайт, личный кабинет).

Первый модуль отвечает за идентификацию клиента на основе комплексного анализа данных, как самого текста, так и данных профиля автора. Количество обращений может доходить до нескольких тысяч в день.

Второй модуль предназначен для поиска дублей обращений. Копирование текста для размещения на разных ресурсах или отправки по почте. Происходит определение семантически похожих постов с целью выявления кластеров, являющихся инцидентами. Обработка сразу нескольких подобных постов приводит к существенному сокращению загрузки ответственных сотрудников.

Третий модуль «Инфоповоды» является одним из важнейших в системе. Главная его особенность ― предиктивно выявлять опасные посты еще до того, как начнется рост активности. Таким образом, заложенные алгоритмы указывают на потенциальную «инфо-бомбу» и дают возможность нивелировать репутационные потери.

Расчетное количество обращений к данным равнялось нескольким тысячам запросов в секунду с необходимым откликом в пару миллисекунд. Для удовлетворения высоких требований заказчика, как, например, прописанное ограничение времени в три секунды на обогащение обращения различными свойствами, требовалось использование высокотехнологичного программного обеспечения. По результатам проведенных тестов по производительности, качеству хранения данных и функционалу, было решено использовать отечественную разработку ― СУБД Tarantool.

Tarantool используется в Платформе как оперативная база данных, в которой обращения хранятся в виде специальных структур данных, необходимых для алгоритмов аналитики. Крайне высокая производительность и наличие в базе таких свойств, как вторичные индексы и поддержка большого количество соединений без потери производительности, позволило успешно реализовать вышеописанные функциональные модули, не выходя за поставленные временные рамки.

По результатам внедрения заказчик с помощью Платформы значительно увеличил эффективность процесса обработки жалоб и обращений клиентов ответственными сотрудниками ПАО «Аэрофлот», кардинально сократил время доставки обращения и время на обработку/решение вопроса за счет механизмов обогащения обращения контекстом, тональностью, тематиками (тегирование), профилем автора и т.п. Всё это нацелено на достижение положительного экономического и репутационного эффекта практически на всех этапах предоставления услуг ПАО «Аэрофлот». На основе успешного опыта все участники проекта продолжат использовать ПО Tarantool в своих проектах и укреплять партнерские отношения

"Техносерв" реализовал для "Аэрофлота" систему интеллектуальной сегментации клиентов

В "Техносерве" подтвердили, что технологии Big Data в целом востребованы в транспортной отрасли, и подтверждением этому служит увеличение количества проектов с использованием указанных технологий. При этом тематика проектов, по ее словам, совершенно различна. Это и задачи повышения персонализации коммуникаций с клиентами, проактивного ремонта оборудования, предсказания спроса и другие задачи, решаемые с помощью алгоритмов машинного обучения и анализа больших объемов структурированных, неструктурированных и слабоструктурированных данных как для авиакомпании, так и для ее партнеров. Скорость расчетов выросла с 14 дней до 23 секунд.