Как управлять бизнес-процессами при помощи предиктивной аналитики
Предиктивные технологии постепенно просачиваются из мира физических объектов (эксплуатации оборудования, управления инфраструктурой и технологическими процессами, потребления ресурсов) в мир
Никита Кардашин, руководитель отдела развития интеллектуальных систем компании Naumen, рассуждает, как правильно реализовать эти преимущества.
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
В качестве успешного опыта применения
Данные собираются в любых процессах организации: прием сотрудника на работу, обслуживание оборудования или продажа продукции клиенту; в виде результатов обработки кейсов в
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
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,
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
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
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.