Preview

Стратегические решения и риск-менеджмент

Расширенный поиск

ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ

https://doi.org/10.17747/2618-947X-2019-1-28-35

Полный текст:

Аннотация

Рассмотрены методы оптимизации бизнес-процессов в промышленных компаниях, а именно процессы, связанные с планированием производства, техническим обслуживанием и ремонтом оборудования и контролем качества на всех стадиях. Изучены кейсы зарубежных промышленных компаний и приведены примеры внедрения технологий Индустрии 4.0 в бизнес-процессы отечественных организаций. Среди наиболее эффективных мер по оптимизации ключевых бизнес-процессов промышленных компаний можно выделить внедрение эконометрического инструментария, создание облачной инфраструктуры для обмена информацией и постепенный переход на автономные цифровые приборы на базе Интернета вещей.

Для цитирования:


Попов Н.А. ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ. Стратегические решения и риск-менеджмент. 2019;(1):28-35. https://doi.org/10.17747/2618-947X-2019-1-28-35

For citation:


Popov N.A. BUSINESS PROCESS OPTIMIZATION IN THE DIGITALIZATION ERA OF PRODUCTION. Strategic decisions and risk management. 2019;(1):28-35. (In Russ.) https://doi.org/10.17747/2618-947X-2019-1-28-35

  1. ВВЕДЕНИЕ

Улучшению процесса производства в разные периоды развития промышленности уделялось большое внимание. Работы Г. Форда (Ford, Crowther, 1922), У Деминга (Deming, 1943), Ф. Тейлора (Taylor, 1911), Г. Ганта (Gantt, 1903) и дру­гих заложили теоретическую основу современных методов повышения эффективности производственных предприятий. Во многих компаниях производственного сектора широкое распространение получили «шесть сигм», всеобщая систе­ма управления качеством (Total Qmlity Management, TQM), «точно в срок» (Just-in-Time, JIT). На сегодняшний день на­блюдается активный интерес научного сообщества к фено­мену Индустрии 4.0 (Лисовский, 2018; Тарасов, Попов, 2018; Roblek, Mesko, Krapez, 2016). Технологии четвертой про­мышленной революции (Индустрии 4.0) делают возможным проведение оптимизационных мероприятий производствен­ных процессов на качественно новом уровне с использова­нием цифровых технологий.

Консалтинговая компания PwC выделяет восемь основ­ных технологий Индустрии 4.0: блокчейн, беспилотные устройства, трехмерную печать, виртуальную реальность, дополненную реальность, Интернет вещей, искусственный интеллект, роботов (Пуха, 2017). У них большой потенциал в совершенствовании производственных процессов при ком­плексном и системном использовании. На сегодняшний день крупные отечественные и зарубежные компании активно изу­чают возможность внедрить цифровые технологии для оп­тимизации ключевых бизнес-процессов. Значительных ре­зультатов удалось достичь ПАО «НЛМК», ПАО «СИБУР», Siemens AG, Intel и другим отраслевым лидерам (Лисовский, 2018). Внедрение цифровых технологий позволит сократить расходы по отдельным статьям до 30% (Rojko, 2017).

 

Таблица 1

Количественные методы для прогнозирования спроса на продукцию (Dean, Xue, Tu, 2009)

Показатель

Коэффициенты

Линейная регрессия

Нейросеть

Описание

Коэффициенты между результирующим показа­телем и потенциальными факторами

Линейные связи между результирующим пока­зателем и значимыми факторами

Связи любого характера между факторами спроса и результирующим пока­зателем

Преимущества

Простота подсчета

+

+

Пригодность для сводного подсчета

+

Детализированный результат

+

Точный результат

+

+

Интуитивно понятные выводы

+

Недостатки

Неточные результаты при детализации

+

 

 

Необходимость большего массива данных

+

+

Отсутствие учета косвенных связей

 

+

Сложный расчет

 

 

+

Целью данной работы является изучение подходов к оп­тимизации производственных процессов с использованием цифровых технологий. Центральный объект исследования - внедрение цифровых технологий в наиболее существенные и распространенные производственные бизнес-процессы: планирование производства, обслуживание оборудования и контроль качества.

  1. ПЛАНИРОВАНИЕ ПРОИЗВОДСТВА

Организация процесса планирования производства часто влияет на общую эффективность производственного процес­са, поскольку на данном этапе производства распределяется нагрузка на оборудование. Нерациональное использование мощностей может привести к простоям и снижению объема выпуска продукции. Эффективный процесс планирование подразумевает:

  • прогнозирование спроса;
  • определение возможностей производства для удовлет­ворения спроса;
  • выбор альтернатив, обеспечивающих наиболее высо­кий уровень эффективности;
  • мониторинг выполнения планов;
  • корректировку производственного плана (SMEToolkit, [s.a.]).

Прогнозирование, как правило, производится при по­мощи количественных методов. Наиболее распространены методы подсчета потенциального спроса на продукцию про­мышленной компании, которая осуществляет как типовые, так и нетиповые заказы: метод коэффициентов, линейная регрессия и нейросети (табл. 1). Выбор метода прогнозиро­вания обусловлен наличием отлаженной системы сбора дан­ных и способностью компании их анализировать. По сравне­нию с нейросетью линейная регрессия (более простой метод) дает погрешности в прогнозировании всего на I процентный пункт выше (Dean, Xue, Tu, 2009). При этом для внедрения и содержания нейросети требуется команда высокопрофес­сиональных программистов, сервера для хранения и обра­ботки данных, а также значительные временные ресурсы. Регрессионный анализ менее чувствителен к технологиям и объему финансирования (Сербул, 2018).

Для оценки возможностей производства необходимо описать, сколько ресурсов потребуется в расчете на едини­цу продукции, разработать несколько вариантов выполнения заказа, распределить нагрузку между цехами. С учетом по­тенциального спроса также может быть оценен минималь­ный объем необходимой готовой продукции типового вида для снижения рисков невыполнения заказов.

На основе факторов себестоимости и скорости выполне­ния заказа выбирается наиболее выгодная альтернатива. Мо­ниторинг выполнения планов необходимо производить на ос­нове системы ключевых показателей эффективности. Чаще всего предлагается использовать показатели результативности с учетом сроков и планового ресурсного обеспечения (чело­веко-часы, время использования оборудования и материалы) (Chae, 2009). Впоследствии система мониторинга может быть автоматизирована за счет внедрения CRM-системы. При пла­нировании производственных циклов должны быть заложены риски: возможная отмена заказа, исполнение более срочного заказа. Корректировка должна производиться системно, на ос­нове анализа достижения предыдущих планов и дополнитель­ных индивидуальных сведений о текущих заказах.

  1. ОБСЛУЖИВАНИЕ ОБОРУДОВАНИЯ

Износ оборудования приводит к увеличению операцион­ных расходов на его обслуживание, повышению риска сни­жения качества. Для минимизации негативных последствий от износа оборудования многие компании внедряют различ­ные стратегии технического ремонта и обслуживания (Ding, Kamaruddin, 2015). Профилактическое обслуживание пред­полагает проведение системных проверок и прогнозных ана­литических мероприятий для предотвращения случаев неис­правности. Корректировочное обслуживание представляет собой меры по ремонту оборудования после того, как оно вышло из строя.

Для технического обслуживания и ремонта (ТОиР) обору­дования выделены три основные концепции: всеобщее про­изводственное обслуживание (Total Productive Maintenance), обслуживание, основанное на надежности (Reliability Centered Maintenance), и обслуживание, основанное на биз­нес-задачах (Business Centered Maintenance) (Tinga, 2013). С позиций автоматизации наибольший интерес представля­ет концепция обслуживания, основанного на надежности, так как ее центральным элементом выступает оборудование, в частности его техническое состояние.

При обслуживании, основанном на надежности, акцент делается на превентивные меры. Методология данной кон­цепции позволяет ответить на три вопроса:

  • Каким образом происходят поломки оборудования?
  • Каковы последствия данных поломок для компании?
  • Какой эффект может быть достигнут за счет превен­тивных мер?

Концепция может быть внедрена посредством выполне­ния следующих действий:

  • сбор информации;
  • описание функциональных блок-диаграмм;
  • оценка наиболее уязвимых функциональных областей;
  • моделирование дефектов;
  • оценка наиболее критичных дефектов;
  • апробация результатов за счет использования дерева решений;
  • градация задач по значимости;
  • проработка превентивных процедур;
  • анализ эффективности внедряемых подходов;
  • системный анализ и корректировка (Vishnu, Regikumar, 2016).

 

Рис. 1. Четыре уровня управления качеством на производстве (O’Regan,Prickett, Setchietal., 2017)

Индустрия 4.0 содержит широкий спектр технологий, которые позволяют компаниям использовать возможности цифровизации и в сфере ТОиР. Так, на Новолипецком метал­лургическом комбинате замена фурм доменной печи «Рос­сиянка» осуществляется в соответствии с моделью прогара данного элемента оборудования, построенной с использова­нием машинного обучения. В основу модели легло изучение текущих практик, сбор массива исторических данных, полу­ченных с помощью датчиков и лабораторных исследований. Проводятся прогнозирование выхода оборудования из строя и своевременная замена фурм. Эффект от замены фурм в со­ответствии с рекомендациями модели оценивается в разме­ре 120 млн руб. в год (Аршавский, 2018). В ПАО «СИБУР» на каждом агрегате установлены NFC-метки по технологии коммуникации ближнего поля (Near Field Communication, NFC). С помощью планшета сотрудник может считать с NFC-метки всю необходимую информацию по обслужи­ванию и ремонту отдельной единицы оборудования. После завершения обслуживания фиксируются все необходимые данные по выполненным работам (Тарасов, Попов, 2018).

  1. КОНТРОЛЬ КАЧЕСТВА

В научной литературе можно найти большое количе­ство работ, посвященных изучению причин возникновения дефектов на производстве. Обзор научных трудов, пред­ставленный в работе Хардинга, позволяет сформировать полную картину ключевых факторов, влияющих на сниже­ние качества производимой продукции (Harding,Shahbaz, Srinivasetal., 2006). Недостаточное понимание распростра­ненных причин возникновения дефектов вынуждает орга­низацию нести существенные финансовые и репутационные потери (Chongwatpol, 2015). Однако в конкретной компании общие факторы приобретают частное воплощение. Для рас­познавания дефектов, причин их возникновения, классифи­кации и применения соответствующих мер корректировки может быть организована система контроля качества про­изводственных процессов. В соответствии с практикой кон­салтинговой компании Renishaw данная система может быть представлена в виде четырехуровневой пирамиды: контроль качества разделен на информационный (готовая продукция), активный (процесс производства), прогнозный (оборудова­ние и материалы), профилактический (внешние факторы) (O’Regan, Prickett, Setchi et al., 2017) (рис. 1).

Профилактический контроль. Основу контроля обе­спечивает система мониторинга состояния контролируемого параметра и автоматизированная корректировка его значе­ния до требуемой величины в режиме реального времени. С помощью цифровых датчиков и Интернета вещей можно точно настроить ход процесса и оптимальную регулировку. Например, в производственных помещениях большое вни­мание уделяется среде, прежде всего влажности и темпера­туре воздуха.

Контроль за температурой обеспечивают система включателей, пропорциональная и интегральная системы (Temperature controller basics, [s.а.]). Для системы включа­телей задается оптимальное температурное значение, кото­рое необходимо поддерживать внутри помещения. В случае отклонения от данного значения система автоматически начинает нагревать/охлаждать воздух до достижения оп­тимальной точки. При внедрении системы включателей, как правило, задается температурный диапазон, чтобы обо­гревательная система не запускалась при минимальных от­клонениях. Подобные решения являются наиболее просты­ми и относительно дешевыми.

Пропорциональные системы температурного контро­ля действуют по более сложному алгоритму: оптимальные точки могут выстраиваться в зависимости от времени. Это актуально на производстве, где на разных стадиях нужно поддерживать различные условия.

Интегральные системы не только учитывают условия среды, но и способны изменять оптимальные температурные точки в зависимости от объемов производимой продукции. Это позволяет оперативно реагировать на резкие изменения специфики производственного процесса.

 

Таблица 2

Пример контрольного реестра дефектов (Chongwatpol, 2015)

ФИО

Факторы сотрудников

Характеристика оборудования

Характеристика материалов

Показатель качества

Наличие дефекта

Опыт, мес.

Смена

Время

Модель

Срок исполь­зования, мес.

Дата ТОиР

Вид

Поставщик

Ширина маг­нитной линии, мм

Иванов И. И.

36

Первая

11:30

Z500

11

11.11.2018

Клей

«ПроПан»

11

0

Петров П. П.

12

Вторая

2140

Z500

6

01.07.2018

Клей

«ПроПан»

9

0

Сидоров С. С.

2

Вторая

23:20

Z500

7

23.01.2018

Клей

«ПроПан»

15

I

Курбатов К. К.

57

Первая

17:20

Z500

9

01.09.2018

Клей

«ПроПан»

10

0

Прогнозный контроль. В рамках перехода к Инду­стрии 4.0 особое значение приобретает разработка мер по минимизации уровня дефектов на производстве. Среди факторов, которые могут быть причиной дефектов продук­ции, в научных работах упоминались исправность оборудо­вания, качество входных материалов, продолжительность рабочей смены (как фактор усталости рабочих) и опыт ра­ботников (Leachman, Pegels, Kyoon Shin, 2005). Отмечается, что для анализа причинно-следственных связей между де­фектами в производстве и потенциальными факторами чаще всего используются эконометрические методы: дерево реше­ний, регрессионные модели, нейросети и кластерный анализ (Hazen, Boone, Ezell et al., 2014).

Для сокращения доли бракованной продукции на про­изводстве может быть организована аналитическая система мониторинга дефектов. При ее построении, как правило, используется межотраслевой стандартный процесс для ис­следования данных (Cross-Industry Standard Process for Data Mining, CRISP-DM). Методология CRISP-DM предполагает шесть этапов внедрения:

  • формулирование бизнес-задач;
  • формирование перечня необходимых данных;
  • обработка данных;
  • моделирование;
  • оценка и интерпретация результатов;
  • использование результатов на практике.

Для комплексного снижения уровня брака важно диагно­стирование дефектов. Предлагается три подхода к данному процессу: контрольный реестр, стратификация расходов и кластерный анализ (Chongwatpol, 2015).

Контрольный реестр предполагает учет выявленных дефектов посредством двоичного кода (1 - обнаружен де­фект, 0 - нет дефекта). Наличие дефекта определяется пре­вышением нормативных значений по заданным критериям качества. В таблице также прописываются:

  • использованные исходные материалы;
  • сотрудники, которые были на смене;
  • задействованное оборудование.

Пример контрольного реестра для учета дефектов на про­изводстве представлен в табл. 2. Контрольный реестр прост, удобен и практичен в использовании, поскольку позволяет не только вести мониторинг дефектов, но и проводить ана­лиз факторов. Он позволяет выявлять факторы, которыми обусловлены отклонения от нижней и верхней границ диа­пазона параметра качества. Для наглядности может быть использован графический метод: графическое изображение точек отклонения от допустимого диапазона повышает уро­вень интуитивной интерпретации данных контрольного рее­стра. Таким образом, наиболее целесообразно использовать табличный и графический способы отображения информа­ции для выявления дефектов.

Стратификация расходов анализирует дефекты продук­ции с точки зрения финансовых последствий. Если партия продукции оказалась бракованной, то компания несет допол­нительные расходы на материалы, оплату работы сотрудни­ков, выплату неустойки заказчику и т.д. Стратификация рас­ходов предполагает подсчет специальных показателей:

  • средний процент бракованной продукции (для каждо­го вида продукции);
  • средняя стоимость брака одной единицы продукции (для каждого вида продукции);
  • совокупные затраты на компенсацию брака в произ­водстве (за различные отчетные периоды).

Данные метрики позволяют квалифицировать группы то­варов в зависимости от расходов из-за брака.

Для классификации видов продукции по стоимости брака могут быть использованы различные подходы: метод ABC- анализа (Kampf, Lorincova, Eiitka et al., 2016), методы на ос­нове дерева решений (Kim, Oh, Jung et al., 2018), пошаговая регрессия для построения прогнозной модели потенциаль­ных затрат на бракованную продукцию в рамках планового периода (Квасова, Целых, 2012). Смысл стратификации рас­ходов заключается в том, что контролеры качества и старшие сотрудники по смене в первую очередь могут уделять вни­мание тем видам продукции, где брак вызывает наибольшие финансовые последствия.

Кластерный анализ обеспечивает многомерный анализ процессов производства. Е1екоторые виды готовой продук­ции могут иметь схожие характеристики: материалы и обо­рудование, требуемое количество человеко-часов, необхо­димые температурные условия и т.д. Кластерный анализ позволяет сформировать группы продукции, которые близки с точки зрения процессов производства. Метод к средних (k-means) - наиболее простой и популярный метод класте­ризации. В рамках каждой группы процент потенциального брака может разниться, в связи с чем подходы к контролю ка­чества производственных процессов могут отличаться при­менительно к разным кластерам (Chongwatpol, 2015).

В рамках прогнозного контроля отдельного упоминания заслуживает метод быстрого прототипирования. Данный метод позволяет значительно сокращать время и ресурсы на подготовку макетов (Rayna, 2016). Быстрое прототипи­рование объединяет группу технологий и технологических процессов, использующих трехмерную печать на базе ком­пьютерного моделирования. Е1аиболее распространены сле­дующие технологии быстрого прототипирования:

  • стереолитография;
  • лазерное спекание;
  • моделирование плавленого осаждения;
  • трехмерная печать (Elague, Mansour, Saleh, 2004).

В контексте контроля качества и предотвращения де­фектов приведем пример. Компания Lin Engineering (Lin Engineering, 2017) специализируется на производстве ги­бридных двигателей. Основное производство базирует­ся в Китае, головной офис и распределительный центр - в США. В случае поставки дефектной продукции компания несла существенные расходы на отправку брака обратно на завод. Внедрение системы статистического процессного контроля с использованием облачных технологий позволила в режиме реального времени контролировать производство на китайском заводе из штаб-квартиры в США. В случае вы­явления дефектов система автоматически формирует элек­тронное сообщение с описанием проблемы задолго до от­правки партии.

Активный контроль. Работа по устранению выяв­ленных дефектов проводится в рамках производственного процесса. Для контроля за качеством линий разрезов могут быть использованы промышленные камеры. Камеры могут иметь термальные сенсоры, которые позволяют замерять температуру запасов и готовой продукции на любой стадии производственных процессов. Техническими средствами выявляются дефекты, которые невидимы для человеческо­го глаза, процесс автоматизирован. Следовательно, фактор человеческой невнимательности или усталости может быть полностью исключен. В случае выявления дефектов камеры могут передавать сигнал в центральную систему оповеще­ния, тем самым предотвращая возникновение выявленного дефекта во всей партии. Одним из поставщиков подобных технических решений является Allied Vision. Также суще­ствуют камеры со встроенными цветовыми сенсорами, кото­рые могут осуществлять контроль за качеством наложенной краски. Подобные решения поставляются компанией Omron.

Информативный контроль направлен на качество про­изведенной продукции. Основной задачей является описание и внедрение процесса мониторинга отгружаемой продукции и работы с претензиями потребителей. Цифровые техноло­гии дают широкие возможности для построения соответ­ствующей информационной системы. Так, вся информация о претензиях со стороны потребителей может храниться в облачном хранилище. Эго позволит упростить проведе­ние мониторинга баз данных и облегчить доступ к инфор­мации для различных подразделений. Электронная система документооборота позволяет структурировать имеющуюся информацию в организации и осуществлять быстрый обмен файлами, например посредством NFC-меток.

Цифровые технологии облегчат работу экспертных ко­миссий по устранению дефектов на предприятиях. Совеща­ния экспертов можно проводить дистанционно, посредством электронных средств коммуникаций. Эксперт - представи­тель подразделения формирует рекомендации в зоне своей ответственности. Для каждого подразделения должно быть установлено временное ограничение по формированию ре­комендаций. После получения рекомендаций от всех членов комиссии производственный отдел должен принять соответ­ствующие меры по устранению дефектов и сформировать отчет. Данный отчет может быть приобщен к общей инфор­мации по работе с конкретной претензией.

  1. ЗАКЛЮЧЕНИЕ

В условиях перехода к парадигме Индустрии 4.0 разра­ботанные ранее методы оптимизации производственных бизнес-процессов остаются актуальными. Применение тех­нологий цифровизации позволит использовать такие методы оптимизации, которые ранее были недоступны по причине отсутствия необходимой инфраструктуры. Выбор конкрет­ных методов и используемых технологий остается за ком­панией, поскольку у нее могут быть свои стратегические приоритеты и ресурсные ограничения. Только оптимальное сочетание внедряемых мер и их соответствие существую­щим и будущим потребностям позволит компаниям произ­вести экономически эффективную и результативную опти­мизацию бизнеса.

Об авторе

Н. А. Попов
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации»
Россия
Специалист, Центр отраслевых исследований и консалтинга ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации». Область научных интересов: ИТ-технологии в операционной деятельности бизнеса, цифровизация производства, антикризисное и арбитражное управление.


Список литературы

1. Аршавский А. (2018). Искусственный интеллект в металлургии // НЛМК. URL: http://www.cloudmobility.ru / sites / default / files / 13.25–13.45_arhavsky_nlmk_new.pdf.

2. Квасова Н. А., Целых В. Н. (2012). Методика оценки экономических потерь по видам дефектов на основе системы критериев КР-бенчмаркинга // Современные проблемы транспортного комплекса России. № 2. С. 295–298.

3. Лисовский А. Л. (2018). Оптимизация бизнес-процессов для перехода к устойчивому развитию в условиях четвертой промышленной революции // Стратегические решения и риск-менеджмент. № 4. С. 10–19. DOI: https://doi.org / 10.17747 / 2078 8886 2018 4 10 19.

4. Пуха Ю. (2017). Индустриальная революция 4.0 // PricewaterhouseCoopers. URL: https://www.pwc.ru / ru / assets / pdf / industry-4–0 pwc.pdf.

5. Сербул А. (2018). Нейронки: какому бизнесу нужен искусственный интеллект (и лайфхаки, как его внедрить) // Деловой журнал «Inc.». URL: https://incrussia.ru / understand / nejronki-kakomu-biznesu-nuzhen-iskusstvennyj-intellekt-i-lajfhaki-kak-ego-vnedrit / .

6. Тарасов И. В., Попов Н. А. (2018). Индустрия 4.0: Трансформация производственных фабрик // Стратегические решения и риск-менеджмент. № 3. С. 38–53. DOI: https://doi.org / 10.17747 / 2078 8886 2018 3 38 53.

7. Chae B. (2009). Developing key performance indicators for supply chain: an industry perspective // Supply Chain Management: An International Journal. Vol. 14, № 6. P. 422–428. DOI: 10.1108 / 13598540910995192.

8. Chongwatpol J. (2015). Prognostic analysis of defects in manufacturing // Industrial Management & Data Systems. Vol. 115, № 1. P. 64–87. DOI: https://doi.org / 10.1108 / IMDS-05 2014 0158.

9. Dean P. R., Xue D., Tu Y. L. (2009). Prediction of manufacturing resource requirements from customer demands in mass-customisation production // International Journal of Production Research. Vol. 47. № 5. P. 1245–1268. DOI: https://doi.org / 10.1080 / 00207540701557197.

10. Deming W. (1943). Edwards. Statistical Adjustment of Data. Dover. 261 p.

11. Ding S. H., Kamaruddin S. (2015). Maintenance policy optimization – literature review and directions // The International Journal of Advanced Manufacturing Technology. Vol. 76, № 5–8. P. 1263–1283. DOI: 10.1007 / s00170 014 6341 2.

12. Ford H., Crowther S. (1922). My Life and Work. Garden City, New York: Garden City Publishing Company, Inc. 231 p.

13. Gantt H. L. (1903). A graphical daily balance in manufacture // Transactions of the American Society of Mechanical Engineers. Vol. 24. P. 1322–1336.

14. Hague R., Mansour S., Saleh N. (2004). Material and design considerations for rapid manufacturing // International Journal of Production Research. Vol. 42, № 22. P. 4691–4708. DOI: 10.1080 / 00207840410001733940.

15. Harding J. A., Shahbaz M., Srinivas et al. (2006). Data mining in manufacturing: a review // Journal of Manufacturing Science and Engineering. Vol. 128, № 4. P. 969–976. DOI: 10.1115 / 1.2194554.

16. Hazen B. T., Boone C. A., Ezell J. D. et al. (2014). Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications // International Journal of Production Economics. Vol. 154. P. 72–80. DOI: 10.1016 / j.ijpe.2014.04.018.

17. Kampf R., Lorincova S., Hitka M. et al. (2016). The application of ABC analysis to inventories in the automatic industry utilizing the cost saving effect // NASE MORE: znanstveno-strucnicasopisza more ipomorstvo. Vol. 63, № 3. Spec. Issue. P. 120–125. DOI: 10.17818 / NM / 2016 / SI8.

18. Kim A., Oh K., Jung J. Y.et al. (2018). Imbalanced classification of manufacturing quality conditions using cost-sensitive decision tree ensembles // International Journal of Computer Integrated Manufacturing. Vol. 31, № 8. P. 701–717. DOI: https://doi.org / 10.1080 / 0951192X.2017.1407447.

19. Leachman C., Pegels C., Kyoon Shin S. (2005). Manufacturing performance: evaluation and determinants // International Journal of Operations & Production Management. Vol. 25, № 9. P. 851–874. DOI: https://doi.org / 10.1108 / 01443570510613938.

20. Lin Engineering uses cloud-based quality control to monitor overseas facility ([s.a.]) // InfinityQS. URL: https://www.infinityqs.com / resources / case-studies / lin-engineering.

21. O’Regan P., Prickett P., Setchi R.et al. (2017). Engineering a More Sustainable Manufacturing Process for Metal Additive Layer Manufacturing Using a Productive Process Pyramid // International Conference on Sustainable Design and Manufacturing. Cham: Springer. P. 736–745. DOI: 10.1007 / 978 3 319 57078 5_69.

22. Production Planning in 5 Steps ([s.a.])// Smetoolkit. URL: https://smetoolkit.ng / articles / 17production-planning-in-5 steps.

23. Rayna T., Striukova L. (2016). From rapid prototyping to home fabrication: How 3D printing is changing business model innovation // Technological Forecasting and Social Change. Vol. 102. P. 214–224. DOI: https://doi.org / 10.1016 / j.techfore.2015.07.023.

24. Roblek V., Mesko M., Krapez A. (2016). A Complex View of Industry 4.0 // SAGE Open. URL: https://doi.org / 10.1177 / 2158244016653987.

25. Rojko A. (2017). Industry 4.0 concept: background and overview // International Journal of Interactive Mobile Technologies (iJIM). Vol. 11, № 5. P. 77–90. DOI: 10.3991 / ijim.v11i5.7072.

26. Stable Humidity Optimises Digital Print Operation ([s.a.]) // Humidity Solutions Ltd. URL: http://www.humidity-solutions.co.uk / case_studies / HS%20VGL%20case%20study.pdf.

27. Taylor F. W. (1911) The Principles of Scientific Management. New York; London: Harper & brothers. 144 p.

28. Temperature controller basics ([s.a.]) // Learning instrumentation and control engineering URL: https://www.instrumentationtoolbox.com / 2016 / 09 / temperature-controller-basics.html.

29. Tinga T. (2013) Maintenance concepts // Principles of loads and failure mechanisms / Ed. H. Pham. London: Springer. P. 161–186.

30. Vishnu C. R., Regikumar V. (2016) Reliability based maintenance strategy selection in process plants: a case study // Procedia Technology. Vol. 25. P. 1080–1087. DOI: https://doi.org / 10.1016 / j.protcy.2016.08.211.


Для цитирования:


Попов Н.А. ОПТИМИЗАЦИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ. Стратегические решения и риск-менеджмент. 2019;(1):28-35. https://doi.org/10.17747/2618-947X-2019-1-28-35

For citation:


Popov N.A. BUSINESS PROCESS OPTIMIZATION IN THE DIGITALIZATION ERA OF PRODUCTION. Strategic decisions and risk management. 2019;(1):28-35. (In Russ.) https://doi.org/10.17747/2618-947X-2019-1-28-35

Просмотров: 312


ISSN 2618-947X (Print)
ISSN 2618-9984 (Online)