ENGБольшинство крупных российских компаний включились в цифровую гонку. Искусственный интеллект, роботизация, управление неструктурированными данными — все это уже не просто слова, а новая технологическая реальность. Быстро увеличивается количество пилотных проектов и «боевых» внедрений. Так, в сентябре 2019 года компания ABBYY провела с IDC совместное исследование российского рынка искусственного интеллекта (ИИ) и опросила более 200 представителей крупных компаний.
Оказалось, что около 30% участников исследования уже используют ИИ в бизнесе, а остальные 70% планируют внедрить такие решения в течение ближайших двух лет. Но, несмотря на грандиозные планы компаний, не все подобные инициативы приносят желаемые результаты. Так, в начале года глава Сбербанка признал, что его бизнес не получил от ИИ прибыли в полном объеме. В других случаях, о которых компании предпочитают не упоминать в публичном поле, проекты затягиваются, на реализацию не хватает ресурсов, увеличивается бюджет. Почему это происходит, и можно ли что-то изменить?
В 2019 году KPMG опубликовала экспертный отчет «Цифровые технологии в российских компаниях». По результатам опроса свыше 100 представителей крупного бизнеса оказалось, что у 63% компаний есть программа цифровой трансформации, но на деле это чаще всего означает набор краткосрочных пилотных проектов. Это значит, что руководители рассматривают изменения не в контексте всей компании, а в рамках отдельных инициатив. У такого подхода есть серьезный недостаток: чаще всего при этом смотрят не на весь бизнес-процесс, а лишь на маленькую его часть. Допустим, магазин решил увеличить приток клиентов за счет интеллектуальной автоматизации маркетинговых кампаний. Разработали технологию, успешно провели пилот, увеличили конверсию, отчитались о результатах. Но не учли важную деталь: получится куча заказов, которые некому обрабатывать. Доставка не справляется вовремя, покупатели недовольны. Вместо «космической» прибыли — убытки, да еще и удар по репутации. Подобные «бутылочные горлышки» — бич российских компаний, особенно от них страдают крупные территориально распределенные холдинги с большим количеством сотрудников. Как избежать подобных ситуаций и заставить ИИ приносить доход?
Начать с анализа бизнес-процесса
В обществе, а иногда и у некоторых представителей бизнеса распространены мифы об ИИ. Кажется, что эта технология может все, и достаточно внедрить ИИ, чтобы все автоматизировать и начать получать доходы. На деле оказывается немного сложнее. Первый этап в любом подобном проекте — это понять, что же конкретно вы хотите улучшить. Собирается рабочая группа, они рисуют красивую схему бизнес-процесса — как он устроен сейчас, и как заказчику хотелось бы, чтобы все выглядело на выходе. В ходе внедрения часто обнаруживается, что ожидания не совпадают с реальностью. В процессе больше участников, чем казалось руководителю, данные поступают сразу в несколько информационных систем, да еще и противоречат друг другу, а часть информации и вовсе хранится на бумажных носителях — значит, роботы ее просто не смогут «прочесть», для этого нужны дополнительные технологии. Не все просто и с customer journey и улучшением качества обслуживания: поток клиентов у крупных брендов — это сотни тысяч людей или компаний-заказчиков в день, десятки разных каналов, множество этапов взаимодействия, на каждом из них могут возникнуть проблемы, о которых компании и не подозревают. А это, в свою очередь, влияет на другие бизнес-процессы и может вести к общему снижению качества обслуживания. Можно действовать вслепую и находить такие болевые точки во время внедрения ИИ. Но лучше использовать для этого современные интеллектуальные решения, которые помогут компании проанализировать бизнес-процессы со всех сторон и определить приоритеты для технологического развития. Например, подобные задачи помогают решать системы Process Mining.
Процессная аналитика — сравнительно новое технологическое направление на российском рынке. Первые системы класса Process Mining появились в России несколько лет назад, а проектов в этой области пока едва ли несколько десятков. Пионеры в этой области — банк ВТБ, оператор Tele2 и еще несколько крупных участников рынка. Mировые аналитики MarketsandMarkets считают, что у решений Process Mining большой потенциал. По их оценке, если сейчас совокупные инвестиции в Process Mining оценивают примерно в $185 млн, то уже к 2023 году эта цифра перевалит за миллиард. В августе 2019 года на этот рынок вышла и компания ABBYY, когда приобрела компанию TimelinePI — разработчика интеллектуальной системы для комплексного анализа бизнес-процессов. Под новым брендом продукт называется ABBYY Timeline. Его главная особенность — возможность представлять и визуализировать процессы как последовательность состояний, причин и условий перехода между ними, и анализировать их. Платформа умеет не только восстанавливать фактическую схему процесса в реальном времени, как другие подобные решения. ABBYY Timeline имеет около 20 готовых инструментов аналитики с интуитивно понятными интерфейсами, не требующих дополнительной настройки и программирования, среди них: анализ маршрутов выполнения и специальный инструмент для «процессных запросов», поиск узких мест, what-if анализ, определение длительности событий, контроль выполнения сроков, анализ отклонений от протокола или регламента, и другие. Отдельно стоит отметить, что система может посчитать трудозатраты на выполнение процесса на разных этапах и спрогнозировать его эффективность с помощью технологий машинного обучения. Когда компания понимает, как устроен ее бизнес изнутри, проще продумывать проект, понимать, какие технологии принесут реальный экономический эффект, а какие будут бесполезны. C помощью Process Mining проверить свои гипотезы возможно еще на этапе Proof of concept. Подобные аналитические инструменты помогают компаниям более осознанно подходить к внедрению ИИ, заранее понимать результаты проектов и вовремя вносить изменения в процесс, если что-то идет не так.
Как это работает в бизнесе? С помощью ABBYY Timeline международная телекоммуникационная компания смогла определить, как улучшить работу глобальной клиентской поддержки. В течение 1,5 месяцев система отслеживала работу всех систем, задействованных в процессе. В результате анализа компания определила новые возможности для оптимизации: подключила к ряду процессов ИИ, программных роботов, автоматизировала маршрутизацию звонков, и так далее. По подсчетам компании, в результате этих преобразований они экономят около $8 млн в год. Другой пример — медицинские услуги. Для клиники важно быстро определить диагноз пациента, назначить ему правильные исследования и специалистов для дальнейшего лечения. Системы процессной аналитики помогают отслеживать весь путь пациента — от первого обращения до поступления в больничную палату и выписки. Все этапы лечения видны в системе мониторинга, а проблемные точки можно быстро спрогнозировать и устранить. Причем такую аналитику можно строить по отдельным клиентам, группам и специалистам. Стоит отметить, что Process Mining — относительно «всеядные» системы: они могут работать и в банках, и в энергетических холдингах, и в ритейле — словом, во многих компаниях и процессах с большим количеством документов и данных. Для анализа достаточно использовать цифровые следы, в которых отражена специфика той или иной отрасли.
Что дальше?
Технологии процессной аналитики стремительно развиваются: подключаются новые источники данных, устраняются барьеры к использованию этих технологий в сложных бизнес-процессах с большим количеством этапов и ответственных сотрудников. Пока подобные решения работают со структурированной информацией. Логичный шаг — дополнение Process Mining технологиями обработки естественного языка (NLP). Они позволят обогатить цифровые следы за счет данных из неструктурированных документов и таким образом углубить анализ процесса. Например, это поможет точнее отслеживать сроки выполнения договорных обязательств, более широко использовать Process Mining в закупочной деятельности, управлять сложными запросами клиентов в техническую поддержку, анализировать процессы, подходящие для внедрения программных роботов, и так далее. С помощью процессной аналитики руководители смогут более ясно понимать цели автоматизации, оценивать возможную эффективность технологий и более рационально распределять инвестиции на масштабные проекты цифровой трансформации.
