Ozon разработал собственный инструмент для генерации и редактирования фона на изображении товаров, который работает с помощью алгоритмов машинного обучения.
По прогнозам экспертов, число предприятий, использующих отечественные решения, возрастет до 80% к концу 2024 г.
Компания J’son & Partners Consulting завершила подготовку глобального исследования облачных IoT-платформ и приложений для оптимизационного управления парками автотранспорта, уже сейчас являющихся наиболее крупной сферой применения индустриального Интернета Вещей (IIoT-платформ) как в натуральном – более 40 млн. подключенных к облачным платформам автомобилей коммерческого назначения, так и в денежном выражении – около $12 млрд годовой выручки провайдеров облачных платформ от подписок в мире.
Транспорт и логистика – наиболее крупная сфера применения индустриального Интернета Вещей (IIoT-платформ) как в натуральном - по количеству подключенных объектов, так и в денежном выражении. Причина – в высоком уровне проникновения облачных платформ.
Так, по оценкам J’son & Partners Consulting, если в промышленности к IIoT-платформам подключены десятые доли процента от станков и других видов промышленного оборудования, в управлении недвижимостью – не более 1% от общего количества зданий делового назначения, то к облачным IIoT-платформам, реализующим функционал мониторинга и оптимизации использования коммерческого транспорта (функционал систем Fleet Management) по состоянию на конец 2018 года было подключено более 10% таких объектов, что на два порядка больше чем в промышленности и на порядок больше чем в управлении недвижимостью.
При этом уровень платежей за использование функций платформ в расчете на подключенный объект примерно одинаковый во всех перечисленных отраслях.
Сегмент транспорта является очевидным примером того насколько значительным может быть рынок IIoT-платформ при проникновении хотя бы на уровне 10% от общего количества индустриальных объектов, а не десятых долей процента как это имеет место для большинства индустриальных сегментов в настоящее время.
Причем проникновения именно облачных платформ, что имеет выраженную корреляцию с уровнем проникновения по количеству подключенных объектов – высокое проникновение достигается только через подключение к облачным платформам, а использование on-premise систем аналогичной функциональности ограничено крупными предприятиями-потребителями.
Развитие сегмента транспорта служит доказательством ключевой роли облачной модели в достижении высокого уровня проникновения. В ранний период своего развития, в начале 2000-х годов, рынок рос преимущественно подключениями крупных корпоративных парков транспортных средств, для которых была характерна модель развертывания на стороне клиента (on-premise) с классическим внедрением и покупкой «вечных» лицензий.
Этот период был довольно быстро пройден, и уже около 10 лет мировой рынок растет преимущественно подключениями компаний с малым количеством транспортных средств (единицы – десятки объектов), а также личного автотранспорта, для работы с которыми единственно возможной моделью является модель публичного облака и монетизация через подписки с ежемесячной оплатой по количеству подключенных объектов и используемому функционалу.
При этом облако может быть развернуто как самим разработчиком платформы, так и его партнерами: операторами сетей связи, автопроизводителями, автодилерами, страховыми компаниями и т.д. По модели публичного облака сейчас работает подавляющее большинство разработчиков приложений для транспортной отрасли. И перспективы роста еще далеко не исчерпаны.
Таким образом, уровень проникновения облачных платформ является ключевым параметром, определяющим объем сегмента не только в натуральном (количестве подключенных объектов), но и в денежном выражении.
Несмотря на достигнутый наибольший среди всех сегментов индустриального IoT уровень проникновения, в сфере транспорта имеется значительный резерв роста как по увеличению уровня проникновения, так и по расширению функционала IIoT-платформ, который будет реализован уже в ближайшие годы.
Ввиду того, что сегмент транспорта «выстрелил» первым из всех индустриальных сегментов IIoT, он пока является наиболее отсталым в части принципов организации взаимодействия участников цепочки создания добавленной стоимости. Так, в отличие от других отраслей (сфер применения IIoT-платформ), IIoT-платформы для управления объектами транспорта пока не имеют четкого деления на базовые/интеграционные и прикладные и не образуют взаимодополняющие экосистемы. Для данной сферы применения существуют два вида платформ, которые лишь условно можно разделить на базовые и прикладные.
Это платформы реализующие функционал управления парком транспортных средств (Fleet Management), которые можно классифицировать как прикладные, и платформы для подключения устройств телеметрии подвижных объектов (M2M-платформы), которые условно можно считать базовыми, выполняющими функции телеметрии средств телеметрии, то есть управления SIM-картами, устройствами и подключениями. Причина, почему используемые в различных отраслях M2M-платформы отнесены именно к транспортной отрасли, состоит в том, что особенностью управления подвижными объектами является превалирование сотовых подключений (реже – спутниковых) и, соответственно, наибольшая доля транспорта в структуре подключенных к M2M-платформам объектов.
В отличие от других сфер применения IIoT-платформ, в транспортной отрасли прикладные платформы Fleet Management, большая часть которых изначально являлась аппаратно-зависимыми, самостоятельно реализуют интеграцию с источниками данных (тахографами, донглами, навигаторами и т.п.), и, как правило, не используют для получения этих данных платформы M2M. Функции мониторинга M2M-подключений, реализуемые развернутыми на стороне операторов сотовой связи платформами M2M, пока являются необязательным дополнением к функционалу платформ Fleet Management, но не источником данных для них.
Тем не менее, разработчики и провайдеры платформ M2M в последние годы активно развивают партнерские экосистемы с разработчиками прикладных функций, включая поглощение наиболее перспективных из них, что способствует формированию полноценных экосистем вокруг базовых платформ M2M.
Также этому способствует явное стремление разработчиков прикладных платформ уйти от аппаратной зависимости в части устройств телеметрии – подключение к платформе не должно требовать обязательной покупки и установки фирменного устройства. Кроме того, разработчики прикладных платформ стремятся к расширению номенклатуры внешних систем и приложений, с которыми может осуществляться автоматический обмен данными. Поэтому представляется очевидным, что уже в ближайшие годы и в транспортной сфере сформируются экосистемы базовых и прикладных платформ. В таких экосистемах базовые платформы (платформы M2M) будут выполнять функцию интеграционной прослойки между устройствами телеметрии и прикладными платформами, обеспечивая аппаратную независимость последних, а также предоставлять набор API для интеграции прикладных платформ с внешними приложениями и сервисами.
В последние два года значительное ускорение развитию рынка IIoT-платформ для транспорта и логистики в направлении формирования полноценной экосистемы придал пересмотр автопроизводителями своей роли на этом рынке. Предоставление автопроизводителями сервисов телеметрии как дополнения к набору фирменных пост-продажных услуг автопроизводителями имело место начиная с 1990-х годов, но эти сервисы играли вспомогательную роль, находясь на периферии внимания автоконцернов.
Такая отстраненная позиция автопроизводителей привела к развитию независимых IIoT-платформ, реализующих функции отслеживания местоположения и мониторинга состояния автомобилей. Но в последние годы, готовясь к переходу к бизнес-моделям цифровой экономики, предполагающим, как минимум, расширенную ответственность автопроизводителей за техническое состояние автотранспорта на этапе его эксплуатации, автопроизводители действительно стремятся к созданию кибер-физических продуктово-сервисных систем, уже на этапе проектирования предусматривая средства телеметрии как элемент конструкции автомобиля, а сбор и обработку данных в облачных IIoT-платформах с использованием цифровых двойников (кибер-компоненты) подключенных автомобилей – как неотъемлемый элемент эксплуатации транспортных средств.
Для реализации такого подхода все основные производители коммерческого автотранспорта приступили к формированию экосистем IIoT-платформ, в которых M2M-платформы выполняют роль базовых платформ, обеспечивающих подключение установленных на борту средств телеметрии к облаку, а партнеры – разработчики платформ Fleet Management предоставляют разнообразный прикладной функционал, позволяющий монетизировать затраты на сбор и хранение данных телеметрии.
При этом центральная роль автопроизводителей в таких экосистемах позволяет реализовать функции, не реализованные ранее по причине отстраненной от разработчиков приложений позиции автопроизводителей. Так, доступность для разработчиков приложений предоставляемых автопроизводителями цифровых моделей позволяет реализовать отсутствующий пока в подавляющем большинстве платформ Fleet Management функционал предиктивного технического обслуживания и ремонтов.
Описывая роль цифровых двойников для расширения функционала прикладных платформ важно отметить, что одна из причин, почему на начальном этапе развития IIoT-платформ для транспортной отрасли не произошло разделение на базовые и прикладные платформы состоит в том, что функционал систем Fleet Management пока относительно прост. Как отмечено выше, подавляющее большинство платформ Fleet Management не имеет функционала для создания цифровых двойников объектов мониторинга и, как следствие, в таких платформах отсутствует предиктивная аналитика. В качестве основной аналитической функции реализована лишь оптимизация и оперативное перепланирование маршрутов, что не требует использования цифровых моделей объектов мониторинга – функцию цифровой модели выполняют цифровые карты, предоставляемые сторонними разработчиками (Google Maps и аналогичные).
Таким образом, не имеющий сложных цифровых моделей функционал Fleet Management может без особых дополнительных затрат быть реализован разработчиками базовых M2M-платформ, как самостоятельно, так и при помощи партнеров. Но показательно то, что даже такой относительно несложный функционал, доступный в прикладных платформах, дает разницу ARPU между базовыми M2M-платформами и прикладными более чем в 100 раз.
Рост проникновения технологий автономного вождения будет еще одним мощным драйвером расширения функционала платформ в сторону сложной предиктивной аналитики, что, в свою очередь, сформирует выраженную специализацию платформ и обеспечит формирование полноценных экосистем. Очевидно, что одним из видов таких специализированных платформ станут платформы для управления стаями (парками) грузовых БПЛА.
По оценкам J’son & Partners Consulting глобальный объем потребления сервисов облачных платформ M2M в части подключения устройств телеметрии объектов транспорта (М2М) и прикладных платформ, реализующих функционал систем Fleet Management, достиг в 2018 году $12 млрд, а темпы роста потребления в период 2014-2018 гг. составили 20% CAGR.
По итогам 2018 года в структуре глобального потребления рассматриваемых видов облачных IoT-платформ и приложений в денежном выражении на прикладные платформы Fleet Management приходилось 99%. Это связано с кардинально более высокой стоимостью функций прикладных платформ в расчете на подключенный объект.
В настоящее время ключевыми региональными рынками выступают Северная Америка (26%) и Европа (35%), вместе обеспечивающие более 60% глобального потребления функций облачных IIoT-платформ для транспорта. По прогнозам J’son & Partners Consulting в период 2018-2022 опережающими темпами будет расти рынок Юго-Восточной Азии.
В России потребление облачных сервисов интеграционных (M2M) и прикладных платформ в настоящее время практически отсутствует, составляя около 200 млн рублей ($3 млн) в год. Функционал сбора данных с подключенных объектов транспорта реализован преимущественно с использованием проприетарных on-premise систем Fleet Management, размер внедрения и техподдержки которых в 2018 году составил, по оценкам J’son&Partners Consulting, 11,4 млрд рублей без учета затрат на услуги связи.
Причины превалирования on-premise модели развертывания систем FleetManagementв России носят преимущественно экономический характер. Анализ мирового опыта использования приложений Fleet Management позволяет выделить следующие экономические эффекты от их применения:
Снижение удельного (на тонну-километр) расхода топлива за счет более оптимального планирования маршрутов (снижение перепробега и времени простоя с работающим двигателем) и контроля за манерой вождения.
Повышение времени нахождения автомобиля в исправном состоянии (uptime) и экономия на техническом обслуживании и ремонтах за счет удаленной диагностики технического состояния автомобилей и более оптимального планирования технического обслуживания и ремонтов.
Экономия на затратах на страхование автотранспорта и ответственности водителей за счет перехода на UBI-страхование с индивидуальным расчетом рисков – наличие и размер экономического эффекта кардинально различаются от региона к региону и зависят от местного законодательства и практики работы страховых компаний.
Для России два из трех указанных факторов, составляющих общий экономический эффект от использования функционала систем Fleet Management в мире, который, по некоторым данным, суммарно доходит $9 тыс. в год на грузовой автомобиль, не применимы. Актуален только фактор снижения удельного расхода топлива.
Так, повышение времени нахождения автомобиля в исправном состоянии (uptime), как правило, не приводит к увеличению удельного объема грузоперевозок ввиду крайне низкого уровня проникновения облачных систем автоматизации логистики, позволяющих транспортным компаниям получать заказы «на лету», и таким образом максимально эффективно использовать увеличенное время доступности грузовика для перевозок. Кроме того, получение заказов «на лету» актуально в основном для легкого коммерческого автотранспорта, работающего на «последней миле», и практически неактуально для «дальнобоев», заранее планирующих свои поездки и старающихся избегать изменения этих планов. При этом «последняя миля» обслуживается в России преимущественно внутрикорпоративным автотранспортом, использующим закрытые on-premise системы Fleet Management для планирования маршрутов.
Фактор прямой экономии на техобслуживании также не актуален в России ввиду высокого среднего возраста грузового автотранспорта (более 19 лет), который обслуживается преимущественно в «гаражных сервисах» с минимальной стоимостью нормо-часа и по графику, далекому от рекомендованного автопроизводителями.
Распространенный в мире, особенно в Северной Америке и Западной Европе фактор снижения стоимости страхования в России также не работает, поскольку на стоимость ОСАГО наличие телеметрии никак не влияет (для ОСАГО в России не предлагается UBI-страхование), а по КАСКО подавляющая часть грузового автотранспорта не застрахована. Кроме того, в России UBI-страхование КАСКО слабо развито даже для личного автотранспорта.
Единственный актуальный для России экономический эффект от использования приложений Fleet Management - удельную экономию топлива, необходимо учитывать по минимальной границе ввиду крайней неразвитости дорожной сети, особенно между городами, и, соответственно, ограничений по оптимизации маршрутов, крайне низкого качества дорог и высокого среднего возраста техники, что, в свою очередь, определяет неоптимальную манеру вождения. Причем сам фактор наличия автоматического контроля над водителем играет положительную роль только для коммерческих автопарков, и не работает в ситуации когда сам водитель является собственником грузовика, что распространено в России для тяжелых грузовиков «дальнобоев».
Проведенные J’son & Partners Consulting расчеты показывают, что средний уровень использования грузового автотранспорта не позволяет окупить стоимость использования облачных платформ Fleet Management. Это означает, что даже при существенном снижении стоимости подписки рынок для облачной модели в России ограничен интенсивно используемыми грузовиками большой грузоподъемности (20% от общего автопарка грузового и легкого коммерческого автотранспорта, составляющего около 7,7 млн. автомобилей), находящимися в составе небольших автопарков (единицы и десятки автомобилей).
При этом владельцы наиболее крупных автопарков в России, включающих грузовики всех размеров, используют on-premise модель развертывания систем Fleet Management.
