Эффективная стратегия цифровой трансформации. Ломаем стереотипы

В докладе я хочу поделиться нашими наработками и опытом проведения цифровой трансформации на небольшом горнодобывающем предприятии, рассказать о тех проблемах, с которыми мы столкнулись, и о том, как мы пытались их решать.

Иван Вайс

Кандидат технических наук,

доцент кафедры экономики и

 управления в промышленности,

директор по стратегическому развитию

ОАО «Высокогорский горно-

обогатительный комбинат»

 

Эффективная стратегия цифровой трансформации. Ломаем стереотипы

Высокогорский горно-обогатительный комбинат имеет четыре добычные единицы, которые добывают руду с содержанием железа примерно 20%. Есть обогатительный цех, который делает концентрат с содержанием железа уже 65%. Этот концентрат является готовым продуктом и продаётся на сторону. Часть концентрата проходит процесс агломерации, комкования, и получается агломерат. Ещё в этом процессе достаточно плотно участвует железнодорожный цех: все перевозки этих материалов осуществляются внутренним железнодорожным транспортом. Выручка в месяц составляет порядка одного миллиарда рублей, численность сотрудников — 3300 человек. Программистов — пять человек, занимающихся поддержанием программы «Галактика», и один — другими проектами. В дирекции по стратегическому развитию у нас три человека — это специалисты по цифровой трансформации, которые занимаются разработкой стратегии, управлением проектами, повышением операционной эффективности. Ресурсов не так уж много, поэтому есть свои особенности при проведении цифровой трансформации.

Для того чтобы эффективно выполнять работу по цифровой трансформации, необходимо выбрать правильную стратегию. Мы под стратегией понимаем выбранный или принятый путь или способ достижения поставленной цели. Составляющие стратегии — это направления и этапы работ, инструменты, участники и их взаимодействие между собой.

Приведу пример традиционной стратегии цифровой трансформации, наиболее часто применяемой. Представим, что люди занимаются цифровой трансформацией на протяжении примерно четырёх лет. Процесс идёт широким фронтом, то есть по всем направлениям сразу: управление объёмами, управление качеством, управление ремонтами, энергетикой, безопасностью, экологией и так далее. Сначала на всё оборудование вешают кучу датчиков, и чем их больше — тем лучше. Создаётся коммуникационная инфраструктура. На втором этапе приобретают цифровую платформу, создают базу данных, наполняют её фактическими данными, разрабатывают дисплеи для мониторинга и наблюдения за процессами. На третьем этапе уже осуществляют непосредственно мониторинг, накапливают базу данных, строят математические модели, описывающие эти бизнес-процессы. И только на четвёртом этапе уже разрабатывают предиктивную аналитику или системы планирования и создают систему управления. Под управлением мы понимаем полный цикл управления — это PDCA (Plan-Do-Check-Act), то есть планируй, делай, контролируй и корректируй.

Расскажу о нашем пути до выработки стратегии. Начали мы в 2017 году и четыре года потратили, работая, как слепые котята, которые изучают неизвестный мир цифровой трансформации. Происходило накопление критической массы. Мы столкнулись с кучей неизвестных, непонятных нам терминов: «Индустрия 4.0», «Data Science» и так далее. Казалось, что это что-то страшно сложное и дорогое, и заниматься этим могут крутые консультанты и крупные IT-компании. В общем, было тяжело. Мы проводили бессистемные эксперименты: создание корпоративной информационной системы, Excel, C#, PostgreSQL, HTML, математическая модель раздельного обогащения руд разного качества и так далее.

После накопления этой критической массы в 2021 году произошло некое прозрение: мы осознали себя в мире цифровой трансформации и построили модели всех основных производственных процессов. На основе этих моделей создали систему управления, реализующую полный цикл управления PDCA в Excel, потом для удобства применили ещё и Power BI. Мы наконец разработали стратегию цифровой трансформации и сейчас занимаемся внедрением системы управления в производство.

В Excel процесс хранения информации и процесс анализа разделён: нужно хранить информацию в одной структуре, а выводить отчёты — в другой. Также существует сложность, связанная с разграничением прав доступа к данным. Применение Excel совместно с Power BI существенно повышает удобство пользования.

Использование комбинации Excel и Power BI имеет следующие важные преимущества:

  • Может быть реализован достаточно широкий функционал.
  • Бесплатно (при использовании версии Power BI «без наворотов»).
  • Можно обойтись без привлечения сил программистов.
  • Может быть создана удобная в пользовании система.
  • Небольшие сроки реализации.

Основной недостаток — значительно меньшие возможности (по сравнению с MES-системами) по подключению датчиков, систем АСУТП.

Чтобы создать в Power BI систему управления, необходимо решить следующие задачи:

  • Подключить в качестве источников данных файлы Excel, содержащие плановые и фактические данные (язык запросов Power Query).
  • Создать модель данных (Power Pivot).
  • Реализовать алгоритм необходимых математических расчётов (язык формул DAX).
  • Создать дашборды (отчёты, содержащие графики, таблицы, показатели).

Использую красивую аллегорию управления луноходом. Когда запустили луноход, сигнал до Луны и обратно шёл порядка двух минут. Оператор на Земле видел, что луноход едет на камень. Начинал поворачивать руль, но было поздно, потому что луноход уже переезжал камень. Такая же ситуация возникает на предприятии, если на нём нет системы оперативного управления. Когда мы подводим итоги по результатам месяца, уже поздно что-то предпринимать. Нужно внедрять корпоративную информационную систему, и такая система была создана с помощью PHP/MySQL.

Приведу пример. Мы получили данные корпоративной информационной системы по объёмам добычи аглоруды по суткам, а также по факторам, влияющим на объёмы. Мы должны были добыть порядка 70 тысяч тонн руды. Однако прошло 14 дней, и выяснилось, что мы добыли меньше и отклонились от плана. Мы проанализировали, какие факторы производства здесь сыграли роль. Во-первых, это производительность — количество тонн в час. Она должна была быть 250 тонн в час. По графику было видно, что мы были где-то в районе этого норматива. Также планировалось, что простоев в сутки будет не более трёх часов, и по факту примерно так и получалось. А вот коэффициент выхода концентрата из аглоруды оказался меньше, чем планировался, в чём и была причина проблемы. Значит, надо разбираться с коэффициентом выхода и его исправлять. Это можно делать каждые сутки.

Существует большое многообразие программных средств, которые можно использовать для создания систем управления. Они значительно отличаются друг от друга по значимым характеристикам: функциональности, стоимости, удобстве пользования и так далее. Поэтому в каждом отдельном случае необходимо подбирать оптимальный вариант в зависимости от конкретных условий.

Ещё одна модель: прогнозируют, что план производства аглоруды в месяц составит 69 тысяч тонн, а если мы ничего не сделаем, — 54 тысячи тонн. Соответственно, если произведём меньше аглоруды, прибыль будет не 16 миллионов рублей, а 5,9. Снизится зарплата руководителей и сдельщиков. Идея заключается в том, что люди это увидят и им это не понравится, поэтому они вернутся назад и поправят те факторы, которые привели к плохой работе.

Следующий эксперимент — была построена математическая модель обогащения руды на Сосновском руднике. Из карьера, из разных блоков добывают руду с разным содержанием железа: 25% и 35%. Потом её везут на склад усреднения и всё между собой перемешивают. Затем эту смесь отправляют на обогатительную фабрику и получают аглоруду с 50% содержанием железа. При этом скорость вращения барабана сепаратора составляет 70 оборотов в минуту. С точки зрения физики, этот процесс не совсем правильный. Если на магнитном сепараторе находится только богатая руда, она летит по траектории вниз, потому что примагничивается. Если только бедная — она летит по более пологой траектории в другую сторону. Если мы вместе запускаем и богатую, и бедную руду, то всё равно каждая из них летит по своей траектории. Получается, что режим магнитной сепарации при такой скорости вращения барабана в данном случае не является оптимальным ни для бедной, ни для богатой руды.

Собрав данные лабораторных исследований, которые имелись в архивах, удалось построить математическую модель методом планирования эксперимента. В первом случае мы рассмотрели вариант совместного обогащения богатой и бедной руды и получили следующий результат: чтобы получить средневзвешенное содержание железа в 50,18%, надо крутить барабан со скоростью 84 оборота в минуту. Второй вариант — раздельное обогащение: чтобы получить средневзвешенное содержание железа в 50%, нужно богатую руду крутить со скоростью 64 оборота в минуту, а бедную — со скоростью 92 оборота в минуту. Но интерес заключается в том, что объём аглоруды в первом варианте совместного обогащения получается 35 028 тонн, а во втором — 40 026 тонн, то есть мы можем получать почти на пять тысяч тонн агломерата больше, не вложив ни копейки. Никаких капитальных затрат при этом не требуется. Тогда цена одной тонны аглоруды равнялась двум тысячам рублей, то есть дополнительная прибыль составляла почти 10 миллионов рублей.

Дальше мы начали думать, какие же процессы в первую очередь надо подвергнуть цифровизации. У нас получился своеобразный кубик Рубика примерно из ста групп бизнес-процессов:

  1. Выходы объектов управления: объёмы, качество, прибыль, зарплата, финансы (пять вариантов).
  2. Временные периоды: смена, месяц, год, 10 лет (четыре варианта).
  3. Степень детализации: единица оборудования, участок, цех, предприятие, холдинг (пять вариантов).

Мы решили подвергнуть цифровизации в первую очередь те бизнес-процессы, которые в ближайшее время дадут максимальный эффект: объёмы, смена, месяц, участок, цех.

После того как вы выбрали направление, надо строить математическую модель. Искусственный интеллект и нейронные сети — очень сложные понятия. Нам удалось разработать классификатор методологии построения математической модели. Все задачи можно разделить на две группы: детерминированные и вероятностные. В случае детерминированных задач влиянием случайных факторов можно пренебречь, потому что их практически нет. Например, закон Ома: сила тока равна напряжению, делённому на сопротивление. Не нужно набирать статистические данные, чтобы вывести эту зависимость: две точки поставил — модель готова. Для детерминированных задач применяются аналитические методы. Не нужно строить нейронные сети для получения такой модели. Но нужна максимальная степень участия специалистов предметной области, то есть людей, которые занимаются, например, обогащением, а также минимальный объём выборки, что достижимо на производственных предприятиях.

Для вероятностных задач используется построение и обучение нейронных сетей. Требуется минимальная степень участия специалистов предметной области, но максимальный объём так называемого «размеченного датасета». Нужно собрать 20-30 тысяч строк, чтобы получить результат. Допустим, на нашем предприятии это практически невозможно.

Статистические методы находятся где-то посередине. Статистические методы — это анализ одномерной случайной величины, парный регрессионный анализ, множественный регрессионный анализ, планирование эксперимента и так далее.

Мы поняли, что большая часть наших процессов относится к детерминированным задачам. Как только мы это поняли, мы разработали все математические модели для наших бизнес-процессов. Математические модели можно строить с помощью программ Excel, MATLAB. Можно использовать специализированные пакеты Statgraphics, SPSS, Statistica, а также языки программирования Python, R, MATLAB. Нам достаточно было использовать Excel.

Далее — наша стратегия в части выбора этапов работ. В первый год мы берём только минимум параметров, которыми мы хотим управлять, — это объёмы добычи, экономика и зарплата. Мы реализуем полный цикл, то есть строим модели управления, приобретаем платформу, реализуем модель в этой платформе при ручном вводе плановых и фактических данных. Оснащение датчиками и системами связи минимально. Здесь участвуют все люди: управленцы, которые ставят задачу, специалисты предметной области, специалисты математической обработки и так далее.

Сначала мы применили это к наиболее простым процессам — к добыче руды. Во второй год мы будем заниматься уже обогащением и агломерацией по этой же технологии. В третий год — подключать процессы управления качеством, ТОИР, энергетику, а в четвёртый — процессы безопасности и экологии. Этим отличается по этапам наша методология. Мы сразу, на первом же году, получаем хороший экономический эффект.

После того как мы построили математическую модель, нужно подбирать программу, в которой мы будем создавать систему управления. Эти программы можно написать с нуля, например, в Excel, C#, HTML, PHP или использовать готовые цифровые платформы. Можно взять специализированные, отраслевые цифровые платформы или универсальные. В нашей стратегии мы сначала используем Excel или Excel вместе с Power BI, а потом уже переходим на более дорогие цифровые платформы.

Если стратегия не определена или выбрана неправильно, это приведет к негативным последствиям: вы будете двигаться не в том направлении и в неверной последовательности, использовать не самые эффективные инструменты, работать не с теми людьми. Чем сложнее работа, тем ощутимее будут последствия от совершённых ошибок.

Приведу в пример модель добычи руды в шахте. В шахте работают горизонт ‑610 и горизонт ‑530. Общий объём добычи руды в сутки составляет сумму объёмов добычи указанных горизонтов. Объём добычи на горизонте ‑610 равен сумме объёмов руды, которую привезут состав №1 и состав №2 за одну смену. А объём, который привезёт состав №1, — это количество рейсов этого состава за одну смену, умноженное на количество вагонеток и на средний вес руды в одной вагонетке в тоннах. Модель очень простая, то есть не нужна никакая математическая статистика или нейронные сети.

С помощью экрана генеральный директор может наблюдать за ситуацией на шахтах, отслеживая параметры, которыми мы управляем: объёмы, качество, экономика, зарплата. Например, он видит, что параметр по объёмам шахты «Южная» обозначен красной точкой, а не зелёной, как у всех остальных шахт. Это значит, что за прошедшие сутки здесь план был не выполнен. Генеральный директор нажимает на эту красную точку и попадает на экран с подробной информацией по результатам работы шахты «Южная» за сутки. Он видит, что фактический показатель по объёму добычи руды ниже, чем должен был быть, а также может отследить факторы, которые на это повлияли. В данном случае количество рейсов и вагонеток отклонилось от плана.

На другом экране можно увидеть график, который иллюстрирует плановый и фактический уровни по объёму добычи, а также прогноз с показателем, который мы получим, если не предпримем никаких корректирующих действий.

Ещё один экран показывает результаты факторного анализа по итогам месяца. Визуально можно увидеть причины, повлиявшие на объёмы добычи руды. Например, графики и диаграммы иллюстрируют, что основным фактором стало уменьшение фактического количества рейсов, сделанных за смену, и количества вагонеток. При этом увеличилось число смен, так как дни проведения технического обслуживания и ремонта (ТОиР) и выходные были заменены на рабочие, что позволило нам немного подняться в плюс. Мы видим факторы, повлиявшие на добычу руды, и можем откорректировать ситуацию уже к следующему месяцу.

В сентябре мы утвердили стратегию цифровой трансформации и сделали предварительный выбор цифровой платформы, в декабре реализовали проект на шахтах. В 2022 году переделаем обогатительные предприятия, а в 2023-2024 годах будем заниматься управлением качеством.

Очень важно ещё до начала работы оценить ожидаемый экономический эффект цифровой трансформации. Если такой оценки нет, руководство или собственники могут не согласиться на такой проект.

Предложу несколько вариантов решения проблемы. Допустим, вы приехали на конференцию, где представители компании, которая уже внедрила цифровую трансформацию, делятся интересными цифрами. Они говорят, что повышение производительности оборудования находится в пределах 5-15%, а повышение коэффициента его использования — 4-10%. Если вы находите такие исходные данные, то их можно по аналогии перенести на ваши бизнес-процессы и примерно оценить экономический эффект.

Можно сделать расчёт, исходя из условий повышения производительности. Например, мы производим 75 тысяч тонн концентрата за 680 часов, то есть 110,3 тонн в час. Если мы поднимем часовую производительность только на 1,2%, то мы сделаем на тысячу тонн руды больше в месяц. Тысячу тонн руды умножаем на маржинальную прибыль с одной тонны, которая составляет 3500 рублей, и получаем 3,5 миллиона рублей. Подобные расчёты можно делать, опираясь на другие условия, например: повышение качества, увеличение объёмов производства за счёт сокращения простоев, увеличение прибыли за счёт сокращения затрат на электроэнергию и так далее.

Можно оценить период окупаемости. Допустим, стоимость программного обеспечения составляет 5 миллионов рублей, стоимость датчиков, весов, систем связи — ещё 15 миллионов. Капвложения —20 миллионов рублей. Если у вас суммарный эффект в месяц составляет 2 миллиона рублей, то период окупаемости получается 10 месяцев. Примерно о таких цифрах сообщают компании, которые провели у себя цифровую трансформацию. Если вы по этой методике сделаете предварительную оценку ожидаемого эффекта и покажете результаты генеральному директору или собственнику, то он с большим желанием разрешит использовать ресурсы для цифровой трансформации.

Расскажу о проблемах, с которыми мы столкнулись, и о том, как пытаемся их решать. К ним не относится недостаток денежных средств: видно, что если мы реально оценим экономический эффект, то капвложения окупаются очень быстро, и деньги найдутся. Проблемой не является и недостаток знаний, компетенций и специалистов — это дело наживное. Основные препятствия — это, во-первых, недооценка экономической эффективности. Я рассказал, как примерно можно преодолевать этот барьер. Самый страшный и тяжело преодолимый барьер — это административно-командная культура организации. Здесь нужны перевоспитание или замена руководителей, которые являются носителями данной культуры. Третье — отсутствие мотивации у кросс-функциональных команд разработчиков. В данном случае мы разработали положение о премировании разработчиков, и оно даёт эффект. Четвёртое препятствие — отсутствие мотивации у пользователей модели, то есть у руководителей цехов. Нужно менять систему оплаты труда у руководителей цехов. Для того чтобы цифровая трансформация внедрялась эффективно, нужно менять не только бизнес-процессы, но и культуру организации или правила игры.

Вопрос из зала: Как разделить эффекты непосредственно от цифровизации и от организационных мероприятий?

Иван Вайс: Это непросто. Приведу пример: на протяжении нескольких лет мы работали и делали в год определённый объём аглоруды. Когда произвели цифровизацию, этот показатель вырос. Статистика есть статистика, но всё немного сложнее, потому что всё взаимосвязано. Например, если мы начинаем делать больше тонн, у нас переменные затраты на электроэнергию на тонну уменьшаются. Таким образом повышается ещё и энергоэффективность, и нужно выделить, какой дополнительный эффект мы получаем. Но мы вышли по проекту энергоэффективности с мероприятиями, то есть мы ставим дополнительные счётчики и отслеживаем. Если раньше электроэнергия по цеху бралась в целом, сейчас мы разделили её на постоянную и переменную составляющие. Мы видим, что переменная на тонну уменьшается, и фактически выделяем этот эффект. 

Вопрос из зала: Как вы объясняли директору или генеральному директору, что надо делать этот проект?

Иван Вайс: Существует целый спектр приёмов. Во-первых, определённые модели мы выводили вместе с начальником шахты, то есть со специалистом в данной предметной области. Например, объёмы добычи руды зависят от количества вагонеток. Это не только наше мнение, это мнение специалистов. Второй приём, который мы использовали, — я водил генерального директора на разные конференции. Он видел, что люди вкладывают деньги в цифровизацию, благодаря чему получают значительный эффект и работают на хорошем уровне. Введение системы оплаты труда — это ещё одна интересная тема. У нас в основном цеха являются местами возникновения затрат. Их задача — снизить себестоимость. А мы сейчас пытаемся перевести их на место возникновения прибыли. Если цех — место возникновения прибыли, тогда они начинают увеличивать объёмы и экономить ресурсы. Получение экономического эффекта мотивирует людей.

Вопрос из зала: Цифровизация ли это? Если цифровизация, то в чём эффект, и закончили вы её или нет?

Иван Вайс: Мы для себя поняли, что такое «цифровая трансформация» — это коренное изменение бизнес-процессов на основе математических моделей. Раньше процесс планирования на шахте выглядел следующим образом. Например, мы хотим выпустить определённый объём концентрата и говорим, что шахта добудет нужное количество руды, например, 70 тысяч тонн. Далее 70 тысяч тонн делят на 90 рабочих смен — и вот готовый план. При этом не учитывались имеющиеся ресурсы: количество составов, вагонеток, скреперистов. Здесь произошло коренное изменение планирования бизнес-процессов.

 

Или представим, например, что шахта добыла меньше руды. На оперативном собрании начальник шахты говорит одну версию, директор по производству — другую, а генеральный директор — третью. Но мы собираем факты независимо от людей и можем точно определить причину возникшей проблемы. Это однозначно цифровая трансформация. Пока мы на первом уровне и будем развиваться дальше. 

Другие материалы

Lean в IT. Трансформация Ростелекома в IT-компанию
15.06.22

Я расскажу вам о том, как производственная система в Ростелекоме встраивается в стратегию компании и как у нас реализована инфраструктура производственной системы.

Оценка цифровой зрелости как инструмент принятия управленческих решений
25.08.22

Я расскажу вам об инструменте, который мы создали. Мы помогаем оценить цифровую зрелость организации и понять, насколько она соответствует тому или иному состоянию.

Лин-лаборатории: от идеи продукта до вывода на рынок
29.09.22

В Сбербанке Лин начался с McKinsey в 2008 году с приходом Германа Оскаровича Грефа.