Корпоративная мантра или инструмент бизнеса? Как не разочароваться в цифровой трансформации


Как использовать ИИ для повышения доходности компании? Фото Getty Images

Успешные технологические разработки в массовом сознании нередко обрастают мифами: искусственный интеллект самостоятельно обучается любой задаче, один робот заменяет тысячи людей. Итог один: если от технологии ждать чудес, рано или поздно вы будете разочарованы. Как вместо разочарования получить работающий процесс?

Современного человека постоянно пытаются удивить: новые технологии появляются едва ли не каждый день, а развиваются еще быстрее. Наиболее успешные разработки в массовом сознании наделяются сверхъестественными силами. Но реальные результаты нередко оказываются разочаровывающими.

За последнее десятилетие «цифровая трансформация» стала таким же неотъемлемым элементом корпоративного языка, каким в годы советских партсъездов была «комплексная автоматизация производства». Многие крупные компании поддались чарам и понесли потери: по итогам прошлого года корпорации вложили в программы цифровой трансформации больше $1,3 трлн, из которых $900 млрд ушло на неприбыльные проекты.

Среди «неудачников» оказался даже такой гигант, как General Electric. GE попыталась объединить на облачной платформе Predix Cloud данные о работе промышленного оборудования всех клиентов. Компания потратила $4 млрд, но так и не смогла отбить инвестиции. В то же время Rolls-Royce, который долгие годы не приносил акционерам сверхдоходов, вместо авиационных двигателей начал продавать клиентам «подписку» на их полное обслуживание, включая мониторинг технического состояния, управление данными и транспортировку, — и оказался в выигрыше. Наверное, разница в подходе? Попробуем разобраться в причинах разочарований.

Обманутые ожидания

Обычно целевые результаты цифровых стратегий закладываются еще на этапе пилотов. Компания подсчитывает, сколько часов надо сократить за счет автоматизации закупок, сколько новых корпоративных клиентов откроют счет в банке, как изменится работа кол-центра, если на вопросы будет отвечать чат-бот.

При этом ожидания от технологий завышены. Например, заказчики рассчитывают, что смогут полностью исключить людей из процесса, посадив на их место программных роботов или применив машинное обучение. Или, как General Electric, полагают, что можно разом создать универсальную платформу, которая будет одинаково успешно работать с любыми данными независимо от особенностей бизнеса. Но многие технологии еще не достигли такого уровня развития, и стоимость подобного проекта может в десятки раз превышать выгоду. Результат: компания получает не то, на что рассчитывала, а деньги и время оказываются потрачены впустую.

Специфика российского бизнеса и менталитета еще и в консерватизме. У руководителя сплошь и рядом нет права на ошибку: или все 20 ИТ-проектов должны быть успешными, или ввязываться в трансформацию вообще не имеет смысла, ибо слишком рискованно. Такой подход исключает возможность экспериментов, а, как известно, не ошибается только тот, кто ничего не делает.

Эффект бутылочного горлышка

Другая распространенная история — столкновение с суровой реальностью в ходе изменений. Любой технологический проект, даже в большом бизнесе, — это немного стартап: неожиданно может выясниться, что все работает не так, как вы думали, или вообще не работает. В такой ситуации компании важно быть гибкой: быстро реагировать на новые вводные и не бояться кардинальных изменений в проекте.

Возьмем пример со строительством дороги. Вы решаете сделать на загруженном участке не две полосы, а четыре. Парадоксально, но в результате машины едут медленнее, а не быстрее, а на выходе — пробка. Почему? Потому что вы не обратили внимания на то, что дальше дорога сужается, а входящий поток стал в два раза больше. Ровно то же самое происходит в бизнесе: когда лоскутно автоматизируют разные участки, а не смотрят на процесс в целом, отдельные сотрудники действительно начнут работать быстрее. Но глобально ничего не поменяется, а может быть, даже ухудшится.

Так произошло с компанией IBM и ее медицинским ИИ Watson, который диагностировал у пациентов рак. Оказалось, что для корректной работы платформы нужно огромное количество медицинских данных из разных систем, а трудоемкая задача собирать их и «скармливать» Watson легла на плечи самих врачей. Такие «дыры» часто бывают незаметны, но приносят компаниям миллионы долларов убытков. По оценке IDC, подобные узкие места могут стоить бизнесу 20-30% доходов.

Работа над ошибками

Наконец, третья проблема — отсутствие нормальных метрик. Когда неизвестно, как устроен изначальный процесс, трудно понять, улучшили ли вы его в итоге. По результатам опроса BCG и MIT, в котором приняли участие более 2500 руководителей крупных компаний из разных стран, 60% участников сообщили, что пока не получили прибыль от внедрения ИИ и не знают, как использовать его для повышения доходности. Чтобы объективно посчитать результаты, нужно правильно померить «до» и «после». А для этого сначала стоит понять, как устроен ваш бизнес изнутри. Что движет его вперед, а что тормозит?

Получить объективную картину бизнеса пытались всегда. Существовали системы Business Intelligence, сотрудники вели журналы событий и отмечали, в какие сроки они выполнили задачи. Потом появились платформы Process Mining. Первые такие системы рисовали блок-схемы «правильного» процесса, так называемую happy path. Но они решали эту задачу ретроспективно, а не в реальном времени. Многие действия, которые входили в состав процесса, не вписывались в блок-схему. Результат не всегда был удачным. Можно нарисовать чудесную картину, думая, что люди и роботы, как деревянные солдаты Урфина Джюса, будут ее безоговорочно выполнять. Но огромное количество процессов в современных компаниях, в том числе в России, невозможно отразить ни в какой единой схеме. Happy path попросту не существует, или их несколько.

Сейчас на смену этим решениям приходят более интеллектуальные платформы Process Intelligence, которые умеют анализировать процессы в реальном времени. Механизм анализа зависит от того, на какой именно вопрос хочет ответить бизнес-заказчик и какие у него цели: увеличить поток клиентов, снизить нагрузку на фронт-офис, найти самое эффективное подразделение и заставить других брать с него пример, и т. д.

В работе такой платформы есть две ключевые составляющие. Первая — анализ как таковой. Задача — набрать данные и сделать некоторые выводы, в чем проблема и можно ли улучшить процесс. Вторая часть — постоянный мониторинг процесса с механизмами предсказания. Он поможет проверить, есть ли результат после тех или иных изменений, и отслеживать дальнейшую его судьбу. Если в результате проекта процесс нарушен, можно успеть сделать так, чтобы задержек и нарушений больше не было — пока клиент еще не ушел из банка, пациент еще в регистратуре, продукт еще не запущен на рынок и так далее.

Интеллектуальная процессная аналитика — относительно новое явление на рынке. В мире такие технологии используют крупнейшие международные корпорации, такие как Siemens, ABB, Vodafone, Heineken и другие. Они применяют Process Intelligence, чтобы сокращать время ожидания клиентов, вовремя отслеживать и устранять корпоративные риски, а также быстро определять, какие технологии принесут бизнесу пользу, а от каких будет мало толку. В России только начинают изучать, как это работает. Например, ВТБ внедрил такое решение, чтобы анализировать и отслеживать закупочные процессы в масштабах всего банка. Данные по всем транзакциям, срокам, типам закупок агрегируются в единой системе, делая процесс максимально прозрачным. Каждый этап можно отследить и оценить, сколько времени он занял. В результате анализа компания сократила время проведения одной закупки на 25%, при этом их общее количество выросло в 3 раза.

Объем рынка Process Mining по итогам 2019 года оценивался в несколько сотен миллионов долларов, но аналитики Research and Markets прогнозируют, что к 2023 году он достигнет $1,42 млрд и будет расти более чем на 50% ежегодно. Будущее — за развитием и применением этих технологий. Уже сейчас такие системы работают в реальном времени, к ним подключается все больше источников информации: системы электронного документооборота, управления взаимоотношениями с клиентами, корпоративные социальные сети и др.

Следующий шаг — научить платформы Process Intelligence работать с неструктурированными данными. Объем такой информации в компаниях растет в геометрической прогрессии. По данным исследования IDC, с увеличением объема неструктурированных данных уже столкнулись 78% российских компаний, и их число будет только расти. Process Mining будущего уже не просто интеллектуальная платформа, а полноценный цифровой помощник c элементами машинного обучения. К примеру, такое решение сможет проанализировать содержание договоров компании с контрагентами, выявить, какие из подобных документов дольше всего проходят согласование у юристов, и определить, в чем проблема: в контрагенте, работе ваших сотрудников или в конкретных формулировках документа. Подобная система опирается на большие данные и использует инсайты из большого количества корпоративных ресурсов, умеет не только находить больные точки компании, но и предлагать способы и прогнозировать результат «лечения», выдвигать гипотезы и моделировать их реализацию.

Когда вы можете не просто внедрить технологию, но и объективно посчитать результаты от ее применения, то неважно, как она называется. Главное, что компания перестает действовать вслепую, понимает цели автоматизации и готова к экспериментам. В результате на месте цифрового хаоса можно получить новый порядок, а вместо разочарования — работающий процесс.

редакция рекомендует
Какими будут роботы будущего? Прогноз Давида Яна
Магазин бесполезных услуг. Почему никому не нужно цифровое правительство
5 главных технологий десятилетия: выбор венчурных инвесторов

Источник

0/5 (0 Reviews)
Рейтинг
expert@sppe.ru/ автор статьи
Загрузка ...