.jpg)
Единая информационная система на основе «1С:ERP» вместе с «1С:Полиграфия 2. Модуль для 1С:ERP» помогла ускорить расчет заказов, усилить контроль затрат и рентабельности.
При планировании производства, диспетчеризации заказов и прогнозировании простоев оборудования используются модели машинного обучения (Machine Learning ML) для составления оптимального плана производства и быстрой корректировки его с учетом срочных заказов, загрузки линий и других факторов. В итоге обеспечена более равномерная загрузка производства, простои сокращены, заказы выполняются на 25% быстрее, производственная себестоимость снизилась на 7%.
Санкт-Петербургская флексографическая типография «Санрайз» специализируется на производстве термоусадочной, самоклеящейся, круговой, цифровой и других видов этикеток. Производственный комплекс типографии включает более 10 единиц современного печатно-отделочного оборудования. Компания является единственным в России производителем tatoo-этикеток.
Предприятию стала необходима информационная система, которая позволила бы улучшить планирование производства, организовать точный учет на складе, обеспечила бы быструю и правильную калькуляцию заказов, помогла усилить контроль за всеми этапами выпуска продукции, уменьшила влияние человеческого фактора, обеспечила предельную информативность и накопление статистики.
Для реализации поставленных задач было выбрано отраслевое решение «1С:Полиграфия 2. Модуль для 1С:ERP». Партнером по внедрению стал разработчик системы — «Армекс».
Основные итоги проекта:
- Автоматизирован расчет заказов. Для этого выполнено нормирование всех технологических операций по времени и стоимости. Информация о стоимости расходных материалов фиксируется и оперативно обновляется в системе. Время, которое менеджеры тратят на калькуляцию, сократилось. Заказы на 30% быстрее согласовываются с клиентами и передаются в производство.
- Появилась возможность контролировать себестоимость продукции еще на этапе предварительного расчета заказов. В системе установлен минимально-допустимый уровень рентабельности, который гарантирует сохранение рентабельности каждого заказа и полностью исключает для компании возможность убытка.
- Автоматизирован контроль статусов технологических ресурсов и регистрация факта исполнителями с помощью сканеров штрих-кода и сенсорных мониторов. Это помогло наладить выпуск полуфабрикатов и готовой продукции, эффективно работать с посменным планированием.
- Внедрены механизмы, использующие инструменты машинного обучения (Machine Learning, ML):
- рекомендательная система для построения оптимального производственного плана;
- система диспетчеризации заказов;
- механизм автоматического прогнозирования простоев оборудования.
Данный инструментарий позволяет составлять гибкий график производства, в который можно быстро встроить срочные заказы и внести другие необходимые корректировки. Упростилась координация работы производственного персонала: сотрудники всегда знают, какой заказ нужно взять в работу. Все это обеспечило равномерную загрузку производственных линий и дало возможность планировать производство как на ближайшее время, так и в долгосрочной перспективе.
