Какое будущее у процессной аналитики в России

Геополитические изменения не прошли бесследно для развития Process Mining в России. Технология стала более доступной: уход мировых лидеров открыл новые перспективы для отечественных вендоров. Оказалось, что существуют не только адекватные альтернативы, но и стоимость внедрения процессной аналитики будет в разы меньше. Если раньше только крупный бизнес мог позволить себе использование этого инструмента, теперь порог вхождения ниже.

Пока рано говорить, что Process Mining захватывает все сегменты бизнеса, однако интерес вполне очевиден. Все больше компаний открыто объявляют о пилотировании, завершенных проектах или полноценном внедрении – от банков до крупных промышленных предприятий.

В чем профит Process Mining

Process Mining – это метод анализа бизнес-процессов, который позволяет воссоздать их точно так, как они выполняются внутри компании. Источниками данных выступают журналы событий из информационных систем компании – BPM, CRM, ERP, PDM, MES, SCM и т.д.

С помощью технологии бизнес исследует и анализирует корпоративные бизнес-процессы в том виде, в котором они выполняются на самом деле – со всеми тонкостями, нюансами. Это позволяет:

• Повысить эффективность бизнеса. Process Mining помогает выявить самые уязвимые места и неэффективности в процессах, что позволяет оптимизировать их для увеличения производительности и сокращения затрат.
• Улучшить качество продукта. Анализ данных выявляет проблемы и ошибки, что способствует улучшению качества предоставляемых услуг и товаров.
• Оперативно реагировать на изменения. Мониторинг realtime помогает быстро выявлять изменения и аномалии, что особенно важно в постоянно меняющихся рыночных условиях.
• Упростить понимание. Визуализация процессов делает их понятнее всем заинтересованным сторонам, что приводит к улучшению координации и сотрудничества.
• Сократить риски. Углубленный и детализированный анализ данных позволяет выявить потенциальные риски и принять превентивные меры по их устранению.
• Снизить количество ошибок человеческого характера. В основе Process Mining – данные из внутренних корпоративных систем. Это исторические факты, которые нельзя подделать и/или проигнорировать, что уменьшает зависимость от человеческих оценок и предположений.

Итого: технология Process Mining – мощный инструмент для анализа и оптимизации бизнес-процессов на основе данных. Ее применение позволяет компаниям повысить эффективность, улучшить качество услуг и продуктов, снизить риски и оперативно реагировать на изменения в окружающей среде. В мире, где данные играют все более важную роль, Process Mining становится неотъемлемой частью стратегии многих организаций. Однако у технологии есть свои нюансы.

Мультипроцессная аналитика как эволюция классического Process Mining

Классический Process Mining – это аналитика изолированных бизнес-процессов. Но в реальной жизни ни один процесс не существует в вакууме, все они взаимосвязаны: продажи и маркетинг, производство и логистика, закупки и снабжение. Поэтому постепенно бизнес приходит к необходимости использования мультипроцессной аналитики.

Мультипроцессная аналитика (МПА, или Object-centric process mining) – по сути, эволюционное продолжение классической процессной аналитики. Основное преимущество МПА заключается в том, что она рассматривает бизнес-процессы в совокупности и анализирует их влияние друг на друга. Можно получить различные метрики, среди которых время события в одном процессе до события в другом. Рассмотрим на примере процесса обработки заказов. 

На входе есть две сущности – сам заказ и позиции в заказе. По каждой сущности есть свой лог с case table – это таблица с атрибутами по каждому экземпляру выполнения процесса.

Как бы мы анализировали процесс классическим путем? Для начала приступили бы к предобработке данных. Для этого нужно загрузить и объединить 4 таблички (логи и case table), прописывать скрипт обработки информации, подготовить модель данных – и только таким способом можно будет получить единый процесс. Далее пишется формула, где рассчитывается разница между первым получением товара и закрытием заказа. Не забываем, что позиций в товаре может быть несколько. Получаем, что эта метрика считается для каждой позиции в заказе отдельно, потому что лог обработки заказов размножен на каждую позицию в заказе.

Для решения задачи с использованием МПА алгоритм будет другой. Здесь в основе лежит объектно-ориентированная модель, т.е. фокус не на case table, а на ID – конкретных объектах внутри процесса. Поэтому предобработка данных не нужна, остается только связать таблички. Лог по позициям соединен с case table по позициям, лог по заказам объединен с case table по заказам, а case table по заказам связан с case table по позициям в заказе. Модель данных построена.

Здесь использован другой способ расчета: для каждого заказа определены моменты, когда был поставлен первый товар и когда заказ был обработан. Рассчитывается разница между двумя этими событиями – получением заказа (информация из лога по позициям) и окончанием обработки заказа (из лога заказов). Мы как бы берем событие из разных процессов, но считаем одну общую метрику. Чем это ценно?

Благодаря техническим особенностям технология МПА позволяет:

• Взглянуть на процесс с любого ракурса и глубоко его проанализировать с учетом различных факторов и влияния других процессов.
• Снизить затраты на создание данных для аналитики и выполнять проект в разы быстрее.
• Экономить ФОТ на узкоспециализированных специалистах и время на их поиск и онбординг.

При этом в основе мультипроцессной аналитики лежат те же логи, которые использует и классический Process Mining. Никаких дополнительных систем, помимо основного инструмента, не нужно. Пока что только два вендора в мире заявляют о наличии такого функционала в своих программных продуктах.

Выводы

Однозначно можно сказать, что ответ на вопрос, как достичь синергетического эффекта от оптимизации связанных между собой процессов, уже появился. Уверен, мультипроцессная аналитика станет одним из мощнейших двигателей эффективности бизнеса в ближайшие годы.

Также читайте: