航空行业运行领域大数据应用

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

5月26日,企业网D1net携手上海CIO联盟组织“上海CIO沙龙”活动,共同探讨了各行业新技术驱动新业务的信息化实践。

主持人:感谢听云王总的精彩分享,数据显示未来有30%的公司计划在12个月里采用大数据的技术,大数据的思想就是从数据中发现规律,利用数据驱动业务,实现精细化管理,降低成本,提高效率,在大数据的实践中突飞猛进的春秋航空已经拥有了大量的实践经验,也取得了许多的成绩,今天我们压轴的演讲就是春秋航空信息部副总经理马俊先生为我们带来航空运行领域的大数据,请大家掌声有请。

春秋航空信息部副总经理 马骏

马俊:各位同仁下午好,感谢范从邀请过来给大家做一个分享。我进入春秋也不久,我是2015年进入春秋的,但是在这个行业我做了将近有15年,所以我们今天是2个议题,一个是分析春秋航空在信息化建设的一个思路,第二个是航空行业在运行领域大数据的一些应用。刚才我听到了很多大家都在讲运销这块的东西,我们现在主要是讲一下航空运行的。

首先,打一下广告,欢迎大家乘坐春秋航空,我们是春秋集团下来模拟的全资子公司,第一家LCC航空公司,我们是2005年开航的,现在规模上星期达到70家,我们现在不仅仅有经济座,刚才我也交流一下,我们现在有商务经济座,希望商务人士都做,我们的位置也很宽,服务和全服务也一样。

我说一下架构,我说这个架构主要是我们有一个信息化委员会,这个委员会其实和公司整个的核心的机构委员会是平级的,为什么说这个?刚才很多同仁说一般来说信息化建设的产出按照比来说应该是利润的3%,其实现在都达不到,我们现在春秋航空1%都达不到,就近1%对这个投入,所以很多说互联网企业信息化离不开,但是真正到投资的时候到老板那,老板说能不能少一点,我们每年做预算的时候有一个口号,别砍我预算了,砍我吧。这都是痛点,对于这种传统行业,尤其在航空这一块来说我们的IT部不算是强势部门,是弱势部门,对于我们企业来说飞行、维修才是强势部门,我们在民航有一句口号是飞行是爷,维修是叔,不开飞机的爷,不修飞机的叔那整个公司就完蛋了。对IT来说是很被动的,所以我们在去年我们也是推动了这个,把正确的信息化联系起来,把这个作为王总是我们春秋的董事长他亲自主持的,邱总(谐音)今天本来也要过来的,他是我们整个春秋集团的CIO,管信息化这块,因为今天有事没有过来。我们目的是什么,我们会把它提升到每个月的工作例会都是由董事长来主持去解决我们信息化的问题,同时,我们也在去年还有一个转变,我们成立了一个叫产品部,产品经理可能在互联网很多,但是在我们传统行业我们也成立,为什么?因为很多的困惑,做IT的困惑很多都是问题驱动,还有业务和IT永远是两层皮,动不动就是业务说我给你说了几百遍了你还是不理解,IT说我跟你说了半天你也不懂,最后做出来的东西没有人用,这个我们专门做了产品部,把产品经营理念他们做什么,很简单,一做产品规划,第二我们所有的分析的业务的需求都会去做,但是最重要的还有一点就是和业务部门一起梳理它的流程,制定它的流程,这个是最关键的。我们对于他们来说,我们不要是他们成为技术专家,我们要求他成为业务专家以及流程专家,他们和业务的接触是很频繁的,甚至我们有一些产品都会到业务部门去。比如说我们收益管理部门,我们的产品经理到那空两条线没有关系,大家说有些航线就是亏的,让我们产品经理看一看,看他的业务怎么走的, 说不定我们比他们控得还好,因为我们会用我们更熟悉的产品去做。

第二我们说一下规划,其实大家都有,春秋这块也是有5年的规划,每年的年度计划这些大家都有,还是那句话我们现在做的系统,做的产品不是为了现在的是为了以后的,还有一点我们做这个系统一定不是本着我们公司在做,一定要做行业的。后面我会讲为什么做行业不是做公司的。第三我们这些规划一定是和业务的规划一起,我们做业务架构、产品架构、数据架构,我再说一下除了这些以外对我们的IT也有规划。在2015年在IT这块我们成立了两家公司,一家叫春之翼研发中心,为什么做这个?因为我们现在总共的信息化人员大概有600人,在整个的航空这还是规模比较大的,人体比达到1:8,我上个星期到上海他们的信息化和机动部门比才1:1,这块的成本是蛮高的,为什么有那么多人,因为我们的定位是很清晰的,我们是要做核心的产品,我们整个民航的核心产品我们要自建,但是其他的通用型产品我们欢迎我们和供应商一起来合作的,所以说我们一定要定位好。

为什么要定在重庆呢?因为我们也知道上海、北京、深圳互联网公司太多了,我们人流失率很高,我相信大家都有同感,现在我基本上说的一点每周都是(04:26:45)人员流失,每周招人,招也招不进来,所以我们在2015年在异地建了研发中心,现在基本上重庆我们已经达到260个人,1/3更多的一些我们已经移到了重庆,我们在上海这个码头我们没有竞争力,但是在重庆我们还是有竞争力的。

第二我们刚才说为什么不仅仅是要做公司的系统,一定要做行业的系统,我们也在2015年成立了一个要小翼科技公司,他的目的就是把我们好的一些产品也推销出去,也在我们的行业里面进行了应用,所以我们从甲方也变成了乙方,也成了一个供应商,我们为什么在自建我们自己产品的时候一定不要只盯着我们公司这一块,一定是在行业的,所以我们在2015年也做了这个。我们所有的业务核心,比如说我们是唯一一家,所以我们的离港、我们的定做都是自己做的,我们的运行系统,包括我们运控的,包括安全的,包括维修的也是自己做的,但是这些通用的产品比如说像ERP这些都是和别人一起合作的。所以我们一定是要做行业的产品,一定要对有一定的规划,不光是产品的规划,还有组织架构以及未来发展的规划。

还有一块我们把运营指标也引入进来,以前RY,做什么RY,但是说句实话到事后的审计有吗?不多,而且事后审计的也不多,所以说我们后续我们在做立项的时候我们可能是要对着RY看OI,所以真正到落地以后我们也有审批,但是我们把它弱化,现在就是我们把互联网的产品的运营理念也把它转换到我们企业内部的里面来,我们的目的就是推动业务的使用,目的就是怎么完善我们这个产品通过这个指标,然后我们去驱动业务进行它的一些变化,IT和业务其实是不可分的,再好的技术,再好的产品做出来没有人用,或者说整个流程也没有。因为中国人比较固化,你没有条条框框他就不按你这个出牌,再好的东西也没用,所以流程和IT是非常紧密的,所以我们的产品经理为什么说我们上升到职能,最主要的职能是做流程的改正和优化和业务的问题,只有产品做出来加上我们有流程的保障,我们的产品才能够是一个好的产品。在我们十年的运营过程中其实我们遇到很多坎坷的东西,这都是总结出来的。

后面说了那些思路,我们再说说整个大数据,其实都是在建,数据中心大家都在建,但是真正需要识别的是这个行业,大数据的点在哪,不是说建一个数据中心,把所有的数据抽过来做一个分析就OK了,对于民航来说我个人认为大数据就2个,一个是旅客情况分析,一个是风控的行为分析。旅客的行为分析大家都在做,千人千面,旅客的标签在营销这块用了很多,我不多说,我现在主要说一下运行飞机行为的分析,飞机整个的全过程其实有记录的,我相信说到飞机行为分析大家都会想到一个词叫黑匣子。

黑匣子大家都不陌生,出了灾难大家首先想到它,去哪找它,它是叫航空飞行记录器,或者说事故之前大概25小时所有飞机上的一些行为轨迹,它的原理是什么呢?所有的飞机有很多仪表,很多传感器他们会定时把这些参数全部汇总到这个地方,出了事以后找到这块我们进行译码恢复,但是其实我们所有的飞机的过程行为分析并不是用这个,因为这个是一个基本上除了出事才用的,平时是不用的。那我们怎么来分析整个飞机的行为轨迹呢?我们是用了这个,快速存储记录器,这个东西其实原理和黑匣子一样,只是他没有黑匣子,黑匣子还有会把机长或者是地对空的通话录音记下来,但是它的范围比黑匣子要大的,它的记录会达到600小时,它是很方便的东西,一般存储器就是一个光盘,放在飞机的前部的,定时我们维修人员上去把它拿下来,进行整个的译码。现在整个飞机上能够译出来的大概是2000多个参数,我们说为什么是大数据的应用,整个是70架飞机,我们是大概欲增1/8秒,我们一个月大概500期的数量级,但是它最精确的会达到1/4秒,这个是海量级的数据。反过来说这个数据我们用了多少,很可惜现在2000多个数据我们能用到的只有200多个,整个对航空来说这块是一个金矿,就看谁来挖,包括机翼专门成立了一个公司专门做这些,但是它的分析,怎么落地、应用还是需要一个过程的,因为你这个译码专门有译码公司译出来,但是译码完了之后这个数据怎么用,就是要考验各个业务去分析场景的。

我们通过QI这个分析我们了一些初步的都是,比如说我们业务的应用,飞行员的一些品质,我们可以通过这个译码知道它的整个飞行、着陆这些状态和知识,他有一些不合规的我们可以提出来进行一个专项的培训,提高他的安全水平。甚至我们经常所谓叫重着陆,大家坐飞机的时候一下就下去了,我们叫重着陆,这个也是通过分析进行一个训练,就是说我们把整个的姿态以及他的操作完全可以模拟出来,给到训练部门加强训练。

第二我们的一些节油,我们今天主要是讲这块,所有的飞行其实不是像大家想象的,上去开就可以了,就像汽车一样,踩油门上,在飞行的过程中我们第一步是要做飞行计划,不是乱飞的,天上也有马路的,不是说你想飞就飞的,经常为什么说空管时刻那些,其实我们的空间是开放是不足的,所有的这些我们都要根据指定的航路来飞的,所以每一次我们都要做飞行计划,我们从哪个点到哪个点。有点像高速一样,我们从某某地方上G50,某某地方下,这个是一样的。一开始制定飞航计划,通过距离,通过载量计算出我要加多少油,当然我们会有一些余量。但是油的成本,大家知道在航空公司油的成本接近30%,你只要在这上面做了一点点的一些节约,对公司来说成本就是逐步下降,所以我们在这块也通过QI的分析我们会把这个数据取出来,我们可以看到蓝色就是我们的飞行计划,在做计划的时候要求飞行员这样飞的。橘黄色就是通过QI这个数据去分析每一条,或者是每一次航班所飞的轨迹,我们可以看到很多都是沿着飞行计划飞,但是未必是按照飞行计划来飞的。所以我们可以看到中间的这块,实际是这样,他经常是这样,就说明这一块其实可能我们的油是加少了的,因为我们是按照这个来飞的,但是这个距离拉长这个油是少了的。这块我们可以看到是叫直飞,直飞的比率是很高,就说明这个是可以节油的,通过这块我们可以提高安全,我们可以建议在飞行员飞的时候身体航路的时候我们建议他多加油,这一块我们可以建议他在飞行航路的时候,我们申请直飞,这样即节约时间,又节约燃油成本。之前是不知道的,之前财务说这个航班怎么回事,上个月5万,这个月8万,怎么办?没有数据,不知道怎么说,吵吵闹闹,通过这个数据我们即能把这些讲清楚,又能给出一些方案,但是这个东西我们说了,做完这个并不是说真正就能落地了,为什么?我们等会儿说。

第二个高度层,我们知道飞得越高阻力越小,越省油,但是飞机不是你想飞多高就要飞多久的,一是重量,二是它的推力,你的载重和推力,为什么说大飞机可以飞得高一点,因为它是4发,小飞机为什么低一点,因为它只有双发,所以不是你想飞就飞的,还是一样,蓝色是我们做飞行计划时的高度抛面,其实我们运控人员其实开展蛮累的,一个航班要做飞行计划,要做高度坡面,其实做的事情还蛮多的。我们可以分析,我们集中红色的点大部分人员是飞的这个高度给到运控一个建议,运控也知道飞行员去做相应的调整,达到我们节约的目的。当然还是那句话上了飞机机长说了算,如果机长不愿意也只能按照他来飞。所以这块除了直飞以外,高度层也是节油这一块,我们做大数据主要是做精细化管理,把这个数据拿出来和业务一起进行分析。

我们把这个数据拿出来以后我们可以看到抛面的给他所有的数据,我们可以看到这一块75%是没有按照飞行计划来做的,我们看到这一块很多差异、匹配不上的,我们可以给他把这个航线拉出来,甚至我们把飞行员拉出来,哪些飞行员老不按照这个飞,老是乱飞,老是飞得油耗很多。

第三我们在最开始的时候,我们给所有的飞行员鼓励他飞的时候我们有一个CI成本指数,我们是通过每条航线,我们的燃油做了CI指数,在所有的飞机上,他的空客也好,波音也好,是有软件的,他会计算出这个值,我们的目的是把所有的定了一个燃油CI值以后,我们和它实际的CI值做一个比,绿色的基本上按这个CI值走的,这个是最节省的,红色的就没有按照这个CI值走,这个CI值并不是我们想要达到或者不达到的,它是一个区间,比如说CI值是10,只要在这个区间范围里面我认为它都是比较好的,并不是一定要达到,它是一个范围。

说了这么多为什么做这些,为什么说做了这些也未必能实行下去,未必能给公司真的节约成本,因为我们现在下面,可以看到整个的体系需要那么多流程去保障它,你分析完这些东西我运控不去改这个飞行计划有用吗?没用,我飞行员不去飞,有用吗?没用。为什么说整个的IT和业务流程一定要结合起来,就是这个原因,因为任何一个产品,任何一个IT的东西都是和业务的流程息息相关的,IT可以改变业务,但是你一定是要同时改变业务的流程,而不是说我有一个东西可以让你比如说我的收入增加或者是我的成本下降,但是我没有流程你根本没有办法落地,你如何落地就是要流程跟上,所以我们的产品经理在做产品规划的时候同样把我们业务人员把流程梳理好,梳理好以后我们有专门的流程部门进行发布。

上面这张是刚才我提到的,我们整个的QR的分析其实我们还是一种很浅的,2000多个参数里面我们只是分析了200个,我们可以有很多的这些空间去挖掘,我觉得我们首先要把我们每个行业我们真正的做大数据分析,真正做精细化管理,真正给公司带来价值的我们要识别出来,然后逐步去做,因为这个不是一朝一夕的。

主要的就是分析数据,整个的刚才提到的,一是具体的几个航班,第二具体的某个人,不可能所有的航班都去改变,不可能所有的人都去纠正,我们要集中这几个航班,集中这几个人我们才能把这个落地。

第二个是落政策跨部门,跨系统协作,这个一定是IT和业务一定是紧密的,IT和业务一定是螺旋上升的趋势,IT和业务一定要紧密的去实施这个才能落地。我们刚才提到的除了产品经理到业务部门以外,我们现在也有很多产品就是从业务过来的,我们就把这个打通了,整个公司在政策上允许我们这样做。

本文转自d1net(原创)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
1月前
|
SQL 存储 分布式计算
ODPS技术架构深度剖析与实战指南——从零开始掌握阿里巴巴大数据处理平台的核心要义与应用技巧
【10月更文挑战第9天】ODPS是阿里巴巴推出的大数据处理平台,支持海量数据的存储与计算,适用于数据仓库、数据挖掘等场景。其核心组件涵盖数据存储、计算引擎、任务调度、资源管理和用户界面,确保数据处理的稳定、安全与高效。通过创建项目、上传数据、编写SQL或MapReduce程序,用户可轻松完成复杂的数据处理任务。示例展示了如何使用ODPS SQL查询每个用户的最早登录时间。
95 1
|
1月前
|
存储 分布式计算 druid
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
58 1
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
|
1月前
|
分布式计算 大数据 Java
大数据-86 Spark 集群 WordCount 用 Scala & Java 调用Spark 编译并打包上传运行 梦开始的地方
大数据-86 Spark 集群 WordCount 用 Scala & Java 调用Spark 编译并打包上传运行 梦开始的地方
25 1
大数据-86 Spark 集群 WordCount 用 Scala & Java 调用Spark 编译并打包上传运行 梦开始的地方
|
1月前
|
SQL 分布式计算 NoSQL
大数据-170 Elasticsearch 云服务器三节点集群搭建 测试运行
大数据-170 Elasticsearch 云服务器三节点集群搭建 测试运行
41 4
ly~
|
1月前
|
供应链 搜索推荐 安全
大数据模型的应用
大数据模型在多个领域均有广泛应用。在金融领域,它可用于风险评估与预测、智能营销及反欺诈检测,助力金融机构做出更加精准的决策;在医疗领域,大数据模型能够协助疾病诊断与预测、优化医疗资源管理和加速药物研发;在交通领域,该技术有助于交通流量预测、智能交通管理和物流管理,从而提升整体交通效率;电商领域则借助大数据模型实现商品推荐、库存管理和价格优化,增强用户体验与企业效益;此外,在能源和制造业中,大数据模型的应用范围涵盖从需求预测到设备故障预测等多个方面,全面推动了行业的智能化转型与升级。
ly~
101 2
|
1月前
|
SQL 分布式计算 大数据
大数据-168 Elasticsearch 单机云服务器部署运行 详细流程
大数据-168 Elasticsearch 单机云服务器部署运行 详细流程
54 2
|
1月前
|
消息中间件 监控 Java
大数据-109 Flink 体系结构 运行架构 ResourceManager JobManager 组件关系与原理剖析
大数据-109 Flink 体系结构 运行架构 ResourceManager JobManager 组件关系与原理剖析
66 1
ly~
|
1月前
|
供应链 搜索推荐 大数据
大数据在零售业中的应用
在零售业中,大数据通过分析顾客的购买记录、在线浏览习惯等数据,帮助零售商理解顾客行为并提供个性化服务。例如,分析网站点击路径以了解顾客兴趣,并利用历史购买数据开发智能推荐系统,提升销售和顾客满意度。此外,大数据还能优化库存管理,通过分析销售数据和市场需求,更准确地预测需求,减少库存积压和缺货现象,提高资金流动性。
ly~
297 2
ly~
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
大数据在智慧金融中的应用
在智能算法交易中,深度学习揭示价格波动的复杂动力学,强化学习依据市场反馈优化策略,助力投资者获取阿尔法收益。智能监管合规利用自然语言处理精准解读法规,实时追踪监管变化,确保机构紧跟政策。大数据分析监控交易,预警潜在违规行为,变被动防御为主动预防。数智化营销通过多维度数据分析,构建细致客户画像,提供个性化产品推荐。智慧客服借助 AI 技术提升服务质量,增强客户满意度。
ly~
112 2
ly~
|
1月前
|
供应链 监控 搜索推荐
大数据的应用场景
大数据在众多行业中的应用场景广泛,涵盖金融、零售、医疗保健、交通物流、制造、能源、政府公共服务及教育等领域。在金融行业,大数据用于风险评估、精准营销、反欺诈以及决策支持;零售业则应用于商品推荐、供应链管理和门店运营优化等;医疗保健领域利用大数据进行疾病预测、辅助诊断和医疗质量评估;交通物流业通过大数据优化物流配送、交通管理和运输安全;制造业则在生产过程优化、设备维护和供应链协同方面受益;能源行业运用大数据提升智能电网管理和能源勘探效率;政府和公共服务部门借助大数据改善城市管理、政务服务及公共安全;教育行业通过大数据实现个性化学习和资源优化配置;体育娱乐业则利用大数据提升赛事分析和娱乐制作水平。
ly~
391 2