Большие данные в государственном секторе

Big data для государства

Большинство российских ведомств уже накопили достаточно большие массивы данных и теперь могут использовать их потенциал для повышения качества принимаемых решений. За последние годы для повышения безопасности в России реализован ряд инфраструктурных проектов, которые связаны, в первую очередь, с установкой камер видеонаблюдения. Однако данные, поступающие с камер – это только один канал данных. Качественное повышение уровня безопасности требует перехода к про-активной деятельности, позволяющей спрогнозировать преступление и заранее спланировать распределение ресурсов для его предотвращения. Это возможно при анализе исторических данных о прецедентах для построения профилей риска – условий, при которых воспроизводится то или иное событие или совершается преступление. Построение таких профилей возможно с помощью моделирования зависимости между набором характеристик, описывающих объект, и исследуемым явлением^[1].

Например, в Лондоне пожарная служба использует социально-демографические данные для оценки и профилактики пожарных рисков. Такие показатели жителей как возраст, образование, доход, тип занятости, тип жилья и другие позволяют построить предиктивную модель, повышающую качество оценок риска пожара по районам города. Когда мэром Нью-Йорка стал Майкл Блумберг, подход к борьбе с пожарами тоже был «перезагружен»: для определения объектов противопожарных инспекций начали использовать профили риска зданий, разработанные на основе данных генплана, строительного, финансового и противопожарного департаментов.

Другая задача в области пожарной безопасности – географически оптимальное размещение ресурсов для ликвидации уже наступившего пожара. По накопленным данным, характеризующим выезды пожарной бригады на место пожара в прошлом, информации о пробках и доступности транспортных магистралей, осуществляется моделирование зависимости между географической удаленностью пожарной станции и временем, которое требуется бригаде, чтобы доехать до места пожара. Затем решается обратная задача: где должна быть расположена станция, чтобы соблюдались целевые показатели времени?

Еще одни пример – использование больших данных для профилактики преступности. На основе фактов совершенных преступлений разрабатывается график патрулирования местности. Своевременное наличие патрульной машины может помочь предотвратить преступление. Данные о количестве преступлений, их месте, времени, типе и числе пострадавших позволяют определить, сколько требуется машин, где и в какое время, а затем оптимизировать маршрут с учетом этой информации.

Также на основе социальных данных можно разработать профили риска детей, подверженных жестокому обращению. Эти профили позволяют идентифицировать семьи, в отношении которых требуется проведение профилактической работы.Дмитрий Бородачев, DатаРу Облако: Наше преимущество — мультивендорная модель предоставления облачных услуг

Аналитика на службе городской безопасности

Применение аналитики в области городской безопасности позволяет повысить эффективность уже существующих процессов – инспекций, патрулирования и других. Процесс управления совершенствуется непосредственно в организации, которая осуществляет управление. Решение на поверхности: данные уже есть, их нужно только добавить в анализируемый массив. Для этого не требуется дополнительных вложений в инфраструктуру.

Но оснащение городской инфраструктуры датчиками и ее технологическая модернизация позволяют вывести качество функционирования системы на новый уровень. Водоснабжение, электросеть, транспортную и другие системы оснащают датчиками, которые передают данные о работе конкретного участка системы. Датчик не взаимодействует с другими датчиками, как это происходит в концепции M2M, при которой вся логика обработки сигнала и алгоритмы управляющего воздействия «зашиваются» в непосредственно в устройство.

Основные отличия принципа работы М2М и интернета вещей (SAS)

Датчики нового типа, а точнее счетчики (smart meters), вообще ни с чем не взаимодействует, кроме центральной системы в которую они передают данные. Потоковые технические данные со всех счетчиков анализируют в режиме «скользящего окна», чтобы в онлайн-режиме выделить важную информацию для оперативного управляющего воздействия на систему. Обычно это предполагает выполнение простого набора функций, таких как поиск экстремумов за временное окно (максимальная температура воды в системе), агрегация (количество отпущенных кубометров), инкрементальное обновление метрик с поступлением новых данных (нет ли аномальных показателей за «окно»?). Наибольший положительный эффект достигается при возвращении этих результатов в хранилище данных и их дальнейший углубленный анализ в офлайн режиме.

Сочетание двух типов аналитики для обработки данных датчиков позволяет понять, что происходит с городской системой, какие операционные решения сейчас нужны, как реагировать на возникшие ситуации. Такая концепция называется интернетом вещей в городской инфраструктуре, позволяющим организациям увеличить прибыль за счет улучшения операционной эффективности, а потребителям сэкономить за счет оптимизации потребления.

IDC: ЖКХ в США в самом начале использования Big data

Компания IDC Energy Insights опубликовала весной 2014 года доклад, посвященный готовности коммунальных служб США к работе с технологиями Big Data. В рамках исследования IDC изучила работу 760 американских организаций, включая 59 компаний сферы ЖКХ с доходом более $500 млн. Цель доклада – помочь компаниям оценить свою степень готовности к работе с технологиями Big Data.

Эксперты IDC выделили ключевые критерии, по которым можно оценивать способность компании работать с технологиями Big Data. В докладе также содержатся рекомендации по улучшению ситуации с технологиями больших данных в этой индустрии в краткосрочной и долгосрочной перспективах.

Авторы доклада считают, что готовность к применению технологии Big Data складывается из пяти составляющих: желание, накопленные данные, адаптация технологий, отлаженные процессы и персонал. Успех компании в области больших данных в равной степени зависит от зрелости компании во всех этих областях.

По оценке IDC, коммунальный сектор находится на начальных стадиях освоения технологий Big Data. Так, готовность двух третей компаний к работе с большими данными IDC оценивает как «среднюю». «Низкую» оценку зрелости получило в четыре раза больше компаний, чем «высокую».

Сегодня Big Data и аналитика применяются в сфере коммунальных услуг для решения целого ряда задач. Эти технологии помогают оптимизировать производство энергии, операционную эффективность и работу с клиентами. Аналитика позволяет заблаговременно готовиться к отключениям, а также оценивать энергетический рынок, прогнозировать спрос и вести подсчет финансовых показателей.

2019: Московские власти закупают у операторов данные о перемещениях горожан

4 марта 2019 года стало известно о том, что московские власти уже несколько лет закупают у мобильных операторов данные о перемещении горожан. На основе этой информации мэрия меняет транспорт и инфраструктуру в городе. Подробнее здесь.

Смотрите также