«Подстелить соломку»: как предиктивная аналитика помогает экономить производствам

Михаил Лифшиц, председатель cовета директоров АО «РОТЕК»

Несколько лет назад в Deloitte провели опрос среди топ-менеджеров крупнейших американских, китайских и европейских компаний из производственного сектора. Исследователи хотели выяснить, на какие технологии делают ставку руководители в своей стратегии развития. Респонденты из США и Китая поставили во главу угла предиктивную аналитику, а европейцы включили ее в первую пятерку. Популярность прогностических систем на предприятиях только растет, а вместе с этим растет объем сэкономленных за их счет средств. Поговорим о том, как именно производственные компании применяют «умные» прогнозы.

Инструменты для анализа конкурентной среды, вычисления производительности оборудования и прогнозирования спроса существуют давно. Даже самые ранние предшественники современных систем были полезны компаниям в решении их задач.

Серьезный толчок развитию этого направления дало появление алгоритмов обработки больших данных и систем анализа данных на основе машинного обучения. Объединенные сетью устройства и датчики стали поставщиками данных для анализа в реальном времени, а алгоритмы искусственного интеллекта позволили автоматизировать разработку вероятностных моделей.

В критически важных, в первую очередь, инфраструктурных отраслях предиктивные системы имеют особое значение из-за высокой стоимости ошибки. Простой на металлургическом заводе или электростанции может нести с собой миллиардные потери, не говоря уже о человеческих жертвах в чрезвычайных ситуациях. Аналитические инструменты дают возможность предсказывать вероятность наступления того или иного события, например, выхода из строя оборудования. Эта информация позволяет бизнесу перейти от модели устранения неполадок к модели предотвращения возможных проблем.

У предиктивной аналитики есть несколько распространенных сценариев использования в промышленности.

У любого оборудования есть плановый цикл обслуживания, который необходимо учитывать в рабочем процессе. Но это не панацея от аварий, которые влекут за собой срочный ремонт и простои машин.

Системы предиктивной аналитики ведут журнал событий, оценивают актуальное состояние оборудования по множеству параметров, сравнивают их с нормальными показателями, выявляют отклонения и заранее предсказывают потенциальные сбои.

Несколько лет назад на одном из объектов энергетической компании Duke Energy зафиксировали незначительное увеличение вибрации в работе паровой турбины. Предиктивная система в центре мониторинга электростанции «пришла к выводу», что аномалия связана с дефектом лопатки и проверка подтвердила прогноз. В Duke Energy считают, что раннее выявление проблемы позволило сэкономить компании свыше $4 млн.

Похожая ситуация произошла на станции британской EDF Energy. Здесь алгоритмы также выявили механическую неисправность в работе турбины раньше сотрудников. Своевременное устранение поломки сэкономило компании более миллиона долларов. При этом, по данным McKinsey, прогнозная модель обслуживания дополнительно сокращает время простоя оборудования на 30–50% и увеличивает срок его службы на 20–40%.

Простои — одна из важнейших, но не единственная причина денежных потерь на производстве. На общую эффективность непосредственно влияет качество продукции и работы производственной линии. Предиктивная аналитика помогает в оптимизации и этих составляющих.

В Mercedes-AMG с помощью предиктивной системы несколько лет назад сократили время проведения тестов двигателей на 94%. Большинство дефектов и сбоев в работе моторов выявляются в течение нескольких минут после начала тестирования. Однако инженерам Mercedesприходилось ждать окончания испытаний (они занимали час), чтобы проанализировать все результаты. Новая интеллектуальная система мониторила поведение двигателя в реальном времени и позволила завершать испытания досрочно — как только появлялась проблема. Это дало возможность высвободить дополнительные временные ресурсы.

Есть несколько моделей планирования производства. Одна основана на фактических заказах, а другая — на прогнозах: сколько товаров понадобится клиентам в конкретный период. Само по себе предсказание спроса не является чем-то новым, производственные предприятия всегда использовали данные предыдущих лет и рассчитывали объем выпуска продукции с учетом текущих трендов.

Предиктивная аналитика может расширить спектр учитываемых факторов и предоставить компаниям более точные результаты. Интеллектуальные системы способны учитывать погодные условия, поисковые запросы в интернете, а также значимые общественные события, например, праздники, чтобы составить максимально точный прогноз. Производителям пищевой продукции это помогает выпускать необходимое количество товаров, избегая возвратов. Энергетические компании используют эту информацию для планирования объемов потребляемых ресурсов.

Например, американской компании VELCO прогнозы погоды и спроса помогают обеспечить отказоустойчивость энергосистемы и спланировать производство возобновляемой энергии, которое сильно зависит от силы ветра или облачности. Похожие решения есть у шведской Vattenfall и датской Ørsted.

Прогнозирование применяется не только в энергетической сфере. Одна из крупнейших пекарен в Нидерландах, Bakkersland, использует систему искусственного интеллекта, чтобы определить оптимальный объем выпуска хлеба и выпечки для каждого супермаркета. Она анализирует исторические данные и меняющиеся ассортиментные предпочтения покупателей. Таким образом, Bakkersland производит необходимый объем продукции, и количество невостребованных товаров сводится к минимуму. В случае со скоропортящимся продуктом это — прямое снижение издержек для ритейлеров, что сказывается на их лояльности к производителю.

Предиктивная аналитика сегодня - уже не дань моде, а необходимый инструмент, который помогает в обслуживании оборудования, повышении его эффективности и прогнозировании спроса. Есть и другие сферы ее применения, например, управление ценообразованием и персоналом. В будущем число ниш для «умных» прогнозов будет расти, а предприятия будут двигаться в сторону максимальной автоматизации на основе предсказаний систем искусственного интеллекта. И данные для производств станут таким же ценным ресурсом, как потребляемое ими сырье.