Внедрение цифрового двойника в управление таксомоторным парком из 100 автомобилей показало экономический эффект в размере 3–5 млн рублей ежегодно благодаря оптимизации логистики, снижению расхода топлива и предиктивному ремонту.

Пилотный проект внедрения цифрового двойника для управления таксомоторным парком показал экономический эффект в размере 3–5 млн рублей ежегодно на парк из 100 автомобилей за счёт оптимизации логистики, снижения расхода топлива и внедрения предиктивного ремонта. Алексей Костенюк, руководитель направления «Цифровой транспорт» в СберМобайле, подробно разобрал этот опыт на отраслевой конференции «Цифровизация транспорта».

В начале своего выступления эксперт обозначил парадокс: несмотря на высокую цифровую зрелость агрегаторов такси, операционная деятельность самих таксопарков остаётся зоной роста. Ключевые проблемы отрасли — высокая волатильность спроса, кадровые сложности, трудности в управлении автопарком и давление на маржу со стороны регуляторов. Цифровой двойник становится инструментом перехода от реактивного к проактивному управлению, позволяя моделировать поведение бизнес-процессов в режиме, близком к онлайн.

Костенюк подчеркнул важность терминологии, призвав не путать цифровой двойник с цифровой тенью. «Если грубо и кратко, то цифровой двойник — это динамичная виртуальная копия физического актива и системы, которая объединяет данные из множества источников», — пояснил он. Такая система обучается на исторических данных с помощью машинного обучения и позволяет проводить симуляции сценариев по принципу «а что если» без риска для реального бизнеса.

Эксперт детально остановился на специфике российского транспорта, которую необходимо учитывать при построении цифровых двойников. Первая особенность — разрозненность и гибридность автопарков, где европейские производители были заменены на партнёров с Востока, что привело к разным уровням оснащения даже внутри одного модельного года и разным формам владения транспортными средствами. Вторая ключевая специфика — высокая зависимость от человеческого фактора. Для её нивелирования создаётся цифровой двойник водителя, который оценивает надёжность, безопасность и клиентский сервис.

Отвечая на вопрос о данных для обучения моделей, Алексей Костенюк подтвердил актуальность тренда на использование синтетических данных. «Хороших данных и информации, структурированных по R&D модели, как раз недостаточно», — констатировал он. По его словам, в работе с одним из клиентов компания использовала обезличенную выборку за два предыдущих года, которую можно считать синтетической.

На вопрос Дмитрия Сергеевича из Центра КАМАЗа о реальных примерах предиктивной аналитики Костенюк привёл конкретный кейс. Клиент, предоставивший данные по моделям Gazon Next и Gazelle Next за два года, получил модель, которая выдаёт спецификацию предстоящих затрат в двух форматах.