ENGСергей Котик — директор по развитию компании GoodsForecast
Современные математические алгоритмы могут кардинально улучшить планирование продаж, оптимизировать производственные линии, вывести на принципиально новый уровень процессы обслуживания производственных мощностей. Рассмотрим пять основных бизнес-процессов промышленного предприятия, которые можно отладить с помощью внедрения математических моделей.
Планирование продаж
Планирование продаж и операций сегодня является одной из главных задач современного промышленного предприятия. Качественное прогнозирование спроса позволяет строить тактические и оперативные планы, по которым будут слаженно работать все подразделения компании. Классические модели прогнозирования обычно основываются на исторических данных о том, как продавался товар раньше, и различных факторах, которые могут повлиять на спрос в будущем. Причем, помимо настройки алгоритмов, очень важно правильно выстроить сам процесс планирования в компании, чтобы учесть факторы, которые влияют на спрос, но либо еще не представлены, либо в принципе не могут быть представлены в виде формализованных данных. Учет подобных факторов достигается с помощью экспертных корректировок прогноза. Например, при проработке плана на 12 месяцев вперед алгоритмическая модель построила прогноз, что будет продано 100 тонн товара. Маркетолог анализирует полученный результат и говорит: через месяц мы запустим крутую рекламу, о которой пока нет данных в информационных системах компании, но бюджет на нее уже обещали выделить, и она точно будет, поэтому вместо спрогнозированных 100 тонн сможем продать еще 50 сверху. А менеджер по работе с ключевыми клиентами в свою очередь корректирует прогноз по контрагентам, так как уже почти договорился об увеличении объема поставок, что позволит продать еще на 20 тонн больше.
Современные алгоритмы машинного обучения при правильном подходе к выстраиванию процесса планирования и настройке моделей дают возможность существенно улучшать точность прогнозирования. Учет сезонности, трендов, влияния промоакций, погоды и других факторов сегодня вовсе не является чем-то из области фантастики: предиктивные модели позволяют добиваться значимых результатов.
Оперативное планирование производства
Краткосрочное рутинное планирование производства — другая важная задача любого промышленного предприятия. Допустим, стратегию выпуска определенного объема товара на ближайший год вы сформировали. Но для ее реализации нужно еще и правильно спланировать каждый день выпуска продукции. Как оптимизировать производственные линии? Какую продукцию производить с утра, а какую — вечером? Как эти задачи увязать, скажем, с наличием на складе нужного сырья? Тут снова приходят на помощь математические алгоритмы — оптимизационные модели. Их настраивают на основе значимой для каждого конкретного производства информации о наличии сырья, стоимости ресурсов, штрафов за недопоставки, стоимости переключений производственных линий и т.д. Обычно решается задача максимального покрытия спроса с минимизацией издержек, но могут быть и другие стратегии.
Модель просчитывает варианты и выдает наиболее оптимальный из них: допустим, с 10 до 11 утра на линии нужно производить ванильное мороженое, с 12 до 15 выпускать шоколадное, а с 16 и до закрытия — крем-брюле. Подходы к решению подобных оптимизационных задач могут быть разными: от достаточно простых переборов с некоторыми логическими ограничениями до сложных моделей, учитывающих большое количество параметров. Тем не менее благодаря внедрению алгоритмов машинного обучения производственные компании могут снизить издержки более чем на 20%.
Оптимизация логистики
Мало товар произвести — нужно его еще вовремя доставить клиенту. Эффективность логистических цепочек также можно повысить с помощью математических алгоритмов. Математика позволит оптимизировать маршрут, просчитать, как выгоднее спланировать поездку. Затем алгоритм даст возможность заранее сформировать погрузку, чтобы при заезде на первую точку товар лежал «с хвоста» и далее груз было удобно передавать клиентам по маршруту. В оптимизационную модель можно заложить ограничения, связанные с обязательствами по времени доставки, возможные штрафы. Можно учитывать различные параметры, например температурные режимы для различных товаров, типы транспорта, подходящие для определенного клиента. Или решать задачу выбора оптимального способа доставки (автотранспорт, водные пути, авиатранспорт, железные дороги) под заданную стратегию: минимизация издержек, максимальная скорость доставки, минимизация штрафов за невыполнение обязательств и т.д.
Предиктивное обслуживание производственных мощностей
Революционные изменения математические алгоритмы приносят в сферу технического обслуживания и ремонта оборудования. Модели predictive maintenance позволяют существенно сократить расходы на регламентные работы и предотвращают убытки от поломок. Допустим, у нефтяников глубоко под землей работает бур. Если он сломается в скважине, это повлечет за собой большие убытки. Компания всеми силами старается предотвратить поломку: существуют нормы частоты проверки бура — его периодически извлекают, производят осмотр, потом снова запускают. Останавливать добычу дорого, поэтому сейчас на бур устанавливают множество датчиков, которые следят за скоростью вращения, звуком, вибрацией и другими параметрами. Для обработки данных разрабатываются алгоритмы, которые оценивают риск поломок. Таким образом, математика уже сегодня позволяет существенно снизить расходы на обслуживание промышленного оборудования, если правильно собрать и интерпретировать данные о его работе.
Оптимизация состава продукции
Наконец, еще одно важное направление работы математических алгоритмов в промышленности, — это оптимизация состава изделия. Одна российская металлургическая компания не так давно заявила, что специально созданные под ее задачи алгоритмы позволили существенно снизить себестоимость производственного процесса с точки зрения оптимального подбора рецептуры. Действительно, производство многих продуктов, в том числе стальных сплавов, — весьма сложный физико-химический процесс: готовый сплав состоит из большого числа компонентов. Ежедневно ситуация на рынке сырья меняется: какая-то руда дорожает, где-то можно использовать более дешевое сырье и химическую добавку, которая определенным образом влияет на характеристики продукта, и т.д. Все эти данные можно учитывать в математических моделях и в результате оперативно оптимизировать производственный процесс, а продукцию выпускать по минимальной себестоимости.
Описанные выше задачи — лишь немногие примеры того, как можно эффективно использовать машинное обучение в промышленности. Искусственный интеллект проникает в различные сферы нашей жизни, и производственные процессы не остаются в стороне.
