Строительная отрасль каждый день генерирует огромные массивы информации. Это электронные чертежи, ТИМ-модели, номенклатуры стройматериалов и цены на них. Собранная воедино, такая информация называется big data — большие данные.
На основе big data строители могут спрогнозировать цену стройматериалов, заранее понять, какому субподрядчику не стоит доверять, и даже выяснить, где лучше покупать землю. Но данные нужно собирать, очищать и структурировать, только тогда они приобретают ценность.
Что такое большие данные
Большие данные — это значительный объем информации, который невозможно обработать традиционными ручными и даже программными методами. Информация обо всех госконтрактах региона со строительными компаниями, база данных о том, как менялись цены на металл, характеристики грунтов на свободных земельных участках в федеральном округе — всё это большие данные.
Big data могут быть бесплатными, а могут продаваться. Так, Минстрой публикует на своем сайте наборы данных об аварийном жилье, выданных разрешениях на строительство и реестрах сметных нормативов. Коммерческие данные о строительном секторе в России публично не продают, а в других странах это норма. Так, в Англии можно купить базу данных о недвижимости страны — по 2 пенса (2 ₽) за один объект. По набору станет понятно, например, какие дома выставлены на продажу, а какие только проданы. Владелец базы предлагает мелким подрядчикам отслеживать переезды и предлагать свои услуги.
Анализ больших данных в строительстве
А вот что дает анализ больших данных для строительной компании.
Аккуратные расчеты. Программное обеспечение может проанализировать данные по всем предыдущим проектам строительной компании и сделать вывод, сколько денег, техники и людей нужно на новый объект. Алгоритм также может рассчитать материалы и сопоставить информацию с другим массивом данных — о ценах. Это называется предиктивная аналитика больших данных в строительстве: автоматизированные прогнозы на основе исторической информации.
Ученые еще в 2016 году предложили методику, как спрогнозировать количество строительных отходов и протестировали ее на базе данных из 200 000 записей о размещении мусора с 900 проектов.
Уменьшение ошибок. Анализ данных в строительстве в реальном времени позволяет предупредить ошибки и понять, если с проектом возникли проблемы.
Так, в Сингапуре строительная компания обязана установить систему биометрического контроля и каждый месяц передавать данные об использовании рабочей силы в органы власти. По этой информации чиновники понимают, что происходит на объекте, а еще могут сравнить эффективность труда в разных организациях.
Улучшение планирования. Согласно исследованиям, использование big data на 69% улучшает шансы принять верное стратегическое решение в строительной индустрии. Основанный на данных менеджмент позволяет строить более логичные цепочки поставок, уменьшать потребление электричества на площадке и лучше управлять техникой и персоналом. Управление на основе данных еще называют business intelligence (BI) — бизнес-аналитика. BI-системы в России том или ином виде используют многие крупные корпорации.
По расчетам McKinsey, анализ данных уменьшает издержки в строительстве на 5−10% и сокращает сроки на 10−20%. А совместное использование big data и BIM сводит почти к нулю траты времени на формирование отчетов и пересылку документов.
При работе с большими данными есть одно важное ограничение — конфиденциальность. Под big data обычно понимается обезличенная информация, то есть та, которая не содержит персональных данных. Это юридически безопасно. В России пока нет понятного регулирования, как компаниям работать с big data и BI системами, но Минцифры готовит нормативную базу.
Далее в этой статье — примеры, как аналитика больших данных помогает строителям и специалистам смежных профессий.
Карта освещенности домов солнцем
В августе 2023 года стало известно, что Google планирует продавать данные о 350 млн зданий поставщикам возобновляемых источников энергии. Компания хочет заработать 100 млн долларов за первый год таких продаж, а среди потенциальных клиентов также видит агентства недвижимости и организации ЖКХ.
Часть данных будет взята из проекта Google Project Sunroof — он запущен в 2015 году и ориентирован на домовладельцев, которые хотят установить солнечные панели. На основе картографических данных сервис оценивает освещенность крыши дома и делает выводы о целесообразности установки батарей. Project Sunroof учитывает даже тени от стоящих рядом с домом деревьев.
Одновременно Google намерена продавать данные о загрязненности воздуха как в реальном времени, так и на историческом отрезке до 30 дней.
Финансовая компания Morgan Stanley предполагает, что за счет продажи данных Google сделает свои картографические сервисы более прибыльными, ведь сейчас они экономически недооценены.
Источник: sunroof.withgoogle.com
Информация о потреблении энергоресурсов
Любое здание — это источник данных о потреблении энергоресурсов. Пока эти данные в основном разрознены и в таком виде не представляют большой ценности, но компании ЖКХ уже начинают понимать, что в их руках новый ресурс. Чем больше накоплено такой информации с точки зрения исторических периодов, и чем лучше она агрегирована с точки зрения количества домов, тем интереснее эти наборы данных — возможно, даже для продажи в «очищенном» виде.
Наверное, уже все поставщики энергоресурсов сделали личные кабинеты абонентов, где люди и компании могут смотреть расход воды, электричества или газа, сравнивать цифры по месяцам и годам.
Такие же данные о потреблении государство уже использует, чтобы принимать решение о капремонтах или предоставлении финансовой поддержки по программам энергосбережения.
Источник: dzen.ru
Данные об энергоэффективности зданий
В США при поддержке местного министерства энергетики создана база данных об энергетических характеристиках коммерческой и жилой недвижимости — Building Performance Database (BPD). Это самый большой массив данных в стране, который агрегирует информацию от администраций, организаций ЖКХ, а также от собственников зданий.
Информация открыта: после регистрации любой пользователь может изучать различные наборы данных и создавать свои. Майкл Бергер из национальной лаборатории министерства энергетики США в Беркли говорит, что база данных помогает энергетическим компаниям, владельцам жилья, а также аудиторам. Например, энергоконсультант может узнать в сервисе, сколько энергии потребляет 1 м² в офисном здании в определенном штате, а потом сравнивать это значение со зданием, которое он обследует.
Ученый Майкл Бергер на примере BPD показывает, что такое ошибка в интерпретации массива данных. Он провел эксперимент: сравнил офисные здания с разными поколениями люминесцентных ламп и получил результат, что здания с более современными лампами расходуют больше энергии. При дальнейшем анализе выяснилось, что здания, где стоят новые лампы, просто больше по площади и дольше открыты.
Строительные маркетплейсы
Большие данные — ключевой фактор в продажах. Строительные маркетплейсы внешне работают по схеме «Озона» или «Вайлдберриз», но внутри гораздо сложнее, так как в основе лежит обработка больших данных.
Так, площадка «Стройкод» содержит 90 000 наименований материалов и товаров и работает так: заказчик формирует запрос, и он рассылается по базе поставщиков. За счет этой вроде бы простой схемы комплектация объектов идет в разы быстрее, так как не нужно тратить время на поиск материала и телефонные звонки. Тут простая логика — заказчик загружает требуемую номенклатуру, а «Стройкод» ищет лучшее предложение от поставщиков. Легко понять, сколько будет стоить обеспечение материалами объекта в любом регионе. В перспективе на основе статистических данных можно будет строить карты стоимостей и доступности материалов — тоже по регионам. Еще маркетплейс дает возможность увидеть, сколько времени займет доставка, и что с объемами партий.
Подробная матрица строительного процесса
Объединение разных массивов данных на единой платформе — за рубежом это называют master data management — возможно, будет наиболее перспективным направлением в работе со строительной информацией. Отечественные и иностранные продукты направлены на решение схожих задач, но зарубежные платформы, например, Stibo Systems, более универсальны и одинаково подходят как к стройке, так и к ритейлу или финансовым сервисам.
В России BI-системы для управления данными — чаще отраслевые. Так, облачная платформа «Цифровое управление строительством» («ЦУС») собирает в одном месте всю информацию по объектам и помогает контролировать строительство с помощью достоверных данных. В «ЦУСе» есть всё про строительный объект: сколько он должен был стоить по плану и сколько стоил фактически, в какие сроки удалось его возвести, где были задержки, каких материалов потребовалось больше, какие средние сроки доставки и так далее. Платформа знает, какие нарушения чаще всего находит стройконтроль, и сколько человеко-часов потребуется для разных видов работ.
На основе анализа данных в строительстве «ЦУС» формирует дашборды, графики и диаграммы, которые отражают реальную ситуацию. Максимальная польза от работы с массивами информации достигается на уровне, когда пользователь работает со множеством объектов, например, в разных регионах. «ЦУС» умеет консолидировать данные по каждому субъекту страны или городу, формировать отчетность по инвестпрограммам или любым другим критериям.
А в перспективе можно будет с высокой точностью просчитать стоимость объекта на основе исторических данных, точнее планировать сроки, заказывать материалы и контролировать качество.
Контролируйте финансовые, операционные и управленческие показатели по всем объектам с помощью интерактивных дашбордов и отчетов
Выводы
- Аналитика больших данных в строительстве помогает принимать верные бизнес-решения и избегать ошибок, а еще улучшает рутину: понятно, что где происходит, и какие проблемы.
- Чтобы избежать ложной интерпретации данных, важно понимать, как они собраны, и что лежит в их основе. Анализом массивов должен заниматься не только программный комплекс, но и специалист, знающий сферу и принципы управления информацией.
- Качество и актуальность данных имеют принципиальное значение. Если делать выводы по старой информации, они будут неверными. А если в базе данных всё перепутано, и никто за этим не следит, то на объект могут прийти трубы не того диаметра, или они вообще уедут не туда.
BI-системы в России сейчас развиваются в отдельных отраслях, таких как строительство и маркетплейсы.
