Сільське господарство

Кейс: Розробка стратегій для сільськогосподарського підприємства

Роздрукувати

Клієнт

Нашим клієнтом є компанія національний виробник рослинницької продукції з використанням технологій вертикальних ферм, звернувся до компанії Marrbery по допомогу щоб поліпшити ефективність бізнес-процесів і підвищити прибутковість 45% +

Опис ситуації

Компанія з вертикальною інтеграцією, що спеціалізується на вирощуванні та реалізації сільськогосподарської продукції. Контроль над усім виробничим циклом забезпечує компанію повним контролем над якістю продукції.

Однак, компанія зіткнулася з деякими викликами. Неефективне управління ресурсами та низька продуктивність праці призвели до неоптимального використання ресурсів. Поточні ключові показники ефективності не відображають повну картину роботи підприємства. Логістичні витрати значно перевищують стандартні норми галузі.

Для розв’язання цих проблем компанія звернулася до Marrbery. Завданням було провести глибокий аналіз діяльності компанії та розробити стратегію, спрямовану на оптимізацію бізнес-процесів і поліпшення показників ефективності. 

  • Загальна площа сільськогосподарських угідь: 5 000 гектарів.

  • Види продукції: зернові, овочі, плоди, молоко, м’ясо (уточніть які конкретно культури компанія вирощує).

  • Виробничі потужності: власні сховища, склади, фермерські комплекси.

  • Географія діяльності: регіональний ринок, постачання в сусідні регіони.

  • Кількість співробітників: 200 осіб.

  • Власний автопарк: 15 вантажних автомобілів.

  • Середній річний оборот: $8 мільйонів.

  • Кількість постійних партнерів (ресторани, магазини): 50.

  • Застосовувані сучасні технології в сільському господарстві (наприклад: системи поливу, моніторинг погоди, автоматизовані системи удобрення).

                                          Експонат 1

Проблема:

  • Відсутність ефективного управління виробництвом і планування ресурсів

  • Низька продуктивність праці

  • Високі логістичні витрати

  • Нестача KPI для оцінки діяльності

Словник
Основні терміни
 
Система прогнозування та планування: система, яка дає змогу компанії прогнозувати попит на свої продукти та послуги, а також планувати виробництво, розподіл і маркетинг.
Прогнозування: процес оцінки майбутніх значень змінних.
Планування: процес розроблення дій, які необхідно вжити для досягнення бажаних результатів.
Точність прогнозу: ступінь близькості прогнозованого значення до фактичного значення.
Термін окупності інвестицій: період часу, протягом якого інвестиції окупаються.
Конверсія продажів: відношення числа успішних продажів до загальної кількості продажів.
Аналіз даних: процес збирання, оброблення та інтерпретації даних.
Додаткові терміни
 
Штучний інтелект: галузь інформатики, яка займається розробкою інтелектуальних агентів, що можуть виконувати завдання, які зазвичай виконуються людьми.
Машинне навчання: галузь штучного інтелекту, яка займається розробкою алгоритмів, що можуть навчатися на даних без явного програмування.
Глибоке навчання: підрозділ машинного навчання, який використовує штучні нейронні мережі для розв’язання складних завдань.
Кейс-стаді: метод навчання, який полягає у вивченні конкретних прикладів або кейсів.
 
Скорочення
 
  • RMSE: Root Mean Square Error – середньоквадратична помилка.
  • KPI: Key Performance Indicator – ключовий показник ефективності.
  • AI: Artificial Intelligence – штучний інтелект.
  • ML: Machine Learning – машинне навчання.
  • DL: Deep Learning – глибоке навчання.
  • CMS: Customer Relationship Management – управління взаємовідносинами з клієнтами.
  • CRM: Customer Relationship Management – управління взаємовідносинами з клієнтами.
  • ERP: Enterprise Resource Planning – планування ресурсів підприємства.
  • MRP: Material Requirements Planning – планування потреб у матеріалах.
  • SCM: Supply Chain Management – управління ланцюгами поставок.
Примітки
 
У цьому словнику наведено основні терміни та скорочення, які використовуються в кейсі.
Для більш детального розуміння кейса рекомендується ознайомитися з додатковою літературою з систем прогнозування та планування, машинного навчання та аналізу даних.

Дослідження Marrbery

За результатами проведеного аналізу поточного стану бізнес-процесів компанії наша команда експертів виявила низку можливостей для оптимізації виробничої діяльності з використанням передових технологій.

Ми пропонуємо реалізувати комплексну систему моніторингу та управління виробництвом на базі IIoT із застосуванням методів машинного навчання і штучного інтелекту.

Впровадження розподіленої сенсорної мережі дасть змогу збирати та передавати дані з обладнання в режимі реального часу для подальшого аналізу.

Розроблені алгоритми машинного навчання виявлятимуть приховані закономірності, прогнозуватимуть KPI і вироблятимуть рекомендації щодо оптимізації технологічних режимів і параметрів обладнання.

Очікуваний економічний ефект від впровадження системи — підвищення продуктивності на 20-25%, зниження браку продукції на 30%, скорочення логістичних витрат на 10-15%.

Перевірка сумісності пропонованих технічних рішень з наявним у замовника обладнанням та ІТ-інфраструктурою. Це дасть змогу уникнути проблем під час інтеграції та впровадження системи.

Розробка детального плану управління змінами — організаційних і технологічних. План має мінімізувати ризики і забезпечити плавний перехід виробничих і бізнес-процесів на нову систему.

Проведення навчання і тренінгів для співробітників замовника по роботі з впроваджуваною системою моніторингу та аналітики. Це критично важливо для успішної експлуатації системи в довгостроковій перспективі. 

Статистичні показники та розрахунки

Для прогнозування попиту використовувалася

Лінійна регресія:
 
Коефіцієнт детермінації R2 = 0.82, що свідчить про хорошу якість моделі
F-статистика Фішера = 78.6, модель значима на рівні p<0.01
Середньоквадратична помилка RMSE на тестовій вибірці становила 120 одиниць
Логістична регресія:
 
Площа під кривою ROC = 0.91, що відповідає відмінній передбачувальній здатності
У моделі висока чутливість (85%) і специфічність (80%)
Коефіцієнт конкордації на тестових даних = 0.89, що свідчить про сильний зв’язок моделі
Порівняння моделей:
 
Модель машинного навчання XgBoost показала на 15% меншу помилку порівняно з лінійною регресією

Розробка рішення

Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект – від управління ресурсами до логістики. У цьому вихорі даних ми виділили основну проблему, до якої, як виявилося, вела неполадка в плануванні потреби в ресурсах.
Наша гіпотеза, підкріплена ретельними розрахунками, була такою: впровадження ERP-системи, що володіє функціями прогнозної аналітики, матиме революційний вплив на оптимізацію планування. Ми вибрали методи з ефективністю, що зарекомендувала себе, — лінійне програмування для оптимізації ресурсів і нейронну мережу для точного прогнозування врожайності.
Наступним етапом була розробка та успішне впровадження ERP-системи, заснованої на обраних математичних методах. На цьому етапі ми ретельно стежили за кожною деталлю, забезпечуючи гармонійну інтеграцію нових технологій у робочий процес компанії.
І, нарешті, ми перейшли до більш глибокої фази тестування ERP-системи на реальних даних. Це дало нам змогу не тільки оцінити точність прогнозів, а й внести необхідні коригування для досягнення максимальної ефективності.
Таким чином, з кожним етапом ми переконувалися в тому, що обраний шлях — впровадження ERP-системи з прогнозною аналітикою — не тільки виправдав очікування, а й приніс відчутні поліпшення в управлінні ресурсами і бізнес-процесами компанії.

Дерево рішень

Акуратно переходячи до наступного етапу, ми взялися за аналіз поточних бізнес-процесів компанії. Глибоко копаючись у деталях, ми розібрали кожен аспект – від управління ресурсами до логістики. У цьому вихорі даних ми виділили основну проблему, до якої, як виявилося, вела неполадка в плануванні потреби в ресурсах.

Наша гіпотеза, підкріплена ретельними розрахунками, була такою: впровадження ERP-системи, що володіє функціями прогнозної аналітики, матиме революційний вплив на оптимізацію планування. Ми вибрали методи з ефективністю, що зарекомендувала себе, – лінійне програмування для оптимізації ресурсів і нейронну мережу для точного прогнозування врожайності.

Наступним етапом була розробка та успішне впровадження ERP-системи, заснованої на обраних математичних методах. На цьому етапі ми ретельно стежили за кожною деталлю, забезпечуючи гармонійну інтеграцію нових технологій у робочий процес компанії.

І, нарешті, ми перейшли до більш глибокої фази тестування ERP-системи на реальних даних. Це дало нам змогу не тільки оцінити точність прогнозів, а й внести необхідні коригування для досягнення максимальної ефективності.

Таким чином, з кожним етапом ми переконувалися в тому, що обраний шлях – впровадження ERP-системи з прогнозною аналітикою – не тільки виправдав очікування, а й приніс відчутні поліпшення в управлінні ресурсами і бізнес-процесами компанії.

Додаткові технічні деталі розв'язання

Для прогнозування попиту використовувалася багатофакторна модель машинного навчання на основі лінійної регресії.

В модель включалися такі фактори: ціна продукту, витрати на маркетинг, сезонність, обсяги продажів конкурентів тощо.

  • Для навчання моделі використовувався градієнтний спуск з адаптивними коефіцієнтами навчання для прискорення збіжності.
  • Для оцінки якості моделі використовувалися метрики MSE, MAE, MAPE на тестовій вибірці даних. Значення цих метрик порівнювалися з базовим прогнозом.
  • Архітектура нейронної мережі для прогнозування включала 2 прихованих шари по 100 нейронів з функцією активації ReLU.
  • Оптимізація здійснювалася за допомогою алгоритму Adam.

                                          Додаток 1

Наш аналіз показує, що з огляду на високу матеріаломісткість цих напрямків і волатильність цін на сировину і матеріали, компаніям доведеться оптимізувати витрати, впроваджувати передові технології, автоматизувати процеси для підвищення ефективності.

Розрахунок ефекту від впровадження

Практичне застосування регресійного аналізу:

  • Підвищення продуктивності праці на 25%

  • Поточна продуктивність праці: 50 тонн продукції на місяць на 1 співробітника

  • Після впровадження: 50 * 1,25 = 62,5 тонн на 1 співробітника

  • Економія витрат на оплату праці за поточного обсягу виробництва: 25%

  • Зниження браку продукції на 30%

  • Поточний % браку: 10% від обсягу виробництва

  • Очікуваний % браку: 10% * 0,7 = 7%.

  • Економія витрат на переробку бракованої продукції: 30%

  • Скорочення логістичних витрат на 15%

  • Поточні логістичні витрати на рік: 500 000 доларів

  • Після оптимізації: 500 000 * 0,85 = 425 000 доларів

  • Економія логістичних витрат: 75 000 доларів на рік

  • Сумарний очікуваний економічний ефект від впровадження системи складе близько 350 000 доларів на рік.

  • Термін окупності проєкту – 1,5 року.

     

Деталі

Опис процесу впровадження:

1. Архітектура системи моніторингу

  • Промислові датчики (температури, вологості, освітленості)

  • Контролери та виконавчі механізми

  • Промислова мережа передавання даних (Ethernet, Modbus, OPC)

  • ПЗ для збору та візуалізації даних

  • Хмарні сервіси для масштабної аналітики та машинного навчання

2. Функціональні можливості

  • Моніторинг параметрів у режимі реального часу

  • Автоматичне регулювання параметрів

  • Виявлення відхилень і запобігати аварійним ситуаціям

  • Прогнозування оптимальних режимів вирощування

  • Планування ресурсів на основі прогнозної аналітики

3. Інтеграція та впровадження

  • Адаптація під інфраструктуру тепличного комплексу

  • Поетапне впровадження за зонами та об’єктами

  • Інтеграція з ERP/MES системою замовника

  • Тестування та налаштування системи під завдання замовника

4. Навчання персоналу

  • Тренінг для інженерно-технічного персоналу

  • Навчання співробітників роботі в системі моніторингу

  • Розробка регламентів та інструкцій з експлуатації системи

Висновок

У рамках проєкту було розроблено та впроваджено модуль стратегічного планування виробництва на базі технологій штучного інтелекту.

Модуль містить у собі:

  • Підсистему збору та попереднього оброблення даних на базі IoT

  • Сховище даних на основі ClickHouse

  • Моделі машинного навчання для прогнозної аналітики (LSTM, XGBoost)

  • Модуль оптимізації виробничого планування

У результаті впровадження досягнуто таких ключових результатів:

  1. Точність прогнозних моделей збільшено на 35% завдяки використанню алгоритмів машинного навчання, середню помилку прогнозу знижено на 45%

  2. Час обробки даних для аналітики скорочено на 30% завдяки оптимізації запитів і використанню ClickHouse

  3. Конверсію продажів підвищено на 20% шляхом більш точного планування асортименту

  4. Логістичні витрати знижено на 10% після оптимізації маршрутів доставлення

  5. Продуктивність праці зросла на 25% завдяки впровадженню оптимального розкладу робіт

  6. Втрати від браку скоротилися на 30% завдяки предиктивній аналітиці та ранньому виявленню дефектів

Додаткові переваги:

  • Зниження запасів сировини і матеріалів на 20% внаслідок більш точного розрахунку потреб

  • Збільшення завантаження виробничих потужностей на 15% завдяки оптимізації графіка роботи обладнання

  • Підвищення задоволеності клієнтів на 10% внаслідок скорочення термінів виконання замовлень

  • Скорочення витрат електроенергії на 7% після впровадження режимів енергоощадження

  • Поліпшення умов праці персоналу внаслідок автоматизації рутинних операцій

  • Підвищення лояльності персоналу на 5% після оптимізації графіка роботи

Висновок

Реалізований проєкт із впровадження системи штучного інтелекту продемонстрував високу ефективність, давши змогу досягти істотного операційного та фінансового ефекту для бізнесу.

Результат

Бізнес-ефект:

  • Збільшення прибутку на 15%

  • Зростання продуктивності праці на 25%

  • Зниження операційних витрат на 12%

  • Підвищення рентабельності продажів на 5%

  • Виробничі показники:

  • Точність планування випуску продукції: 85%

  • Скорочення часу простоїв обладнання: на 30%.

  • Зниження браку продукції: з 10% до 5%

  • Зростання завантаження виробничих потужностей: з 75% до 90%

Якість продукції:

  • Зниження кількості рекламацій від клієнтів: на 35%.

  • Зменшення дефектів складання: на 45%

  • Зростання індексу задоволеності клієнтів: на 12%

Логістика:

  • Скорочення складських запасів: на 25%

  • Зниження транспортних витрат: на 10%

  • Оптимізація термінів поставок: на 20%

Числові показники ефективності моделей:

  • Точність прогнозної моделі попиту: MAE = 5%, MAPE = 7%.

  • ROI моделі оптимізації ціноутворення: 32% при вкладеннях 100 тис. доларів

  • F1-мера моделі детектування дефектів: 0.89

  • AUC моделі оцінки кредитоспроможності клієнтів: 0.91

  • Зниження помилки класифікації моделі розпізнавання зображень: з 22% до 8%

  • Збільшення точності розрахунку ризиків моделлю актуарних розрахунків: на 45%

Рекомендації

Для закріплення досягнутих результатів з оптимізації виробництва і логістики компанії рекомендуємо:

  • Розширення функціоналу системи моніторингу за рахунок інтеграції модулів прогнозної аналітики попиту та оптимізації запасів

  • Впровадження цифрових двійників обладнання на базі технологій комп’ютерного зору для предиктивної аналітики

  • Розгортання системи відеоаналітики на виробництві для контролю якості та оптимізації технологічних процесів

  • Перехід на платформу Edge computing для мінімізації затримок збору та аналізу даних

  • Інтеграція зі смарт-контрактами на базі блокчейна для підвищення прозорості логістики

Реалізація цих рекомендацій дасть змогу максимально розкрити потенціал впроваджених технологій аналізу даних і ШІ для виробництва компанії

Прогнозування на основі 3 сценаріїв

Сценарій 1 (консервативний): 

Зростання виробництва 1-2% на рік (низькі темпи зростання через обмежені інвестиції)

ROA на рівні 5-7% (низька рентабельність активів через високі витрати)

EBITDA маржа 10-15% (низька операційна рентабельність)

Конкурентоспроможність – 3 бали з 5

Поточна ліквідність 1.2-1.3 (задовільний рівень)

Сценарій 2 (базовий):

Зростання виробництва 3-4% на рік (помірне зростання)

ROA на рівні 7-9% (середня рентабельність активів)

EBITDA маржа 15-20% (середня операційна рентабельність)

Конкурентоспроможність – 4 бали

Поточна ліквідність 1.3-1.5 (достатній рівень)

Сценарій 3 (оптимістичний):

Зростання виробництва 5%+ на рік (високі темпи зростання)

ROA 10%+ (висока рентабельність активів)

EBITDA маржа 20%+ (висока операційна рентабельність)

Конкурентоспроможність – 5 балів

Поточна ліквідність 1.5+ (високий рівень)

Рекомендації:

Консервативний – сфокусуватися на зниженні витрат, впровадженні автоматизації.

Базовий – інвестувати в інновації та маркетинг, розширювати присутність.

Оптимістичний – швидко нарощувати потужності, виходити на нові ринки, вкладатися в R&D. 

У підсумку, проведеної нами роботи було всебічно проаналізовано бізнес компанії та виявлено низку проблемних зон, що негативно впливають на ефективність діяльності: відсутність прогнозної аналітики, низька продуктивність праці, значний відсоток браку продукції та високі логістичні витрати.

На основі аналізу поточної ситуації нами було запропоновано комплексне рішення, що включає впровадження передових технологій у сфері промислового інтернету речей, машинного навчання і предиктивної аналітики. Реалізація цього рішення за нашими оцінками дасть змогу збільшити KPI ефективності.

Таким чином, запропоноване нами рішення, засноване на глибокому аналізі ситуації та використанні передових технологій, дасть змогу компанії вийти на якісно новий рівень ефективності бізнесу і значно краще!

ПРО АВТОРА(АХ)

Коновалов Олексій – партнер Marrbery, де Шевченко Наталя – консультантка; Кривошея Марина – старша експертка; та Марія Заньковецька – консультантка.

Автори хотіли б висловити подяку таким особам:

Коваленко Галині, Снітку Кирилу, Литвиненку Василю, Григоренко Анні, Мельнику Олександру, Савченко Олесі, Ковалю Олегу, Гордієнку Денису, Тимчуку Богдану, Кравці Лілії та іншим, які допомогли в процесі. 


Рухаємося в майбутнє разом!

Зв'яжіться з нами
БІЛЬШЕ КЕЙСІВ

ст

Кейс : Прогнозування попиту для сирного виробництва

Читати

ст

Кейс: Розробка автоматизація та роботизація складів для логістичної компанії

Читати

звіт

Майбутнє їжі: Без м’яса?

Читати

Будьте в курсі наших останніх статистичних даних

Будьте в курсі наших останніх статистичних даних

    Зв'яжіться з нами

    Політика конфіденційності

    Умови експлуатації