Применение технологий интеллектуального анализа процесса на современном предприятии

2.4 Рекомендации по выбору программного обеспечения для глубинного анализа процессов

Исходя из сравнительной таблицы можно сделать ряд выводов касательно качества вышеуказанных платформ для глубинного анализа процессов и сформировать рейтинг с рекомендациями к использованию той или иной платформы. Celonis.

Очевидным лидером среди всех проанализированных решений является система, разработанная компанией Celonis. Данная платформа получила высокие или положительные оценки практически в каждой категории. Главным недостатком системы стала недостаточная, по сравнению с некоторыми другими решениями, доступность документации. Дело в том, что компания Celonis предоставляет доступ к документации лишь текущим, зарегистрированным клиентам и по наличию соответствующей заявки. Таким образом, документация не является доступной для рядового пользователя и, кроме того, требует дополнительного запроса для уже существующих клиентов компании. QPR ProcessAnalyzer.

На второе место после Celonis можно поставить QPR ProcessAnalyzer. Решение значительно проигрывает лидеру в возможном количестве источников данных. Поскольку данный параметр является одним из важнейших, решение компании QPR можно назвать менее предпочтительным даже несмотря на то, что оно превосходит Celonis в доступности документации и не уступает в качестве. Также можно заметить, что среди параметров 4 группы QPR уступает Celonis лишь в оценке пользователей, и разрыв, при этом, также нельзя назвать существенным.

ARIS Process Mining.

Несмотря на главное преимущество решение, заключающееся в наличии крупной экосистемы, данное программное обеспечение существенно уступает первым двум по многим показателям. Даже с учетом того, что нотация, используемая компанией, является достаточно привычной и удобной для большинства бизнес-аналитиков, использующих платформу, ARIS PM значительно проседает по показателям второй группы факторов, отвечающих за легкость внедрения решения. Действительно, порог вхождения для данной платформы можно назвать более высоким, поскольку пользовательский интерфейс платформы является достаточно нетривиальным для нового пользователя. Кроме того, платформа ограничена работой только с одной нотацией по отображению бизнес-процессов, что также усложняет начала использования. Помимо этого, ARIS значительно уступает остальным системам по возможному количеству используемых для интеллектуального анализа источников.

UI Path Process Understanding.

Невзирая на то, что в среднем платформа имеет довольно неплохие показатели, она является крайне нишевой среди инструментов глубинного анализа процессов. Система имеет один из наиболее нативных и удобных пользовательских интерфейсов, а также лучше всех справляется с задачами RPA, в связи со своей изначальной нацеленностью на данные задачи. Кроме того, платформа имеет уникальную функцию по генерации моделей процессов на основе логов роботизированных функций, что также выгодно ее выделяет на фоне других. При этом ограниченность системы источниками данного типа данных сильно понижают ее позиции среди потенциальных клиентов, не имеющих большого количества потенциально роботизируемых процессов в компании.

ProM.

Исходя из сравнительного анализа, фреймворк ProM является наименее рекомендуемой к внедрению в организацию. Решение имеет открытый исходный код и первоначально создавалось для осуществления практики и исследований в сфере интеллектуального анализа процессов. В связи с этим, оно никогда не было нацелено на продажу и поиск клиентов, а поэтому не имеет достаточно качественного уровня поддержки со стороны разработчиков, доступной документации и не является простым для использования. Кроме того, разработчики, создавшие ProM, по их словам, “не фокусировались на пользовательском интерфейсе”, так как главной целью для создания системы были отработка алгоритмов по глубинному анализу и попытка дать старт IT-сфере, специализирующейся на разработке ПО данного типа. Несмотря на это, у ProM все еще есть множество преимуществ, которые делают решение отличным исследовательским инструментом или способом тестирования возможностей интеллектуального анализа данных. Низкая ресурсозатратность, легкая доступность, за счет открытого исходного кода, и большое количество дополнительных плагинов позволяют любому человеку бесплатно скачать данный фреймворк и провести интеллектуальный анализ процесса на основе практически любых данных.

ГЛАВА 3. ОСНОВНЫЕ ТИПЫ ОПТИМИЗИРУЕМЫХ ПРОЦЕССОВ

В рамках данной главы предложено исследование на тему того, как используется интеллектуальный анализ процессов на современных предприятиях, а также проанализированы несколько существующих кейсов по внедрению технологий.

Интеллектуальный анализ процессов, используя в качестве источника анализа журналы активностей основных CRM и ERP систем в организациях, как правило, в первую очередь направлен на анализ ключевых и стандартных для современных организаций процессов. Процессы, рассмотренные в дальнейших разделах работы, легче всего анализировать и являются наиболее популярными для оптимизации, так как у компаний сохраняется наибольшее количество информации именно об этих потоках активностей. Выделим четыре основных типа процессов [2], существующих в современных организациях, являющихся главными целями для оптимизации:

Procure-to-Pay (P2P);

Order-to-Cash (O2C);

Логистические процессы;

Процессы по управлению качеством;

Для того, чтобы лучше понять, как именно используется интеллектуальный анализ для оптимизации таких типов процессов, разберем основную суть и принципы работы каждого из этих типов.

Процессы Procure-to-Pay.

Процессы типа P2P представляют собой системы или наборы различного рода активностей, направленных на совершение закупок некоторого, необходимого для бизнеса, сырья или других ресурсов. [13] Исходя из названия данного типа процессов, можно увидеть, что по своей сути, группа включает в себя цепочку действий от закупки товара до оплаты. Обычно, организацией создается тот или иной P2P-проецсс после появления потребности в каком-либо ресурсе. Типичный P2P-процесс включает в себя несколько основных шагов:

Поиск наиболее оптимального поставщика.

Формирование заявок на закупку или партнерских контрактов с поставщиком.

Формирование заказа.

Доставка товаров.

Проверка на целостность и корректность сборки пришедшего заказа.

Формирование документов для оплаты заказа.

Оплата полученного товара.

Аналитика прошедшего процесса.

P2P процессы являются довольно стандартизированными на современных предприятиях, и поэтому, являются частой целью оптимизации. После окончания всех активностей, остается достаточно большой и удобный для анализа информационный след, что значительно упрощает сбор данных по процессу.

Процессы Order-to-Cash

Группа процессов Order-Cash - это прямая противоположность P2P процессам. Если в предыдущей группе компания-субъект процесса являлась заказчиком, то в O2C процессе она является исполнителем. [24] O2C процессы обеспечивают деятельность компании по продаже производимых продуктов конечным потребителям. В рамках O2C также можно выделить несколько четких, последовательных шагов, являющихся стандартными для большинства компаний:

Формирование заказа.

Обработка платежной информации.

Доставка заказа.

Оплата заказа.

Получение прибыли.

Аналитика прошедшего процесса. [34]

Стоит отметить, что несмотря на достаточную типичность процессов данного типа, некоторые шаги могут меняться или возможно добавление новых. К примеру, многие компании при формировании заказов также включают в O2C процессы управление данными клиента, которые можно использовать для других процессов компании, таких как маркетинг. На сегодняшний день, являются автоматизированными подавляющее большинство O2C-процессов, что наглядно видно на примере интернет-магазинов. Многие современные торговые онлайн-площадки для совершения покупки не требуют никакого вмешательства сотрудников магазина. Все действия и этапы O2C-процессов так или иначе логируются компаниями, а значит также удобны для анализа.

Логистические процессы

Процессы, касающиеся логистики в компании являются одними из ключевых в рамках цепочки поставок. Многие логистические процессы также могут являться часть P2P и O2C-процессов. При этом достаточно большая детализированность и сложность логистических процессов требует их выделения в отдельную группу. В целом, процессы, касающиеся логистики, становятся все более и более важными для компаний, так как требования и потребности клиентов, в условиях постоянно растущей и развивающейся потребительской экономики, бесконечно увеличиваются и усложняются. Проблемы с логистическими процессами могут привести к таким проблемам, как: задержки заказов, повреждения товаров во время перевозок, неправильная комплектация заказа и др. Самое важное - все данные проблемы влекут за собой серьезные издержки для компаний. Необходимо также заметить, что логистические процессы являются наиболее подверженными различным ошибкам в исполнении, а также частым отклонениям от модели. Кроме того, поскольку данный тип активностей часто использует человеческий труд, довольно привычной проблемой становится неправильное распределение трудозатрат в рамках активностей. Интеллектуальный анализ процессов может служить отличным инструментов в решении данных проблем. [31]

Процессы управления качеством.

Процессы по управлению качеством (англ. Quality Management Processes) для современных предприятий являются не менее важными, чем процессы логистики, поскольку именно от качества производимой компанией продукции зависит уровень лояльности клиентов организации, а значит и непосредственная величина прибыли, получаемая компанией. Процессы по управлению качеством могут быть задействованы во многих различных сферах деятельности организации, начиная от непосредственного производства, заканчивая качеством поддержки клиентов. Как правило управление качеством в организации подразделяется на 4 этапа [6]

Разработка стандартов качества;

Обеспечение качества;

Контроль качества;

Улучшение качества; [21]

Интеллектуальный анализ процессов по управлению качеством в организации часто связан с обработкой негативных кейсов, происходящих в рамках производства. Также важным источником данных для анализа является обратная связь клиентов.

3.1 Существующие примеры внедрения интеллектуального анализа процессов

Для того, чтобы сформировать выводы, касательно эффективности технологии глубинного анализа процессов, необходимо обратить внимание на уже существующие случая внедрения интеллектуального анализа процессов в крупных компаниях. В рамках данного раздела разберем то, как современные организации используют глубинный анализ процессов для оптимизации бизнес-процессов в их компаниях.

ВТБ.

Второй по величине в России банк ВТБ, с оборотом более 400 миллиардов рублей и штатом сотрудников около 100 тысяч человек, в 2014 году организовал Центр Совершенствования Процессов, признав необходимость в переменах для того, чтобы оставаться лидером на рынке. По заявлениям руководителей банка, люди стали менее привязаны к своим банкам. Данное явление связывается с появлением большого количество новых сервисов, переходом финансов в онлайн, новыми типами программ лояльности и пр. Война банков за клиентов к тенденциям на рынке по улучшению качества продуктов. В таких условиях необходимо было сделать существующие бизнес-процессы более дешевыми и более быстрыми.

Решение внедрить методы интеллектуального анализа в банке ВТБ было принято после тестового использования платформы ProM, которое позволило визуализировать цифровые следы компании в качестве моделей процессов. После успешных тестов было принято решение о закупке и внедрении решения компании Celonis. До внедрения интеллектуального анализа процессов банку приходилось использовать классические методы сбора информации о текущих процессах в компании. К примеру, для того, чтобы узнать о качестве и работе O2C-процессов и процессов поддержки клиентов в регионах, менеджерам бизнес-процессов приходилось вручную опрашивать клиентов и сотрудников в регионах, организовывать интервью, а также вручную разрабатывать и подсчитывать метрики. Такой подход требовал значительных трудозатрат и закономерно приводил к серьезным временным и материальным издержкам. Решить проблему неосведомленности руководства о течении клиентских процессов в регионах удалось за 3 месяца после внедрения технологий анализа. Через 3 месяца, в результате глубинного анализа процессов, руководители получили список наиболее слабых мест в региональных процессах продаж. Был сформирован список тезисов, касательно существующих проблем:

Чрезмерное количество вовлеченных в процесс людей значительно замедляло части O2C-процесса, отвечающие за доставку продуктов клиентам.

Данные, приходящие из головного офиса, слишком часто содержали ошибки, что приводило к замедлению процесса оформления заказов.

Многие части O2C-процессов были крайне неэффективными в связи с низкой квалификацией персонала.

После проведения глубинного анализа были выявлены случаи в регионах, где бизнес-процессы выполнялись от начала до конца со скоростью до 6 раза более медленной, чем средняя по организации. Интеллектуальный анализ процессов позволил компании ВТБ, в первые полгода после внедрения, повысить пропускную способность O2C-процессов на 30 процентов. Стоимость внедрения технологии глубинного анализа была полностью окуплена за год. [15]

Nokia.

Компания Nokia в 2016 году, после поглощения компании Alcatel-Lucent, столкнулась с проблемой значительного усложнения существующих бизнес-процессов, касающихся цепочек поставки, а также с необходимостью стандартизации и гармонизации в присоединившейся компании. [26] Современные цепочки поставки компаний действительно стали намного более сложными из-за большого уровня цифровизации, необходимости поставлять различное количество онлайн-сервисов и комплексных услуг. Так как усложнение процессов значительно повышает шанс возможных отклонений и ошибок, возникла необходимость в усилении процессного менеджмента компании. Помимо этого, после покупки новой дочерней компании встала задача унифицировать процессы. Для того, чтобы заняться стандартизацией, сначала было необходимо установить, как выглядят процессы в присоединенной компании. Этот ряд задач, стоящих перед руководителями компании, привел их к решению по тестовому внедрению технологий глубинного анализа процессов на основе решения QPR Process Analyzer.

Пилотный проект был организован и проведен за 2 месяца. Имплементация методов глубинного анализа помогла компании Nokia навести порядок в O2C и P2P-процессах. С помощью анализа журналов событий, руководители организаций смогли получить информацию о времени, уходящем на производство процессов в бывшей компании Alcatel и сравнить модели бизнес-процессов с материнской компанией. Выяснилось, что некоторые части процессов присоединенной организации работают намного лучше, чем в Nokia. В частности, материнская компания по примеру компании Alcatel смогла автоматизировать процессы, связанные с одобрением новых каталогов продукции. По результатам тестового проекта, компания Nokia приняла решение продолжить сотрудничество с компанией QPR для дальнейшей работы в рамках унификации процессов компании.

Neste

Финская нефтегазовая компания Neste является одной из крупнейших корпораций в Финляндии. Ежегодный оборот компании достигает порядка 12 млрд евро, а в штате числится более 5000 сотрудников. Большое количество сотрудников, высокая степень различия бизнес-процессов делают процессный менеджмент довольно сложной задачей для руководства. Учитывая специфику сферы, в которой работает корпорация, особенно важными являются процессы, связанные с логистикой. Логистические процессы более остальных требуют наличия средств визуализации, так как используют различные транзакционные данные, часто являются очень специфическими и индивидуальными для каждой компании. Так началось сотрудничество компании с Celonis.

Первым делом, компания начала проект по оптимизации логистических процессов со внедрения ERP-системы SAP HANA. Использование интеллектуального анализа данных невозможно без наличия источника данных. На момент начала пилота в компании не использовалось систем, способных производить сырые данные, которые потом можно использовать для глубинного анализа. После внедрения SAP также были определены начальные ключевые показатели эффективности, которые предполагалось улучшить с помощью Celonis. Практически сразу после начала использования глубинного анализа, компании удалось резко повысить уровень прозрачности логистических бизнес-процессов и найти отклонения реальных процессов от модели. Выяснилось, что большинство ошибок, происходящих в логистики компании связаны со слишком комплексном процессов работы и работой людей. Компанией была принята стратегия по исправлению работы существующих бизнес-процессов с помощью повышения общего уровня осведомленности сотрудников компании. Руководители хотели, чтобы бизнес-процессы ”перестали быть бумажками на столе и стали частью повседневной жизни сотрудников”. Использованные современные средства визуализации процессов сделали возможным легкое восприятия сотрудниками воссозданных процессов. После того, как для сотрудников была донесена полная цепочка действий в рамках процесса, в котором они участвуют, уже через пару месяцев стал наблюдаться значительный спад количества отклонений в бизнес-процессах. Количество ошибок достигло управляемого на локальном уровне количества. По результатам пилотного проекта компанией было принято решение об использовании интеллектуального анализа процессов для изучения O2C и P2P-сегментов. [9]

3.2 Основные проблемы, возникающие у компаний

Несмотря на то, что интеллектуальный анализ данных показывает крайне положительные результаты в организациях, испытавших методологию на себе, у данного подхода все еще есть ряд негативных сторон, многие из которых являются общими для всех организаций. Ниже приведен ряд ключевых проблем, с которыми сталкиваются организации, рассматривающие возможность использования глубинного анализа или уже использующие его:

Необходимость наличия дополнительных платформ и компонентов, обеспечивающих данными инструменты интеллектуального анализа процессов.

Как видно на примере компании Nete, не все современные организации, испытывающие проблемы с процессным менеджментом используют инструменты, позволяющие собирать и агрегировать данные по процессам. Таким образом, для того чтобы использовать глубинный анализ процессов, необходимы дополнительные материальные и временные затраты по внедрению различных ERP, CRM и других систем. Как правило, такие системы являются крайне сложными и требуют дополнительного обучения сотрудников, что приводит к невозможности оперативного использования технологий интеллектуального анализа процессов.

Несовершенство существующих алгоритмов глубинного анализа приводит к необходимости постоянного контроля или ручного улучшения результирующей модели.

Несмотря на то, что технология позволяет значительно сократить человеческое участие в построении моделей, она не убирает его совсем, а значит человеческие трудозатраты все равно используются, что замедляет процесс анализа.

Низкая актуальность для малого бизнеса.

Существующие решения по глубинном анализу данных направлены, в первую очередь, на крупный бизнес. Высокая стоимость решений, существующих на рынке делает сложной задачей окупаемость потенциального внедрения программных платформ данной технологической сферы. Кроме того, технология интеллектуального анализа является наиболее актуальной в условиях большой компании, где намного сложнее установить течение бизнес-процессов, нежели на предприятии малого бизнеса.

Необходимость участия компаний разработчиков во внедрении продуктов.

Как можно заметить на примере фреймворка ProM и платформ Celonis и UIPath, программные платформы, предоставляющие возможности глубинного анализа процессов, с течением времени, значительно шагнули вперед, касательно удобства пользовательских интерфейсов и понижения порога входа. Тем не менее, на текущий момент, внедрение таких сложных систем, как Celonis, UIPath или QPR, является крайне сложно-осуществимыми без непосредственного участия специалистов данных компаний. Так или иначе это повышает издержки на закупку программного обеспечения за счет включения платы за обучение.

3.3 Выводы и рекомендации по использованию интеллектуального анализа процессов на предприятии

По результатам исследования опыта компаний, уже внедривших решения для глубинного анализа процессов, можно сделать следующие выводы:

Интеллектуальный анализ процессов является перспективной и передовой технологией, сильно упрощающей моделирование бизнес-процессов, что доказывается примером крупных корпораций, вкладывающихся в сотрудничество с соответствующими IT-компаниями.

Интеллектуальный анализа процессов в крупных компаниях способен достаточно быстро окупаться. Данный тезис доказывается на примере банка ВТБ.

Интеллектуальный анализ процессов способен давать достаточно быстрый и ощутимых выхлоп. Примеры компании Neste, Nokia и ВТБ доказывают, что даже в рамках нескольких месяцев, технология может привести к серьезным сокращениям издержек и повышению эффективности.

Проведение мероприятий по глубинному анализу процессов на предприятии способно значительно повысить осведомленность руководства и сотрудников компании о реальном состоянии бизнес-процессов в компании. Пример компании Neste ярко доказывает данный тезис.

У технологии глубинного анализа процессов все еще есть множество своих минусов, необходимых учитывать при рассмотрении возможности внедрения.

Таким образом, можно сформулировать рекомендации, касательно внедрения интеллектуального анализа данных на предприятии:

Для крупных компаний, которые уже имеют развитую инфраструктуру корпоративных систем типов CRM, ERP и др., а также имеют проблемы с недостаточной осведомленностью о происходящих бизнес-процессах, низкой эффективностью, а также перегрузкой потоков процессов, технология интеллектуального анализа процессов является подходящим выбором в качестве инструмента оптимизации процессного менеджмента.

В случае, если компания не может обеспечить затраты на внедрение систем для интеллектуального анализа и окупить их, а также, если процессный менеджмент не является достаточно сложным для ручного анализа, использование комплексных и дорогих систем для глубинного анализа не имеет смысла. Для отдельных процессов возможно использование бесплатных решений, имеющих открытый исходный код, такой как ProM.

ЗАКЛЮЧЕНИЕ

В рамках данной работы были выполнены все поставленные перед исследованием задачи. Были рассмотрены основные принципы применения технологии интеллектуального анализа процессов, исследованы возможные области применения данной технологии, были проанализированы существующие на данный момент программные решения и существующие случаи внедрения глубинного анализа в организациях, а также были сформированы рекомендации для компаний по использованию технологий интеллектуального анализа процессов.

В частности, были изучены основные аспекты, концепции и теоретические основы глубинного анализа данных. В частности, с применением сравнительного анализа, были разобраны основные существующие алгоритмы для интеллектуального анализа данных, описаны основные предпосылки, стоящие перед анализом и приведены главные этапы процесса анализа. Кроме того, был произведен обзор лидирующих программных решений в области интеллектуального анализа данных. В рамках данного обзора был произведен сравнительный анализ наиболее популярных решений и сделаны выводы, касательно использования конкретных платформ. Также в рамках исследования был произведен подробный анализ некоторых из существующих кейсов по внедрению и использованию технологий интеллектуального анализа данных в крупных современных корпорациях. Опыт и анализ этих примеров позволил сформировать ряд предложений для компаний, имеющих проблемы с процессными менеджмента. В заключении, необходимо отметить, что технология интеллектуального анализа данных является крайне перспективной и способной к дальнейшему росту. При этом исследовательскому сообществу еще предстоит решить ряд серьезных проблем, которые присущи современному глубинному анализу процессов.

СПИСОК ЛИТЕРАТУРЫ

1. IEEE Task Force Process Mining Manifesto [Конференция] // Lecture Notes in Business Processing. - 2011.

2. B.T. Gretling W. Jooste THE APPLICATION OF BUSINESS PROCESS MINING TO IMPROVING A PHYSICAL ASSET MANAGEMENT PROCESS: A CASE STUDY [Журнал]. - [б.м.] : South African Journal of Industrial Engineering, 2017 г..

3. Badouel Eric On the б-Reconstructibility of Workflow Nets [Журнал]. - Rennes Cedex : [б.н.], 2012 г..

4. Baumann Julian T. How the Finnish oil and gas company drives process efficiency and excellence with process mining [В Интернете] // Celonis case studies. - 2017 г.

5. H. M. W. Verbeek A. J. M. M. Weijters, Boudewijn F. van Dongen, Ana Karla A. de Medeiros The ProM Framework: A New Era in Process Mining Tool Support [Конференция] // Lecture Notes in Computer Science. - 2005.

6. Kebede M. Comparative Evaluation of Process Mining Tools [Отчет]. - 2015.

7. Neha Agarwal Leena Singh Process Mining Tools: A comparative Analysis [Журнал]. - 2014 : Advances in Computer Science and Information Technology.

8. R. Sarno Y. A. Effendi Determining Process Model Using Time-Based Process Mining and Control-Flow Pattern [Журнал]. - [б.м.] : TELKOMNIKA (Telecommunication Computing Electronics and Control), 2016 г..

9. T. Becker W. Intoyad Context Aware Process Mining in Logistics [Журнал]. - Bremen : [б.н.], 2017 г..

10. U. Celik E. Akcetin Process Mining Tools Comparison [Журнал]. - [б.м.] : Online Academic Journal of Information Technology, 2018 г..

11. И. А. Ходырев С.В. Попова Сравнение алгоритмов Process Mining для задачи поиска моделей процессов [Журнал]. - Санкт-Петербург : Научно-технические ведомости СПбГПУ, 2011 г.. - 6-2'.

Размещено на Allbest.ru