CC BY
70
протокол прикладного уровня. Для организации доступа пользователей к отчетности должен использоваться протокол презентационного уровня HTTP и его расширение HTTPS. В системе предусмотрена перспектива дальнейшего развития: добавления новых функций, совершенствования механизма составления рапорта, упрощения и сведения к допустимому минимуму действий по размещению и обработке рапортов кабинного экипажа; возможность интеграции в части автоматической выгрузки согласованного рапорта во внешние информационные системы, эксплуатируемые в авикомпании.
Апробация АСР показала сокращение временных затрат на обработку события (рапорта) как сотрудников, так и руководителей авиакомпании, за счет сокращения фаз принятия решений (согласование, подписание и другие операции с документами). Кроме того продумана политика безопасности, обеспечивающая защиту информации от попадания в третьи руки. Доступ к ней устанавливается в соответствии с правами пользователя [7].
Заключение
Проведенный анализ АСД, используемых в авиакомпаниях, выявил отсутствие автоматизации обработки послеполетных рапортов кабинных экипажей, что негативно сказывается как на финансовой, так и на брендовой составляющей авиакомпании. Рассмотренные и классифицированные риски при использовании стандартных решений позволили предложить архитектуру системы, обеспечивающую кроссплатформенность решений. Описан метод упрощенной структуры шаблонов, заполняемых при подаче рапорта кабинного экипажа.
Разрабатываемая АСР позволит более чем 30% сократить непроизводительные затраты времени сотрудников, снизить процент ошибок ручного ввода, уменьшить время обработки рапорта, повысить эффективность работы кабинного экипажа и в целом авиакомпании.
ЛИТЕРАТУРА
1. Кабашов С. Электронный документооборот. - М:. Инфра-М, 2015.- С. 25-48.
2. Даниленко А. Безопасность систем электронного документооборота.- М:. Ленанд, 2015.- С. 1-50
3. Чернов В. Системы электронного документооборота.- Деловой Петербург, 2009.- С. 32 - 180.
4. Полтавский А.В. Концепция принятия решений при создании сложных технических систем /А.В. Полтавский, А.С.Жумабаева, Н.К. Юрков //Труды международного симпозиума Надежность и качество. -
2016.- Т.1- С.8-13.
5. Григорьев А.В.. Структура методики анализа следа вибрационного размытия изображения круглой метки /А.В. Григорьев, Н.К. Юрков, В.А. Трусов, В.Я. Баннов //Труды международного симпозиума Надежность и качество. -2016.- Т.2- С.28-31.
6. Бумажный офис становится реальным //Электронный ресурс - URL: http://www.dp.ru/?ArticleID=add2a932-bdb8-4 66c-9de5-6bcfcfb25f62 (дата обращения: 20.03.2017).
7. Электронный документооборот - две стороны медали //Электронный ресурс http://doc-system.ru/sistema-elektronnogo-dokumentooborota/articles/elektronnyjdokumentooborot-dve-storony-medali.html (дата обращения: 22.02.2017).
УДК 004.5
Калашникова К.А., Орлова Д.Р,
ФГБОУ ВО «Московский государственный технический университет гражданской авиации» (МГТУ ГА) , Москва, Россия
ОБЕСПЕЧЕНИЕ КАЧЕСТВА БИЗНЕС-ПРОЦЕССОВ АВИАКОМПАНИИ
В данной работе раскрывается технология Больших данных (Big Data), с помощью которой авиакомпании быстро и качественно могут хранить и обрабатывать неструктурированные данные в больших объемах, содержание основных понятий и необходимые характеристики. Рассматриваются различные возможности использования технологии Big Data в различных системах и корпорациях, связанных с авиацией, определены недостатки и преимущества технологии, которые она позволяет получить. Показано развитие бизнес-аналитики, которое стало одной из главных тенденций современного рынка информационных технологий, в том числе, в такой сфере как гражданская авиация. Было описано, какое место занимают Большие данные в управлении взаимоотношений с клиентами и авиакомпаниями по всему миру. Проведен анализ ряда проектов Big Data, таких как Hadoop, Sabre, ПАО Аэрофлот Ключевые слова:
технология Больших данных, авиакомпании, качество услуг
Введение
На сегодняшний день исследователи и практики из авиационной сферы проявляют повышенный интерес к технологическим составляющим большого объема данных. Данный интерес обусловлен тем, что авиакомпании обладают огромным объемом накопленных данных, которые нужно анализировать и оперативно обрабатывать, и желательно в режиме реального времени, что и может дать технология Больших Данных [0].
Термином Big Data (большие данные) обозначаются такие наборы данных, которые настолько сложны и/или объемны, что применение стандартных способов по их обработке не дает желаемого результата. Для подобных данных нужны технологии, которые будут применяться с целью сохранности и обработки увеличивающихся объемов информации.
Обеспечение обработки и анализ данных высокой степени качества является главной целью технологий больших данных, которые нашли свое применение в различных областях инженерии и науки.
Основная часть
Во многом появление новых и совершенствование имеющихся информационных технологий связано с необходимостью в минимальные сроки обрабатывать большие объемы информации различного рода, получившие название Большие Данные.
В данном случае термин «Большие данные» или "Big Data" подразумевает под собой объемы, исчисляемые не мегабайтами и не гигабайтами информации, а еще большими цифрами [0]. Большая часть эксплуатируемых программных и аппаратных средств не предназначена для эффективной работы в таких условиях. Появление Больших Данных привело к тому, что разработчики ПО и пользователи вынуждены решать проблемы быстрой обработки поступающей информации и надежного ее хранения. Как отмечают эксперты, проблемы, связанные с хранением и обработкой больших массивов информации -только часть всех проблем, требующих скорейшего решения. Всего же выделяется пять основных проблем:
-Volume - объем данных. Он может быть очень большим;
-Velocity - пользователь не должен замечать снижение скорости работы приложения при увеличении объема обрабатываемых данных;
-Variety - информация может быть разного содержания и с разной структурой;
-Veracity - пользователь должен быть уверен в том, что предоставляемые данные полностью достоверны;
-Value - полученная информация должна представлять ценность для ее обладателя.
Для Больших Данных должны обязательно соблюдаться все пять указанных постулатов.
Важно отметить, что к Большим Данным в большинстве случаев невозможно применить те же способы, которые традиционно используются при обработке поступающих массивов информации. Данные очень сложно сопоставить с аналогами или отфильтровать.
Для полноценной обработки Больших Данных необходимо наличие следующих компонентов:
- программные комплексы, БД, СУБД и т. д. (SQL, NoSQL, MapReduce, Hadoop, SAP HANA и т.д.);
- техническое оборудование, серверные и рабочие станции, каналы передачи информации и т. д.;
- услуги сервиса по обслуживанию и мощностей, и пользователей.
Для хранения Big Data более всего подходят файловые системы распределенного типа. Важно учесть, что данные могут не иметь четкой структуры или вообще быть неструктурированными. Помимо файлов с информацией это могут быть видео, фото изображения, таблицы и т. д. Отсутствие структуризации дает пользователям и некоторые преимущества, и большие недостатки. Преимущества связаны с тем, что информация только записывается на носители. Не производится предварительная сортировка по типам и возможности дальнейшего использования и анализа. Проблемы возникают в том случае, если из больших массивов записанных данных в дальнейшем нужно извлечь несколько файлов с определенной информацией. Пользователь вынужден пересматривать иди фильтровать все данные, ранее записанные на носителе. При этом пользователь может столкнуться с необходимостью использовать в работе достаточно сложные алгоритмы, разработанные специально для файловых систем распределенного типа.
В зависимости от объема Большие Данные классифицируются следующим образом:
- Fast Data. В данную группу отнесены минимальные объемы, измеряемые терабайтами;
- Big Analytics — объем данных измеряется пе-табайтами;
- Deep Insight — информация поступает в эк-забайтах, зеттабайтах.
В зависимости от того, к какой группе относится та или иная поступающая информация, выбираются программные средства для их записи, анализа, обработки.
Данные, относимые к Fast Data, не используются для получения или генерации на их основе новых данных или информации. Предполагается, что у этих данных есть некоторое значение, которое не изменится со временем. Данные описывают какой-либо процесс или событие, помогают выявить закономерность в происходящих событиях. На данный момент времени практически нет разработанных и совершенных технологий, которые могли бы быть использованы для обработки данных, входящих в данную группу. Среди наиболее известных можно назвать ПО Greenplum, Netezza, OracleExadata, Teradata, СУБД типа Verica и kdb, способные обрабатывать хранилища с данными таких объемов. Соответственно, если растет объем данных, должна увеличиваться и скорость обработки.
Данные, относимые к Big Analytics, уже могут использоваться для построения новой информации на основе имеющейся. Данные должны не только сохраняться на каком-либо носителе, но и преобразовываться в новые данные, необходимые пользователю. Но данный уровень информации еще не предполагает использование искусственного интеллекта при решении задач получения новых данных. Системе на этапе создания задается некоторый алгоритм работы, в соответствии с которым будут получены новые данные. Т.е. системе нужен своего рода «учитель», формирующий пути получения новых знаний. Важно отметить, что для хранения и обработки Big Data Analytics уже не подходят стандартные пользовательские компьютеры и программное обеспечение. К данному моменту времени среди программных продуктов данного уровня
можно выделить SAP HANA, Oracle Big Data Appliance и т.д.
Данные, относимые к уровню Deep Insight, могут использоваться в системах искусственного интеллекта. На данном уровне предполагается, что система в состоянии самостоятельно обрабатывать полученные данные и делать выводы на их основании, используя передовые аналитические методики. Среди наиболее популярных можно назвать имитаторы, используемые в авиации для подготовки пилотов.
Бизнес авиаперевозок является конкурентным во всем мире. Сотни авиакомпаний стремятся увеличить свою прибыль, расширяя список услуг, снижая цены, предлагая различные скидки. Соответственно, каждая компания должна в постоянном режиме анализировать многочисленные Большие Данные, характеризующие различные сферы деятельности. Есть все основания предполагать, что грамотный и своевременный анализ поможет не только качественно улучшить работу любой авиакомпании, но и существенно повысить прибыль. Выделяют несколько причин, по которым своевременная обработка информации будет актуальной и востребованной в ближайшие годы:
- предполетная подготовка самолета, которая включает в себя осмотр самолета, проверка состояния систем заправки и зарядки ЛА, установка АСП и ввод данных в различные системы, проходит быстрее, если наземные службы имеют возможность обрабатывать всю необходимую информацию в кратчайшие сроки;
- качественный и своевременный анализ ситуации способствует выработке оптимальных решений во время полета. Данный анализ ситуации можно произвести с помощью графической панели "Карта полетов" информационной системы "Авиакомпания";
- клиенты получают более качественные услуги, соответственно, более лояльны к данной, конкретной компании.
Технологии Big Data позволяют более достоверно выявлять потенциальные проблемы с техническим оборудованием, принимая во внимание статистические данные не только по данному самолету, но и по всем аппаратам данного типа. Если на основании статических данных можно сделать вывод, что поломка той или иной детали неминуема в ближайших полетах, авиакомпания может предотвратить аварийную ситуацию и провести ремонт заблаговременно.
Авиакомпании, стремящиеся предоставить более качественные услуги, анализируют и заказы клиентов, как на борту, так и предварительные до полета [3]. Анализируются предпочитаемые напитки, игрушки, телепрограммы, заказываемые отели и транспорт. Все эти данные вносятся в клиентскую ДНК и позволяют предоставлять именно те услуги, которые клиенты хотят получить. Авиакомпания получает большую прибыль, клиенты получают качественные услуги и сервисы [4].
Среди решений подобного уровня можно выделить Sabre Marketplace Analytics (разработчик - компания Sabre). Компании, использующие данный сервис, могут анализировать спрос на предлагаемые продукты, используя для этого дистрибутивную сеть этой же компании Sabre GDS.
Развитие современного бизнеса невозможно без полного и всеобъемлющего анализа ситуации [5]. В этом же направлении развиваются и информационные технологии, предназначенные для обработки больших объемов информации. Еще несколько лет назад авиакомпании могли получать только информацию о том, сколько мест забронировано на тот или иной рейс. Вся остальная информация о покупательских предпочтениях клиентов была недоступна или неактуальна. Ситуация изменилась к лучшему после появления на рынке продукта Sabre Marketplace Analytics, позволяющего анализировать все покупки, совершаемые клиентами. Авиакомпании могут теперь отслеживать, какие направления более востребованы, насколько удовлетворен спрос, как он соотносится с реальными продажами билетов. Стоит упомянуть и о технологиях OLAP,
которые предназначены для обработки различной информации, мониторинга ключевых показателей бизнеса и анализа данных.
Важно подчеркнуть, что технология Больших Данных дает авиакомпаниям большие возможности, но не все умеют правильно и своевременно их использовать. Среди всех авиакомпаний, обративших внимание на новые технологии, можно выделить ПАО «Аэрофлот».
В планах авиакомпании на 2025 год значится увеличение пассажиропотока до 70 млн. человек [6]. Соответственно, компания должна не только фиксировать продажу билетов, но и контролировать ее, управлять запросами потенциальных клиентов. На данный момент времени среди клиентов компании 40 млн. человек. Увеличить количество пассажиров можно, стимулируя повторные продажи. Для этого разрабатывается и внедряется новая ИТ-платформа, собирающая данные о клиентах и анализирующая их. Основная задача новой системы - увеличение продаж в онлайн-режиме, привлечение новых клиентов. В основе платформы: обработка полученных данных от клиентов, обучение с использованием систем искусственного интеллекта, предиктивное моделирование, позволяющее спрогнозировать поведение
клиента компании. Выработка решений будет производиться с учетом 300 характеристик и параметров. Для каждого клиента учитывается предыдущая история выполненных операций, предпочитаемые направления, выбираемая ценовая категория билетов. На основании этих данных ПАО «Аэрофлот» прогнозирует создавать индивидуальный «портрет» каждого потенциального клиента и вырабатывать показатель пожизненной ценности каждого потенциального покупателя билетов (СЬТУ).
Заключение
Проведенные исследования позволяют сделать вывод, что технологии Больших данных позволяют изменить всю цепочку предоставления услуг в гражданской авиации и взаимосвязанных отраслях. Наиболее заинтересованной стороной в развитии и активном внедрении Больших Данных являются реальные и потенциальные клиенты, так как именно они получают возможность выбирать из большего ассортимента, обращаясь к услугам одновременно разных поставщиков. Все это позволит формировать индивидуальное предложение, предназначенное для конкретного клиента, и, следовательно, значительно увеличить число лояльных к компании пользователей.
ЛИТЕРАТУРА
1. Майер-Шенбергер В., Кеннет Кукьер. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим, /пер. с англ. Инны Гайдюк/ - М.: Манн, Иванов и Фербер, 2014. - 240 с.
2. Валеев С.С. Информационные технологии Big Data в авиации. Proc. of the 2nd International Conference "Information Technologies for Intelligent Decision Making Support". USATU - Ufa, 2014. -С. 150-152.
3. Павлова Л.В. Моделирование систем управления авиаперевозками /Л.В. Павлова, Н.И. Романчева //Труды международного симпозиума Надежность и качество. -2016.- Т.2.- С.237-238.
4. Костромина Е.В. Управление экономикой авиакомпании. - М.: Авиабизнес, 2007. - 410с.
5. Петрянин Д.Л. Повышение точности расчетов аппроксимации /Д.Л. Петрянин, Н.К. Юрков, Ю.А. Романенко //Труды международного симпозиума Надежность и качество. -2016.- Т.1- С.123-127.
6. Основы стратегии развития Группы Аэрофлот: [Электронный ресурс] // ПАО «Аэрофлот - российские авиалинии», 2008-2017. URL : http://www.aeroflot.ru/gb-ru/about/strategy. (дата обращения: 02.03.2017).
УДК 542.913 Садыхова Ж.И.
ФГБОУ ВО «Московский институт радиотехники, электроники и автоматики» (МИРЭА), (Технический университет), Москва, Россия
ЭНЕРГЕТИЧЕСКОЕ БУДУЩЕЕ РОССИИ И МИРА
В статье рассматриваются различные выходы из энергетического кризиса, более сорока лет угрожающего мировой экономике. Дорожают и истощаются естественные запасы нефти, газа и угля. Их использование в качестве источников энергии ведет к деградации биосферы и, в конечном счете, к экологической катастрофе. В работе проводится анализ использования возобновляемых источников энергии в ведущих странах мира (Великобритания, Германия, США, Японии и др.) Показано, что солнечная энергия в долговременной перспективе — практически безальтернативный выбор для человечества
Ключевые слова:
энергетический кризис, возобновляемые источники энергии
Принято считать, что АЭС являются экологически наиболее безопасными при безаварийной эксплуатации. Посмотрим, насколько же на самом деле это так. Специалистами выделяются 4 основных группы воздействия АЭС на окружающую среду: ресурсопотребление, тепловое, химическое и радиационное. К первой группе относится использование сырья, земли, воды, воздуха, топлива, энергетических ресурсов. Так, АЭС мощностью 1 ГВт занимает площадь около 50 га (но если в охлаждающей системе используются водоемы - охладители, то это будут площади в несколько раз большие). Заглубление в землю фундаментов АЭС вызывает большие опасения и может спровоцировать землетрясение, если эта станция находится в сейсмической зоне, как в Японии, например. Расход воздуха -15 миллиардов кубометров. Расход топлива - 3000 т. На собственные нужды идет 7% вырабатываемой энергии. По масштабам использования воды эта величина эквивалентна водопотреблению крупного города, как Москва. Масштабы теплового воздействия чудовищны: до 70% энергии, выделившейся в ядерном реакторе, поступают в окружающую среду в виде тепла, повышая температуру охлаждающей воды зимой на 10°С, летом до +30°С. При таких температурах прекращается рост, питание и размножение большинства видов животных, гибнут рыба и ракообразные. В процессе работы АЭС образуется более
5000 т. химических отходов (сульфаты, фосфаты, нитраты и нитриты и др. и, конечно, радиоактивные). Так ли уж АЭС экологически самые « чистые», как уверяют нас? Сейчас на территории России их более десяти, к 2050 г. планируется удвоить.
Драматические события на «Фокусимо-1» в Японии заставили содрогнуться весь мир. Авария на одной только АЭС может иметь катастрофические последствия для всей планеты, а их было за последнее столетие около двадцати. Стало ясно, что атомные технологии невозможно контролировать. Атомная энергетика изжила себя. Поэтому необходимо стимулировать европейскую стратегию отказа от атомной энергетики и переход на возобновляемые источники энергии (ВИЭ) [1]. Известно, что концентрация (плотность потока) энергии уменьшается в ряду: АЭС - ГЭС - ТЭС - ВЭС
Наибольшую тревогу (с точки зрения экологических рисков) в России вызывает физический износ оборудования на предприятиях топливно-энергетического комплекса (износ 60%), в нефтегазовом комплексе (около 80%).
При работе ТЭС кроме выбросов в атмосферу отравляющих веществ и парниковых газов, накапливаются горы отходов, которые еще обладают радиоактивностью (возникают трудности с хранением их), а без вторичной переработки остается 90% отходов производства.
