Согласно исследованиям, процессная аналитика (Process Mining) выходит за рамки «эксперимента» и «нишевого инструмента». Бизнес встраивает профильные инструменты в свой технологический контур. При этом тренд на искусственный интеллект никуда не уходит: его внедряют для системного повышения эффективности, сокращения издержек и оптимизации рутины. Однако важно отметить, что часто ИИ не приносит желаемых результатов. Почему? Потому что нет понимания, где его использование станет наиболее полезным.
Интеллектуальный анализ
Проблема в том, что в большинстве организаций — как частных, так и государственных — данные о процессах разрознены, порой противоречивы и в целом могут не давать целостного понимания происходящего. В данном случае необходимо системное решение, способное превратить хаотичные наборы данных в ясную картину происходящего в компании. Фактически речь идет о полноценном «процессном интеллекте», объединяющим аналитику процессов (Process Mining), аналитику операций (Task Mining), мультипроцессную аналитику и бизнес-аналитику (Business Intelligence).
Такой комплексный подход дает следующие преимущества:
- Контекст для ИИ. Алгоритмы работают с фактическими сценариями, характерными конкретной компании, поэтому прогнозы становятся точнее, а доля ошибок, вызванных человеческим фактором, снижается.
- Ускорение цифровой трансформации. Принятие управленческих решений с опорой на объективные данные сокращает цикл интеграции инноваций — компании быстрее масштабируют успешные пилотные инициативы и видят измеримые эффекты.
- Развитие внутренней культуры. Все причастные к процессу могут оценить собственную работу — от линейного менеджера до ключевых ТОПов.
Эффект от синергии
Комбинированное использование технологий способно дать компаниям следующие преимущества:
- Обоснованность решений. Уменьшается вероятность, что прогнозирование и моделирование сценариев будущего будут опираться на недостаточную, неполную, неактуальную или устаревшую информацию.
- Масштабирование автоматизации. Задача аналитики процессов — показать, как фактически выполняются сквозные бизнес-процессы, а аналитики операций — проранжировать бизнес-операции по трудозатратам и стоимости, чтобы внедрять ИИ на разных уровнях без рисков.
- Контроль эффекта. При наличии конкретных метрик и регулярного мониторинга эффективности, автоматизация становится управляемой: ее можно выражать через время, деньги и удовлетворенность клиентов.
- Агентно-ориентированные сценарии. Можно проектировать агентов, которые определяют «узкие места», подбирают варианты автоматизации и выполняют действия по заданным правилам, освобождая сотрудников от рутины. Кроме того, агенты могут брать на себя отдельные блоки рутины, высвобождая время сотрудников для более сложных задач.
Основные барьеры
Несмотря на очевидные преимущества описанного подхода многие компании сталкиваются с барьерами, среди которых можно отметить:
- данные. Низкое качество исходной информации и ее фрагментарность снижают точность анализа.
- организационные факторы. В начале оптимизационных проектов обычно у сотрудников возникает сопротивление изменениям, а переход к новым практикам требует времени и обучения персонала.
- инфраструктура. Разнородность IT-систем усложняет реализацию и предполагает участие платформенных архитекторов.
Рекомендации
Для повышения результативности внедрения подхода компаниям необходимо:
- Задать границы доступности данных в процессах, и устранить «темные пятна»;
- Развернуть единую платформу для сбора событийных логов и их автоматической обработки;
- Перейти от Process Mining к мультипроцессной аналитике, чтобы учитывать взаимосвязи между процессами;
- Организовать регулярный мониторинг объективного состояния бизнес-процессов и закрепить эту практику на уровне корпоративных стандартов.
По материалам ProcessMi