Подход Интеграции Безопасность Пакеты Блог Обсудить пилот
Цена простоя

Цена простоя

2026-06-29 команда hallpe

Час простоя среднестатистической производственной линии в РФ — это 340 000–1 200 000 рублей потерь. Из них 60% — «тихие» расходы, которые не видит ERP: брак после перезапуска, потеря темпов, демотивация операторов. AI-предиктивная аналитика на основе исторических данных оборудования снижает внеплановые простои на 40–60% в первые 6 месяцев.

Сколько на самом деле стоит час простоя?

Вот вы сидите в планерке, и главный инженер говорит: «У нас был простой — 3 часа». Все кивают. Цифру в отчёт ставят — ну, амортизация + зарплата операторов, 50 тысяч рублей. И закрывают тему.

А на самом деле потери — под миллион.

Потому что час простоя — это как айсберг. ERP видит верхушку. А под водой — добрых 60% реальных затрат, которые никто не считает, потому что их сложно привязать к одной минуте остановки.

Реальная структура потерь от простоя:

Статья затрат Доля в общих потерях Комментарий
Упущенная маржа 35–40% Продукт, который могли произвести, но не произвели
Брак при перезапуске 15–20% Первые 20–40 минут после пуска — зона повышенного брака
Потеря темпа (Ramp-Up) 10–15% Выход на номинальную мощность занимает 1–3 часа
Сверхурочные и аврал 8–12% Догоняем план — платим ×1.5–2
Штрафы за срыв поставок 5–10% Особенно в FMCG и ритейле
Репутационные потери 3–5% Сложно измерить, но они есть

Ключевая цифра: На предприятиях, где установлены AI-системы предиктивной аналитики, внеплановые простои снижаются на 47% в среднем за 6 месяцев (данные Hallpe по 12 внедрениям в 2025–2026).

Почему ERP не видит настоящих потерь?

Потому что ERP считает учётные единицы. А простой — это не бухгалтерская операция, это операционный эффект.

ERP видит: «Станок не работал 3 часа — списали амортизацию и зарплату Иванова, 4 500 рублей». ERP не видит, что:

  1. За эти 3 часа мы не выпустили 240 единиц продукции с маржой 1 200 рублей каждая (−288 000 ₽)
  2. При перезапуске первые 40 минут — 15% брака (−43 000 ₽ на материалах)
  3. Операторы работали в стрессовом режиме и на следующей смене сделали на 8% меньше
  4. Отгрузка клиенту А ушла на день позже — штраф 80 000 ₽ по договору
  5. Склад клиента Б встал — нам выставили претензию на 120 000 ₽

Итого с ERP-учёта: 4 500 ₽. Реальные потери: 535 000 ₽. Разница — в 119 раз.

Как AI-предиктивная аналитика сокращает простои?

Традиционный подход: «сломалось — чиним». AI-подход: «знаем, что сломается через 47 часов работы — чиним в ближайшую плановую остановку».

Как это работает на практике:

  1. Сбор данных. На оборудование вешаются вибродатчики, снимаются токи нагрузки, температура, акустическая эмиссия. Это 50–200 параметров в секунду.
  2. Обучение модели. AI собирает историю отказов за 6–12 месяцев и учится распознавать предвестники: «вот этот паттерн вибрации за 12 часов до отказа подшипника».
  3. Прогноз. Система выдаёт: «Подшипник №4 на экструдере №2 выработал 92% ресурса. Замена — в течение 36 часов». Не «когда-то», а конкретный горизонт.
  4. Интеграция с TОРО. Плановый ремонт переносится на ближайшее окно. Никакого внепланового останова.

Результат: Внеплановые простои — 100 часов в год → 45 часов. Плановые ремонты — 120 часов → 140 часов (чуть больше, но они плановые, это не страшно). Общая доступность оборудования (OEE) растёт с 72% до 86%.

«Мы думали, что у нас качественное оборудование — японское. А оказалось, что мы просто не знали, как оно умирает. AI показал 14 предвестников отказов за первый месяц. Четыре из них — критические». — Главный инженер машиностроительного завода, клиент Hallpe

Кейс: пищевое производство, −52% простоев

Исходные данные: Завод по производству упакованных продуктов. 4 линии розлива. Внеплановые остановки — 180 часов в год. Основная причина — отказы сервоприводов и датчиков уровня.

Решение: Установка IoT-шлюзов на линии, подключение к Hallpe AI. Трёхмесячное обучение модели на исторических данных.

Через 6 месяцев:

Готовы автоматизировать?

Обсудим ваш проект. Бесплатный аудит текущих процессов → дорожная карта автоматизации.

Обсудить пилот