Методологічні засади застосування ключових показників ефективності для оцінювання виробничої діяльності машинобудівних підприємств
DOI:
https://doi.org/10.32515/2663-1636.2025.13(46).2.234-243Ключові слова:
Індустрія 4.0, виробнича діяльність, ефективність виробництва, аналітика даних, виробничі процеси, ключові показники ефективності, статистичні методи, стабільність процесів, цифровізаціяАнотація
У статті обґрунтовано наукові підходи до розроблення аналітичної системи оцінювання ефективності виробничої діяльності машинобудівних підприємств на основі використання ключових показників ефективності (KPI). Визначено роль і значення KPI як інструменту кількісного оцінювання результативності виробничо-господарської діяльності, що забезпечує підвищення обґрунтованості управлінських рішень в умовах цифровізації економіки та зростання обсягів даних. Розкрито методологічні засади формування системи показників, що передбачають інтеграцію виробничих, фінансово-економічних та операційних даних підприємства.
Систематизовано економічні показники, що відображають основні складові виробничої ефективності, зокрема виконання планових завдань, своєчасність виробництва, якість продукції, ефективність використання обладнання, стабільність технологічних процесів, рівень браку та продуктивність праці персоналу. Запропоновано комплексну економіко-аналітичну систему, що охоплює джерела даних, етапи їх збору та обробки засобами BI-систем, формування показників та їх аналітичну візуалізацію у форматі інтерактивних інформаційних панелей.
У дослідженні акцентовано увагу на використанні сучасних цифрових інструментів аналітики, включаючи засоби статистичного контролю процесів (SPC), методи прогнозування попиту з використанням моделей машинного навчання (ML), коефіцієнт варіації для оцінювання стабільності процесів та індекс загальної ефективності обладнання (OEE). Обґрунтовано доцільність застосування інтегрованих аналітичних рішень (дашбордів, теплових карт, багатовимірної візуалізації), які забезпечують своєчасне виявлення відхилень, ідентифікацію проблемних зон та підтримку процесу прийняття управлінських рішень.
Зроблено висновок, що в умовах розвитку Індустрії 4.0 і цифрової трансформації підприємств ключового значення набуває здатність до оперативного аналізу значних обсягів виробничих і фінансово-економічних даних. Запропонований підхід до побудови економіко-аналітичної системи KPI підвищує обґрунтованість управлінських рішень щодо виробничої діяльності, сприяє оптимізації використання ресурсів та зміцненню конкурентоспроможності підприємства. Результати дослідження можуть бути використані у практиці управління машинобудівними підприємствами, а також як методична основа для подальших наукових досліджень у сфері оцінювання ефективності діяльності промислових підприємств.
Посилання
Список літератури
1. Андрейшина Н. Б. Концептуальний підхід щодо прогнозування попиту. Бізнес Інформ. 2013. № 6. С. 120–124. URL: https://www.business-inform.net/export_pdf/business-inform-2013-6_0-pages-120_124.pdf (дата звернення: 12.04.2025).
2. Магопець О.А., Рассоха І.В., Яцко М.В. Застосування Big Data та аналітики в бухгалтерському обліку для прийняття стратегічних рішень. Економіка. Фінанси. Право. № 6. 2024. С. 96-100. URL: https://doi.org/10.37634/efp.2024.6.20 (дата звернення: 08.04.2025).
3. Мельник Л. Г. Четверта промислова революція: передумови та зміст. Актуальні проблеми економіки. 2016. № 9. С. 26–30.
4. Строцень Л. П. Якісні методи прогнозування попиту. Галицький економічний вісник. 2018. Т. 54, № 1. С. 113–118. URL: https://galicianvisnyk.tntu.edu.ua/pdf/54/14.pdf (дата звернення: 02.04.2025).
5. Chen H., Chiang R. H. L., Storey V. C. Business intelligence and analytics: from big data to big impact. MIS Quarterly. 2012. Vol. 36, No. 4. P. 1165–1188. ]. https://doi.org/10.2307/41703503.
6. Cheah C. K., Prakash J., Ong K. S. Overall equipment effectiveness: a review and development of an integrated improvement framework. International Journal of Productivity and Quality Management. 2020. Vol. 30, No. 1. P. 46–71. https://doi.org/10.1504/IJPQM.2019.10020889.
7. De Ron A. J., Rooda J. E. OEE and equipment effectiveness: an evaluation. International Journal of Production Research. 2006. Vol. 44, No. 23. P. 4987–5003. https://doi.org/10.1080/00207540600573402.
8. Kikolski M. Determination of ISO 22400 key performance indicators using simulation models: the concept and methodology. 8th International Conference on Model-Driven Engineering and Software Development. 2020. P. 92–97. URL: https://DOI:10.5220/0009175800920099 .
9. Kusiak A. Smart manufacturing. International Journal of Production Research. 2018. Vol. 56, No. 1–2. P. 508–517. https://doi.org/10.1080/00207543.2017.1351644.
10. Waseem S. First pass yield: what it is and how to improve it? URL: https://retrocausal.ai/blog/first-pass-yield/ .
11. Zhu L., Johnsson C., Mejvik J., Varisco M., Schiraldi M. Key performance indicators for manufacturing operations management in the process industry. IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). Singapore, 2017. P. 969–973. https://doi.org/10.1109/IEEM.2017.8290036.
References
1. Andreishyna, N. B. (2013). Kontseptualnyi pidkhid shchodo prohnozuvannia popytu [A conceptual approach to demand forecasting]. Biznes Inform – Business Inform, (6), 120–124. [in Ukrainian]. Retrieved from: https://www.business-inform.net/export_pdf/business-inform-2013-6_0-pages-120_124.pdf.
2. Magopets, O. A., Rassokha, I. V., & Yatsko, M. V. (2024). Zastosuvannia Big Data ta analityky v bukhhalterskomu obliku dlia pryiniattia stratehichnykh rishen [Application of Big Data and analytics in accounting for strategic decision-making]. Ekonomika. Finansy. Pravo – Economics. Finance. Law, (6), 96–100. [in Ukrainian]. https://doi.org/10.37634/efp.2024.6.20.
3. Melnyk, L. H. (2016). Chetverta promyslova revoliutsiia: peredumovy ta zmist [The fourth industrial revolution: prerequisites and content]. Aktualni problemy ekonomiky – Actual Problems of Economics, (9), 26–30. [in Ukrainian].
4. Strotsen, L. P. (2018). Yakisni metody prohnozuvannia popytu [Qualitative methods of demand forecasting]. Halytskyi ekonomichnyi visnyk – Galician Economic Bulletin, 54(1), 113–118. [in Ukrainian]. Retrieved from: https://galicianvisnyk.tntu.edu.ua/pdf/54/14.pdf .
5. Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: from big data to big impact. MIS Quarterly, 36(4), 1165–1188. [in English]. https://doi.org/10.2307/41703503.
6. Cheah, C. K., Prakash, J., & Ong, K. S. (2020). Overall equipment effectiveness: a review and development of an integrated improvement framework. International Journal of Productivity and Quality Management, 30(1), 46–71. [in English]. https://doi.org/10.1504/IJPQM.2019.10020889.
7. De Ron, A. J., & Rooda, J. E. (2006). OEE and equipment effectiveness: an evaluation. International Journal of Production Research, 44(23), 4987–5003. [in English]. https://doi.org/10.1080/00207540600573402.
8. Kikolski, M. (2020). Determination of ISO 22400 key performance indicators using simulation models: the concept and methodology. In Proceedings of the 8th International Conference on Model-Driven Engineering and Software Development (pp. 92–97). [in English]. https://DOI:10.5220/0009175800920099.
9. Kusiak, A. (2018). Smart manufacturing. International Journal of Production Research, 56(1–2), 508–517. [in English]. https://doi.org/10.1080/00207543.2017.1351644.
10. Waseem, S. (n.d.). First pass yield: what it is and how to improve it? [in English]. https://retrocausal.ai/blog/first-pass-yield/.
11. Zhu, L., Johnsson, C., Mejvik, J., Varisco, M., & Schiraldi, M. (2017). Key performance indicators for manufacturing operations management in the process industry. In IEEE International Conference on Industrial Engineering and Engineering Management (IEEM) (pp. 969–973). [in English]. https://doi.org/10.1109/IEEM.2017.8290036.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 О.В. Родіонов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
