Бизнес хочет видеть не регламенты, а реальную экономию

– Александр, почему интерес к процессной аналитике в России заметно вырос именно сейчас?

— У компаний стало меньше права на неэффективность и ошибки. Раньше многие внутренние потери можно было компенсировать ростом рынка, ручным контролем, а где-то, скажем, управленческой интуицией. Сейчас так не работает.

Бизнесу важно понимать не только итоговый финансовый результат, но и то, как он складывается. Где процессы замедляются, почему одинаковые задачи занимают разное время, какие операции дублируются, а где сотрудники вынуждены вручную переносить данные между системами. В обычной отчетности такие детали, как правило, не видны.

Анализ бизнес-процессов (Process Mining) как раз отвечает на вопрос: что реально происходит с процессом, а не как он описан в регламенте. Поэтому технология стала востребована не как модный ИТ-инструмент, а как способ управлять операционной эффективностью на основе фактов.

– Раньше чаще говорили именно о Process Mining. Сейчас в связке с этой технологией все чаще упоминаются аналитика бизнес-операций (Task Mining), мультипроцессная аналитика. Что изменилось?

— Process Mining — это ядро направления, которое восстанавливает фактический ход бизнес-процесса по цифровым следам в корпоративных системах: ERP, CRM, BPM и др. Компания видит фактический маршрут выполнения процесса и его особенности: отклонения, возвраты, задержки и др.

Но значительная часть потерь находится не только между статусами в системе, а на уровне операций сотрудников: ручные проверки, копирование данных, подготовка документов, сверки, согласования. Здесь нужен Task Mining — анализ действий на рабочем месте.

Плюс появляются задачи на стыке процессов. Например, важно понимать не только длительность оформления заказа, но и его влияние на доставку, оплату, претензионную работу. Это уже мультипроцессная аналитика. Поэтому рынок постепенно переходит от отдельной технологии Process Mining к процессной аналитике как классу решений.

В этом же направлении развивается и аналитика операций: бизнесу уже важно видеть не только отдельные действия сотрудников, но и их связь в сквозном процессе, стоимость выполнения и точки, где автоматизация даст наибольший эффект. Поэтому мы в своей платформе реализовали Multi Task Mining — подход, который объединяет операции в бизнес-цепочки и помогает перейти от вопроса «как выполняется процесс?» к вопросу «сколько он стоит и что нужно изменить в первую очередь».

— То есть технология стала ближе к управлению, а не только к анализу?

— Да, это ключевой сдвиг. На раннем этапе многие воспринимали Process Mining как инструмент диагностики: построили карту процесса, нашли отклонения, подготовили отчет. Это полезно, но недостаточно.

Компании сейчас хотят больше: регулярно видеть процесс, контролировать изменения в режиме реального времени, сравнивать эффективность подразделений и/или филиалов, считать эффект от оптимизации, выбирать наиболее выгодные точки для автоматизации, и, конечно, безболезненно резать косты.

Опять же — искусственный интеллект. Хорошая вещь? Однозначно. Это будущее. Однако компании до сих пор терпят неудачи в проектах по его внедрению, потому что не проводят предварительную аналитику и автоматизируют либо не самые удачные операции, либо масштабируют хаос. Инструменты процессной аналитики показывают, где есть потери: по времени, трудозатратам, количеству повторов, влиянию на клиента или деньги.

— Оптимизация каких процессов чаще всего дает быстрый эффект?

— Обычно это процессы с высокой повторяемостью, большим количеством участников и заметной долей ручного труда. В банках — кредитные заявки, открытие счетов, клиентские обращения, комплаенс-проверки. В страховании — урегулирование убытков, андеррайтинг, работа с документами. В промышленности — техническое обслуживание и ремонт, логистика, управление запасами. В общих центрах обслуживания — бухгалтерские операции, кадровые процессы, обработка запросов.

Но я бы не советовал выбирать процесс только по отраслевому шаблону. Важно смотреть на 3 критерия: процесс влияет на деньги или клиентский опыт; по нему есть цифровые данные; у бизнеса есть готовность менять правила работы после анализа. Если третьего пункта нет, технология просто покажет проблемы, которые никто не будет устранять.

— Есть ли уже российские кейсы, которые можно привести как яркий пример получения четких измеримых результатов?

— Примеров достаточно, причем в разных отраслях. В банковском секторе хорошо считаются цифры. Россельхозбанк, например, после анализа ключевых процессов и операций оценил потенциальный эффект от изменений в 425 млн рублей в год. МТС Банк использовал процессную аналитику на участке входящей корреспонденции и подготовки ответов на запросы: там потенциал сокращения трудозатрат за счет ИИ-инструментов оценили до 60%.

В страховании показателен опыт ВСК. Там процессная аналитика применялась для поиска трудоемких участков в операционных и сервисных процессах: ручной обработки документов, повторных действий, задержек между этапами. В результате компания оценила потенциал экономии рабочего времени в десятки тысяч часов в год, а при дальнейшем масштабировании сформировала инициативы с совокупным эффектом 135 млн рублей и зафиксировала рост производительности по процессам.

Есть и кейсы, где задача шире классической оптимизации. Билайн анализировал рутинные операции в 10 бизнес-процессах на фокус-группе из 500 сотрудников: по итогам пилота потенциальный эффект оценили более чем в 15 млн рублей. Уралсиб использовал аналитику операций, чтобы проверить, как сотрудники в разных локациях работают с новым отечественным ПО и почему возникает разница в эффективности.

– Неужели дашбордов и бизнес-аналитики недостаточно для решения всех подобных задач?

— Бизнес-аналитика (Business Intelligence, BI) хорошо показывает агрегированные показатели: сколько заявок обработано, какая средняя длительность, сколько продаж, какой процент заявок обработан в заданный срок. Но BI редко объясняет, почему показатель ухудшился и какой именно путь прошел каждый экземпляр процесса.

Регламент показывает, как процесс должен выполняться. Но фактическая работа почти всегда отличается: обходные маршруты, исключения, возвраты, ручные уточнения, неформальные согласования. Иногда именно эти исключения и съедают «экономику процесса».

Процессная аналитика соединяет управленческий и операционный уровни. Она показывает не среднюю температуру, а конкретные варианты выполнения процесса и их стоимость для бизнеса.

– Какие ошибки чаще всего мешают получить эффект от внедрения?

— Первое — начинать с технологии, а не с проблемы. Лучше не ставить цель просто внедрить Process Mining. Гораздо важнее понять, какую задачу нужно решить: сократить срок обработки заявок, найти причины задержек в закупках или повысить эффективность конкретного процесса.

Второй момент — недооценка данных. Для процессной аналитики нужны события, временные метки, идентификаторы процесса, связь между системами. Если данные разрознены или плохо описаны, проект потребует больше подготовки.

Третье — ожидание, что аналитика сама оптимизирует процесс. Она выявляет причины, считает эффект, показывает приоритеты. Но дальше нужны управленческие решения: изменить маршрут, убрать лишнее согласование, перераспределить нагрузку, автоматизировать операцию, обучить сотрудников.

Еще отмечу, что не стоит пытаться сразу охватить все и сразу. Лучше начать с конкретного процесса, у которого есть заинтересованный владелец и возможность получить измеримый эффект.

— Как вы видите следующий этап развития рынка процессной аналитики в России?

– Рынок уже вышел из стадии, когда Process Mining и Task Mining воспринимались как эксперимент для отдельных компаний. Один из признаков зрелости — появление независимых исследований о процессной аналитике. Только в этом году вышло три. Такие материалы фиксируют не только внедрения, но и накопленную практику, критерии сравнения вендоров и программных решений, подходы к оценке зрелости. Важно, что спрос становится межотраслевым: такие технологии рассматривают и внедряют не только банки, но и телеком, промышленность, страхование, госсектор, ритейл.

Следующий этап, на мой взгляд, — движение к Process Intelligence, более интеллектуальному контуру управления процессами. Компания будет не просто видеть карту процесса, а получать рекомендации, прогнозы, приоритизацию изменений и связку с автоматизацией. Здесь важную роль будет играть искусственный интеллект, но только при наличии качественного процессного контекста. ИИ может ускорить отдельную операцию, но без понимания всей цепочки сложно оценить, даст ли это реальный экономический эффект. Поэтому ценность будет смещаться от простой визуализации процессов к управлению их стоимостью, вариативностью и результатом.

Сильнее будут те компании, которые научатся смотреть на процессы как на управляемый актив. Не раз в год описывать регламенты, а постоянно видеть фактическую работу бизнеса и быстро менять то, что мешает результату.