Предиктивные технологии постепенно просачиваются из мира физических объектов (эксплуатации оборудования, управления инфраструктурой и технологическими процессами, потребления ресурсов) в мир бизнес-процессов и их оптимизации. Многие организации внедряют, или, как минимум, экспериментируют с системами мониторинга и предиктивного анализа бизнес-процессов — и получают результаты.
Никита Кардашин, руководитель отдела развития интеллектуальных систем компании Naumen, рассуждает, как правильно реализовать эти преимущества.
В проекте Dig(IT)al рассказываем о технологиях, которые помогут вам заработать. Переходите на цифровую сторону бизнеса.
Фото: WDnet Creation/Shutterstock
Зачем собирать данные о процессах
В любой компании накапливаются знания — документы, регламенты, переписка в электронной почте. Чаще всего эта информация повторно не используется, а если через год она понадобится, то снова тратится время на ее поиск.
Для повышения эффективности работы сотрудников необходимо собрать внутреннюю базу знаний в единую систему и вернуть все в процесс. Конечная цель — управлять процессами на основе опыта, а не интуиции. Участникам бизнес-процесса нужен некий инструмент, который позволит накопленный опыт извлечь и использовать в своей работе заново.
В качестве успешного опыта применения AI-технологий можно привести «Газпром Нефть». Все знания компания «завела» в ИТ-систему, вплоть до того, кто и какие проекты выполнял, с какими результатами и инструментами работал, с какими проблемами столкнулся. Когда запускается новый проект, на основе этого оцифрованного опыта можно подбирать команды, технологии, методологии и подрядчиков.
Данные собираются в любых процессах организации: прием сотрудника на работу, обслуживание оборудования или продажа продукции клиенту; в виде результатов обработки кейсов в BPM-системе, документов в СЭД или заявок в CRM. Но потом часто лежат мертвым грузом и не приносят ценности организации.
Чтобы ответить на вопрос «что было» — проанализировать и обобщить предыдущий опыт на основе собранных данных, используются решения класса BI (Business Intelligence), базы знаний, сервисные каталоги.
Но дальше возникает вопрос «что будет» — желание на основе имеющегося опыта определить принципы, как развиваться бизнесу дальше, направить взгляд не в прошлое, а в будущее. Здесь нужна предиктивная и прескриптивная аналитика, которая выявляет тренды, взаимосвязи различных процессов, как одно влияет на другое.
Какие данные собирать
Теоретически собирать можно любые данные, но есть риск получить массив данных, который негде хранить и с которым неудобно работать. Целесообразно собирать только то, что поможет улучшить процессы в будущем.
Фраза «данные — это новая нефть» заезженная, но у нее есть второй смысл. В анализе данных мы привыкли к тому, что «качаем» неизвестно что, а потом применяем сложные аналитические алгоритмы, чтобы извлечь из этого ценность. Такой подход оправдан при работе, например, с накопленной историей по ИТ-оборудованию. Но когда мы работаем с процессами, лучше задать свои правила и алгоритмы, сразу сделав данные удобными для применения в будущем — ведь мы сами можем создавать свои «месторождения».
Как пример рассмотрим процесс закупки техники. Здесь на каждом шаге содержится информация, которая пригодится в будущем: согласование, сама закупка, контроль процесса и проведение типовых настроек. Инструмент автоматизации, который управляет процессом закупки, например, BPM-система, должен предоставить возможность собрать эти данные и передать в некий аналитический процесс. Поэтому требования к BPM-системе стали выше, чем ранее.
Метрики персонала также важны. Даже если мы имеем команду специалистов, которые работают на похожих должностях, с похожим образованием и похожими задачами, все они отличаются друг от друга. Чтобы перейти к предиктивной аналитике, такие метрики важно собирать системно: результаты работы каждого, участие в процессах, пройденные курсы и прочее. И далее эти данные по персоналу использовать: например, одного необходимо отправить на проект А, другого на проект Б. Так они оба будут работать эффективнее.
В результате мы переходим на другой уровень управления сотрудниками – цифровому персоналу. Ключевой принцип – нам нужно столько людей, сколько требуется в определенный момент, и именно таких, каких нужно.
Также важно собирать метрики окружения. Например, если три года назад пять минут ожидания на линии колл-центра было привычным делом и люди готовы были ждать, то сегодня большинство просто бросят трубку. И если мы не собираем метрики окружения, то никогда не узнаем, что наши потенциальные клиенты не дожидаются ответа. Для этого нужно работать с клиентским опытом, собирать все в одной точке и анализировать как успешные, так и неуспешные коммуникации с потенциальными заказчиками.
Как использовать данные
Имея данные о прошлом и будущем наших процессов, мы можем гибко ими управлять. Это позволит получить реальный экономический эффект, который легко покроет затраты на внедрение предиктивных систем.
Можно оптимизировать затраты на персонал: исключить ситуации, когда операторы контакт-центра или сотрудники точки продаж сидят без дела, и ситуации, когда их не хватает и снижается качество обслуживания.
Можно оптимизировать технологические активы: избыточные резервы продукции или оборудования, простои мощностей, логистику.
Можно улучшить продукты, предсказывая профиль их потребления (сезонность, влияние внешних факторов и связанных продуктов), изменения рынка, цепочек поставок и продаж.
Это и есть предиктивное управление, когда реакция на изменение наступает до того, как оно произойдет и окажет негативное влияние на бизнес.
Чтобы все это работало, важно каждое звено пирамиды: возможности цифровой интеллектуальной платформы, инфраструктура, методология управления данными, методология анализа данных, а также готовность CEO и всех сотрудников компании к трансформационным процессам.
Фото: BIGANDT.COM/Shutterstock
5 шагов, которые помогут достичь максимума
- Определите бизнес-результат, которого хотите достичь. Прогнозная аналитика позволяет сделать обоснованное предположение о вероятных результатах.
- Соберите данные из всех доступных источников. Модели прогнозной аналитики снабжаются данными, поэтому важно собирать ту информацию, которая поможет ответить на ваши бизнес-вопросы.
- Непрерывно повышайте качество данных. Убедитесь, что сотрудники компании вносят данные в установленном формате. Это сократит время, затрачиваемое на их очистку и форматирование.
- Выберите надежную и функциональную BPM-платформу со встроенными инструментами прогнозирования. Создание вашей собственной модели прогнозной аналитики потребует определенного опыта, или вы можете обратиться к надежному партнеру с необходимой экспертизой.
- Оцените и подтвердите результаты проекта. Оценка и проверка результатов с использованием метрик бизнес-процессов позволит оценить реальный эффект от внедрения предиктивной аналитики, а также гарантирует, что модель работает при различных сценариях и вы получите ответы на свои вопросы.
https://rb.ru/opinion/predictive-analytics/
