Когда ИТ-консультанты продают заводам аналитику производственных данных (Big Data), они обычно рисуют красивые графики прогнозирования спроса или оптимизации логистических цепочек. Но генерального директора волнует другое: почему каждый квартал на складе образуется недостача, а цеха требуют закупать всё больше инструмента и металла при неизменном объеме выпуска?
Ответ кроется в Незавершенном производстве (НЗП). Это идеальная «серая зона», где прячутся миллионы рублей. Человек-аудитор не способен найти там закономерности, потому что перед ним тысячи строк номенклатуры. Алгоритм же справляется с этим за пару минут.
Почему традиционный аудит слеп?
Обычно недостачи и неэффективность ищут «в лоб». Смотрят общие списания за месяц. Но умный мастер или кладовщик никогда не ворует масштабно. Они «отщипывают» понемногу, размазывая потери по разным нарядам, сменам и заказам. На уровне месячного отчета эти цифры выглядят как статистическая погрешность (допустимый процент брака или технологические отходы).
Транзакционный детектив: как работает алгоритм
В ModernERP Pro мы анализируем не итоговые отчеты, а сырой массив транзакций (Ledger). Алгоритм ищет неочевидные математические корреляции (паттерны) в поведении людей и движении деталей.
Алгоритм анализирует исторические данные за год и выдает предупреждение: «В 85% случаев перерасход дорогого твердосплавного инструмента происходит, когда ночная смена мастера Иванова совпадает с дежурством кладовщика Петрова». Выработка у них стандартная, а инструмента уходит на 15% больше. Это классическая круговая порука для списания ТМЦ «налево».
Мастера знают, что аудит НЗП проходит в конце месяца, поэтому они виртуозно жонглируют фиктивными статусами деталей, чтобы не попасть в красную зону. Алгоритм вычисляет такие партии: детали, которые формально меняют статусы («в обработке» -> «остывание» -> «передано»), но делают это с неестественными таймингами, маскируя физическую утерю.
Система находит скрытые убытки: например, металл от Поставщика А стоит на 5% дешевле, чем от Поставщика Б. Закупщик получает премию. Но алгоритм видит, что при обработке металла Поставщика А станки тратят на 20% больше времени, а токари закрывают больше нарядов на доработку. Мнимая экономия на закупках оборачивается огромным раздуванием ФОТ.
Самое важное: найдя паттерн, система начинает блокировать его в будущем. Если алгоритм видит, что формируется опасная цепочка событий (определенная плавка + определенный станок + конкретный оператор), он заранее требует усиленного контроля ОТК для этой операции.
Итог: данные, которые приносят деньги
Big Data в промышленности — это не модный тренд. Это служба экономической безопасности, зашитая в код. Наш опыт показывает, что простое выявление трех-четырех устойчивых паттернов цеховых махинаций окупает внедрение жесткой ERP-системы за несколько месяцев.
