Расскажем, как использование статистических моделей заметно сократило время ремонтов стана и на четверть снизить внеплановые простои.
Благодарим редакцию газеты «Металлург» за предоставление данного материала.
Информацию о промышленных процессах можно использовать для снижения себестоимости и одновременного повышения эффективности производства.
Статистический анализ — это не просто сбор цифр, а система научно обоснованного мышления, которая позволяет находить, оценивать и предотвращать потери в бизнесе, производстве и логистике. Он заменяет интуитивные догадки точными, измеримыми выводами и переводит борьбу с проблемами из «аварийной» ситуации в управляемый и прогнозируемый процесс. В условиях современной металлургии, где каждый процент роста эффективности приносит миллионы рублей экономии, такой подход становится не просто полезен — он жизненно необходим.
Кроме портала, мы предлагаем вам и альманах «Управление производством». Все самое интересное и уникальное мы публикуем именно в нем. 300+ мощных кейсов, готовых к использованию чек-листов и других полезных материалов ждут вас в полном комплекте номеров. Оформляйте подписку и получайте самое лучшее!
На практике работу с данными следует начинать с постановки правильных вопросов, тогда вместо лихорадочной реакции на каждое отклонение у вас будет инструмент, которым можно проверить, с чем вы столкнулись. Ведь статистика больших данных помогает понять, на какой отметке расположен «нормальный» уровень. Например, если бракованных деталей больше обычного, нужно ли бить в набат или отклонение в пределах нормы — ответит статистика. То же с вопросом «где скрыты 20% причин, которые порождают 80% потерь?», на который невозможно ответить, если у вас нет наблюдений процессов за достаточно продолжительный период. И важно, что заложить в модель можно любые факторы: химический состав сырья, режим работы агрегата, квалификацию оператора, чтобы понять, который из них статистически значим для конечного результата.
«Кажется» — не аргумент, нестатистические подходы часто зависят от субъективного мнения и фразу: «по нашему мнению, проблема в новом поставщике» нужно статистически обосновать. Это добавит доводу объективности, уберёт когнитивные искажения и позволит действовать проактивно, обнаруживая негативные тренды до того, как они приведут к крупным убыткам. А это уже прямой путь к эффективному использованию ресурсов через измеримые результаты.
Кто превращает данные в решения? В современном производстве, в частности, в такой сложной отрасли, как металлургия, эту роль выполняет аналитик. Такой специалист работает на стыке технологии и математической науки, и его задача — выявить причинно-следственные связи, которые можно использовать для постоянного улучшения процессов.
Работа аналитика подразумевает балансировку производства с учётом двух важнейших аргументов: эффективности (себестоимости) и надёжности. Первый аргумент позволяет оптимизировать расход материалов, скажем, так подобрать состав шихты, чтобы максимизировать выход годного чугуна. Здесь же — снижение энергопотребления агрегатов и минимизация брака на каждом переделе. Второй показатель включает в себя анализ стойкости оборудования в межремонтные периоды и прогнозирование отказов на протяжении всего их жизненного цикла.
Пример системного внедрения этого подхода на Уральской Стали — создание внутри дирекции по развитию бизнес-систем (ДРБС) службы управления результативностью. Её главная задача — сделать непрерывное улучшение измеримым и управляемым на всех уровнях предприятия.
Работа службы подразумевает подготовку и структурирование области анализа: совместно с заказчиком эксперт определяет объект изучения, это может быть процесс, его часть или функция работника. Затем под задачу он собирает и систематизирует имеющиеся данные, согласуя цели и границы анализа с руководством. Этот этап можно считать ключевым: без чёткого понимания, что анализировать и зачем, даже самые совершенные подходы не принесут результата.
Далее — фаза построения модели влияния на ключевые показатели. Для этого специалисты вычленяют и картируют факторы, выстраивая целевые метрики: затраты, время, качество. Находят взаимосвязи и намечают «точки сборки» данных, чтобы приступить к финальному этапу — выявлению ключевых факторов и «узких мест». Собранные к этому моменту сведения уже позволяют оценить каждый аргумент количественно и качественно, и ранжировать его по степени влияния на процесс. В итоге перед нами модель, которая предлагает сосредоточить усилия на том, что действительно важно, а не на том, что бросается в глаза.
Полный цикл анализа в службе управления результативностью ДРБС занимает от двух недель до двух месяцев, этот срок зависит от глубины проработки вопроса. За это время команда успевает детально разобрать проблему и сформировать гипотезы по её решению, оценить экономический эффект и подготовить пакет рекомендаций для внедрения. И на выходе заказчик получает инструмент, который позволяет сразу перейти к проверке экспертных выкладок практикой.
Работая с гипотезами по улучшению процессов, исследователи обращают внимание на исторические данные, в которых кроме динамики показателей за период, можно выделить «пиковые» значения и условия их достижения. Это позволяет понять, что уже работало в прошлом и какие резервы скрыты в сегодняшних процессах. Такой подход позволяет точнее предсказать теоретический потенциал улучшений, рассчитав технически достижимый предел для ключевых показателей. В каждом сценарии авторы закладывают несколько вариантов оценки экономического и операционного эффекта, от минимального до амбициозного, рассчитывая потенциал в натуральных и стоимостных показателях. Такой комплексный подход уже дал измеримые результаты при анализе причин брака в прокатном производстве. С помощью многофакторного анализа удалось перенацелить усилия ремонтных служб с частых незначительных операций на устранение ключевой, статистически подтверждённой причины простоев. В результате время на плановые остановки сократилось на 12%, а число внеплановых визитов ремонтных служб упало на 25% за полугодие.
Говоря об инструментарии аналитика, отметим, что работа службы выстроена на проверенных статистических методиках — регрессионном анализе и контрольных картах Шухарта — незаменимом инструменте для проверки гипотез. А для анализа сверхсложных нелинейных процессов, например, прогноза качества стали по тысячам сигналов с датчиков стана, в последнее время используют методы машинного обучения. Такое сочетание сулит невероятные перспективы, когда вместо реакции на проблему, алгоритм будет предвидеть её возникновение.
Статистический анализ — мощный инструмент только в умелых руках, а его успешное применение, кроме компетенции подразумевает полноту корректных данных и готовность руководства принимать решения на основе выводов, даже если они идут вразрез с привычной практикой. А значит пришло время пересмотра подходов, чтобы на основе данных постоянно снижать себестоимость, наращивая конкурентное преимущество. И это уже не абстрактная теория, а ежедневная практика производства, где за каждым процент прибавки эффективности лежит огромный массив данных, превращённый в измеримый результат.
Текст: Азамат Баймаганбетов, старший эксперт ДРБС Уральской Стали. Фото Дениса Ильбактина
