Привет Хабр! Меня зовут Виктор Соловьев, и я бизнес-аналитик продукта «Цифровой вагон» в Первой грузовой компании. Это набор цифровых решений для обслуживания и эксплуатации вагонов, про него мои коллеги регулярно рассказывают в блоге, например, тут и тут. Я же расскажу про свой путь на железной дороге от слесаря до бизнес-аналитика и на своем примере покажу, как помогают digital скилы в работе с парком около 100 тыс. вагонов.
От молоточка до Excel
В железнодорожной сфере я работаю почти 20 лет. Моя карьера началась в 2004 году, тогда я еще учился на 4 курсе Петербургского университета путей сообщения и параллельно устроился на постоянную работу слесарем по ремонту подвижного состава в вагонное депо. До этого опыт работы на железке был небольшой – только две трехмесячные производственные практики от универа.
За время учебы повысил свои профессиональные навыки и дорос до осмотрщика вагонов (это специалисты, которые стучат по колесам вагона молоточком и по звуку диагностируют неисправности).
После окончания учебы я остался работать в депо в должности инженера. В мои обязанности входило расследование неисправностей вагонов, формирование мероприятий по предупреждению этих неисправностей, а также обучение слесарей и осмотрщиков, желающих повысить свой профессиональный уровень.
Основной цифровой инструмент для меня в те годы был MS Word, в нем готовил все документы и отчеты. В универе мы, конечно, изучали VBA Excel, программы для моделирования и черчения SolidWorks, AutoCAD, Компас. Но применять на практике их не приходилось, поэтому эти знания полностью стерлись из памяти.
В 2008 году в Санкт-Петербурге открылся филиал Первой грузовой компании, куда мне посчастливилось устроиться на работу. Было сложно, но интересно. Характер моей работы в ПГК сильно изменился по сравнению с депо. Здесь необходимо было участвовать в поддержании технического состояния парка грузовых вагонов, размер которого в то время достигал почти 200 000 единиц. Тут уж MS Word не помощник.
Пришлось вспоминать и заново осваивать MS Excel: сначала простейшие формулы, потом логические выражения и сводные таблицы. Компания развивалась, соответственно, увеличивалось количество информационных систем и источников информации, но в принципе достигнутый уровень знаний MS Excel позволял успешно решать все поставленные задачи.
В июле 2015 года я перевелся в центральный офис ПГК в Москву. И буквально с первых дней я понял, что с формулами MS Excel тут ловить нечего, когда попытался по привычке сделать ВПР (если коротко, поиск значений в одной таблице и перенос в другую) нескольких признаков к списку из 100 000+ вагонов, а после этого еще применить сортировку с фильтрацией, и на это ушел час рабочего времени.
#лайфхак
Сейчас я уже знаю, что для подобных задач намного лучше подходит ИНДЕКС(ПОИСКПОЗ), который полностью заменяем ВПР. При этом функция не имеет ограничения на поиск значений только в столбцах, расположенных справа от ключевого поля, и работает значительно быстрее. Если интересно как именно пользоваться этой функцией, оставляйте комментарии и я вам расскажу.
Но полностью отказываться от трудяги Excel было еще рано, тогда я узнал про “мощные” надстройки к нему: Power Query (мощный запрос), Power Pivot (мощная сводная), Power View (мощная визуализация). Чтобы лучше разобраться в новом функционале и систематизировать свои знания, я прошел онлайн-курсы.
Стало понятно, что с этими 3 богатырями Excel уже легко справляется с данными в несколько миллионов строк. Мой личный рекорд – работа в Excel с моделью 20 млн строк данных.
Но, как говорил преподаватель курсов по надстройкам Excel, при хорошей подготовке данных и 100 млн строк для Excel по силам.
BI инструменты для ремонта вагонов
Следующим шагом было освоение Power BI – это комплексное программное обеспечение бизнес-анализа (BI) компании Microsoft, объединяющее несколько программных продуктов с общим технологическим и визуальным дизайном, соединителей (шлюзов), а также web-сервисов. По сути под капотом у этой платформы уже знакомые из Excel инструменты: Power Query, Power Pivot, Power View, поэтому разобраться с ним было максимально просто.
Базовые принципы, освоенные в Power BI, помогли мне быстрее научиться работать в Qlik Sense. Это основной BI инструмент в компании, выбрали его в том числе потому, что его ассоциативная модель позволяет сразу видеть более полную картину и не терять данные из виду при использовании фильтров. К слову, Qlik Sense я применяю для разработки интерактивных дашбордов. Например, с его помощью делал дашборд с картой, где отображаются вагоноремонтные предприятия в разных регионах (какой объём ремонтов они проводят от общего на сети). Для решения этой задачи использовал несколько источников:
Реестр проведенных ремонтов по годам. Применил к нему функции агрегации, чтобы получить значения количества проведенных ремонтов.
Справочнии с географическими координатами городов и границ территорий субъектов РФ.
Настроил между источниками связи по ключевым полям и визуализацию с интерактивными фильтрами.
Теперь вместо того, чтобы анализировать массив из 100 тыс. строк ремонтов в табличке Excel, специалистам достаточно посмотреть на эту интерактивную карту, чтобы понять, в каких объемах и на каких площадках компания проводила ремонты в прошедшем периоде, и на основе этих данных готовить отчеты или аналитику, а также использовать карту для проверки других гипотез.
Так выглядит дашборд:
Параллельно с изучением BI инструментов возник запрос на автоматизацию рутинных процессов в работе. Одно из основных направлений моего функционала – формирование прогноза потребности компании в плановом техническом обслуживании вагонов. Модель расчета несложная, но есть ряд нюансов, которые важно учитывать: масштабный парк вагонов, большой горизонт планирования (от 1 месяца до 50 лет), постоянная актуализация выходных параметров, оценка вариативности прогноза и чувствительности модели к изменению входных параметров.
Делать расчёты вручную в Excel с учетом всех этих параметров было слишком долго и трудозатратно, поэтому мы решили автоматизировать этот процесс В итоге компания запустила проект по разработке автоматизированной системы (АС) “Планирование ремонтов”.
Сама модель расчета была довольно простой: необходимо было определить сколько времени вагону осталось пройти до следующего ремонта. Например, если по нашим данным ему оставалось пройти 10 тыс. км до ремонта, а в среднем он пробегает 200 км за сутки, делим 10 тыс. на 200 и получаем цифру, через какое количество дней по нашему прогнозу вагону потребуется ремонт.
Меня назначили руководителем этого проекта. В этой роли передо мной встали новые задачи, требовалось углубить свои IT компетенции, чтобы выстроить эффективное взаимодействие бизнеса и команды разработчиков.
Для этого было необходимо:
описать бизнес-логику и техническое задание для реализации,
найти и верифицировать источники необходимых данных во внешних и внутренних IT-системах,
определить показатели оценки качества продукта,
разработать дизайн интерфейса,
провести тестирование, доработку и запуск продукта в промышленную эксплуатацию.
Наша команда состояла из специалистов разных подразделений, в ней были логисты и экономисты, с которыми мы вместе определяли, как лучше посчитать среднесуточный пробег, откуда взять информацию. Экономисты выступали как аудиторы и проверяли насколько вообще можно применять такой подход средней наработки.
Все бизнес-требования к продукту я формализовал в техническое задание для разработчиков: прописывал, что должно получиться в итоге, откуда брать данные, какие манипуляции с ними нужно делать, как должен выглядеть интерфейс, какие поля заполняются вручную или автоматически. По итогу мне, как руководителю проекта, необходимо было проверить корректность работы прототипа и дать обратную связь разработчикам по доработке.
Вот так выглядело техническое задание:
Проект мы с командой реализовали в 2016 году, и этот сервис до сих пор остается востребованным у сотрудников компании.
В 2019 году в компании произошла IT-революция по переходу на новую цифровую платформу. В этом проекте я выступал уже в качестве бизнес-эксперта и участвовал в разработке бизнес-требований и функциональных спецификаций по направлению ремонта вагонов.
К анализу данных
Вообще большинство сотрудников нашей компании в большей или меньше степени являются аналитиками данных, даже не осознавая этого. Мы всегда работаем с данными: выгружаем данные из информационных систем и на их основе ищем ответы на вопросы, делаем сводные, диаграммы, визуализируем информацию, чтобы было проще увидеть закономерности для принятия решений.
Поэтому следующим логичным шагом для меня стало изучение направления анализа данных, из которого возник интерес к Python, Data Science и Machine Learning. Эти инструменты сейчас на волне популярности, поэтому информации по ним много в открытых источниках. Ее достаточно, чтобы быть в теме. Зная эти инструменты, получается выстраивать более эффективное взаимодействие с внутренними командами разработки в совместных проектах, общаться с ними на одном языке.
Развиваясь в Python, Power BI, я могу обрабатывать большие массивы информации, с которыми не справится Excel, находить новые бизнес смыслы и новые направления для улучшения процессов ремонта.
Приведу пример. Мне необходимо было посчитать потенциал процесса ремонта. Допустим, в прошлом году вагоны компании стояли в ремонте 5 дней, а в этом году мы решили, что технически обоснованный уровень – 4 дня. Учитывая характеристики разных вагоноремонтных площадок, мне надо определить потенциал каждого предприятия на основании статистических данных. Для этого требуется проанализировать 80 предприятий. В Excel это сделать трудоемко – собрать отдельную сводную таблицу для каждой площадки на вкладке и таким образом считать. В Python на это уходит несколько минут.
Пример вычисления в python:
#вопрос
Когда я изучал базовый Python, то сам придумывал различные учебные задачи. На картинке ниже пример одной из них. Как думаете, для чего этот код и какие могут быть идеи его практического применения? Ваши варианты жду в комментариях.
Как я уже говорил в начале, с марта 2022 года я выступал в роли бизнес-эксперта в команде «Цифровой вагон» и недавно перешел на позицию бизнес-аналитика в этом же IT-подразделении. Вместе с коллегами мы занимаемся разработкой цифровых продуктов, направленных на техобслуживание и эксплуатацию вагонов.
Сейчас мы вместе работаем над цифровым решением, которое будет формировать более точный прогноз ремонтов вагонов. По сути, это более прокачанная версия системы планирования ремонтов, которую мы разрабатывали в 2016 году. Моя задача заключалась в подготовке технического задания с подробным описанием логики зависимости данных. Для описания процессов использовал нотацию EPC:
Учитывая приличный бэкграунд работы над цифровыми проектами в ПГК, на сегодняшний момент я имею представление о работе и опыт самостоятельного применения следующих инструментов:
язык программирования Python (в том числе, библиотеки Pandas, Numpy, Matplotlib, Catboost, SciPy);
язык запросов к базе данных SQL;
система контроля версий GitHub Desktop;
прототипирование интерфейсов в Figma.
Эти компетенции пригождаются в работе каждый день и не только для того, чтобы самостоятельно работать с данными, но и для взаимодействия с командой разработки – зная терминологию и понимая принципы работы инструментов, нам проще говорить на одном языке. Плюс, так мы эффективнее работаем над проектами.
Кстати, сотрудникам ПГК не нужно тратить время на самостоятельный поиск информации, чтобы разобраться в цифровых инструментах. Любой специалист может пройти обучение в «Школе цифры», где на онлайн-платформе собраны полноценные курсы по IT-специальностям. К слову, я прошел 5 курсов на этой платформе, изучал Figma, NoCode, Google Sheets и Excel, SQL для продактов, инструменты для создания CJM и проведения CustDev.
Зачем все это?
В наше время стремительного цифрового развития быстро устаревают не только гаджеты, но и знания. Появляются новые задачи, требующие новых компетенций. Поэтому для меня развитие цифровых навыков – это возможность оставаться востребованным специалистом, способным эффективно выполнять актуальные бизнес-задачи.
Возможно, мне повезло, потому что мне по-настоящему интересны цифровые продукты и их влияние на бизнес и людей. И в ПГК я могу участвовать в создании и запуске таких продуктов. У нас довольно большая IT-команда, которая занимается разработкой разных цифровых решений и продуктов для логистической отрасли, а еще проводятся хакатоны и эксперты регулярно выступают на различных конференциях.
Надеюсь, вам было интересно узнать про мой опыт. Если не хватило каких-то деталей, пишите в комментариях и я постараюсь ответить. В следующих статьях расскажу про цифровые двойники и квантовые вычисления, а также про проекты над которыми работаю, подписывайтесь.
