Process mining - процессная аналитика

Мировая практика

На данный момент мировой центр развития process mining — Европа. Основатель и главный идеолог процессной аналитики — нидерландский ученый Вил ван дер Аалст, профессор кафедры математических и компьютерных наук Технического университета Эйндховена. Основные вендоры также географически располагаются в Европе: Италия, Нидерланды, Германия, Финляндия, Словакия и др.

Piraeus Bank, один из крупнейших греческих банков, попытался автоматизировать процессы без их предварительного исследования. Итогом стали многочисленные жалобы клиентов и филиалов на снижение качества обслуживания. Проведенный анализ показал, что основная проблема крылась в отсутствии стандартизации процесса потребительского кредитования.

Благодаря использованию process mining банк не только ускорил процесс подачи заявки на кредит в семь раз, но и в несколько раз сократил время принятия окончательного решения по ней.

Активно используют технологию и в промышленности. Крупная химическая компания AkzoNobel анонсировала внедрение средств процессной аналитики для стабилизации собственных процессов и повышения эффективности. Другой пример — металлургическое предприятие Ruukki, которое при помощи process mining смогло повысить скорость и качество обслуживания клиентов.

Кроме того, все больше применяют процессную аналитику в медицине, логистике, государственном секторе. По мнению Gartner, движущая сила внедрения подобных IT-решений — коллаборации вендоров с крупными производителями ПО, такими как SAP или Oracle. По мнению экспертов, к концу 2020 года объем мирового рынка будет варьироваться в районе $480–640 млн.

Решение создать собственное ПО подобного класса нашей компании далось непросто: мы много общались с текущими клиентами, узнавали их заинтересованность в продукте, изучали зарубежный опыт и исследования. Система Proceset официально зарегистрирована в реестре российского ПО, мы ведем активную работу по популяризации самой технологии и проводим как пилотные проекты, так и полноценные внедрения.

Препятствия для Process Mining

Помимо организационных факторов существуют и технологические препятствия. «Недостаточная автоматизация процессов не позволяет подготовить данные для Process Mining, да и недобросовестное использование сотрудниками существующих информационных систем, например несвоевременный ввод данных или замена информации, делает внедрение сложным, – отмечает Александра Бондаренко. – Подготовка данных и извлечение их из внедренных бизнес-приложений может в таких случаях стоить дороже, чем традиционный процесс получения информации о бизнес-процессах посредством интервью с сотрудниками компании».

Нехватка специалистов и незнание возможностей Process Mining, а также гетерогенные источники данных в компании и их хаотичное состояние являются препятствиями для внедрения инструментария, отмечает Владимир Рубин. Он также считает, что внедрению таких систем мешают боязнь прозрачности результатов работы и безопасность данных о внутренних процессах.

Методы Process Mining

автоматизированное исследование процессов (извлечение моделей процессов из журнала событий)
проверка соответствия (то есть контроль отклонений путем сравнения моделей и журналов)
автоматизированное построение имитационных моделей,
расширение модели, восстановление модели,
прогноз состояний
основанные на исторических данных, рекомендации.

Непрерывный сбор и обработка данных
Автоматическое создание модели на основе информационных следов
Прогноз выбора сценария или времени завершения для еще не окончившихся процессов
Единый инструмент для сбора данных со всех рабочих мест компании
Анализ всей цепочки событий, а не отдельных шагов
Контроль отклонений от регламентов и соответствия стандартам
Real-time анализ данных и поддержка осуществления организационных изменений

Методы Process mining способны извлекать знания из журналов событий, обычно доступных в современных информационных системах

Примеры проектов использования Process Mining

Ruukki (металлургическая компания). Проанализирован процесс обслуживания клиентов, данные загружались из двух разных систем: SAP и Salesforce, что позволило рассмотреть их в едином процессе. Были выявлены недостатки в ведении данных о клиентах в CRM, что существенно замедляло прохождение заказа. Исправление выявленных недостатков с помощью инструментария Process Mining – QPR Process Analyser – позволило ускорить обслуживание клиентов и повысить общее качество обслуживания.

Caverion (инженерные услуги и услуги для промышленности, решения для недвижимости и промышленных предприятий в Северной и Центральной Европе). С помощью QPR Process Analyser было проведено измерение эффективности основных процессов компании. На основе данных, полученных из ERP-системы, была выявлена причина задержек при прохождении процессов: медленная подготовка бухгалтерских документов по факту выполнения услуг. В результате эффективность процессов была увеличена. Компания приняла решение о регулярном использовании инструмента Process Mining для оценки эффективности реальных бизнес-процессов.

Vaisala (производство металлургического оборудования). С помощью QPR Process Analyser были проанализированы процессы технической поддержки, продаж, доставки, услуг по ремонту и маркетинговые процессы. Данные собирались из систем Salesforce и Oracle BI. Благодаря произведенному анализу процессов компания смогла изменить и оптимизировать некоторые из своих процессов, а также снизить операционную стоимость посредством быстрого реагирования на изменения в ходе процессов.

Задачи для инструментария Process Mining

Ключевая задача Process Mining – восстановление и анализ фактического бизнес-процесса. В данном случае главное, чтобы процесс был полноценно автоматизирован и был интересен менеджменту с целью последующего анализа. Ключевые преимущества Process Mining перед существующими инструментами «ручного» анализа бизнес-процессов: уход от традиционных методов описания через интервьюирование представителей бизнеса и ручное моделирование процесса бизнес-аналитиком в виде графической модели в пользу объективной оценки происходящей реальности на основе данных находящихся в информационных системах.

Инструменты Process Mining упрощают контроль качества работы сотрудников в плане соответствия регламентам. «Оборотная сторона медали – это отсутствие возможности создания и корректировки или изменения регламентов непосредственно в самом инструменте», – отмечает Анастасия Мартыненко. Большинство клиентов, по ее словам, после первого знакомства с технологией задают вопрос: «А можно ли здесь что-то нарисовать? И как это связано с инструментом моделирования процессов?».

Преимущества процессной аналитики

Принятие решений на основе точной информации

Поскольку технология использует логи, исключено влияние человеческого фактора на полученную информацию.

Снижение затрат

При устранении «узких мест» — например, путем роботизации повторяющихся операций, — компания может значительно сэкономить.

Например, Eneco, крупная энергетическая компания из Нидерландов, сообщает о 15 млн евро, сэкономленных благодаря внедрению инструментов процессной аналитики.

Другой пример: когда мы подробно исследовали учет авансовых отчетов крупной телекоммуникационной компании, мы не только выявили случаи закрытия задач раньше проводки документа и большого количества транзакций, выполненных с ошибками, но и посоветовали роботизировать операцию прикрепления файлов. Действие мелкое и, казалось бы, несущественное, но оно позволит сэкономить до 75 млн рублей при условии, что ежедневно это выполняют 3 тысячи сотрудников.

Предупреждение ошибок

Благодаря детальному изучению процесса становится возможным устранять ошибки на ранних стадиях — это позволит предотвратить репутационные риски и повысить удовлетворенность клиентов.

Управление изменениями

Применение инструментов процессной аналитики позволит организовать постоянный контроль ключевых показателей. Станет возможно оперативно вносить необходимые изменения в каждый этап процесса и отслеживать, как это повлияло на остальные моменты.

Детальная визуализация as is

Профильное ПО последовательно восстановит все детали процесса и сформирует карту. Наглядное представление позволит обнаружить все «бутылочные горлышки», которые приводят к увеличению операционных расходов, сокращению выручки и репутационным потерям. В определенных случаях возможно не только увидеть, но и просчитать стоимостную оценку всех уязвимостей.

Согласно исследованию Яна Клаеса, преподавателя Гентского университета, 60,6% компаний, работающих с процессной аналитикой, называют основным преимуществом именно анализ на основе фактических данных.

Как подготовиться к внедрению

Первое, что вы должны определить перед внедрением IT-решения класса process mining — это процесс, который хотите исследовать. Наибольшую ценность принесет оптимизация процесса

Есть две рекомендации: обратите внимание на процессы, которые связаны с взаимодействием с клиентом, и выбирайте наиболее сложные и стратегически важные. Например, открытие расчетного счета, рассмотрение заявки на кредит, котировка сделки на инкассацию и т.п

«Волшебной таблетки» для повышения эффективности не существует. Это надо принять. Но процессная аналитика, выступая элементом цифровой трансформации, позволяет сделать большой шаг в сторону будущего.

Александр Бочкин Генеральный директор «Инфомаксимум»

Акцент на бизнес-процессах

Согласно исследованию IDC, у 80% компаний есть план цифровой трансформации с понятными задачами и целями, и для 75% из них основной приоритет — это повышение эффективности и автоматизация бизнес-процессов.

А эксперты KMDAотмечают, что российский бизнес осознал преимущества цифровой трансформации и определяет цифровизацию бизнес-процессов как основной вектор движения.

Изучение бизнес-процессов — задача первостепенная, но труднореализуемая без применения технологий.

Дело в том, что получить максимально полную и достоверную информации вручную невозможно по ряду причин:

большие временные и финансовые затраты;
высокий процент недостоверной информации;
невозможность проверить качество источника данных;
высокий риск получения некорректных данных при большом количестве используемых систем.

Здесь и вступает в дело процессная аналитика (process mining) — технология, способная по «цифровым следам» из журналов событий информационных систем детально визуализировать фактическое протекание процесса.

Слева — регламентированное «идеальное» состояние. То, каким должен быть процесс. Справа — реальная ситуация.

Пример: мы провели пилотный проект в крупной финансовой структуре. Для анализа и оцифровки был выбран процесс «брокерское обслуживание», который, согласно регламенту, исполнялся за три дня.

Процесс состоял из регламентированных этапов:

получение пакета документов от клиента;
заполнение заявки сотрудниками фронт-офиса;
отправление заявки на проверку;
обработка заявки бэк-офисом;
принятие решения.

После того как мы проанализировали процесс при помощи нашей системы Proceset, мы получили следующую картину:

5% заявок не закрывались за три дня;
порядка 16% принятых заявок возвращались, поскольку содержали неполный пакет документов; из-за ошибок первой линии приходилось перезванивать клиентам и просить привезти недостающие бумаги;
заявки многократно «зависали» в статусе «черновик» на несколько часов, что не предусмотрено регламентом;
специалисты допускали обработку данных только на следующий день после их внесения в базу, что тоже является нарушением.

Без тщательного исследования самого процесса и применения к нему инструментов процессной аналитики обнаружить эти «узкие места» было бы практически невозможно.

Становятся очевидны:

лишние зацикливания;
пропуски шагов;
излишние затраты времени;
нетипичные нерегламентированные сценарии;
отмены действий;
переназначения исполнителей и т.д.

На изображении выше — реальная карта процесса, построенная системой process mining. Здесь наглядно видно, что присутствуют множественные согласования, изменения исполнителей и нетипичные шаги. Все это ведет к увеличению длительности процесса, его удорожанию и потере лояльности клиентов.

Источники данных для Process Mining

Высокий уровень автоматизации процессов – ключевой фактор для использования Process Mining, и источниками тут могут быть различные системы. «Конечно, лучшие источники – это системы, архитектура которых изначально проектировалась для поддержки процессов и управления потоками работ, – отмечает, Айгуль Еремеева. – Это системы класса ERP/EAM, CRM, BPMS, ITSM. Они хранят исторические данные об изменении состояния объекта, будь то актив, рабочее задание или обращение пользователя».

Аналогичное мнение и у Александры Бондаренко. «ERP-, CRM-, SCM-системы, системы поддержки пользователей и обработки инцидентов могут стать источниками данных для Process Mining», – говорит она.

Анастасия Мартыненко обобщает: «Основной критерий определения того, подходит ли система-источник для Process Mining – это ответ на очень простой вопрос: «Можно ли из накопленных данных восстановить сведения о ходе исполнения процесса?»» Анализируя результаты использования инструментария Process Mining, можно увидеть, что технология активно развивается в результате ее апробации на практических кейсах в коммерческих компаниях. Есть уверенность, что с повышением уровня автоматизации существующих бизнес-процессов число пользователей Process Mining будет только расти, ведь повышение операционной эффективности – это тренд последних лет.

Отличия Process Mining от Data Mining

Data mining преимущественно используется для поиска иерархических зависимостей в больших объемах данных. Например, в каких каналах какие категории клиентов какие категории товаров покупают и как часто.
На вход подаются таблицы с разнородными данными из разных доменов.
Использует многомерные представления (кубы) с возможностью изменения уровня детализации (различные уровни агрегации) информации.

Process mining концентрируется не на семантических взаимосвязях данных, а на представлении данных в виде процессов.
На вход подаются транзакционные данные по объектам учета. Обычно в качестве таких объектов выступают (Задания, Заказы, Заявки, Наряды и так далее). Примером транзакционных данных служат журналы событий, аудиторские следы, данные о событиях и состояниях объектов (будь то статус объекта или смена ответственного подразделения).
Использует методы сэмплинга данных для построения модели процесса по наиболее представительным сценариям в процессе. Process mining ищет не просто связи между данными: его задача состоит в том, чтобы определить связи между шагами процесса, отклонения от нормального процесса, факторы влияния наотклонения, эффективность процесса, сценарность процесса, а также узкие места в процессе.