Data Governance та моделі оптимізації. Практичний кейс

Що таке оптимізаційні моделі і навіщо вони потрібні?

Оптимізаційна модель це математичний опис виробництва, який шукає найкращий варіант рішення серед мільйонів можливих. Ви задаєте ціль (випустити більше тонн, витратити менше грошей, встигнути в строк) і задаєте обмеження: скільки є печей, які марки сталі можна варити разом, коли замовник чекає відвантаження. Далі модель перебирає варіанти і повертає той план, який дає максимум при заданих межах.

Людина так не рахує. Планувальник тримає в голові кілька сценаріїв, звіряється з досвідом і зупиняється на прийнятному. Модель перебирає весь простір варіантів за хвилини. Різниця між «прийнятним» і «найкращим» планом і є той прибуток, який зазвичай губиться непоміченим.

Для нашої команди предметна область вторинна. Ливарний цех, лінія розливу ліків, склад запчастин, графік ремонтів: усюди та сама конструкція. Є ресурси, є обмеження, є ціль. Змінюються назви змінних, а не математика. Тому модель, зібрана для плавок і поточних ліній, лягає на фармацевтичне або будь-яке інше виробництво з тією ж логікою: партія, обладнання, регламент, строк придатності.

Що ми беремо з галузі, так це правила гри. Технологи пояснюють, чого не можна робити ніколи, а що можна за заданих умов. Ці правила ми переводимо в обмеження моделі, а решту робить розрахунок.

Data Governance у дії: цифрове планування для Метінвест Машинері

У Метінвест Діджитал завершується проєкт команди Data Governance зі створення цифрової платформи добового планування та аналізу роботи ливарного цеху Метінвест Машинері.

Під час пілотного запуску команда перевірила роботу моделі на реальних даних. Результат — додатково вдалося сформувати 23 тонни виробничої програми, а розрахунковий економічний ефект перевищив 431 тис. грн.

Планування роботи ливарного цеху — складне завдання. Щомісяця до виробничої програми входить понад 100 виробів. Їх випускають з різних марок сталі, на різних лініях і в різних виробничих корпусах. Складаючи план, потрібно врахувати продуктивність обладнання, кількість і вагу плавок, технологічні обмеження та строки виконання замовлень.

Раніше фахівці збирали дані з кількох систем і аналізували різні варіанти завантаження обладнання. Команда об’єднала дані з АСУ «Ремонт», Oracle Database і Microsoft Azure в єдину систему планування. Це дало змогу швидше отримувати інформацію та використовувати єдиний набір даних для розрахунку виробничої програми.

Для зберігання та обробки даних використовують платформу Microsoft Azure. Вона автоматично збирає виробничу інформацію, обробляє її та передає в аналітичні інструменти. У рішенні задіяні Azure Data Factory, Azure Data Lake, Azure Synapse Analytics, Azure Machine Learning, Power BI і Power Apps.

Одним із перших результатів проєкту став запуск дашборда Melting Planning. Інструмент показує завантаження ливарних ліній, допомагає виявляти перевантаження та недовантаження обладнання, контролювати виконання виробничих планів і знаходити вузькі місця у виробничому процесі.

Під час пілотної експлуатації отримали такі результати:

• модель планування дала змогу додатково сформувати виробничу програму обсягом 23 тонни продукції за один розрахунковий період;
• економічний ефект за підсумками квітневого моделювання склав понад 431 тис. грн;
• під час розрахунку виробничої програми на червень—липень 2026 року забезпечується завантаження потокових ліній на рівні не нижче 98% з формуванням детального подобового графіка виробництва в розрізі сортаменту.

Крім економічного ефекту, проєкт розв’язав ще одне завдання — дані для планування тепер зібрані в одному місці. Це допомагає швидше оцінювати різні сценарії завантаження обладнання, ухвалювати рішення на основі реальних показників і підвищувати прозорість планування.

Проєкт розвивається далі. Наступний крок — розширення сценаріїв планування та використання накопичених даних для точнішого прогнозування завантаження виробництва.

Якщо тема цікава дайте знати своєю активністю і я надалі буду давати апдейти аж до завершення проекту :)