Строительство без сюрпризов: как предиктивная аналитика снижает риски и затраты на стройке

Строительная отрасль годами остается в числе наименее эффективных с точки зрения соблюдения сроков и бюджетов. Согласно исследованию McKinsey «The Next Normal in Construction», 80% проектов в мире выходят за пределы изначально утвержденной сметы, а каждый пятый удваивает планируемые затраты.

Почему так происходит? Дело в традиционных подходах к управлению, построенных на статичных Gantt-диаграммах (которые визуализируют хронологию проекта) и ручном контроле этапов. Они перестают справляться по мере усложнения проектов и роста внешних факторов — постоянных колебаний цен на стройматериалы, перебоев в поставках и пр. Девелоперы все чаще «реагируют» на последствия вместо того, чтобы предугадывать риски. Здесь и приходит на помощь предиктивная аналитика. Она отвечает на вопрос «Что может произойти?» и помогают предотвратить эти проблемы.

В основе предиктивной аналитики — алгоритмы машинного обучения. Они анализируют тысячи исторических кейсов и строят несколько сценариев (оптимистичный, реалистичный, пессимистичный), учитывая самые разные параметры: погодные условий на площадке и стоимость дизельного топлива в моменте, производительность рабочих, а также поставки арматуры из конкретного региона.Ключевое преимущество подхода — способность выявлять слабые сигналы (малозаметные индикаторы), задолго до того, как они трансформируются в проблему.

Например, на основе данных о повышении цен на дизельное топливо в отдельном районе за последние три года, система может спрогнозировать рост логистических расходов в предстоящем сезоне. Далее она показывает, как этот скачок может привести к удорожанию доставки и, как следствие, — необходимости корректировки графика СМР (производства работ). Другой пример: повышение влажности осенью в конкретной геолокации системно снижает скорость кирпичной кладки на 18–22%. Следовательно, этап фасадных работ требует переноса или увеличения бюджета на бригаду.

Один из клиентов цифровой платформы Pragmacore — строительная компания, которая планировала завершить объект за 18 месяцев. Она обратилась к системе предиктивной аналитики для оценки финансовой модели проекта. Система сгенерировала три сценария — пессимистичный, оптимальный и оптимистичный — и во всех вариантах выявила риск сдвига сроков минимум на полгода из-за неучтенных факторов. Даже в наиболее благоприятном варианте проект выходил за рамки бюджета.

Вовремя полученный прогноз позволил пересмотреть ключевые параметры и адаптировать как график, так и бюджет. Без этого на старте реализации проект мог столкнуться с нехваткой средств уже в первый месяц и потребностью во втором раунде инвестиций на менее выгодных условиях. Благодаря корректировке команда избежала потерь и сумела снизить перерасход минимум на 10% еще до начала активной стадии стройки.

Несмотря на очевидные преимущества, предиктивная аналитика работает только при наличии достаточного объема структурированных данных. BIM-модели (информационные модели здания), цифровая фиксация этапов, подключение IoT-датчиков, автоматизация учета ресурсов и точное прогнозирование погоды — все это необходимо для того, чтобы алгоритм мог работать. Если данные отсутствуют или хранятся в разрозненных системах, эффективность резко падает.

Еще одна проблема — много подрядчиков с разным уровнем цифровой зрелости. Разнообразие используемых систем и форматов отчетности ведет к фрагментации данных и создает препятствия для их эффективной интеграции. А единые стандарты хранения, обработки и обмена данными — залог достоверной аналитики.

Перед девелоперами часто встает выбор: разрабатывать собственную систему предиктивной аналитики или внедрять готовую SaaS-платформу (программное обеспечение, размещенное в «облаке» и доступное онлайн). Первый вариант привлекателен с точки зрения кастомизации (продукт отвечает всем потребностям бизнеса), но требует колоссальных затрат. Только базовая версия системы, по нашим оценкам, обойдется в 70–90 млн рублей, без учета расходов на инфраструктуру, команду, обучение сотрудников и последующую поддержку. Процесс может занять более 12 месяцев и при этом не гарантирует достижение зрелой модели.

Готовые SaaS-решения выигрывают в скорости, стоимости и надежности. Средняя окупаемость при крупном проекте составляет около 12–15 месяцев. Кроме того, такие системы позволяют не тратить ресурсы на поддержку команды разработчиков и сосредоточиться на управлении проектом.

Рынок предиктивных решений быстро развивается, однако зрелых и проверенных платформ пока крайне мало. При выборе стоит ориентироваться на следующее: