惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Simon Willison's Weblog
Simon Willison's Weblog
Google DeepMind News
Google DeepMind News
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
P
Proofpoint News Feed
Recent Announcements
Recent Announcements
MongoDB | Blog
MongoDB | Blog
U
Unit 42
云风的 BLOG
云风的 BLOG
Recorded Future
Recorded Future
G
Google Developers Blog
I
InfoQ
Blog — PlanetScale
Blog — PlanetScale
A
About on SuperTechFans
Jina AI
Jina AI
量子位
宝玉的分享
宝玉的分享
The Cloudflare Blog
让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
博客园 - 聂微东
Last Week in AI
Last Week in AI
WordPress大学
WordPress大学
美团技术团队
The Hacker News
The Hacker News
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
D
Darknet – Hacking Tools, Hacker News & Cyber Security
T
Tailwind CSS Blog
博客园 - 司徒正美
博客园 - 叶小钗
Hugging Face - Blog
Hugging Face - Blog
P
Palo Alto Networks Blog
博客园_首页
阮一峰的网络日志
阮一峰的网络日志
博客园 - 【当耐特】
Spread Privacy
Spread Privacy
The GitHub Blog
The GitHub Blog
Y
Y Combinator Blog
Vercel News
Vercel News
Martin Fowler
Martin Fowler
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
Forbes - Security
Forbes - Security
Attack and Defense Labs
Attack and Defense Labs
Google DeepMind News
Google DeepMind News
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
Microsoft Azure Blog
Microsoft Azure Blog
P
Privacy International News Feed
G
GRAHAM CLULEY
The Last Watchdog
The Last Watchdog
C
Cyber Attacks, Cyber Crime and Cyber Security
AI
AI
V2EX - 技术
V2EX - 技术

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром T-TOPS: Как распутать гордиев узел проекта после выхода в прод (меч не понадобится) Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания Автономность как точка невозврата: кто будет субъектом в цифровом будущем Обучение ИИ в «диких» условиях: как рутинные действия превращаются в датасеты Как измерить LLM для задач кибербеза: обзор открытых бенчмарков Где хранить код? Сравнение GitHub, GitLab и Bitbucket Математика объясняет, почему нормальное распределение встречается повсюду Почему ваш FinOps не работает: 12 тезисов от практиков Как подписать проектную документацию УКЭП с использованием бесплатных лицензий Pilot Адаптивное администрирование Sigla Vision Я грузил уран в бочки, а потом 20 лет строил ИТ в атомной отрасли Чем позвонить с Эвереста? История и обзор спутниковой связи. Часть 2 Как языковая модель помогает контролировать качество инструктажей по охране труда в металлургии Как не передать на desktop свой IP в РКН Анатомия SAP Privileges: как устроено управление правами в macOS MoneyDev: Сказка про три главных слова Обновлённый токенизатор видео K-VAE 2.0 от Сбера Как сделать диспетчеризацию дома на 1284 квартиры почти бесплатно Как мы разогнали железную дорогу Мы дали агентам рутину. Теперь надо решить — что делать с освободившимся временем Токсичный контент, промпт-хакинг и защита ИИ — всё о Guardrails для LLM Умный город начинается с точного взгляда: как «Фалькон Тех» меняет пространство к лучшему Навайбкодил приложение для анализа графов Почему Дюну так интересно читать? Упрощаем работу с рутиной или как стать Гендальфом Белым Деконструкция Go: CPU, RAM и что там происходит. Go Assembler база. Часть 1.1 Какие профессии исчезнут из-за ИИ, а какие появятся? И что с этим делать Как мы построили IT-отдел, где хочется расти: архитектурные встречи, прозрачные метрики и книжные подарки Rufler: Делаем из Claude Code автономный рой через один YAML-конфиг Sing-box и белый список приложений Как построить надёжный обмен сообщениями в микросервисах: лучшие практики для enterprise OpenAI строит MLM-пирамиду, а McKinsey и Accenture помогают ей в этом Дом, который не построил Фишер (Часть 2) «Сверхзвуковой математик» против «Вдумчивого логиста»: битва алгоритмов 3D-упаковки Мультимодальные модели – грубый и дорогой инструмент Разговоры ничего не стоят. Код тоже Проверки физических лиц: с кого начнет ФНС Топ-10 бесплатных нейросетей для создания видео в 2026 году Первые слои кода: как наши решения сегодня определяют архитектуру ИИ на десятилетия Разработка нового статического анализатора: PVS-Studio JavaScript Поиск уязвимостей ПО: базовый минимум или роскошный максимум Почему оценка персонала не работает как инструмент управления Как мы разработали ИИ-ассистента и сократили рутину продуктовой команды на 50% Как я ушел из найма, нажарил косточек и продал на маркетплейсах на 168 млн в год Как я сделал Claude мультимодальным, подключив к нему Qwen Omni Как приглашение на вакансию мечты превращается в атаку Infrastructure as Code: философия и лучшие практики IaC Тестируем Yandex Code Assistant на задаче, в которой нужно хранить секреты nxs-universal-chart v3.0: новое поколение универсального Helm-чарта Callback Injection: Техника, которая отправила Microsoft Defender в глухой нокаут «Все идеи на стол»: митап как способ вывести проект из тупика Сегодня я узнал нечто новое о GPU благодаря багу в своей игре Как заставить LLM ̶ ̶г̶а̶л̶л̶ю̶ ̶ эволюционировать Карта событий как фундамент аналитики: практический кейс для E-commerce Что выбрать для AI: x86, ARM или RISC-V? Дайджест железа за март Роль соматических мутаций в развитии аутоиммунных заболеваний: путь к избирательной терапии Mythos от Anthropic — тревожный сигнал для всех, а не только для банков Guardrails для LLM на Java: как приручить промпт‑инъекции и токсичные ответы Green-VLA: как мы собрали VLA-модель для реального антропоморфного робота и не потеряли обобщение Финансовая гонка вооружений: почему умные люди добровольно в ней участвуют Эра ИИ-агентов наступила: выбираем лучшего цифрового сотрудника # Практический опыт внедрения WinCC Redundancy на производственном предприятии Сделал MVP за 3 дня, а потом неделю прикручивал оплату. Оно того стоило? Физика против Маска: почему Starship V3 может оказаться ещё одной катастрофой Нефть Венесуэлы: крупнейшие запасы в мире, но не крупнейшая нефтяная держава JPA 4. Переосмысление Hibernate Почему зеркальная фотокамера Nikon D5 десятилетней давности идеально подошла для миссии «Артемида-2» Проект «Уровень-Спутник» или как мы сделали платформу для гидрологов «Замедлиться, чтобы ускориться»: почему ИИ повышает цену ошибок в требованиях и архитектуре Как с нуля поднять трафик IT-компании на 1657% при бюджете 55 тыс. и выжить Pixel-perfect Downsampling — идеальная отрисовка 50 миллионов точек без потерь
Когда 1С:ERP уже внедрена, а нормального производственного плана всё ещё нет
2026-04-15 · via Все публикации подряд на Хабре

Уровень сложностиСредний

Время на прочтение6 мин

Охват и читатели8.1K

Обзор

alt

Когда 1С:ERP уже внедрена, а нормального производственного плана всё ещё нет

На производстве это повторяется слишком часто.

  • 1С:ERP уже есть.

  • Заказы в системе есть.

  • Нормативы есть.

  • Остатки, графики, ресурсы — тоже.

Но как только нужно получить детальный и выполнимый производственный план, который учитывает реальные ограничения цеха, команда снова открывает Excel, вручную двигает операции, сверяется с людьми, оборудованием и срочными заказами.

Получается странная, но очень знакомая картина: учётный контур в системе уже живёт, а оперативное планирование — ещё нет.

Именно об этом часто говорят на практике: типового планирования в 1С:ERP нередко оказывается недостаточно для сложного производства, а Excel остаётся рабочим костылём там, где нужно быстро перепланировать реальную ситуацию.

Где проходит граница между ERP и реальным расписанием

Проблема не в том, что ERP не умеет планировать. Вопрос в классе задач.

Если упростить, разницу можно описать так:

  • ERP отвечает на вопрос: что нужно произвести

  • APS отвечает на вопрос: как именно это лучше произвести

Типовой ERP-контур хорошо справляется с задачами уровня:

  • какие есть заказы;

  • какие нужны материалы;

  • какие ресурсы доступны;

  • какие нормативы и маршруты заданы;

  • в каком объёме нужно выполнить план.

Но как только начинаются вопросы уровня цеха, задача резко усложняется:

  • на какой конкретно ресурс поставить операцию;

  • что делать при поломке оборудования;

  • как пересобрать график после срочного заказа;

  • как уменьшить переналадки;

  • как не перегрузить узкий участок;

  • как сбалансировать сроки, ресурсы и загрузку.

Именно здесь проходит граница: ERP хранит и организует данные о производстве, а APS нужен там, где требуется построить детальное расписание с учётом множества ограничений одновременно.

Почему Excel побеждает там, где уже есть ERP

Excel долго держится не потому, что он лучше системы, а потому, что он гибкий.

Он позволяет быстро:

  • руками изменить логику;

  • перестроить последовательность;

  • учесть неформальные ограничения;

  • отразить то, что не укладывается в типовой сценарий.

Пока производство относительно простое, это терпимо.

Но на сложном производстве Excel начинает ломаться сразу в нескольких местах:

  1. План держится на конкретном человеке.

  2. Перепланирование плохо воспроизводится.

  3. Сложно быстро пересчитать несколько сценариев.

  4. Ошибки не локализованы в системе.

  5. ERP и реальная картина в цехе начинают расходиться.

В какой-то момент ручное планирование перестаёт быть просто неудобным. Оно становится источником системных рисков.

Что такое APS — без маркетинга и лишних слов

Если убрать аббревиатуры и презентационные формулировки, APS работает с задачей такого типа:

Есть:

  • множество заказов;

  • множество операций;

  • множество ресурсов;

  • множество ограничений;

  • одна или несколько целей.

Нужно:

  • построить лучший допустимый план;

  • причём не «вообще хороший», а хороший по выбранному критерию.

Например, критерий может быть таким:

  • минимизировать просрочки;

  • сократить переналадки;

  • выровнять загрузку;

  • не сорвать приоритетные заказы;

  • уменьшить конфликты в плане.

То есть APS-подход нужен там, где требуется:

  • учитывать много ограничений одновременно;

  • быстро пересчитывать сценарии;

  • находить лучший вариант из допустимых;

  • снижать потери и конфликты в производственном плане.

Где здесь появляется математическая оптимизация

В какой-то момент задача становится слишком большой для ручного перебора и слишком сложной для простого раскладывания по периодам.

Формально она начинает выглядеть примерно так:

Дано:

  • ресурсы R

  • операции O

  • временные окна T

  • ограничения C

  • целевая функция F

Найти:

schedule(O, R, T)

такой, чтобы:

  • соблюдались ограничения C;

  • оптимизировалась функция F.

Это уже не про абстрактную математику. Это прикладная задача оптимизации:

  • описать переменные;

  • задать ограничения;

  • сформулировать целевую функцию;

  • передать модель в решатель.

Именно в этот момент математическая оптимизация становится не академической темой, а практическим инструментом для задач производственного планирования, распределения ресурсов, балансировки потоков и оптимизации загрузки оборудования.

Почему внешний APS-контур — не всегда лучший вариант

Исторически APS-системы часто жили отдельно от ERP. Схема была примерно такой:

ERP -> выгрузка данных -> APS
APS -> расчёт -> обратная загрузка в ERP

На бумаге это выглядит нормально. На практике быстро появляются знакомые проблемы:

  • интеграционная сложность;

  • расхождение данных;

  • задержки при обмене;

  • дублирование логики;

  • отдельный стек сопровождения;

  • отдельная зона ответственности.

Отсюда возникает логичный архитектурный вопрос:

Можно ли оставить ERP ядром системы, а расчётный слой встроить рядом, не вынося всю задачу в отдельный продукт?

Для многих компаний это принципиальный момент. Чем меньше разрыв между данными, расчётом и прикладной логикой, тем устойчивее работает вся система.

Как это выглядит в случае О2

Сильная сторона О2 — не просто в оптимизации как таковой, а в том, как именно она встроена в контур 1С.

Схема работы выглядит так:

  1. В коде 1С формируется оптимизационная модель.

  2. Модель сериализуется и передаётся во внешний решатель.

  3. Решатель выполняет вычисления.

  4. Результат возвращается обратно в 1С.

  5. Дальше он используется в прикладной логике.

То есть по сути:

  • — это источник данных, место формирования модели и прикладная бизнес-логика;

  • solver — вычислительный сервис.

Это важная граница ответственности. Бизнес-логика не «уезжает» в другой стек: в 1С остаются данные, правила, прикладной контур и логика модели, а внешний сервис решает именно вычислительную задачу.

Упрощённая схема потока данных

[Документы и регистры 1С]
            |
            v
[Сбор исходных данных]
            |
            v
[Построение модели в 1С]
            |
            v
[Serialize -> Solver]
            |
            v
[Оптимизационный расчёт]
            |
            v
[Результат -> обратно в 1С]
            |
            v
[График / рекомендации / план]

Ценность такого подхода в том, что вычислительный сервис остаётся именно вычислительным сервисом, а не превращается во «вторую ERP».

Что в этой схеме важно для архитектора 1С

1. Не возникает вторая полноценная бизнес-система

Здесь важно понимать: речь не о готовом APS-интерфейсе, а об инструменте моделирования и расчёта.

Не так:

1С + ещё одна большая система

А так:

1С + сервис расчёта модели

2. Бизнес-логика остаётся там, где ей и место

Один из сильных аргументов такого подхода — модель строится в 1С, и прикладная логика не выносится во внешний стек. Это снижает риск логического раздвоения системы.

3. Можно использовать текущие данные ERP без тяжёлого ETL

Если заказы, ресурсы, графики и ограничения уже живут в 1С, логично использовать их прямо в модели, а не строить отдельные витрины ради одного расчёта.

4. Порог входа для команды ниже

Если модель можно строить из кода 1С, без переноса разработки в другие языки и отдельные аналитические платформы, внедрение становится заметно проще для команд, которые уже работают внутри экосистемы 1С.

5. Сложные вычисления локализуются в отдельном слое

Для архитектора это выглядит довольно рационально:

  • учёт, документы, проводки, регистры — в 1С;

  • сложный расчёт расписания — в solver;

  • результат — обратно в 1С.

То есть тяжёлая вычислительная задача локализуется в специально отведённом слое, без попытки заставить прикладной код решать то, для чего он не предназначен.

Где такой подход реально полезен

Такой подход особенно актуален там, где уже не хватает линейного планирования:

  • планирование производства;

  • оптимальное распределение ресурсов;

  • назначение исполнителей;

  • маршрутизация;

  • балансировка потоков;

  • оптимизация загрузки оборудования;

  • другие комбинаторные задачи.

И здесь есть важный нюанс: О2 — это не готовый экран APS, а инфраструктура для моделирования и расчёта.

Это даёт большую гибкость, но требует качественной постановки задачи: ограничения и критерии должны быть сформулированы достаточно точно.

Когда потребность в APS-слое уже назрела

Обычно это видно по нескольким сигналам:

  • производственный план постоянно «дотягивают руками»;

  • без Excel оперативное планирование не работает;

  • один сбой ломает весь график;

  • типового механизма хватает только на базовый уровень;

  • перепланирование занимает слишком много времени;

  • система хранит данные, но не помогает выбрать лучший сценарий.

Если хотя бы половина этого списка вам знакома, значит предприятие уже упёрлось не в недостаток данных, а в недостаток расчётного слоя поверх этих данных.

Что посмотреть дальше

Этой теме посвящён бесплатный вебинар: «Умное планирование производства в 1С:ERP на основе математической оптимизации» 16 апреля, 15:00 (МСК)

В программе:

  • типовые механизмы планирования в 1С:ERP;

  • кейс планирования в Excel;

  • ограничения текущего подхода;

  • блок «Почему 1С — это не APS»;

  • подходы к реализации APS-систем;

  • практические примеры.

Для участников заявлены:

  • понимание границы типового планирования;

  • понимание роли APS-подхода;

  • обзор возможностей математической оптимизации для задач планирования, распределения ресурсов и загрузки оборудования;

  • 30 дней полной версии О2;

  • запись и презентации.

Вывод

Если совсем коротко, то вывод звучит так:

ERP без APS-слоя умеет учитывать, но не всегда умеет выбирать лучший производственный план.

Именно в этой точке возникает потребность не в «ещё одной системе», а в механизме, который может:

  • взять данные из 1С;

  • учесть ограничения;

  • просчитать сценарий;

  • вернуть результат обратно в прикладной контур.

Для сложного производства это уже не nice-to-have, а вполне логичный следующий шаг развития архитектуры.