Abstract
<jats:p>В статье рассматривается практический подход к построению единых бизнес-процессов на основе данных цифровых двойников. Актуальность исследования обусловлена необходимостью перехода от реактивного к опережающему управлению производственными операциями. Предложен специализированный фреймворк, описывающий принципы интеграции и включающий четыре ключевых модуля: сенсорной интеграции (на базе Apache Kafka), аналитический (с библиотекой ML-моделей), процессной интеграции (оркестрация через BPMN-движок) и обратной связи. Практическая значимость подтверждена результатами внедрения на примере процесса управления производственными мощностями машиностроительного предприятия. Внедрение, построенное на микросервисной архитектуре с использованием стека IIoT и аналитических технологий, обеспечило сокращение времени простоя оборудования на 67 %, увеличение точности планирования загрузки до 94 % и снижение количества неплановых остановок на 80 %. Полученные результаты демонстрируют эффективность методологии для создания адаптивных производственных систем.</jats:p> <jats:p>The article discusses the development and testing of a practical approach to building unified business processes based on digital twin data. The relevance of the research is determined by the need to move from reactive to proactive management of production operations. The paper proposes a specialized integration framework comprising four core modules: sensory integration (Apache Kafka-based), analytical (with an ML model library), process integration (orchestration via a BPMN engine), and feedback. The practical significance is confirmed by the implementation results using the example of the production capacity management process at a machine-building enterprise. The implementation, built on a microservice architecture using an IIoT and analytics technology stack, resulted in a 67 % reduction in equipment downtime, an increase in load planning accuracy to 94 %, and an 80 % reduction in the number of unplanned stops. The results obtained demonstrate the effectiveness of the methodology for creating adaptive production systems.</jats:p>