72% руководителей промышленных предприятий считают, что значение комплексной аналитики производственных показателей гораздо выше, чем три года назад. Но только 17% руководителей смогли извлечь выгоду из анализа данных, то есть улучшить показатели. О причинах и моделях успеха сообщается в докладе Boston Consulting Group «Путь к передовому производству на основе данных».
Система управления данными на промышленном предприятии – это по сути своей система управления стоимостью. На сложном, географически распределенном производстве это экосистема в рамках холдинга. Следующий уровень охватит не только производство, но и партнеров: к функционалу добавится управление распределением товаров.
Предполагается, что глобальные системы помогут быстро формировать новые цепочки поставок. Фактически будет решаться сложнейшая задача устойчивости процессов – быстрая замена поставщиков, перестройка логистики, смена рынков сбыта.
Сегменты глобальной экосистемы на уровне компаний-участников смогут перестроить производство или процесс под новые стандарты – например, с учетом требований по сокращению выбросов углекислого газа. Однако это лишь перспективы.
Современные системы управления данными только учатся решать задачу управления стоимостью. Чтобы извлечь ценность из производственных данных, компаниям необходимо соблюдать три аспекта:
На пути к эффективному управлению данными компания проходит три этапа.
Сначала руководство с помощью точечных ИТ-решений изучает операционные показатели, выводит закономерности. Могут использоваться датчики, ERP-системы, MES. Рабочим инструментом аналитиков становятся BI-системы или даже Excel.
На предприятиях распределенных холдингов решения и методики могут внедряться без какой-либо единой стратегии. Фактически речь идет о ручном управлении отдельно взятым производственным процессом.
Пример старта – извлечение полезной информации
Анализ гранулометрического состава руды и детектирование негабарита на конвейере Стойленского ГОКа (НЛМК)
Требовалось повысить производительность одного из основных цехов комбината, сократить простои оборудования. Была и смежная задача: наладить оперативную обработку и аналитику большого объема цифровых данных.
На предприятии внедрили систему, которая включает машинное зрение и предиктивную модель анализа. В систему в режиме реального времени поступают изображение с видеокамеры, расположенной над конвейером, и технические показатели с датчиков на дробилках, мельницах, конвейерах и в бункерах.
Система формирует данные о распределениях руды по фракциям от 5 до 300 мм, моделирует внутренний слой руды, вырабатывает рекомендации по управлению дробилками и мельницами через интеллектуальный сервис «Советник».
В результате производительность выросла на 1,1%, общий объем выхода продукта увеличился на 1%. Время на аналитику сократилось с 2 часов до 0 минут.
Далее на основе информации за период прогнозируются производственные и финансовые показатели, спрос. На этом этапе компании используют предиктивную аналитику, алгоритмы машинного обучения получают доступ к данным.
Качество прогноза напрямую зависит от количества корреляций и объема данных, поэтому сбор информации постепенно распространяется на все производственные направления. Компании начинают с отдельных производственных единиц, получают быстрый результат, тиражируют внедрение.
В результате эффективность прогнозирования повышается за счет синергетического эффекта.
В холдинге появляются платформа данных и стандартизированные модели данных, увеличивается число сотрудников, взаимодействующих с системой.
Пример прогнозирования 1
Сбор и анализ агрометеоданных по заказу Министерства сельского хозяйства Алтайского края
Фермеры Алтайского края теряли до 30% урожая из-за отсутствия актуальных метеоданных, информации о распространении вредителей и другой важной для созревания агрокультур информации.
Минсельхоз края внедрил ИТ-сервис обработки агрометеоданных на базе региональной цифровой платформы АПК «ИС «РЕСПАК» и предоставил фермерам доступ к системе. Сельхозпроизводители стали получать информацию о заморозках, ливнях, граде, предупреждения о миграции вредных насекомых, расчет коэффициента испарения и транспирации ET, суммы эффективных температур.
Появилась возможность рационально планировать сельхозработы, прогнозировать развитие посевов, рассчитать нормы удобрений и средств защиты растений. Урожайность повысилась на 10–15%.
Пример прогнозирования 2
Централизованный контроль производства и отгрузки в ГК «Доброфлот»
Холдинг добывает, перерабатывает и хранит рыбную продукцию. Требовалось решить задачи контроля: на производстве – оценивать загрузку конвейера, выявлять неисправности, рассчитывать зарплаты; на складах – вести учет пришедших и отгруженных паллет.
На заводе по переработке рыбо- и морепродуктов в поселке Хомяково и в логистическом центре в Туле была установлена единая централизованная система видеоаналитики от компании Macroscop.
В результате появилась возможность точно учесть, сколько сырья переработал каждый сотрудник. На основе этих данных рассчитываются загрузка конвейера, зарплаты. Наблюдение за работой конвейера позволило быстро выявлять неисправности, устранять их. Сократилось время простоя.
На складах используется функция интерактивного поиска по приметам. Она позволяет в считаные секунды найти человека или объект по внешним признакам, например по цвету. Поиск в сочетании с межкамерным трекингом помогает разрешать спорные ситуации об объемах отгруженной продукции.
Данные с камер используются в управлении производством, логистикой, персоналом и службой внутренней безопасности. До 2023 года «Доброфлот» намерен подключить к системе восемь крупнейших объектов в Приморье, в том числе плавзавод «Всеволод Сибирцев».
Это решения верхнего уровня, глобальной экосистемы. Они действуют автономно и обучаются на основе накопленных и реальных данных от всех участников цепочки создания стоимости. Например, продавец повышает удовлетворенность клиента за счет понимания загрузки производства или скорости доставки. В результате вокруг данных формируются партнерства, новые связи и бизнес-модели.
Чтобы обеспечивать работу таких систем, требуются устойчивые связи между платформами данных, ИТ-приложениями. Системы должны противостоять дестабилизации, например кибератакам. Они должны работать и в режиме реального времени и автономно, поддерживать работу алгоритмов машинного обучения и визуализацию, в том числе дополненную реальность.
Конечно, участники цепочки создания стоимости должны быть заинтересованы в обмене данными. Также необходима соответствующая правовая база.
Понадобится и единая стратегия развития управления данными. Поскольку цепочки участников постоянно меняются, речь в первую очередь идет об отраслевой стратегии развития.
Пример автономной оптимизации на глобальном уровне
Умное управление энергией в компании Arçelik
Турецкий производитель бытовой техники использует данные от 400 датчиков и приборов для измерения энергии. «Цифровой двойник» завода автоматически настраивает освещение и оптимизирует работу систем кондиционирования воздуха и обогрева в режиме реального времени.
Система позволяет отследить потребление энергии и объемы производства, прогнозировать энергопотребление. В результате Arçelik сократил потребление энергии на 20%.
Сегодня все промышленные предприятия поняли ценность данных, но большинство находится на первом этапе внедрения точечных решений и не ощущает синергетический эффект.
Компании, которые успешнее конкурентов создают системы управления данными, применяют комплексных подход. Они не только внедряют ИТ‑решения, но и меняют организационный компонент. В результате организации получают наиболее эффективные системы и оказывают максимальное влияние на развитие отрасли, повышают конкурентоспособность за счет клиентоориентированности.
