От фермы до полки: Как технологии меняют продукты в супермаркете

Что именно меняет технология

После маршрута молока полезно сделать следующий шаг: перестать называть любую новую систему «технологией», будто это единый и понятный объект. На пути от фермы до полки разные решения выполняют разные задачи. Одни управляют физическими операциями, другие сохраняют сведения, третьи ищут закономерности, четвёртые меняют сам способ производства продукта. От этого зависит не только цена оборудования, но и то, станет ли молоко безопаснее, свежее и доступнее — или предприятие просто получит ещё один дорогой экран.

Утром Анна Крылова открывает холодильник и видит почти пустую полку. Дети выпили молоко за завтраком, а вечером нужно купить ещё две упаковки. В магазине Анна берёт привычную марку и замечает, что цена выросла на несколько рублей. На упаковке написано: «Современные технологии производства». Что именно изменилось? Корова стала давать больше молока? Водитель быстрее доставил продукцию? Магазин точнее рассчитал спрос? Или на упаковке просто стало больше слов?

Ответ нельзя получить, рассматривая только лицевую сторону пачки. Технология в продовольственной цепочке — это способ изменить конкретную операцию, поток данных, риск или решение. Поэтому важно спрашивать не «насколько технология современная», а «какую задачу она решает и что изменилось после её внедрения».

Миф первый: любая автоматизация делает продукт лучше

Автоматизация — это передача повторяющейся операции машине или программной системе. Машина может дозировать, сортировать, упаковывать, перемещать, мыть, считать или проверять. Но сама по себе она не улучшает продукт. Она лишь выполняет заданную процедуру стабильнее, быстрее или с меньшим количеством ручного труда.

На молочном заводе автоматический дозатор разливает пастеризованное молоко по упаковкам. Он точнее выдерживает объём и снижает количество проливов. При ручном наполнении одна пачка может оказаться немного тяжелее, другая — немного легче. Автоматическая линия уменьшает этот разброс. Но если молоко поступило на завод с нарушением температурного режима, точный дозатор не исправит проблему. Он просто разольёт сомнительное сырьё по одинаковым упаковкам.

То же происходит на ферме. Роботизированная система может автоматически промывать доильное оборудование, отслеживать время доения и сигнализировать о сбое. Но она не заменяет ветеринарный контроль, правильное кормление и решение управляющего о том, когда животное нужно изолировать.

Автоматизация отвечает на вопрос: как выполнять повторяющуюся операцию с меньшим количеством ручного труда и ошибок? Она не отвечает на другой, более важный вопрос: правильно ли выбрана сама операция и безопасен ли исходный материал?

Миф второй: цифровой продукт — это продукт, на котором напечатан код

Цифровизация — это перевод сведений о продукте, операции или событии в форму, которую можно сохранять, передавать и обрабатывать в информационной системе. Цифровой след продукта — последовательность записей о том, где продукт находился, что с ним происходило и кто принимал решения на разных этапах.

Код маркировки на упаковке может быть частью такого следа, но сам по себе ещё не создаёт прозрачности. Если код лишь подтверждает выпуск товара и не связан с данными о партии, температуре, сроках и перемещениях, покупатель получает точку входа в систему, а не полную историю продукта.

Для кооператива «Луговое» цифровой след пастеризованного молока может начинаться с номера производственной группы, времени доения и результатов контроля сырья. Затем к нему добавляются сведения о приёмке на заводе, пастеризации, розливе, формировании палеты и отправке в распределительный центр. В магазине фиксируется поступление партии, а при продаже — выбытие конкретной единицы товара из оборота. Такая последовательность помогает найти источник проблемы, если покупатель пожаловался на качество или лаборатория обнаружила несоответствие.

Но цифровая запись не становится правдой только потому, что хранится в программе. Если сотрудник внёс температуру «по нормативу», не измерив её, система будет аккуратно хранить выдуманное значение. Цифровизация повышает управляемость там, где данные получают честно и используют для решений, а не складывают в архив ради отчётности.

Миф третий: датчики сами контролируют производство

Датчик измеряет определённый параметр: температуру, влажность, давление, кислотность, уровень жидкости, частоту движения или вибрацию оборудования. Интернет вещей на производстве — это соединение датчиков, устройств и программ, благодаря которому данные поступают автоматически и могут запускать уведомления или действия.

Датчик температуры в холодильной камере передаст сигнал, если температура поднимется выше заданного порога. Но он не знает, почему это произошло. Возможно, дверь оставили открытой, сломался компрессор, груз поставили вплотную к стене или сам датчик закрепили рядом с источником холода. Решение всё равно принимает человек или заранее настроенная система, а качество этого решения зависит от расположения датчика, его калибровки, связи и регламента реагирования.

Илья Сафронов, управляющий «Луговым», однажды увидел в системе тревожное сообщение: температура в танке-охладителе поднялась выше допустимого уровня. Он позвонил сменному сотруднику. Тот ответил, что с молоком всё в порядке: контрольный термометр показывал нормальное значение. Выяснилось, что цифровой датчик сдвинулся и частично вышел из зоны, которую должен был измерять. Система обнаружила не порчу молока, а несоответствие между положением оборудования и условиями его эксплуатации.

Датчики полезны не потому, что убирают человека из процесса. Они сокращают время между отклонением и реакцией. Это особенно важно там, где промедление в двадцать минут может превратить пригодную партию в списание.

Миф четвёртый: машинное обучение принимает решения лучше специалистов

Машинное обучение — метод обработки данных, при котором программа находит закономерности в примерах и использует их для прогноза или классификации. В продовольственной цепочке такую модель можно применять для прогнозирования спроса, оценки вероятности поломки оборудования, выявления необычных показателей сырья или планирования маршрутов.

Модель не обладает здравым смыслом и не понимает продукт так, как его понимает технолог. Она продолжает закономерности, которые обнаружила в данных. Если в истории продаж не было сильной жары, перебоев с поставками или закрытия школы в районе, прогноз может оказаться слабым. Если данные содержат ошибки, программа обнаружит не реальную закономерность, а, например, привычку сотрудников неправильно оформлять документы.

Марина Белова, директор по операционной эффективности региональной сети, использует прогноз спроса на молоко, чтобы распределять товар между магазинами. В одном районе продажи обычно растут в пятницу вечером, в другом — утром в понедельник. Модель учитывает историю, календарь, остатки и сезонные колебания. Но перед длинными праздниками Марина не принимает рекомендацию автоматически. Она проверяет, не изменилось ли расписание ближайшего рынка, не перекрыта ли дорога к магазину и не запланирована ли акция у конкурирующей сети.

Машинное обучение отвечает на вопрос: «Что, вероятно, произойдёт при похожих условиях?» Оно не отвечает на вопрос: «Что делать при совершенно новой ситуации?» Для этого нужны человек, правила эскалации и возможность быстро отменить ошибочную рекомендацию.

Миф пятый: биотехнология — это обязательно искусственный продукт

Биотехнологические решения используют живые организмы, клетки, ферменты или биологические процессы для получения продукта, его сохранения, контроля качества или переработки сырья. В пищевой отрасли к ним относятся закваски для кисломолочных продуктов, ферментативные процессы, микробиологический контроль, производство кормовых добавок и отдельные методы селекции.

Слово «биотехнология» часто вызывает спор не о конкретном решении, а о связанных с ним страхах. Между тем нужно различать сам метод и его применение. Закваска для йогурта — тоже биотехнологический инструмент: микроорганизмы меняют свойства молока. Фермент может помочь расщепить определённое вещество или стабилизировать процесс. Биологический анализ способен быстрее выявить нежелательную микрофлору.

Вопрос к такой технологии тот же, что и к автоматизации: какую задачу она решает, как контролируется результат, какие требования предъявляются к безопасности, маркировке и обращению продукта в России? Проверку конкретного решения нельзя заменить общим впечатлением — ни восторгом, ни недоверием.

Четыре разные работы одной цепочки

Чтобы не смешивать подходы, удобно разложить технологические изменения по четырём вопросам.

Автоматизация меняет действие. Ручной процесс становится машинным или программно управляемым. Примеры — роботизированная мойка оборудования, автоматическая фасовка, конвейерная сортировка, электронное управление холодильной камерой.

Цифровизация меняет память и передачу сведений. То, что раньше записывали в бумажный журнал или передавали по телефону, превращается в связанный набор данных. Примеры — электронная история партии, учёт перемещений, электронные документы, маркировка и обмен сведениями между производителем, перевозчиком и магазином.

Аналитика меняет способ принятия решений. Она использует накопленные данные, чтобы заметить отклонение, оценить риск или выбрать действие. Простая аналитика — сравнение фактических продаж с планом. Более сложная — прогноз спроса или предупреждение о вероятной поломке.

Биотехнология меняет биологический процесс или использует его для контроля. Примеры — закваска, ферментативная обработка, микробиологическое тестирование, производство биологических компонентов кормов.

На практике эти подходы соединяются. Датчик автоматически измеряет температуру, цифровая система сохраняет измерение, аналитическая модель замечает отклонение, а сотрудник меняет маршрут партии. Если используется фермент или закваска, появляется ещё и биотехнологический слой. Но соединение не отменяет различий. Без них трудно понять, за что именно предприятие платит и какого результата ожидает.

Пошаговый эксперимент: проследить технологию за одной упаковкой

Теперь можно провести небольшую проверку реальности. Для неё не нужен доступ к внутренней системе магазина или специальные знания. Достаточно выбрать упаковку пастеризованного молока и не ограничиваться чтением рекламной надписи.

Шаг первый. Сформулируйте исходную задачу

Перед тем как искать технологии, запишите, какую проблему нужно решить. Для покупателя это может быть вопрос: почему продукт иногда заканчивается на полке до вечера или почему цена выросла? Для производителя — как уменьшить потери сырья. Для магазина — как сократить списания, не допуская пустой полки.

Одна и та же технология оценивается по-разному в зависимости от задачи. Датчик температуры полезен производителю для контроля охлаждения, перевозчику — для подтверждения соблюдения режима, магазину — для разбора претензии. Если задача не сформулирована, технология начинает казаться самоцелью.

Анна сначала задавала вопрос так: «Почему это молоко стоит дороже?» Илья сформулировал бы его иначе: «На каком участке мы теряем объём и деньги?» Марина — ещё иначе: «Как обеспечить наличие товара и не отправить излишки в списание?» Это три разных вопроса об одной упаковке.

Шаг второй. Отделите видимый результат от скрытой операции

Возьмите упаковку и перечислите, что покупатель видит: название, объём, срок годности, дату изготовления, условия хранения, сведения о производителе, маркировку. Затем представьте, что должно было произойти до появления этих надписей.

Молоко нужно было получить, охладить, проверить, доставить на переработку, принять, пастеризовать, разлить, упаковать, промаркировать, отгрузить, перевезти, принять в магазине и разместить в холодильнике. На каждом шаге возможны человеческие действия, автоматические операции, измерения и записи.

Запишите напротив каждого шага два вопроса: «Что здесь повторяется?» и «Что здесь нужно знать?» Первый вопрос выявляет автоматизацию, второй — цифровизацию и измерения.

Например, фасовка повторяется тысячи раз, поэтому её можно автоматизировать. Сведения о температуре перевозки нужно сохранять, поэтому появляются датчики и цифровой журнал. Объём поставки нужно рассчитать заранее, поэтому используется аналитика.

Шаг третий. Найдите точку измерения

Ищите не слово «инновационный», а конкретный параметр. Что измеряют? Когда? Каким прибором? Кто видит результат? Что происходит, если показатель выходит за пределы?

На ферме это может быть температура молока сразу после доения, объём надоев, время доения, расход воды на промывку или показатели кормления. На заводе — температура пастеризации, скорость линии, герметичность упаковки, доля брака. В распределительном центре — температура в зоне хранения и время нахождения палеты в погрузочной зоне. В магазине — остаток, срок годности и скорость продаж.

Если на вопрос «кто реагирует на сигнал?» нет ответа, перед вами не законченная система контроля, а набор измерений. Датчик без действия похож на термометр, на который никто не смотрит.

Шаг четвёртый. Определите, что прогнозируют

Если в процессе участвует аналитическая система, выясните, какой именно прогноз она строит. Не «оптимизирует поставки», а, например, «оценивает, сколько упаковок понадобится магазину в субботу» или «определяет вероятность остановки насоса в ближайшие дни».

Затем спросите, какие данные влияют на результат. История продаж, день недели, сезон, погода, акции, остатки на складе, срок годности, скорость поставки — у каждой модели свой набор. Чем точнее сформулирована задача, тем легче понять, почему прогноз может ошибиться.

Шаг пятый. Сопоставьте результат с затратами

Технология должна изменить показатель, который имеет значение для цепочки. Для фермы это могут быть потери сырья, расход воды, простои, стабильность качества и расходы на корм. Для завода — производительность линии, брак, потребление энергии. Для магазина — списания, наличие товара, скорость обработки поставок и количество претензий.

Полезно представить четыре сценария.

Если технология снижает потери и окупается за разумный срок, её можно внедрять.

Если она повышает качество, но требует затрат, нужно определить, кто получает пользу и как она будет отражаться в цене или договоре.

Если она создаёт больше данных, но не меняет решений, сначала следует наладить процессы, а не покупать новое оборудование.

Если она необходима для соблюдения обязательных требований, вопрос окупаемости нужно рассматривать вместе с риском остановки деятельности, штрафов, отзыва партии или ущерба безопасности.

Этот эксперимент не позволяет увидеть внутреннюю систему «Лугового» или магазина целиком. Но он учит задавать точные вопросы. Технология перестаёт быть украшением упаковки и превращается в цепочку причин и последствий.

Как это выглядит на «Луговом»

Илья Сафронов начал с проблемы, которую сотрудники долго описывали одним словом: нестабильность. В одни дни кооператив сдавал больше молока, в другие — меньше. Иногда завод принимал сырьё без замечаний, иногда часть партии требовала дополнительной проверки. Несколько раз оборудование простаивало из-за неисправности насоса, а причину находили уже после остановки.

Первым решением стали не дорогие алгоритмы, а единые правила измерения. На ферме закрепили время контроля температуры, порядок проверки охлаждения и форму записи результатов. Датчики установили в ключевых точках и сопоставили их показания с контрольными приборами. Сотрудники договорились: тревожный сигнал нельзя закрыть одним нажатием кнопки; у него должна быть причина и отметка о выполненном действии.

Это был слой датчиков и цифрового учёта. Он не увеличил надои за одну ночь, но сократил время обнаружения отклонений. Раньше проблему замечали, когда водитель приезжал за молоком или сотрудник находил изменение в журнале. Теперь система могла отправить уведомление раньше.

Следующим шагом стала автоматизация кормления. Система отмеряла порции по заданному рецепту и расписанию. Раньше работник засыпал компоненты вручную и в спешке мог изменить дозировку. Автоматизация уменьшила разброс, но потребовала дисциплины: рецепты нужно было проверять, оборудование — чистить, а остатки кормов — учитывать. Если внести в программу неверную пропорцию, машина будет ошибаться с высокой точностью.

Илья сначала хотел сразу установить аналитическую модель, которая прогнозировала бы надои. Консультант остановил его:

«У вас часть показателей записывается в литрах, часть — в условных единицах. Время кормления иногда округляют, а аварии насоса отмечают не каждый раз. Модель будет учиться не на процессе, а на пробелах в журнале».

Это был неприятный, но полезный поворот. Кооператив отказался от идеи начинать с самого сложного решения и несколько месяцев приводил данные к единому виду. Только после этого стало возможно искать закономерности: как меняется объём молока при изменении состава кормов, температуры в коровнике, интервала между доениями и состояния оборудования.

Аналитическая система не выдала готовый приказ «делайте так». Она показала зоны риска. Например, после определённого сочетания высокой температуры и задержки с обслуживанием вентиляции вероятность снижения надоев возрастала. Илья не заменил этим наблюдением специалиста, но получил ранний сигнал для проверки.

На заводе тем временем автоматическая линия розлива помогла уменьшить разброс объёма в упаковках и число проливов. Электронная история партии связала сырьё, смену, линию и время выпуска. Когда одну партию задержали из-за сомнений в показаниях температуры, сотрудники смогли быстро установить, какие упаковки относятся к этому выпуску. Раньше пришлось бы собирать сведения из бумажных журналов и телефонных звонков.

Марина Белова использовала эти данные уже на уровне сети. Ей не нужно было знать каждую деталь кормления коров, но она видела, насколько регулярно приходят поставки, сколько продукции продаётся до истечения срока годности и в каких магазинах возникают провалы наличия. Прогноз спроса помог распределять объём точнее, однако перед праздниками сотрудники всё равно проверяли рекомендации вручную.

Однажды модель предложила увеличить поставку молока в магазин рядом с железнодорожной станцией. История продаж показывала стабильный рост по пятницам. Но в этот раз на станции закрыли часть платформы на ремонт, и поток пассажиров снизился. Марина скорректировала заказ, потому что знала обстоятельство, которого ещё не было в данных модели. Это было не противостояние человека и алгоритма, а совместная работа: система быстро обработала историю, человек добавил факт из текущей реальности.

Где появляется биотехнология

В цепочке «Лугового» биотехнологический слой заметен не в рекламе сырого молока, а там, где управляют биологическими процессами. Если кооператив выпускает кисломолочный продукт, закваска определяет, как молоко будет сквашиваться, каким получится вкус и консистенция, насколько стабильным будет результат от партии к партии.

Здесь тоже требуется технологическая дисциплина. Важны состав и активность закваски, температура, время, чистота оборудования и условия хранения. Нельзя сказать: «Используем полезные бактерии — значит, качество гарантировано». Если температура отклонилась, процесс может пойти иначе. Если оборудование недостаточно промыто, желательная культура столкнётся с нежелательной микрофлорой.

Биотехнологические методы применяются и в контроле. Лабораторные анализы помогают выявлять микроорганизмы или признаки нарушения качества. Чем быстрее и точнее проходит контроль, тем раньше можно изолировать подозрительную партию. Но результат анализа также требует правильного отбора проб, соблюдения процедуры и квалифицированной интерпретации.

Для покупателя это означает простую вещь: биотехнология не является самостоятельным знаком «хорошо» или «плохо». Нужно смотреть, какую функцию она выполняет, как контролируется и какие сведения о продукте обязательны на упаковке. Красивое слово не заменяет проверяемого результата.

Когда технология не окупается

Самая частая ошибка при обсуждении технологий — считать расходы на покупку и не учитывать расходы на эксплуатацию. Предприятие видит цену оборудования, но забывает о настройке, ремонте, калибровке, обучении, защите данных, интеграции с уже существующими программами и времени сотрудников.

У Ильи был проект по установке дополнительных датчиков во всех помещениях фермы. Идея выглядела разумно: чем больше измерений, тем выше контроль. Но расчёт показал, что часть датчиков не влияла ни на одно решение. Сотрудники получали бы десятки уведомлений, а реагировать могли только на несколько критических параметров. От проекта отказались в первоначальном виде. Установили меньше приборов, но связали их с понятными регламентами.

Технология не оправдывает вложения в нескольких типичных случаях.

Если она измеряет показатель, который никто не использует для принятия решений, предприятие оплачивает сбор данных без управленческого эффекта.

Если автоматизация заменяет дешёвую и надёжную операцию, но требует дорогого обслуживания, экономия на труде может оказаться меньше расходов на простои и ремонт.

Если система не совместима с уже действующим оборудованием, сотрудники начинают вручную переносить сведения из одной программы в другую. Тогда цифровизация добавляет работу вместо сокращения ошибок.

Если аналитическая модель обучена на короткой или искажённой истории, её прогнозы могут выглядеть убедительно, но давать слабый результат. Особенно опасно использовать одну рекомендацию без проверки в условиях, с которыми система раньше не сталкивалась.

Если технология решает не главную проблему, её эффект будет незаметен. Например, магазин может купить систему точного прогнозирования, хотя реальные списания возникают из-за несвоевременной выкладки и нарушения ротации. Модель рассчитает идеальный заказ, но товар всё равно залежится в подсобке.

Есть и обратная ситуация: технология может быть оправдана даже без быстрой экономии. Система прослеживаемости, контроль температуры или лабораторная проверка снижают риск массового отзыва, угрозы безопасности и потери доверия. В таком случае результат измеряется не только заработанными рублями, но и ущербом, которого удалось избежать.

Алгоритм проверки технологического решения

Перед внедрением или покупкой полезно ответить на пять вопросов.

Сначала назовите проблему одним предложением: «теряем сырьё из-за…», «не успеваем обнаружить…», «не можем спрогнозировать…», «тратим время на…».

Затем определите показатель результата. Это может быть доля брака, время реакции на отклонение, число списаний, точность прогноза, расход энергии, скорость отгрузки или количество ручных операций.

После этого установите исходную точку. Без показателя «до» нельзя доказать, что технология дала эффект. Фраза «стало удобнее» полезна для описания опыта, но недостаточна для решения о вложениях.

Четвёртый вопрос: кто и как будет действовать по результату? Для тревоги датчика нужен ответственный. Для прогноза — человек, который может изменить заказ. Для цифровой записи — процедура проверки данных. Для автоматической линии — план обслуживания и ручной режим на случай сбоя.

Наконец, назначьте срок проверки. Через месяц или квартал сравните результат с исходным состоянием. Если показатель не улучшился, выясните причину: неверно поставлена задача, система плохо настроена, данные неполны, сотрудники не используют результат или проблема находится в другом месте.

Эта последовательность защищает от двух крайностей. Первая — покупать всё, что выглядит новым. Вторая — отвергать технологию, потому что первая попытка оказалась неудачной. Иногда провал показывает не бесполезность подхода, а слабую постановку задачи.

Типичные сбои, которые искажают результат

Первый сбой — подмена цели инструментом. В презентации говорят: «Нам нужна система машинного обучения». Но предприятие ещё не решило, какую проблему прогнозировать. Правильная формулировка начинается с потерь и решений, а не с названия технологии.

Второй — ручной ввод там, где обещали автоматические данные. Если сотрудник переносит показания с экрана в таблицу, а потом ещё раз в отчёт, вероятность ошибки сохраняется. Нужно выяснить, где возникают данные и могут ли они передаваться без повторного переписывания.