Тема аналитики в сельском хозяйстве новая для форума SAS. Почему она была поднята именно сейчас?
Примерно 2 года назад мы впервые вплотную заинтересовались темой машинного обучения в сельском хозяйстве. Один из наиболее продвинутых на российском рынке агрохолдингов к этому моменту уже накопил немало данных по своим 2000 полей: информация по технологическим операциям, по применяемым в процессе выращивания урожая материалам, результаты обработки спутниковых снимков, данные погодных станций и лабораторий исследования почв, урожайность, класс, влажность, сорность зерна и т.п.
У руководства холдинга, которое понимало важность технологий, возник вопрос: можно ли использовать эти big data для более точного прогнозирования урожайности, повышения прозрачности сельхозпроизводства, оптимизации технологических операций с целью снижения рисков, вызванных внешними факторами – погодой, вредителями и т.п. Чтобы найти на него ответ, холдинг обратился в компанию SAS, поскольку у нее на тот момент уже был большой опыт применения аналитики в сельском хозяйстве в США, подкрепленный положительными результатами. В итоге мы реализовали пилотный проект на данных холдинга – над ним в течение полугода работала большая команда профессиональных аналитиков. Было построено более 20 прогнозных и несколько оптимизационных моделей, реализована финансовая модель производственной деятельности агрохолдинга, позволяющая прогнозировать EBITDA и на основе методов машинного облучения выявлять наиболее проблемные участки (поля, хозяйства, культуры, процессы), которые могут негативно повлиять на достижение плановых финансовых показателей холдинга. Результаты проекта были признаны успешными.
В конце 2016 года холдинг стал использовать решения SAS для стратегического планирования и операционной деятельности, а мы приняли решение открыть новое направление и внедрять аналитику в агропредприятиях. Мы понимали, что уровень использования аналитики в сельском хозяйстве в РФ был очень невысок, что нам предстоит большая образовательная и разъяснительная работа. Но мы не боялись этих трудностей – SAS уже не раз была пионером аналитики в различных отраслях. В свое время мы открывали направление скоринга в банках, клиентской аналитики и целевого маркетинга в телекоммуникационных компаниях, оптимизации ценообразования в ритейле и много других не менее важных направлений, где сегодня аналитика применяется достаточно активно.
Что касается сельского хозяйства, то главной причиной, по которой в этой сфере растет интерес к аналитике, стало появление больших объемов данных и большого количества умной техники. Без инструментом машинного обучения не получится использовать весь ее потенциал или монетизировать эти данные. При этом все понимают, что нужна максимальная отдача от инвестиций, нужна прогнозируемость бизнеса, тем более что в России активно внедряется программа «Цифровая экономика», которая продвигается не только профильными ведомствами, но и Министерством сельского хозяйства РФ.
Насколько высок интерес к аналитике среди представителей отрасли?
28 сентября в Москве проходил SAS Forum Russia 2017, где впервые за всю историю мероприятия была организована специальная секция, посвященная в аналитике для агросектора. Она объединила более 60 представителей агрохолдингов и сельхозкомпаний, то есть примерно 5% аудитории форума – подчеркну, что доля ВВП агросектора в ВВП страны составляет 4%. На мой взгляд, интерес налицо: я 10 лет регулярно участвую в форуме и не помню, чтобы новая секция в какой-либо другой отрасли собрала такую аудиторию. При этом слушатели задавали множество вопросов, то есть интерес не праздный, а практический.
Если же говорить об отрасли в целом, то в ней интереса к инструментам аналитики как таковым нет вообще. Еще не сформированы центры компетенции по ключевым направлениям в области прогнозного моделирования и оптимизации. Но зато есть внимание к конкретным аналитическим задачам для отрасли, которые мы предлагаем решать «под ключ», и оно становится все более заметным. В том числе я бы подчеркнул интерес к нашим предложениям по реализации проектов в режиме аутсорсинга, в формате Business as a Service. Тут важны не столько инструменты, сколько проработанность бизнес-задачи: мы не спрашиваем клиента, что он хочет, а рассказываем, что можем предложить и за какое время это можно внедрить. Заметную роль играет и отраслевая экспертиза, умение разговаривать с заказчиком на одном языке, а также понимание специфики данных: все же между данными для клиентской аналитики в банке и данными с полей для оптимизации процессов в агросекторе разница просто огромна.
Можно себе представить, что аналитические решения внедрит крупный агропромышленный холдинг. А если говорить о небольших фермерских хозяйствах, которых в России становится все больше – насколько эта тема актуальна для них?
Конечно, фермеры не станут сами внедрять аналитические решения, покупать софт, нанимать аналитиков – в масштабах их бизнеса это не окупится. Мы для себя определили планку примерно в 100 тыс. га обрабатываемых площадей как минимальную границу масштаба предприятия, для которого внедрение продвинутой аналитики может быть экономически целесообразным. Да и данных для анализа у фермеров пока нет из-за отсутствия учетных систем: большинство от случая к случаю использует Excel и не видит в этом особой проблемы.
Но не стоит думать, что фермерам вообще не интересны результаты аналитики. Им тоже хочется понимать, какие семена лучше покупать с учетом прошлогодних результатов, состояния почвы, погоды, удобрений и т.п. Вопросов у фермера больше чем ответов, но аналитика может помочь быстрее принять верные решения во многих случаях. В США фермеры объединяются в бизнес-сообщества и вместе инвестируют в разработку аналитических сервисов. В России есть такие замечательные программы, как холдинг «АгроТерра» – это интегратор по финансированию и тиражированию в более чем 800 хозяйств, соседствующих с ним, своих передовых технологий и инновационных подходов к агропроизводству. Аналитические модели и работы, обкатанные на полях крупного холдинга, могут стать доступными соседним фермерам в виде конкретных рекомендуемых технологий для повышения эффективности небольшого хозяйства.
Какие задачи решает аналитика в сельском хозяйстве? Какую практическую пользу она может принести?
Задач множество, и даже на Западе далеко не все пока что применяются в промышленном режиме. Из наиболее проработанных и востребованных: прогнозирование урожайности и выявление факторов, значимых для достижения ее максимума; корректировка технологий, оптимизация затрат на гектар при гарантировании определенного качества продукции и урожайности, оптимизация севооборота и структуры посевных площадей, а также транспортно-элеваторных цепочек; оценка инвестиционных проектов и выявление узких мест в производственных процессах холдинга; мониторинг оперативной деятельности и прогнозирование результатов принятых производственных решений в деньгах (влияние на маржинальность/EBITDA). Результатом реализации любой задачи становится дополнительный финансовый результат – иногда его можно получить быстро, а иногда его эффект сказывается только через несколько лет. Кроме того, дополнительными плюсами становятся прозрачность производственных процессов для менеджмента предприятия, возможность применения умной техники, кредиты под меньшую ставку или более дешевые страховки. Все доп. эффекты может и не всегда выражаются напрямую в деньгах, но тоже являются значимыми для хозяев бизнеса при принятии решения о применении аналитики в их предприятиях.
Насколько тема модернизации и внедрения новых решений поддерживается государством? Исходит ли вообще какая-то инициатива – будь то сверху или снизу?
Уже один тот факт, что на форуме SAS выступил директор департамента ИТ Минсельхоза Игорь Козубенко, говорит о живом интересе к аналитическим технологиям со стороны государства. У Минсельхоза есть множество своих задач, которые необходимо решать с помощью технологий прогнозирования и машинного обучения – в первую очередь это задачи стратегического планирования всей отрасли, а также анализ десятков тысяч факторов, которые влияют на реализацию прогнозов в такой системе. Кроме того, Минсельхоз разрабатывает большое число сервисов, которые смогут в режиме реального времени предоставлять необходимые данные предприятиям агросектора. Данные, как известно, это основа цифровой экономики, и для агропроизводителей, которые только недавно стали собирать и накапливать детальную информацию, это особенно важно. Поэтому чистые, актуальные, охватывающие большой период времени данные от Минсельхоза – это очень большой вклад в развитие аналитики в агробизнесе РФ.
Есть ли примеры успешных кейсов в России, на которые можно было бы ориентироваться?
Одним из ярких примеров применения аналитических технологий в РФ – холдинг «АгроТерра», где уже несколько лет действует аналитическое подразделение. Почти год холдинг использует инструменты SAS для решения своих стратегических и операционных задач. Обо все этом представитель «АгроТерры» Юлия Филимонова рассказала в своем докладе на SAS Forum Russia 2017 в конце сентября 2017 года.
Насколько полезен и применим в российских реалиях зарубежный опыт?
Безусловно, у нас есть своя специфика. Например, в США зерновые в основном выращивают мелкие фермеры. В России, наоборот, доминируют крупные холдинги, обрабатывающие сотни тысяч гектаров земель. Россия всегда считалась зоной рискованного земледелия, чего не скажешь про большую часть США. Много и других отличий, но тем не менее SAS стремится максимально использовать опыт зарубежных коллег. Отмечу, что все собранные нами лучшие практики проходят очень глубокую адаптацию к российской специфике и только тогда предлагаются российским клиентам. Часть задач, например, интеллектуальные панели управления для топ-менеджмента агрохолдинга, агроскоринг сельхозпроизводителей для банков, мы, наоборот, впервые решаем в российских реалиях, а потом экспортируем в другие страны.
Существуют ли аналитические инструменты, разработанные специально для нужд сельского хозяйства, или же адаптируются решения, изначально созданные для других отраслей?
Инструменты для всех отраслей одинаковые. Это средства машинного обучения и дата-майнинга, прогнозирования на основе временных рядов, оптимизации, визуальной аналитики. Методы построения моделей тоже для всех отраслей похожи. Специфика заключается в тех прикладных задачах, которые нужно решать на базе этих инструментов. Они для сельского хозяйства совершенно специфичны. Например, если мы возьмем клиентскую аналитику или оптимизацию сбора дебиторской задолженности, то они и в банках, и в страховых компаниях, и в сбытовых компаниях, и в ритейле очень похожи. А вот, например, прогнозирование урожайности или оптимизацию севооборота нигде больше не встретишь. Эти задачи – начиная с постановки и заканчивая методами встраивания аналитических решений в бизнес-процессы организации – нужно прорабатывать и реализовывать именно для агропредприятий и вместе с агрокомпаниями.
