Три уровня промышленной аналитики
От сбора данных до ИИ в управлении производством
Промышленные предприятия уже внедрили MES-, ERP- и SCADA-системы и накопили большие объемы производственных данных. Но во многих случаях эти данные по-прежнему не влияют на управленческие решения в моменте: причины простоев анализируются постфактум, а отклонения фиксируются с задержкой. Проблема сместилась от сбора данных к их использованию: информация существует, но остается разрозненной между системами и уровнями управления, из-за чего предприятия теряют скорость реакции. «Ъ-Технологии» разбирался, как промышленная аналитика проходит путь от разрозненных источников данных к архитектурам, где информация становится основой для оперативных решений, предиктивных моделей и ИИ-агентов.
Фото: Пресс-служба Норникеля
Фото: Пресс-служба Норникеля
Первый уровень: собрать и связать данные
На среднем производственном предприятии одновременно работают сотни датчиков и контроллеров. SCADA-системы фиксируют параметры техпроцессов, MES управляет производственными заданиями, ERP отвечает за закупки, логистику и финансы. При этом каждая система хранит данные отдельно — в собственном формате и с собственной логикой.
В результате руководитель производства часто не может быстро ответить на базовые вопросы: почему снизилась выработка в ночную смену, как на качество повлияла партия сырья или из-за чего вырос процент брака на конкретной линии. Данные существуют, но не формируют единой картины.
Проблема усугубляется тем, что значительная часть информации до сих пор собирается вручную. По данным Strategy Partners, 56% российских промышленных предприятий используют ручной ввод как основной способ сбора данных. Ошибки и потери возникают еще до того, как информация попадает в аналитические системы.
Дополнительное ограничение — разрыв между операционными технологиями и корпоративными ИТ-системами. Данные с промышленного оборудования зачастую остаются внутри производственного контура и не используются в бизнес-аналитике. В итоге инженеры, производственные подразделения и финансовые службы работают с разными наборами информации.
«Кто работал в смену, какова была выработка, каков процент брака по конкретной бригаде — эти данные нередко находятся в разных системах. Руководитель производства не может быстро сопоставить их между собой и понять причины отклонений»,— говорит Сергей Сошников, директор по развитию Yandex DataLens.
Именно поэтому первый этап промышленной аналитики не внедрение ИИ и не построение дашбордов, а создание единого слоя данных, где производственная информация становится сопоставимой и пригодной для анализа.
«Горнодобывающая промышленность — один из наиболее показательных секторов, где особенно заметен разрыв между накопленными данными и их реальной ценностью. Телеметрия оборудования, данные о качестве руды, маркшейдерские съемки и показатели обогатительных фабрик часто существуют в разных системах и форматах, поэтому их сложно свести в единую картину. Но когда это удается, эффект меняется. Когда геолог, технолог и диспетчер работают с одними данными, параметры добычи начинают влиять на последующие этапы переработки, а потери металла становятся управляемым показателем. В этом сквозном использовании данных и заключается основной эффект промышленной аналитики: даже рост извлечения на доли процента в масштабе крупного ГОКа дает сотни миллионов рублей дополнительного результата без расширения мощностей»,— приводит пример менеджер по работе с промышленными компаниями Yandex Cloud Артем Терновых.
Бизнес это понимает и смещает фокус. По словам начальника управления по корпоративной архитектуре «Норникеля» Александра Чуглина, «если еще несколько лет назад основной акцент в BI-системах делался на финансовой аналитике и консолидированной отчетности — прежде всего потому, что все необходимые данные можно было получить из учетных систем, то сегодня ситуация меняется». Развитие цифровых технологий и промышленной автоматизации позволяет получать значительно больше данных непосредственно с производственных процессов. Это открывает возможность принимать более комплексные и точные управленческие решения на основе аналитики, объединяющей данные сразу нескольких бизнес-функций. Сегодня вопрос перед отраслью — как выстроить аналитику так, чтобы данные превращались в управленческие решения — измеримые, своевременные и воспроизводимые.
Второй уровень: превратить данные в управленческий инструмент
После консолидации данных предприятия переходят к следующему этапу — аналитике производственных показателей и поиску отклонений в реальном времени.
На этом уровне компании начинают анализировать загрузку оборудования, процент брака, эффективность смен, расход сырья, причины простоев и др. Экономический эффект здесь обычно проявляется быстрее всего. По данным Deloitte, незапланированный простой обходится промышленным предприятиям в сумму от $50 тыс. до $260 тыс. за час, а в автомобилестроении потери могут достигать $2 млн. Предиктивное обслуживание оборудования позволяет снизить количество подобных инцидентов на 30–50%.
Производственная аналитика постепенно перестает восприниматься как ИТ-проект. Для предприятий это инструмент управления затратами и производительностью. Даже рост эффективности на 10% при выручке 5 млрд руб. означает сотни миллионов рублей дополнительного выпуска без расширения мощностей.
Раньше производственная аналитика часто работала по длинному циклу: подразделение формулировало запрос, аналитики готовили отчет, а решение принималось спустя несколько дней. К этому моменту ситуация на линии уже могла измениться.
Self-service подход сокращает этот разрыв. Руководитель смены или производственного участка может самостоятельно проверить нужные показатели, сравнить смены или найти отклонение по конкретной линии.
Эффект такого подхода хорошо заметен в компаниях с большим объемом операционных данных. Например, Melon Fashion Group, управляющая сетью более чем из 930 магазинов с оборотом 82 млрд руб., внедрила self-service аналитику на базе Yandex DataLens. Более 200 сотрудников работают с данными самостоятельно, при этом команду аналитики составляют четыре человека. Отчет по оборачиваемости товара, который раньше формировался до трех дней, теперь собирается за минуту, а кросс-брендовая аналитика сократилась с двух дней до десяти минут.
Хотя кейс относится к ритейлу, он показывает общий для разных отраслей эффект self-service аналитики: данные начинают использовать сотрудники, которые принимают операционные решения, а не только аналитические подразделения.
«За последние годы бизнес заметно сместил фокус с простого учета на прогнозирование и управление эффективностью производства. Для этого данные должны быть доступны там, где принимается решение»,— отмечает Александр Чуглин, начальник управления по корпоративной архитектуре «Норникеля».
Однако на этом этапе предприятия сталкиваются уже с другой проблемой: разрозненные данные необходимо не только объединить, но и правильно организовать.
Третий уровень: ИИ в производственном управлении
Следующий этап зрелости — предиктивные модели и ИИ-системы, которые способны не только анализировать данные, но и помогать в принятии решений.
Однако переход к этому уровню невозможен без качественного исторического массива данных. Предиктивные модели работают только тогда, когда система видит связь между параметрами оборудования, предыдущими инцидентами, действиями персонала и результатами производства.
Поэтому фундаментом для ИИ в промышленности становится единая архитектура данных. Одним из распространенных подходов считается «архитектура медальона», при которой данные разделяются на три уровня: бронзовый слой — сырые данные из SCADA, ERP и MES; серебряный уровень — очищенные и нормализованные данные; золотой уровень — бизнес-показатели и витрины для аналитики.
Такая модель позволяет не только хранить информацию, но и использовать ее для прогнозирования отказов оборудования, анализа качества продукции и подготовки управленческих рекомендаций.
Этот подход уже используют крупные российские промышленные компании. В ОМК данные с базовой автоматики, MES-систем и камер контроля качества собираются в единую платформу и привязываются к конкретной единице продукции.
Почему отрасль переходит к гибридной инфраструктуре
По мере роста объема данных промышленным предприятиям приходится решать еще одну задачу — где размещать аналитическую инфраструктуру.
Облачные платформы позволяют быстрее запускать проекты: компаниям не нужно закупать серверы и разворачивать собственные мощности до получения первых результатов. Это особенно важно на этапе пилотного тестирования аналитики и предиктивных моделей.
Собственный контур при этом остается критически важным для хранения чувствительных производственных данных и моделей, встроенных в ключевые бизнес-процессы.
В результате большинство крупных предприятий приходят к гибридной модели: часть аналитических сервисов разворачивается в облаке, а критически важные данные и производственные системы остаются внутри компании.
«Для промышленного предприятия важно быстро получить первый результат, но при этом сохранить контроль над чувствительными данными и ключевой инфраструктурой»,— говорит Сергей Сошников.
Что меняется для промышленности
Промышленная аналитика перестает быть вспомогательным инструментом для подготовки отчетов. Предприятия переходят к модели, в которой данные становятся частью ежедневного управления производством — от контроля качества и загрузки оборудования до прогнозирования простоев и поддержки управленческих решений.
При этом путь к ИИ в промышленности начинается не с внедрения моделей, а с более базовой задачи — объединения данных, которые годами существовали изолированно друг от друга.