Вы успешно подписались на блог Naumen
Статьи доступны к чтению
Добро пожаловать! Регистрация прошла успешно.
Отлично! Ваш аккаунт активирован, контент доступен.
Success! Your billing info is updated.
Billing info update failed.
Предиктивная аналитика в управлении бизнес-процессами

Предиктивная аналитика в управлении бизнес-процессами

6 минут чтения

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. Какие события открыли окно возможностей для такого подхода и как правильно реализовать эти преимущества? Начнем с предыстории.

Сегодня в экономике прослеживается три значимых тренда.

Data Driven подход

Первый тренд – это бизнес без людей. Забираем всю рутину с персонала и отдаем системам автоматизированного управления: ИТ-системам, умным сервисам, роботам. На человеке концентрируем его знания и компетенции.

Ко второму тренду относится дополненный интеллект. Его возможности позволяют использовать имеющийся персонал максимально эффективно, предоставляя для работы новые цифровые инструменты.

И еще один тренд – непрерывная трансформация. Невозможно существовать в одной бизнес-парадигме годами. Если парадигма не меняется, бизнес ждет крах. Ведь рынок не готов ждать. Следовательно time to market для всех изменений должен быть максимально коротким.

Все три тренда накладываются на бизнес-процессы любой организации. Ни инфраструктура, ни производственные мощности не живут без процессов, они из них состоят.

Цифровая трансформация на практике

Яркий пример непрерывных трансформационных процессов – «Почта России». Еще 10 лет назад объем посылок был в 10-15 раз ниже. При этом на рынок еще не зашли такие крупные игроки, как AliExpress или интернет-магазины со своей системой логистики и доставки. Сейчас ежегодно объем отправлений в «Почте России» растет на 25-30%, поэтому без новых интеллектуальных сервисов не обойтись.

Половина всех обращений в контактный центр «Почты России» связана с проверкой статусов почтовых отправлений. Теперь эта рутина возложена на голосовых роботов. Они подсказывают, где ближайшее почтовое отделение, где посылка, и при этом учитывают все нюансы голосового ввода.

Или другой кейс – из сферы ЖКХ, где крупные энергосбытовые компании уже несколько лет активно используют технологии голосового самообслуживания абонентов. Например, «Мосэнергосбыт». Передать по телефону показания счетчиков, узнать информацию о балансе при помощи робота – уже не фантастика, а обычное дело. Даже людей старшего поколения уже не пугает, что с ними разговаривает не оператор, а искусственный интеллект.

По сути оба примера – это средство роботизации повторяемого диалога. А в любой организации повторяемость диалогов составляет 90%. Соответственно, все рутинные операции лучше отдать роботам: ответы колл-центра на типовые вопросы, подключение новых абонентов в телекоме, передачу показаний.

Таким образом, цифровые технологии позволяют автоматизировать коммуникации. Помимо этого, существуют и внутренние процессы, которые постепенно должны быть автоматизированы.

Зачем собирать данные о процессах

В любой компании накапливаются знания – документы, регламенты, переписка в электронной почте. Чаще всего эта информация повторно не используется. Когда через год эта информация понадобится снова, сотрудники, скорее всего, еще раз потратят время на ее поиск.

Для повышения эффективности работы людей необходимо собрать внутреннюю базу знаний в единую систему и вернуть все в процесс. Конечная цель – управлять процессами на основе опыта, а не интуиции. Это означает, что участникам бизнес-процессов необходимо предоставить некий инструмент, который позволит накопленный опыт извлечь и использовать заново.

Здесь в качестве успешного опыта применения AI-технологий можно вспомнить кейс «Газпром Нефти». 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 накапливаются в любых процессах. Не важно, это прием сотрудника на работу, обслуживание оборудования или продажа продукции клиенту. Либо же результаты обработки кейсов в BPM-системе, документы в СЭД или заявки в CRM.

Data Driven подход

Следующий шаг – вывести эти данные на уровень анализа, обратиться к ним повторно для поиска ответов на свои вопросы или формирования каких-либо выводов. В этом помогают решения класса BI, активно внедряемые во многих организациях, а также базы знаний, сервисные каталоги. Благодаря им мы отвечаем на вопрос «что было»: анализируем и обобщаем предыдущий опыт. Это описательная аналитика, давно и широко применяемая практически всеми.

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.

И если на шаге описательной аналитики нам достаточно классического анализа данных, где BI-системы строят графики по прошлым собранным данным, то на этапе прогнозной аналитики на первый план выходит статистическое моделирование. В предиктивной – недостаточно видеть только факты, необходимо выявлять тренды, взаимосвязи различных процессов, как одно влияет на другое.

Какие данные собирать

Теоретически собирать можно любые данные. И многие евангелисты Big Data призывают нас к этому. Правда, при таком подходе велик риск получить массив данных, который негде хранить и с которым неудобно работать. Чем больше мы соберем, тем сложнее разобраться в этой информации. Терабайты данных – это еще не актив. Пока мы не научились этим пользоваться, это пассив, расходы. Целесообразно собирать только то, что поможет улучшить процессы в будущем.

Часто говорят, что данные – это новая нефть. Фраза 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, если мы работаем, например, с накопленной историей по ИТ-оборудованию. Но когда мы работаем с процессами, лучше задать свои правила и алгоритмы, чтобы эти данные сразу сделать удобными для применения в будущем. Ведь мы сами можем создавать свои «месторождения».

В качестве примера рассмотрим процесс закупки техники. Казалось бы, что тут можно собрать? А на самом деле много чего. На каждом шаге этого процесса содержится информация, которая пригодится: входные и выходные элементы, время прохождения шагов, принятые решения. Инструмент автоматизации, который управляет процессом закупки (например, BPM-система), должен предоставить возможность собрать эти данные и передать в некий аналитический процесс. Поэтому изначально требования к BPM-системе уже выше, чем было ранее.

Какие данные процесса собирать?

Метрики персонала также важны. Каждый человек индивидуален. И даже если мы имеем команду специалистов, которые работают на похожих должностях, с похожим образованием и похожими задачами, каждый из них чем-то отличается.

Чтобы перейти к предиктивной аналитике, важно собирать метрики персонала системно: у кого что получилось, кто в каких процессах участвовал, кто что умеет, кто какими компетенциями владеет, какие курсы прошел. И далее эти данные по персоналу использовать. Возможно, одного необходимо отправить на проект А, другого – на проект Б. Так они оба будут работать эффективнее.

В результате мы переходим на новый уровень управления сотрудниками – цифровому персоналу. Ключевой принцип – нам нужно столько людей, сколько требуется в определенный момент, и именно таких, каких нужно.

Например, если три года назад пять минут ожидания на линии колл-центра было привычным и люди готовы были ждать, то сегодня большинство бросит трубку.

И если мы не собираем метрики окружения, то никогда не узнаем, что наши потенциальные клиенты не дожидаются ответа. Узнать об этом можно, работая с клиентским опытом, собирая все в одной точке и анализируя как успешные, так и неуспешные коммуникации с потенциальными заказчиками.

Как использовать данные

Следующий вопрос, после того как мы накопили данные, – как их использовать. Использовать можно по-разному. Желательно – с пользой.

Имея данные о прошлом и будущем наших процессов, мы можем гибко ими управлять: быть сильными там, где это нужно, и экономить там, где это возможно. Это позволит получить реальный экономический эффект, который легко покроет затраты на внедрение предиктивных систем.

Мы можем оптимизировать затраты на персонал, если имеем реальное понимание потребности в нем в каждый момент времени. Например, исключить ситуации, когда операторы контакт-центра или сотрудники точки продаж сидят без дела, и ситуации, когда их не хватает и снижается качество обслуживания.

Еще можем оптимизировать технологические активы: избыточные резервы продукции или оборудования, простои мощностей, логистику.

Или улучшить наши 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 она произойдет и окажет негативное влияние на бизнес.

Понятно, чтобы 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.

5 шагов, которые помогут вам подготовить бизнес к предиктивной аналитике

  1. Определите бизнес-результат, которого хотите достичь.
    Прогнозная аналитика позволяет сделать обоснованное предположение о вероятных результатах.
  2. Соберите данные из всех доступных источников.
    Модели прогнозной аналитики снабжаются данными, поэтому важно собирать ту информацию, которая поможет ответить на ваши бизнес-вопросы.
  3. Непрерывно повышайте качество данных.
    Убедитесь, что сотрудники компании вносят данные в установленном формате. Это сократит время, затрачиваемое на их очистку и форматирование.
  4. 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.
  5. 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.