AI в управленческом учёте производства: OEE, scrap, себестоимость

Управленческий учёт на производстве — это десятки метрик, которые нужны каждое утро: выработка, простой, брак, себестоимость единицы, маржа по продукту. Excel не справляется, MES-системы стоят миллионы, 1С показывает цифры вчерашним днём. AI-агент собирает данные из всех источников в реальном времени, считает unit-экономику по каждому продукту и показывает руководителю реальную маржинальность в моменте. Разберём что считать, как автоматизировать и сколько это экономит.

Что такое управленческий учёт производства

Это полная картина по каждому продукту:

• Сколько реально стоит производство единицы (себестоимость)
• Сколько мы заработали на каждом заказе (маржа)
• Где теряем деньги (простой, брак, перерасход материалов)
• Какой продукт выгоднее (сравнение по маржинальности)
• Что делать завтра — снизить цену, увеличить партию или убрать продукт

Это не бухгалтерский учёт (тот показывает что произошло вчера для налоговой). Это управленческий — что делать сегодня для роста прибыли.

5 ключевых метрик производства

1. OEE (Overall Equipment Effectiveness — общая эффективность оборудования)

Что это: Общая эффективность оборудования. Процент от того, что могло быть произведено при 100% загрузке.

Формула: OEE = Доступность × Производительность × Качество

Пример:

• Станок работал 480 минут из 480 → Доступность 100%
• Делал 60 деталей в час вместо 80 → Производительность 75%
• 3 из 60 деталей брак → Качество 95%
• OEE = 1.0 × 0.75 × 0.95 = 71%

Мировой бенчмарк: 60-65% — нормально, 85%+ — мировой класс.

2. Себестоимость единицы (Unit Cost — стоимость единицы продукции)

Что это: Полная стоимость производства одной детали/изделия с учётом всех расходов.

Составляющие:

• Материалы (прямые + отходы)
• Зарод электроэнергии
• Зарплата рабочих (с отчислениями)
• Амортизация оборудования
• Накладные расходы (цех, склад, логистика)

Что делает: Считает не «сколько стоит выпустить 1000 деталей» (это знают), а сколько стоит каждая с учётом всех потерь.

3. Scrap (Брак и отходы)

Что это: Процент брака и отходов от общего объёма.

Метрики:

• Scrap rate = (бракованные детали / всего выпущено) × 100%
• Стоимость scrap = scrap rate × себестоимость материалов
• Scrap by product = брак по продуктам (ищем проблемные)

Реальные цифры по отраслям:

• Металлообработка: 3-7% scrap = нормально
• Пищевая: 1-5%
• Электроника: 0.5-2%
• Каждый 1% scrap = -1-2% чистой прибыли

4. Throughput (пропускная способность — сколько продукции проходит через линию)

Что это: Сколько продукции реально проходит через производство в единицу времени.

Метрики:

• Единиц в час/день/месяц
• Единиц на 1 работника
• Единиц на 1 станок
• Время цикла (cycle time — время от начала до конца производства одной единицы)

Зачем: Сравнение с планом, с предыдущим месяцем, между цехами.

5. Cycle Time (время цикла — от старта до готовой детали)

Что это: Время от начала до конца производства одной единицы.

Разбивка:

• Время обработки (станок работает)
• Время простоя (ждёт оператора, материалов, других операций)
• Время наладки (переход с одного продукта на другой)
• Время транспортировки (между цехами)

Цель: Сократить общее время, увеличив долю «обработки».

Что AI делает с этими метриками

1. Автоматический сбор данных

Было:

• Оператор записывает выработку в журнал → 1 час в день
• Мастер вручную в Excel → 1 час
• Бухгалтер собирает 1С (1С — бухгалтерская система) отчёты → 2 часа
• Итого: 4 часа рутины в день

С ИИ:

• Датчики станков → автоматически в базу данных
• Камеры + компьютерное зрение → считают готовые и бракованные детали
• API 1С + банк → автоматический сбор
• Выручка в реальном времени

Время: 0 часов. AI сам собирает.

2. Расчёт unit-экономики в реальном времени

Было:

Заказ №1254 (1000 деталей А-123):
- Материалы: 350 000 ₽
- Зарплата: 120 000 ₽
- Электричество: 25 000 ₽
- Амортизация: 40 000 ₽
- Цеховые: 30 000 ₽
- Себестоимость заказа: 565 000 ₽ (565 ₽/шт)
- Продано за: 700 000 ₽ (700 ₽/шт)
- Маржа: 135 000 ₽ (19.2%)

Считается вручную раз в неделю.

С ИИ:

• AI считает себестоимость каждой детали в реальном времени
• Видит отклонения: «Заказ №1254 идёт с перерасходом материала +8%»
• Алерт: «Если так продолжится, маржа будет 14% вместо плана 19%»

Когда видишь: постоянно, не на следующей неделе.

3. Прогноз брака и простоя

Было: Узнаём о проблеме когда уже потеряли деньги.

С ИИ:

• Анализирует паттерны: на станке X после смены Y растёт scrap rate
• Предупреждает за 1-2 часа: «Через 3 часа ожидается scrap rate 12% (норма 5%)»
• Видит причины: «Вчера меняли поставщика металла — корреляция 0.78»

4. Сравнение продуктов по маржинальности

AI автоматически даёт таблицу:

Продукт	Объём/мес	Выручка	Себестоимость	Маржа	Маржа %	Рекомендация
А-123	5000 шт	3.5 млн	2.8 млн	700 тыс	20%	🟢 держать
Б-456	2000 шт	1.2 млн	1.1 млн	100 тыс	8%	🔴 пересмотреть
В-012	1000 шт	500 тыс	600 тыс	-100 тыс	-20%	⚠️ поднимать цену или убирать

5. Оптимизация загрузки

AI находит узкие места:

• Станок 4 простаивает 40% времени — есть резерв
• Станок 7 перегружен в 1-ю смену, пустой в 3-ю — перебалансировать
• На линии Б-456 bottleneck — операция 4, поставить ещё 1 оператора

Архитектура решения

[Датчики станков, MES (Manufacturing Execution System — система управления производством), камеры]
[1С:ERP (1С:ERP — система планирования ресурсов предприятия), банк, CRM (CRM — система управления отношениями с клиентами)]
        ↓
   [AI-АГЕНТ]
   ┌─────────┼──────────┐
   ↓         ↓          ↓
[Данные] [Аналитика] [Алерты]
   ↓         ↓          ↓
[Дашборд] [Отчёты]  [Telegram]
        ↓
    [Директор/Фин.дир]

Стоимость внедрения

Тип	Запуск	В месяц
Дашборд в Power BI или Google Sheets (без AI)	200-500 тыс ₽	30-80 тыс ₽
AI-агент со сбором данных + отчёты	300-700 тыс ₽	от 50 тыс ₽
Полная система (дашборд + AI + алерты + интеграции)	500 тыс — 2 млн ₽	от 80 тыс ₽

Кейс: завод металлоконструкций

До установки AI-агента:

• Учёт в 1С + Excel
• Себестоимость считалась в конце месяца
• Маржа по продукту — неизвестна
• Scrap (доля брака) не отслеживался в реальном времени
• Маржа: 12%, прибыль: 8 млн/мес

После установки AI-агента (через 3 месяца):

• Автосбор данных из станков + 1С + банк
• Себестоимость в реальном времени
• Маржа по продукту — видна сразу
• Алерты при scrap больше 5%
• Результат:
• Scrap упал с 6% до 3.5% (экономия 1.2 млн/мес)
• Маржа выросла до 18% (экономия 2.4 млн/мес)
• Время финансового директора на отчёты — с 4 часов до 30 минут

С чего начать

1. Определить критические метрики — OEE, scrap, unit-cost
2. Собрать данные — даже если это ручной ввод, начать с Excel
3. Сделать дашборд — чтобы видеть цифры каждый день
4. Добавить AI-агента — сбор данных + алерты
5. Автоматизировать решения — алерты в мессенджер + автоматические отчёты

Главная ошибка: «Сначала ERP, потом AI»

Частая ловушка: покупают 1С:ERP за 5 млн, настраивают год, не работает. AI может быть поверх существующих систем — собирать данные из Excel, 1С, банк-клиента и давать результат через 1-2 месяца.

ERP — это про учёт, це не про решения. AI — про решения на основе данных.

Кому подходит

✅ Производства от 50 млн/год выручки

✅ Стабильный ассортимент — от 3 SKU

✅ Считают деньги — нужна маржа по продукту

✅ Готовы выделить 1 сотрудника на интеграцию с AI

Кому НЕ подходит

❌ Уникальные заказы под клиента (нельзя посчитать unit-экономику)

❌ Выручка меньше 30 млн/год (дорого)

❌ Нет данных вообще — нет ни 1С, ни Excel, ни MES

Резюме в одной строке

AI в управленческом учёте производства — это не серебряная пуля, а инструмент для директора видеть реальную маржу по каждому продукту в реальном времени и принимать решения до того, как потерял деньги.

---

ГЕРИОТ делает пилоты за 14 дней. Типовой AI-агент — от 50 000 ₽/мес, полная система — от 150 000 ₽/мес.

В рамках общения мы определяем оптимальную стратегию. При необходимости, проводим подробный аудит процессов.

Оставить заявку: sales@geriot.ru или https://geriot.ru/