Управление безопасностью, основанное на данных: как предотвратить риски до того, как они станут угрозой

Вернуться назад

«Нельзя управлять тем, что невозможно измерить» — Билл Хьюлетт, основатель HP. Эта цитата как никогда актуальна для современных руководителей. Но достаточно ли измерять только то, что уже произошло?

Сегодня большинство компаний в России и мире для оценки уровня безопасности ограничиваются ретроспективными показателями:

Коэффициент частоты травм (Кч, LTIFR);
Коэффициент тяжести травм (Кт, LTISR);
Коэффициент смертельного травматизма (FAR).

При наличии хорошо выстроенной системы извлечения и распространения уроков эти показатели хорошо помогают устранить повторяемость происшествий, но их использование похоже на езду на автомобиле, ориентируясь на зеркала заднего вида: вы смотрите туда, где вы были, а не туда куда вы движетесь.

Еще в 1931г. Герберт Уильям Генрих в своей книге «Предупреждение производственных травм: научный подход» сформулировал принцип, который впоследствии развил Франк Бёрд. Согласно этому принципу каждому происшествию с тяжелым исходом, предшествует череда мелких происшествий или опасных событий без последствий.

Соответственно, чтобы управлять безопасностью и предотвращать серьезные происшествия, необходимо выявлять и устранять более мелкие события и «слабые сигналы».

Проактивная безопасность: данные как инструмент прогнозирования.

«Предсказать проблему — значит предотвратить её стоимость» — этот принцип становится основой для современных руководителей, которые трансформируют безопасность из рутинных отчётов и статистики в стратегический актив.

Для этого, в первую очередь, нужны данные. Только наличие объективной информации, получаемой из независимых источников, позволит принимать верные управленческие решения. Сегодня для анализа «слабых сигналов» в безопасности традиционно используются:

количество выявленных и устраненных опасных условий, и рисков;
количество опасных и безопасных действий сотрудников;
количество происшествий без последствий (near miss);
количество микротравм (оказание первой помощи или медицинской помощи).

Заметьте, что все они связаны с поведением сотрудников. Как известно, объективность и полнота таких данных оставляет желать лучшего. На какую же информацию полагаться в принятии решений, какие современные технологии помогают превратить данные в прогнозы?

1. IoT: датчики как «дозорные» на производстве

Интернет вещей (IoT) переводит безопасность на новый уровень предиктивного управления. Датчики, встроенные в оборудование, собирают данные в режиме реального времени, чтобы предупредить о рисках до их реализации.

Примеры:

Датчики вибрации и температуры на конвейерных лентах в горнодобывающей отрасли. Компания Rio Tinto внедрила систему мониторинга, которая предупреждает о перегреве подшипников за 24–48 часов до поломки. Результат: снижение аварий на 35% и экономия $1.2 млн/год на ремонтах.
Умные газоанализаторы на нефтехимических заводах. Shell использует IoT-сенсоры, которые фиксируют утечки сероводорода на ранней стадии. Это сократило риск отравлений на 50% (по данным McKinsey, 2022).

Измерить эффект от внедрения IoT на предприятии может помочь простая формула:

ROI IoT = (Снижение затрат на аварии + Сокращение простоев) / (Стоимость внедрения IoT + Операционные расходы)

2. Предиктивная аналитика: когда оборудование «сообщает» о своём износе

Предиктивная аналитика — это технология прогнозирования будущих событий на основе анализа исторических данных, статистики и алгоритмов искусственного интеллекта (ИИ). Если традиционная аналитика отвечает на вопрос «Что произошло?», предиктивная даёт ответ на «Что может произойти?» и «Как это предотвратить?».

Это как прогноз погоды для вашего производства. Метеорологи анализируют данные с датчиков (температура, влажность, ветер), чтобы предсказать дождь. Вы же используете данные с оборудования, отчетов по безопасности и IoT-устройств, чтобы предсказать аварию — и «взять зонтик» заранее.

Как это работает? Внедрение предиктивной аналитики можно разделить на несколько ключевых этапов:

1. Сбор данных для аналитики.
Источники данных:

Данные с IoT-датчиков (вибрация, температура, давление).
Журналы инцидентов (несчастные случаи, near-misses).
Отчеты по обслуживанию оборудования.
Видеозаписи с камер безопасности.
Данные о дефектах оборудования.

2. Очистка и подготовка данных.

Удаление «шума» (ошибочных или нерелевантных данных).
Объединение данных из разных источников в единый формат.

3. Выбор модели прогнозирования.
Возможные типы моделей:

Регрессионный анализ — прогнозирует числовые значения (например, вероятность поломки насоса в %).
Классификация — определяет категории рисков (высокий/средний/низкий).
Нейронные сети — для сложных нелинейных зависимостей (например, связь между микроклиматом цеха и усталостью сотрудников).

4. Обучение модели: на исторических данных «тренируют» алгоритм, чтобы он выявлял паттерны. Например: «Если температура подшипника превышает 85°C более 2 часов, вероятность поломки — 72%».

5. Валидация и тестирование: модель проверяют на новых данных, чтобы оценить точность. Критерий успеха: прогнозы должны совпадать с реальными событиями в 80–95% случаев.

6. Внедрение и мониторинг

Интеграция модели в рабочие процессы (например, уведомления в ERP-систему).
Постоянное обновление данных и дообучение алгоритма.

Кейсы:

Прогноз поломок кранов Liebherr.
Используемые данные: вибрация, нагрузка, температура двигателя. Результат: Снижение аварий на 40%.
Предсказание «опасных дней» для персонала на заводах BASF.
Используемые данные: график смен, результаты медосмотров, анализ статистики показателей безопасности, погодные условия. Результат: корректировка графиков работ в прогнозные дни с повышенным риском травм.
Раннее выявление утечек токсичных веществ Dow Chemical.
Используемые данные: показания газоанализаторов, скорость ветра, влажность.
Результат: сокращение инцидентов с персоналом на 55% за 2 года.

Предиктивная аналитика — это не «магия», а работа с данными. Чем раньше вы начнете собирать и структурировать информацию, тем точнее будут прогнозы. Начните с малого: внедрите IoT-датчики на критическом оборудовании и подключите к ним хотя бы простую ML-модель. Уже через 3–6 месяцев вы увидите первые результаты в виде снижения инцидентов. Эксперты ЭКОПСИ готовы помочь вам разобраться в этом процессе.

3. Видеоаналитика: ИИ как «надзиратель» за безопасностью

Камеры с компьютерным зрением фиксируют нарушения и риски, которые не замечают люди.

Примеры внедрения:

Распознавание СИЗ (касок, перчаток). На стройплощадках LafargeHolcim ИИ-камеры в реальном времени выявляют сотрудников без средств защиты. Система сократила нарушения на 65% за 6 месяцев.
Анализ поведения. В логистических центрах Amazon видеоаналитика отслеживает перемещения погрузчиков, предупреждая о риске столкновений. Количество инцидентов снизилось на 41%.
Тепловые карты опасных зон. Завод Boeing использовал анализ видео, чтобы выявить «слепые» участки в цехах, где чаще всего происходят near-misses. После редизайна пространства LTIFR упал на 22%.

Интеграция технологий: как получить максимум ROI от профилактики происшествий.

К сожалению российские компании пока не могут (или не хотят) хвастаться своими достижениями в области профилактики происшествий, но главный тренд — объединение IoT, предиктивной аналитики и видео в единую цифровую платформу входит в нашу жизнь, чтобы:

Прогнозировать аварии на 3 уровнях: человеческий фактор, износ техники, внешние риски.
Автоматически формировать чек-листы для линейных обходов.
Генерировать отчёты для руководства с расчётом потенциальных убытков и сценариями их предотвращения.

Эксперты ЭКОПСИ успешно завершили сотни проектов по трансформации культуры компании и по переходу от реактивного к проактивному управлению. Типичные этапы реализации подобных проектов:

Проведение аудита данных: выявление и устранение «слепых зон» в текущей системе анализа и принятия решений.
Внедрение цифровых инструментов: например, модели предиктивной аналитики или системы анализа near-miss в режиме реального времени.
Изменение установок руководителей: перевод их с менталитета «найти виноватых» на «как улучшить систему».

В качестве заключения

Проактивная безопасность — это не «технологическая игрушка», а инструмент повышения производственной эффективности. Внедряя проактивную безопасность предприятия получают:

Снижение операционных рисков («предсказал — устранил»).
Оптимизацию бюджета (меньше штрафов, страховых выплат, простоев).
Укрепление репутации (ваши инвесторы и клиенты видят: вы управляете будущим).

Данные — ваш главный актив для принятия решений. Не измеряйте прошлое — проектируйте будущее. Если зеркало заднего вида показывает аварию, уже поздно тормозить. Управляйте скоростью, зная дорогу вперед.