Аналитик против рутины: как макросы и ИИ помогли сэкономить месяцы на проекте для промышленной энергетики
Меня зовут Алина, я системный аналитик. Я не занимаюсь разработкой профессионально, но однажды столкнулась с задачей, которую невозможно было качественно выполнить вручную за отведённый срок. Пришлось освоить VBA, подключить нейросеть и пересмотреть привычный подход к подготовке данных.
Проект, над которым работала команда, связан с созданием системы мониторинга уровня MES для энергетических комплексов. Это не просто набор красивых мнемосхем. Платформа в режиме реального времени отображает состояние трансформаторов, выключателей, разъединителей и других элементов оборудования, а также телеметрию и сигналы.
Информация поступает не напрямую от устройств. Сначала данные собираются в промежуточных системах-коллекторах, затем передаются в нашу платформу. Поэтому ошибка в структуре модели или неверно сформированный тег может привести не только к искажению отчётности, но и к опасным решениям на физическом объекте. Если диспетчер увидит неправильное состояние участка сети, сотрудник может приблизиться к оборудованию, которое фактически находится под высоким напряжением.
Контракт предусматривал завершение работ за шесть месяцев. При этом речь шла о масштабной цифровизации промышленной энергетики: в проект входили 12 дочерних и зависимых обществ, около 200 мнемосхем, десятки тысяч объектов и сотни тысяч параметров. При таком объёме ручная обработка превращалась в главный риск проекта.
От тегов к объектной модели
Современные системы мониторинга строятся не вокруг отдельных тегов, а на базе объектной модели. Она напоминает иерархическое дерево: оборудование находится в помещении, помещение входит в состав энергетического комплекса, комплекс относится к филиалу или организации. На каждый объект приходится множество атрибутов, а для измеряемых параметров дополнительно создаются уникальные теги.
В имени тега зашифрованы расположение объекта, его тип и назначение показателя. Одновременно необходимо описывать не только иерархию, но и электрическую топологию: узлы, связи, участки сети и их состояние. Получается двойная структура - организационная и физическая.
Платформа позволяет создавать объекты через административный интерфейс. Нужно открыть нужный раздел, выбрать родителя, указать тип, заполнить название, перейти на другую вкладку и настроить параметры. Для одного объекта процесс выглядит терпимо. Для десятков тысяч элементов он становится источником постоянных ошибок и огромных временных затрат.
Функция импорта из Excel частично решает проблему. Однако загрузить готовый файл - лишь половина дела. Сначала этот файл нужно сформировать: прописать строки, рассчитать имена, добавить атрибуты, создать теги и проверить взаимосвязи.
VBA-генератор вместо ручной подготовки
Я решила автоматизировать именно этап подготовки данных. Получился инструмент на базе Excel и VBA, который позволяет человеку заполнить только действительно важную информацию: структуру объектов, типы элементов и топологические связи.
Справочники, наборы атрибутов и правила формирования имён задаются один раз. После этого макрос выполняет основную техническую работу:
- формирует полные и сокращённые названия объектов;
- учитывает иерархию при построении идентификаторов;
- создаёт теги для нужных параметров;
- подготавливает загрузочные файлы в формате платформы;
- проверяет обязательные поля и связи;
- выявляет дубли, пропуски и ошибки в структуре.
По сути, аналитик работает с компактной таблицей, а не с огромным набором служебных строк. Это и есть практическая автоматизация бизнес-процессов для промышленной энергетики: специалист описывает содержание, а программа отвечает за повторяющиеся операции и соблюдение формальных правил.
При разработке я активно использовала нейросеть. Она помогала разбирать синтаксис VBA, предлагала варианты функций, объясняла причины ошибок и подсказывала, как улучшить проверки. Но полностью передать задачу искусственному интеллекту нельзя: бизнес-правила, формат импорта и особенности платформы требовали ручной проверки.
Подробнее о подходе к совмещению аналитической работы, макросов и нейросетей можно прочитать в материале о автоматизации подготовки данных для промышленной энергетики.
Динамические линии в Visio
Вторая проблема возникла при подготовке схем. На сотнях диаграмм требовалось добавить динамические линии, соединяющие объекты с учётом структуры электрической сети. Выполнять такую работу вручную было особенно неудобно: при изменении положения элемента соединитель приходилось перестраивать, а вероятность пропустить одну из связей оставалась высокой.
Для решения я написала макрос для Visio. Он анализировал подготовленные данные, находил соответствующие элементы и создавал соединения автоматически. В результате вместо многочасового редактирования схемы запускался один сценарий.
Такой инструмент не отменяет контроль специалиста, но переносит акцент с механических действий на проверку результата. Это важный принцип: автоматизация не должна скрывать ошибки, она должна делать их заметными до передачи данных в рабочую систему.
Что изменилось в результате
Главный эффект проявился не только в экономии времени. Автоматизированный процесс дал несколько дополнительных преимуществ:
- снизилось количество опечаток и расхождений в названиях;
- правила формирования тегов стали едиными для всех подразделений;
- повторные изменения можно выполнять без полного пересоздания данных;
- проверка структуры выполняется до загрузки в платформу;
- новые сотрудники быстрее понимают порядок подготовки информации.
По сути, разработка макросов для автоматизации отчетности и загрузочных операций стала частью более широкого подхода. Один и тот же принцип работает для таблиц, реестров, контрольных отчётов и файлов обмена между системами.
Почему аналитикам стоит использовать ИИ
Внедрение искусственного интеллекта в промышленность начинается не обязательно с масштабной платформы или отдельного центра компетенций. Иногда достаточно найти повторяющуюся операцию, описать правила и применить подходящий инструмент.
Нейросеть в такой работе выступает не автономным разработчиком, а помощником аналитика. Она ускоряет изучение незнакомого языка, помогает сформулировать алгоритм и быстро перебирает варианты реализации. При этом ответственность за корректность остаётся у специалиста, который знает предметную область.
Особенно полезен системный анализ и автоматизация проектов на стыке IT и промышленности. Здесь важно одновременно понимать бизнес-логику, структуру данных, ограничения платформы и реальные последствия ошибки. Именно сочетание этих компетенций позволяет превращать локальный макрос в устойчивый рабочий инструмент.
В дальнейшем такие решения можно развивать: добавлять журналирование операций, автоматические тесты, версионирование шаблонов, контроль изменений и интеграцию с корпоративными справочниками. Тогда разрозненные скрипты постепенно превращаются в единую среду подготовки и проверки данных.
Мой главный вывод прост: аналитик не обязан быть профессиональным программистом, чтобы автоматизировать рутину. Достаточно понимать процесс, выделить повторяющиеся действия, формализовать правила и не бояться экспериментировать. В проектах такого масштаба именно небольшие прикладные инструменты часто становятся основой для системного анализа и автоматизации проектов и помогают уложиться в сроки без потери качества.