Как управлять бизнес-процессами при помощи предиктивной аналитики

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.

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.

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.

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

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.

Фото на обложке: Peter Kotoff/Shutterstock