Введение

Тема мониторинга на предприятии сейчас очень актуальна, потому что руководители хотят видеть, что реально происходит в цехах, на складах, с оборудованием. Но часто получается так: есть огромная масса отчётов в Excel, каждый отдел даёт свои цифры, а общая картина всё равно не ясна. Или, наоборот, внедрили дорогую программу, собирают горы данных, а использовать их не умеют. Поэтому я решил разобраться, как именно нужно выстраивать систему мониторинга — по шагам, с самого начала и до конца.

Когда компания растёт и становится крупной, управлять ею старыми способами уже невозможно. Об этом пишут многие авторы [1]. Требуется прозрачность, быстрая реакция на отклонения, понимание того, где мы теряем деньги, а где можем заработать больше. Система мониторинга как раз и создаётся для таких задач.

Но проблема в том, что в научной литературе нет единого, удобного для практиков алгоритма. Есть отдельные статьи про KPI, есть про IT-системы, есть про анализ данных. А чтобы взять и последовательно пройти все этапы — от идеи до работающей системы — таких материалов мало. Тем более с учётом нашего российского опыта, который сильно отличается от западного. У нас другие менталитет, другие подходы к управлению, и многое из того, что работает в Европе или США, у нас просто не приживается. Поэтому цель моей работы — предложить такой алгоритм внедрения, который был бы понятен обычному сотруднику завода или начальнику цеха, и который учитывал бы реальные проблемы российских предприятий.

Для этого были поставлены несколько задач. Во-первых, разобраться с теорией — что такое система мониторинга и как она связана со сбалансированной системой показателей. Во-вторых, посмотреть, что говорят исследования про опыт внедрения именно в России, какие ошибки чаще всего делают. В-третьих, на основе этого описать пошаговый алгоритм с конкретными действиями на каждом этапе. И в-четвёртых, добавить несколько важных моментов про контроль качества данных и про то, как использовать современные методы вроде машинного обучения, но без фанатизма.

Что такое система мониторинга и зачем она нужна

Прежде чем говорить про алгоритм внедрения, нужно договориться о терминах. В моём понимании система мониторинга — это не просто программа на компьютере. Это целый комплекс, куда входят: люди, которые собирают и анализируют данные; регламенты и инструкции; измерительное оборудование, датчики, а также программное обеспечение для хранения и визуализации информации. Главная цель — чтобы руководство в любой момент могло посмотреть, как идут дела, вовремя заметить проблему и принять решение. То есть это инструмент поддержки управления, а не просто способ заполнить отчётность.

В литературе [2] выделяют несколько основных функций, которые должна выполнять такая система. Первое — информационная, то есть все нужные данные должны быть в одном месте и в понятном виде. Второе — аналитическая: недостаточно просто показать цифры, нужно ещё объяснить, почему они такие, что они означают. Третье — контрольная: система следит за тем, выполняются ли планы и нормативы. Четвёртое — прогностическая, или, как сейчас модно говорить, предиктивная аналитика, когда система пытается предсказать, что случится в будущем. И пятое — сигнальная: если что-то пошло не так, должно приходить оповещение. Конечно, не все предприятия сразу внедряют все эти функции, но к этому нужно стремиться.

Самый известный подход к построению систем мониторинга — это сбалансированная система показателей (Balanced Scorecard). Её придумали Каплан и Нортон ещё в 1990-е, но она до сих пор актуальна. Суть в том, что нельзя оценивать компанию только по финансам. Нужно смотреть на четыре стороны: финансы, клиенты, внутренние процессы, а также обучение и развитие персонала. Сбоева Е. В. в своей статье [2] подробно объясняет, как эти четыре проекции связаны между собой. Например, если мы вложим деньги в обучение рабочих, то они начнут лучше работать, клиенты будут довольны, и в итоге вырастет прибыль. Это звучит логично, но на практике такую цепочку строят далеко не все. Чаще всего берут только финансовые показатели или только операционные, а связь между ними теряется.

Для промышленного предприятия, как я понял из изученных источников [2], важно отслеживать несколько групп KPI. Это операционные показатели: загрузка оборудования, общая эффективность (OEE), время на переналадку. Качественные: процент брака, количество рекламаций. Логистические: оборачиваемость запасов, соблюдение сроков поставок. Финансовые: себестоимость, маржинальность. И инновационные: доля новой продукции, количество предложенных улучшений. Если пытаться охватить всё сразу, получится слишком много показателей, и система захлебнётся. Поэтому нужно выбирать главное, про это я ещё скажу в разделе про алгоритм.

Ещё один важный момент — учёт рисков. Татаровский Ю. А. в своей работе [4] предлагает так называемый риск-ориентированный подход. Суть в том, что разные участки производства имеют разную важность и разную вероятность сбоев. Где-то сломанный станок остановит всю линию, а где-то можно работать и с поломкой. Значит, мониторить эти участки нужно по-разному. Для критически важного оборудования мы ставим датчики, которые следят за каждым часом работы, а для второстепенных процессов достаточно раз в неделю смотреть отчёты. Также важно установить пороговые значения — когда показатель приближается к критической отметке, система должна сама подавать сигнал, чтобы не ждали, пока всё рухнет. Этот подход кажется очень разумным, особенно когда бюджет на автоматизацию ограничен. Не нужно пытаться измерить всё, достаточно измерить самое опасное и самое важное.

Как на самом деле внедряют мониторинг в России: опыт и проблемы

Очень полезной оказалась статья Кузнецовой и Леонова [1], где они проанализировали 47 российских организаций, которые пытались внедрить сбалансированную систему показателей и мониторинг. Исследование свежее, 2024 год, так что данные актуальные.

Они выделили три модели внедрения. Первая — «директивная», или «сверху вниз». Когда руководитель сказал: «Внедряем такие-то показатели, все должны отчитываться». Внедряется это быстро, за 3–6 месяцев. Но, как выяснилось, в 65 % случаев через год система работает чисто формально. Люди заполняют цифры, потому что надо, но никто в них не верит, никто их не анализирует. Более того, сотрудники начинают подгонять данные под нужные значения, чтобы не ругали.

Вторая модель — демократическая. Тут всё наоборот: создают проектную группу, советуются с рабочими и мастерами, вместе обсуждают, какие показатели нужны. Внедрение идёт дольше — от 9 до 18 месяцев. Зато потом система реально работает. В статье [1] приводят цифры: через два года достоверность данных сохраняется на уровне 85–90 %, а операционные показатели улучшаются на 15–20 %. Это хороший результат. Но не все руководители готовы ждать так долго и тратить время на согласования.

Третья модель — гибридная. Стратегические KPI спускаются сверху, а операционные — разрабатываются снизу с участием линейного персонала. Мне кажется, это самый разумный вариант. Он идёт быстрее, чем полностью демократический, и даёт лучшую вовлечённость, чем директивный. Авторы статьи тоже считают эту модель наиболее эффективной для наших условий.

При том были выявлены самые частые проблемы моделей, рассмотрим их подробнее.

Первая проблема — разрыв между стратегией и операционкой. Это встречается в 78 % компаний. То есть на уровне цеха гонятся за одними показателями (например, за количеством выпущенных деталей), а для компании в целом важнее качество или снижение себестоимости. В итоге цех отчитывается о перевыполнении плана, а общая прибыль падает, потому что много брака или перерасход материала. Связи между показателями нет.

Вторая проблема — недостоверность данных. 72 % компаний с этим сталкиваются. Особенно остро, если KPI привязан к премии. Тут уж человек любым способом подгонит цифры, чтобы получить бонус. Причём иногда это происходит не злонамеренно, а просто потому, что методика подсчёта нечёткая. Например, как считать время простоя — с момента остановки станка или с момента, когда вызвали ремонтника? Разные люди посчитают по-разному.

Третья проблема — слишком много показателей. 65 % компаний пытаются отслеживать по 50, 80, а то и 100 KPI. Понятно, что нормально проанализировать такой объём невозможно. Глаза разбегаются, никто не понимает, на что смотреть в первую очередь. В результате система превращается в свалку цифр, которая не помогает управлять.

Четвёртая проблема — слабая интеграция с решениями. То есть данные собирают, отчёты готовят, красивые графики рисуют. А что дальше? Дальше никто эти графики в реальных совещаниях не использует. Решения принимаются по старинке — на основе интуиции или просто потому, что «так всегда делали». Мониторинг становится дорогой игрушкой, а не рабочим инструментом.

Пятая проблема — необученный персонал. Люди просто не понимают, что означают эти KPI, как их считать, как на них влиять. Отсюда сопротивление: зачем нам это надо, мы и так работаем.

Успешные компании, которых в исследовании было 19 из 47, делали иначе. Они начинали с пилотного проекта на одном участке, а не на всём заводе сразу. Они обязательно обучали сотрудников. Они построили систему мотивации так, что поощрялась достоверность данных, а не только выполнение плана. И они каждый квартал пересматривали состав KPI, выбрасывая те, которые стали бесполезными. Мне кажется, эти рекомендации очень ценны, и я их учёл при составлении алгоритма.

Пошаговый алгоритм внедрения системы мониторинга

Теперь перейдём к самому главному — к алгоритму. Я разбил его на шесть самых основных этапов.

Этап 1. Предпроектный анализ и постановка целей

Сначала нужно понять, зачем нам вообще нужна система мониторинга. Звучит банально, но на практике часто отвечают: «ну, начальник сказал» или «у всех есть, и нам надо». Это неправильно. Нужно чётко сформулировать, какие проблемы мы хотим решить. Например: снизить простой оборудования, уменьшить запасы на складе, повысить качество продукции, сократить время реакции на аварии. Цели должны быть измеримыми. Не просто «улучшить мониторинг», а «снизить время простоя на 20 % за полгода».

Также на этом этапе нужно оценить текущее состояние: какие данные уже собираются, в каком виде, как часто, кто их использует. Часто выясняется, что много данных есть, но они разрознены, хранятся в разных файлах, не сведены воедино. Или, наоборот, данных не хватает, нужно ставить дополнительные датчики. Важно также определить бюджет и сроки. Без этого проект рискует затянуться или остановиться из-за нехватки денег.

Лучшим решением на этом этапе будет — создать рабочую группу из представителей разных отделов: производство, планово-экономический отдел, IT, отдел качества. И обязательно пригласить кого-то из цехового персонала, чтобы слышать реальные голоса с земли. Группа должна утвердить цели и объём работ.

Этап 2. Выбор ключевых показателей (KPI)

Когда цели поставлены, начинается самое сложное — выбрать показатели. На основе теории сбалансированной системы показателей нужно охватить все четыре проекции: финансы, клиенты, процессы, развитие. Но не по три показателя на каждую, а разумное количество. Оптимально для верхнего уровня — 10–15 KPI, не больше. Если показателей больше, управленцы просто перестают в них вникать.

Как правильно выбрать? Нужно для каждой цели найти один или два измерителя. Например, цель — снизить простои. Показатель — коэффициент использования оборудования (OEE) или время незапланированных остановок за смену. Цель — повысить качество. Показатель — доля брака или количество рекламаций. Важно, чтобы показатель был объективным, легко измеримым и понятным. Не нужно придумывать сложные формулы, которые никто не сможет воспроизвести.

При этом я рекомендую использовать риск-ориентированный подход, о котором писал Татаровский [4]. Для участков с высоким риском выбирать больше показателей и мониторить их чаще. Для низкорисковых — ограничиться минимумом. Это позволит сэкономить ресурсы.

Также на этом этапе нужно договориться о методике расчёта каждого KPI. Кто собирает данные, по какой форме, в какие сроки, как проверяется правильность. Если этого не сделать, то на выходе получим разные цифры от разных отделов.

Этап 3. Пилотный проект

Никогда не нужно внедрять систему мониторинга сразу на всём предприятии. Это гарантированный провал. Правильнее выбрать один участок, один цех или один тип продукции и отработать всё на нём. Пилот должен быть не слишком маленьким (чтобы результат был показательным), но и не слишком большим (чтобы управлять процессом). Хорошо подходит, например, участок с самым проблемным оборудованием или цех, где руководство заинтересовано в изменениях.

В рамках пилота мы устанавливаем необходимое ПО, настраиваем сбор данных (если нужно — датчики), обучаем сотрудников работе с новыми отчётами, запускаем систему в тестовом режиме. Продолжительность пилота — от 2 до 4 месяцев. За это время должны накопиться данные, позволяющие оценить эффект.

Важный момент: на время пилота не нужно сразу привязывать KPI к зарплате. Иначе люди начнут подгонять данные. Сначала нужно отладить механизм сбора и убедиться в достоверности, а потом уже вводить материальную мотивацию.

Этап 4. Оценка результатов пилота и корректировка

После завершения пилотного проекта собираем обратную связь. Смотрим, какие показатели реально используются, а какие повисли мёртвым грузом. Опросим сотрудников — что им непонятно, что мешает. Проверим, насколько данные совпадают с реальностью (можно выборочно перепроверить вручную). Сравним фактические результаты с целями: удалось ли снизить простои, улучшить качество и так далее.

На основе этого анализа корректируем состав KPI — какие-то убираем, какие-то добавляем, меняем методы расчёта. Также дорабатываем интерфейсы и отчёты, чтобы они были удобными. Иногда выясняется, что нужно обучить людей ещё раз, потому что они не всё поняли.

Только после того, как пилот признан успешным (то есть система работает, данные достоверны, персонал не сопротивляется), можно переходить к масштабированию.

Этап 5. Развёртывание на всё предприятие

На этом этапе опыт пилота распространяем на другие цеха и участки. Для каждого подразделения разрабатываем свой набор KPI, но соблюдаем общие принципы: связь со стратегией, ограниченное количество показателей, понятная методика. Где-то показатели могут повторяться, где-то будут уникальные.

Также на этом этапе окончательно настраивается IT-инфраструктура: единая база данных, автоматические дашборды для разных уровней управления (для директора — одни показатели, для мастера — другие). Обязательно автоматизируем сбор данных там, где это возможно, чтобы уменьшить человеческий фактор. Но полностью исключить ручной ввод редко когда получается.

Параллельно идёт обучение всех сотрудников, которые будут работать с системой. Лучше всего проводить тренинги с практическими примерами, показывать, как именно нужно интерпретировать графики, и что делать при обнаружении отклонений.

Важно также издать приказы и регламенты, которые закрепляют новую систему мониторинга как обязательную. Например, утверждается положение о KPI, где описаны все показатели, порядок их расчёта, периодичность отчётности, ответственные лица.

Этап 6. Постимплементационное сопровождение и доработка

После полного запуска работа не заканчивается. Нужно регулярно, например раз в квартал, пересматривать состав KPI. Какие-то показатели теряют актуальность — их убираем. Появляются новые задачи — добавляем новые показатели. Также нужно постоянно контролировать достоверность данных, проводить выборочные проверки. Для этого можно использовать автоматические алгоритмы выявления аномалий, но про них я скажу в следующем разделе.

И ещё один важный момент: система мониторинга должна жить. То есть её данные должны реально использоваться на совещаниях, при принятии решений, при распределении премий. Если люди увидят, что KPI собирают, но на них не реагируют, они быстро потеряют интерес и начнут халтурить.

Весь этот алгоритм я обобщил в таблице 1.

Таблица 1

Этапы внедрения системы мониторинга

Как обеспечить достоверность данных и зачем нужна предиктивная аналитика

Отдельно хочу остановиться на двух важных аспектах, которые часто упускают из виду. Первый — достоверность данных. Второй — возможность прогнозирования с помощью машинного обучения.

Как уже говорилось, проблема искажения данных очень распространена. В институте ИКТИ РАН [5] проводили исследование на эту тему. Они предложили несколько способов снизить риски. Во-первых, нужно использовать автоматический сбор данных везде, где это возможно. Датчики не врут, в отличие от человека, который может «случайно» записать не тот номер. Во-вторых, нужно закладывать в систему алгоритмы, которые проверяют данные на аномалии. Например, если нормальная выработка станка — 100 деталей в смену, а отчёт показывает 500, система должна выдать предупреждение: проверьте данные. В-третьих, нужно проводить периодические аудиты — выборочно пересчитывать показатели вручную и сравнивать с отчётными.

Также важно построить культуру работы с данными. Люди должны понимать, что искажение информации наказывается не только лишением премии, но и другими мерами, потому что это вредит всему предприятию. С другой стороны, те, кто честно сообщает о проблемах, должны получать поддержку, а не наказание. Если рабочего накажут за то, что он указал реальный простой станка, в следующий раз он этот простой скроет. А проблема останется.

Современные технологии позволяют не только констатировать, что сейчас происходит, но и предсказывать будущее. Например, по вибрации двигателя можно предсказать, когда он сломается. По изменению температуры в печи — когда начнётся брак. Это называется предиктивной аналитикой, или прогностическим мониторингом.

В исследовании Suryanto и других [3] описывается опыт внедрения такого подхода на промышленных панелях управления. Они поставили IoT-датчики и использовали алгоритмы машинного обучения. В результате удалось снизить внеплановые простои на 28 %, а затраты на обслуживание — на 22 %. Это очень хорошие цифры. Конечно, для внедрения таких методов нужно иметь хорошую IT-команду и накопленные исторические данные. Но если предприятие уже прошло предыдущие этапы и научилось собирать достоверные данные, то следующий шаг — попробовать прогнозирование.

Правда, я бы не советовал начинать с предиктивной аналитики сразу. Сначала нужно освоить базовый мониторинг — сбор, визуализацию, контроль достоверности. А затем, когда данные накопятся за год-два, можно привлекать специалистов по Data Science и строить прогнозные модели. Такой подход снижает риски и не требует огромных инвестиций на старте.

Заключение

В работе были собраны воедино теория и практика внедрения систем мониторинга на промышленных предприятиях. Основной результат — разработанный алгоритм из шести последовательных этапов: от предпроектного анализа до постоянного сопровождения. Этот алгоритм основан на анализе российского опыта, который показал, что типичные ошибки — это разрыв между стратегией и операционными показателями, недостоверность данных, перегрузка KPI и отсутствие интеграции с управленческими решениями.

Чтобы их избежать, я предлагаю начинать с пилотного проекта, обязательно обучать сотрудников, использовать риск-ориентированный подход и регулярно пересматривать состав показателей. Также важно уделить внимание достоверности данных — внедрять автоматический сбор, алгоритмы проверки и аудиты. И лишь после того, как базовая система заработает, можно переходить к предиктивной аналитике с использованием IoT и машинного обучения.

Конечно, предложенный алгоритм не является догмой. Каждое предприятие уникально: у него своя структура, своя культура, свои технологические особенности. Поэтому нужно адаптировать алгоритм под конкретную ситуацию. Но общие принципы, я считаю, должны оставаться неизменными: связь со стратегией, ограниченное количество показателей, достоверность данных, вовлечение персонала и постоянное совершенствование.

Литература:

1. Кузнецова, Н. В. Рекомендации по разработке и внедрению сбалансированной системы показателей на основе изучения опыта российских организаций / Н. В. Кузнецова, П. Ю. Леонов. — Текст: непосредственный // Вестник университета. — 2024. — № 11. — С. 120–130.
2. Сбоева, Е. В. Теоретические основы использования системы сбалансированных показателей в качестве инструмента управления компанией / Е. В. Сбоева. — Текст: электронный // КиберЛенинка: [сайт]. — URL: https://cyberleninka.ru/article/n/teoreticheskie-osnovy-ispolzovaniya-sistemy-sbalansirovannyh-pokazateley-v-kachestve-instrumenta-upravleniya-kompaniey/viewer (дата обращения: 26.05.2026).
3. Condition-Based Monitoring for Industrial Control Panel / E. D. Suryanto, M. Affandi, S. Purba, M. Ashari. — Текст: непосредственный // Proceedings of ICIESC 2025. —: EAI, 2026.
4. Татаровский, Ю. А. Формирование риск-ориентированной системы показателей мониторинга деятельности системообразующих предприятий / Ю. А. Татаровский. — Текст: непосредственный // π-Economy. — 2025. — № 2. — С. 150–163.
5. Коллектив, авторов Проектирование систем мониторинга и алгоритмов в целях митигации рисков искажения данных для обеспечения достоверности оценки эффективности деятельности предприятия / авторов Коллектив. — Текст: непосредственный // Editorum. —, 2025. — С. 65–70.