Как стать автором
Обновить
70.45
Visiology
Компания-разработчик российской BI-платформы

Process Mining на базе BI — реальные возможности для оптимизации бизнеса

Время на прочтение 16 мин
Количество просмотров 9.7K

Привет, Хабр! Как вы считаете, в каких ситуациях Process Mining может принести организации пользу? Мы уверены, что практически в любой! Меня зовут Иван Лазаревский, я руководитель отдела Data Science в Visiology, и сегодня мы с моими коллегами Андреем Шкулёвым и Владимиром Басовым из практики автоматизации процессов компании 7RedLines поделимся с вами нашим опытом в области Process Mining, а также реализации этого подхода на базе BI-платформы. В этом посте вы найдете немного теории о Process Mining, соображения о разных подходах к аналитике, выкладки с преимуществами технологии для бизнеса и мини-гайд по выбору решения, подходящего для конкретной организации.

Что такое Process Mining и кому он нужен? На самом деле эта практика анализа бизнес-процессов может пригодиться как коммерческим компаниям, так и государственным организациям. Информации по Process Mining в интернете достаточно много, и сегодня мы сосредоточимся именно на вопросах автоматизации и на практической пользе, которую можно получить за счет внедрения решения такого класса в конкретной организации. 

Вообще Process Mining имеет смысл везде, где существуют бизнес-процессы, а они есть в любой организации, даже если она некоммерческая. Конечно, от компании к компании процессы будут разными, но вы найдете их и в больших холдингах, и в маленьких фирмах. Например, общая схема бизнес-процессов производственной организации может выглядеть примерно так:

Но подобная схема демонстрирует только верхний уровень. На самом деле бизнес-процессов обычно намного больше, и от их эффективности зависит эффективность работы всей организации. Управляя бизнес-процессами, можно сохранять и увеличивать эффективность и конкурентоспособность, достигать поставленных целей. А запутавшись в бизнес-процессах, компания начинает проигрывать в конкурентной борьбе более оптимизированным игрокам и стагнировать. 

Учитывая выгоды разумного управления, методы и технологии оптимизации бизнес-процессов непрерывно развиваются. Начиная с Генри Форда, который оптимизировал свои бизнес-процессы за счет внедрения конвейеров, постоянно появляются различные практики. Сначала подобные стратегии назывались Work Simplification, потом оптимизация охватила разные направления, появились методологии — управление качеством, "6 сигм", бережливое производство. Кстати, сегодня можно встретить даже такой термин как “бережливый стартап”, что означает эффективность даже креативных бизнес-процессов.

По мере подключения вопросов управления бизнесом и IT-технологий подобные идеи объединились под единым названием BPM — Business Process Management. В рамках этой концепции есть IT-составляющая, но большой вес в вопросах оптимизации все-таки имеют методики и теория менеджмента.

Тот факт, что целые компании, например, McKinsey, только на этом и зарабатывают, говорит о важности этого направления. В наше время существуют уже зарекомендовавшие себя и годами отработанные методологии анализа и улучшения бизнес-процессов. Но и у типовых подходов есть свои недостатки.

Оптимизация бизнес-процессов: практический подход

Обычный проект по оптимизации бизнес-процессов подразумевает несколько стандартных этапов. Сначала нужно определить цель, потом — описать процессы, как они есть сейчас (as is), например, на такой диаграмме процессов:

Для решения этой задачи существует целый набор различных нотаций, начиная от IDEF0 (привет из 80-х), вплоть до UML, ARIS или еще более новых подходов. Однако главное — не выбор нотации, а описание процесса, как он есть.

После этого аналитик ищет узкие места, проектирует оптимальный процесс (to be), а другие специалисты внедряют его на практике.  В идеале все это приносит улучшение процесса и выгоду. Но это только в идеале. А что на практике?

Во-первых, аналитику нужно провести очень объёмную работу. Он должен опросить всех людей, которые участвуют в процессе, и нарисовать происходящее во всех подробностях. Те, кто участвовал в подобных проектах или встречался с описаниями бизнес-процессов в рамках внедрения каких-нибудь систем автоматизации, таких как ERP, CRM, знают, что это адская работа. Иногда люди забывают какие-то детали процесса, иногда специально что-то не рассказывают. Слишком точно опишешь процессы - получишь слишком громоздкую схему. А при упрощении неизбежно жертвуешь точностью. Как следствие, вести такие проекты непрерывно очень сложно, оптимизацию процессов обычно затевают только для самых больных мест, и чаще всего зовут для этого внешних консалтеров. 

Чтобы решить проблему трудоёмкости, сегодня применяются подходы к непрерывной аналитике процессов на базе BI-платформ. Автоматизированная аналитика бизнес-процессов выглядит примерно так:

На скриншоте приведен пример аналитики по работе Helpdesk. Как вы можете видеть, она достаточно ограничена. На дашборде видно, сколько всего тикетов: сколько открытых, сколько в ожидании. Мы можем их разбить по категориям, посмотреть, кто из сотрудников сколько обработал, распределить их по статусу, по отзывам… Получается традиционная OLAP-аналитика. Но у неё есть свои недостатки, если мы говорим о бизнес-процессах.

  1. Мы видим только результаты бизнес-процесса, а не причины этих проблем. Например, если тикетов в очереди стало очень много, мы узнаем об этом, но не сможем понять, почему это произошло. Для этого нужно смотреть на схему процесса или применять графовую аналитику, использовать другое визуальное представление.

  2. Сложно оценивать и предсказывать динамику процесса. Наблюдая, что происходит в данный момент, и даже отслеживая историю, мы не можем спрогнозировать дальнейшее развитие событий. Что будет если, например, у нас станет на 2 сотрудника меньше в отделе?

Process Mining как новое направление

Именно для решения этих (и некоторых других) проблем и придумали технологию Process Mining. Идея её реализации достаточно проста: исходя из того, что в любой компании множество основных процессов так или иначе автоматизированы (в рамках CRM, BPM, ERP или другой системы), можно поручить изучение процессов автоматизированным средствам. Ведь в логах хранятся данные о том, когда люди выполняют какие-то операции. Там же можно найти ответственных за каждый этап, определить тип заявки, отметить время перехода статуса и так далее. Все эти параметры могут быть использованы в аналитике.

Первым термин Process Mining предложил голландский профессор Вил ван дер Аалст. Его книга по Process Mining называется «Data Science in Action», а кроме этого, профессор горячо поддерживает технологии и инструменты open-source: он поучаствовал в создании фреймфорка ProM, языков YAWL, Declare, Woflan, XRL и ряда других инструментов. Аалста называют "крёстным отцом" Process Mining: фактически с него и началось развитие этого направления и рынка решений. 

Название книги, кстати, говорит о многом. Дело в том, что Process Mining сближает дисциплину Data Science, направленную на извлечение ценности из данных, с методами и технологиями исследования, моделирования и оптимизации бизнес-процессов. При этом типичные подходы в Data Science обычно рассматривают данные процессов в отрыве от их сути, например, в виде табличных сводок. Process Mining, в свою очередь, позволяет также получать полезные инсайты исходя из статистической модели процесса, восстановленной из логируемых событий.

Польза для бизнеса

Если вам удалось обработать логи процессов и восстановить реальную структуру процесса, вы уже получаете нечто большее, чем просто граф. Process Mining позволяет, не проводя никаких интервью (или, может быть, с минимумом каких-то интервью), получить сразу несколько преимуществ:

  1. Точность моделирования. Автоматизация Process Mining позволяет увидеть процессы, как они есть “на самом деле”, а не в теории, не в наших мечтах, скажем так. Это само по себе важно. 

  2. Обнаружение узких мест. Учитывая тайминги, система может показать, где, происходят основные задержки. Это и будут узкие места.

  3. Мониторинг отклонений. Его можно вести постоянно, забив в систему наш типовой бизнес-процесс, указав параметры SLA, например, ограничения по времени на разных этапах. 

  4. Раннее оповещение. Учитывая все вышесказанное, подобный подход позволяет увидеть проблемы задолго до того, как в компании реально что-то сломается. Например, если мы будем постоянно мониторить параметры работы МФЦ, то сможем заранее выявить признаки проблемы и не допустить коллапса, когда возникла огромная очередь и люди недовольны. 

  5. Поиск точек оптимизации. Используя восстановленный процесс, можно выбрать приоритетные точки автоматизации, определить направления для инвестиций в автоматизацию или роботизацию (RPA), которые дадут максимальный эффект. Подобное можно сделать только с помощью Process Mining.

  6. Проводить симуляции. Это очень полезно для оценки оптимизаций. После того, как мы восстановили процесс, мы можем сказать: «Окей, а что будет, если мы на этом этапе процесса посадим не 2 человека, а 4, и обработка будет идти вдвое быстрее?» С точки зрения теории графовых процессов, сокращение срока выполнения задачи, например, с 4 минут до 2 минут даже в самом узком месте совершенно не значит, что весь процесс тоже будет происходить быстрее на 2 минуты. Оптимизация может быть гораздо масштабнее…а может, эффекта вообще не будет. Без симуляции тут не обойтись.

Почему мы решили сделать свой инструмент

Между Process Mining и Business Intelligence существует довольно глубокая конвергенция. Это несложно заметить, если проанализировать широко используемые и популярные инструменты Process Mining, такие как, например, SAP Celonis или ABBYY Timeline. Сегодня они развиваются в сторону функционала BI — разработчики добавляют ETL, дашборды, средства отчётности, в том числе интерактивные. Все чаще эти средства используются не только для мониторинга процессов, но и для отслеживания связанных с ними финансовых показателей. Разве это не BI?

Мы решили проверить, что будет, если наоборот, двигаться со стороны BI к Process Mining. Для этого было решено развивать на платформе алгоритмы, характерные для Process Mining. Мы использовали движок продвинутой аналитики на основе Python и привлекли к задаче команду Data Science. 

Вообще, я бы назвал получившееся решение Process Intelligence, так как сегодня речь идёт уже не только про извлечение данных (Mining), но про полный комплекс аналитики, который также включает в себя мониторинг, анализ и непрерывное улучшение процессов. 

Visiology представляет собой платформу для реализации комплексных аналитических решений — от сбора данных до прогнозирования и визуализации. Поверх нашей стандартной платформы мы построили решение для процессной аналитики. После того, как мы загружаем в платформу данные из логов, после их обработки специально разработанными алгоритмами, пользователь получает возможность строить дашборды и отчёты. Система позволяет обозначить важные для бизнеса метрики и визуализации, имеющие отношение к Process Mining. 

Получилось прикладное решение, которое не встроено в ядро. В нашем случае оно лицензируется отдельно, поверх стандартной платформы Visiology. Тем не менее, максимум профита получают именно пользователи Visiology:

  • Все метрики оказываются в одной системе — пользователю не нужно отдельно контролировать Process Mining, отдельно — финансовую аналитику, отдельно — прогнозы продаж и так далее.

  • Доступна глубокая кастомизация отчётов. Платформа Visiology позволяет настраивать разные дашборды для различных отделов, выбирая только нужные метрики. Кстати, чтобы достичь подобного эффекта, сейчас многие “чистокровные” Process Mining-инструменты активно ведут доработку дашбордов.

  • Наконец, появляются плюсы в области лицензирования, потому что пользователи BI получают новый функционал намного дешевле, чем при заказе standalone-инструментов.

Какой инструмент Process Mining нужен вашей компании?

Как я говорил в самом начале, польза от Process Mining будет для любой компании. Но не всем подходят одни и те же инструменты. Чтобы выбрать подходящее именно вам решение, нужно ответить на простые вопросы. 

Первым делом, необходимо понять, нужен ли вам инструмент для проекта или для постоянного мониторинга. Разовый проект можно попробовать реализовать при помощи достаточно простых утилит, включая open-source инструменты, такие как ProM.  В этом случае нет никакого смысла тратить дополнительные деньги. Если же вам нужен постоянный мониторинг, который поможет добиться непрерывного улучшения процессов, потребуется более серьёзный инструмент. Но и тут существует дилемма выбора.

Второй этап выбора — определиться между специализированными продуктами или универсальными. То есть, в крупной организации с целым отделом Process Mining широкие возможности SAP Celonis и ABBYY Timeline помогут специалистам добиться больших результатов. 

А такие инструменты как наш Visiology Process Mining создаются как раз для тех компаний, которым просто нужна комплексная аналитика, и которые хотят объединить BI c Process Mining, чтобы проводить оптимизацию бизнес-процессов в том же BI-инструменте. 

Практический опыт

Всех, кто заинтересован в работе именно универсального инструмента, ждёт рассказ о том, как именно происходит настройка дашбордов и работа с бизнес-процессами на базе Visiology Process Mining. 

Два реальных кейса применения Process Mining 

Как именно работает инструмент Process Mining, и что он позволяет сделать в реальности? В этом посте наши друзья и коллеги из 7RedLines рассказывают о примерах применения платформы Visiology Process Mining с демонстрацией дашбордов и наглядными выводами. Приглашаем познакомиться с практикой применения растущего в популярности инструмента и оставить свои комментарии.

Привет! Меня зовут Андрей Шкулёв, я — руководитель практики автоматизации процессов в компании 7RedLines, и сегодня, как гость блога Visiology, я хочу на конкретных примерах рассказать о функциональности Process Mining, которую мы используем все чаще и чаще. 

Hello, дашборд! 

Рис.1 - Дашборд руководителя отдела выплаты компенсаций
Рис.1 - Дашборд руководителя отдела выплаты компенсаций

Сначала познакомимся с дашбордом. Давайте представим один день из жизни руководителя из отдела выплат и компенсаций какого-то банка или страховой компании.

Когда руководитель заходит в дашборд, он видит граф процесса —  то, как бизнес-процесс выглядит в реальной жизни. Process Mining-система (в нашем случае Visiology) собирает этот граф на основании логов из таблицы. Сама таблица — ниже. 

Рис.2 - Граф и таблица процесса выплаты компенсаций
Рис.2 - Граф и таблица процесса выплаты компенсаций

Таблица с логами может обновляться в режиме онлайн. Граф процесса, в зависимости от обновленных данных, тоже может перестроиться На графической схеме видна вариативность этапов процесса. Стрелочки имеют разную толщину: чем жирнее линия, тем важнее эта часть процесса для анализа. Утолщение говорит о длительности между этапами в днях/часах или частоте переходов с этапа на этап.

В правой части дашборда в первую очередь идет работа с вариантами или, как это принято называть в методологии, с экземплярами процесса. Там можно увидеть сценарии, по которым проходит процесс. Например, возможно, что существует сценарий, состоящий из 4 этапов, а также сценарий с отклонением, в котором появляется уже 5 этапов - всё это будет видно в правой части дашборда. 

Рис.3 - Виджет выбора вариантов процесса
Рис.3 - Виджет выбора вариантов процесса

Выбрав один из вариантов выполнения процесса, мы увидим, что граф изменился.

Рис.4 - Детализация выбранного варианта процесса
Рис.4 - Детализация выбранного варианта процесса

Два виджета показывают среднюю продолжительность вариантов процессов. Благодаря этому мы можем узнать, велика ли вариативность прохождения процессов. В нашем примере есть процессы, которые проходят по 19 дней, а есть процессы, для которых достаточно и 3 дня. Все это — повод для принятия решений. 

Очень интересный и любимый бизнесом виджет показывает средние затраты по процессу. Фактически он показывает трудоёмкость процесса в вашей компании, умноженную на ФОТ сотрудников, которые участвуют в конкретном процессе.

Рис.5 - Виджет средних затрат на процесс в разрезе вариантов
Рис.5 - Виджет средних затрат на процесс в разрезе вариантов

Таким образом, инструмент может показать стоимостное выражение процесса в деньгах именно для вашей компании. 

А вот эти дашборды показывают среднюю длительность активности. Они отражают,  сколько времени было затрачено на тот или иной этап прохождения процесса. Благодаря этому появляется важная информация по сотрудникам — мы узнаем, кто и как работает, сколько времени тратит именно на ту или иную часть процесса. 

Рис.6 - Виджет средних значений процесса
Рис.6 - Виджет средних значений процесса

Пример №1. Анализ и принятие решений о выплатах 

Теперь давайте посмотрим, какие выводы можно извлечь из аналитики по процессам с выплатой страховых компенсаций. У нас уже было 4 кейса, и если в среднем продолжительность процесса составляет плюс-минус 10 дней, то для одного кейса она явно отличается.

Изучая процесс более детально, мы сразу видим, что выплата компенсаций ушла просто в какой-то космос по времени. Елена почему-то делала эту операцию 750 часов. Какое может быть решение с точки зрения руководителя? Мы идём к Елене и выясняем, что, собственно, произошло по этому кейсу.

Рис.7 - Анализ варианта №1 процесса выплаты компенсаций
Рис.7 - Анализ варианта №1 процесса выплаты компенсаций

Во втором случае у нас уже 3 кейса, и опять среди них есть один, который явно отличается от всех. Причем в нем больше всего времени ушло уже не на выплаты компенсаций, а на принятие решения. Очевидно, вопросы теперь нужно задать Саре, уточнить, почему так долго шло действие на этом этапе. Возможно, сотрудник просто забыл закрыть задачу, или, наоборот, тщательно проверял всё по каким-то причинам, которые не фиксировались в системе. В любом случае, с этой информацией уже можно что-то делать, чтобы запускать более глубокий анализ. 

Рис.8 - Анализ варианта №2 процесса выплаты компенсаций
Рис.8 - Анализ варианта №2 процесса выплаты компенсаций

Но что важнее всего, аналитика и Process Mining происходят в режиме онлайн. То есть, просматривая дашборды, руководитель может отслеживать появление разных сценариев — где процесс почему-то прошёл быстро или, наоборот, застрял. Все это даёт возможность проанализировать ситуацию и разобраться, почему так происходит.

Пример №2. Анализ процесса договорной работы

Привет! Меня зовут Владимир  Басов, я — бизнес-аналитик практики автоматизации процессов в компании  7RedLines, и сегодня я хочу рассказать о реальной применимости Process Mining в договорной работе.

Договорные работы есть у каждой компании. Процесс согласования договоров — это огромное поле для работы аналитика. Вот пример дашборда для анализа работы с договорами.

Рис.9 - Дэшборд анализа договорной работы
Рис.9 - Дэшборд анализа договорной работы

Обычно с точки зрения бизнес-аналитика в договорном бизнес-процессе возникает два основных вопроса: 

1. Как нам добиться более высокой скорости согласования?

2. Как определить влияние разных факторов на эту скорость?

Каждой компании приходится работать с разными типами документов, например, расходными договорами на закупки, доходными договорами, а также документами для закупок без договоров (счетами-офертами). Сравнивать их между собой по скорости согласования будет некорректно. Поэтому для нашего кейса возьмем только расходные договоры. 

Рис.10 - Определение периметра анализируемого процесса
Рис.10 - Определение периметра анализируемого процесса

Модель договора с определенными атрибутами (мы сами их выбираем) позволяет оценивать, каким образо каждый из атрибутов влияет на время согласования договора. В число атрибутов можно записать стоимость, контрагент, его вид, а также такие факторы как “отправлялся ли договор на доработку нашими экспертными службами при прохождении согласования в каких-либо системах документооборота”. И так далее. 

В таблице с атрибутами можно провести сортировку и выявить атрибуты, которые оказывают наибольшее влияние на время согласования наших договоров. В нашем примере появился ТОП факторов, которые помогают нам оптимизировать процесс. При этом 2 параметра увеличивают время согласования. 

Рис.11 - Определение параметров оптимального договора
Рис.11 - Определение параметров оптимального договора

Первый параметр, который у нас больше всего влияет на время согласования, это «контрагент». В данной выборке с одним из них мы заключали договор быстрее всего. Мы, конечно, не всегда можем влиять на выбор контрагента. Но вполне можно найти, скажем, ТОП-5 контрагентов, с которыми у нас в среднем на 80% быстрее проходят согласования договоров и сделать выводы на будущее. Также обычно находится анти-ТОП контрагентов, с которыми, наоборот, согласование идет очень долго. 

Рис.12 - Выбор атрибута “Контрагент” для анализа процесса
Рис.12 - Выбор атрибута “Контрагент” для анализа процесса

Наличие подобной информации позволяет проанализировать саму ситуацию с договорным блоком. Возможно, по результатам будет принято решение договориться с контрагентом о какой-либо единой форме договора, которая будет применима ко всем услугам, которые он поставляет. Может быть, проще провести один раз согласование формата, который устроит и его экспертную службу, и нашу. В результате можно добиться исключения части этапов согласования или значительного сокращения времени. 

Впрочем, не все контрагенты способны пойти навстречу, но мы можем рассмотреть и другие атрибуты, которые находятся во внутреннем контуре кампании. В нашем кейсе — это функция исполнителя, то есть непосредственно тот отдел или то подразделение, которое запускало согласование договора.

Рис.13 - Выбор атрибута “Функция-исполнитель” для анализа процесса
Рис.13 - Выбор атрибута “Функция-исполнитель” для анализа процесса

Мы видим, что отдел корпоративных коммуникаций на 80% быстрее согласовывает свои договоры по сравнению со средним значением по компании. Тут мы опять же можем посмотреть ТОП и анти-ТОП по отделам и направлениям. В результате находится отдел, который выбивается из общей массы анти-ТОП, так как согласование всех договоров у них превышает среднее время на 107%! Что с этим делать?

Чтобы найти корень проблемы, система позволяет сравнить два кейса на отдельной вкладке. Выбрав все виды договоров и все атрибуты, нужно задать дашборду задачу построить цепочку только для договоров по отделу корпоративных коммуникаций в левой части нашего экрана, и по отделу-аутсайдеру — в правой части экрана. 

Рис.14 - Сравнительный анализ кейсов процесса
Рис.14 - Сравнительный анализ кейсов процесса

Благодаря такой визуализации мы можем сравнить все виды кейсов, которые проходят через эти отделы, все виды договоров, и провести минимальный анализ, не отходя от экрана.

По результатам сравнения мы видим, что в региональном центре по договорам процесс согласования документа имеет наименьшее число шагов. То есть в целом у нас весь процесс документооборота, если оперировать очень верхним уровнем в данном кейсе, выглядит так:

  • создание документа

  • отправка его на инициацию (например, согласование руководителя)

  • прохождение некоего этапа экспертизы, то есть несколько этапов проверки документа

  • сама экспертиза экспертными службами

  • отклонение в случае необходимости.

После этого у нас происходит подписание либо с нашей стороны, либо со стороны контрагента, в зависимости от того, какой документ мы запускаем. То есть, если мы, например, инициируем документ со своей стороны, мы первые его подписываем, отправляем контрагенту. Если нам приходит уже подписанный документ, значит, мы через нашу систему прогоняем уже подписанный документ. Далее мы переводим документ в статус «перевод в архив», после которого в наших операционных системах по нему можно проводить какие-либо финансовые операции, делать приход товаров и услуг, и совершать с ним необходимые операции для нашего бизнес-процесса. 

Помимо всяких разных полезных метрик, дашборд сразу показывает, что у регионального процесса продолжительность сквозного процесса согласования договора больше аж на 800%. Погружаясь глубже, можно выяснить, что этап с подписания до перевода в архив занимает 46,5 дней, в то время как на “передовом” процессе из нашего ТОПа этот этап занимает вместе с экспертизой около 5 дней. Таким образом, граф позволяет нам не просто определить область, где у нас возникает проблема с согласованием (в нашем случае — региональный центр, то есть один из проблемных отделов), но также помогает найти конкретный шаг процесса, на котором существует проблема. Помимо 46,5 дней, которые проходят с момента подписания до перевода в архив, подразделение еще и тратит по 13 дней на доработку после отклонения экспертами. Оба этапа, очевидно, нуждаются в оптимизации.

Рис.15 - Графы процессов сравниваемых кейсов
Рис.15 - Графы процессов сравниваемых кейсов

Зная бизнес-процесс, мы можем предположить, что коллеги долго проверяют документы после подписания. Решить это можно, например, внедрив робота RPA, который будет самостоятельно выполнять анализ, ввести штрих-коды для ускорения проверки и так далее. Но главное, что мы узнаем о неоправданных затратах времени на рутинный процесс.

Далее мы можем посмотреть на другие атрибуты из ТОПа влияющих на скорость согласования. В нашем примере — это вид договора. Мы также можем выбрать этот атрибут для анализа и построить график по влиянию на время согласования. Например, выяснилось, что договора на электроснабжение согласовываются на 80% быстрее, а договора купли-продажи — на 130% дольше. Конечно, их нельзя сравнивать напрямую, но можно дать задачу юридическому отделу провести анализ и оптимизировать процесс для согласования договоров купли-продажи, используя позитивный опыт по энергоснабжению. 

Рис.16 - Выбор атрибута “Вид договора” для анализа процесса
Рис.16 - Выбор атрибута “Вид договора” для анализа процесса

Ещё один интересный атрибут, который почти всегда стоит рассмотреть — был ли наш документ на доработке. Предполагая, что все документы попадают на доработку из-за ошибки исполнителя, можно найти тех, кто их совершает и помочь им минимизировать задержки. Ведь, как показывает дашборд, не попадающие на доработку и не отклоненные экспертными службами договора в среднем согласовываются на 26% быстрее. В то же время документы, которые попадают на доработку, проходят согласование на 6% дольше.

Рис.17 - Выбор атрибута “Был на доработке” для анализа процесса и виджет частоты отклонений с этапов договорного процесса
Рис.17 - Выбор атрибута “Был на доработке” для анализа процесса и виджет частоты отклонений с этапов договорного процесса

Отдельный виджет показывает, на каком этапе чаще всего отклоняются документы. По гистограмме видно, что инициация затягивается по причине отклонения экспертами. Зная бизнес-процесс и его особенности, можно погрузиться в эту область, понять причины отклонения. Это могут быть лишние согласования со стороны руководства, орфографические ошибки рядовых исполнителей и так далее. В любом случае, с причинами задержки можно работать. 

А тут вы можете видеть, что на доработку возвращается 83% договоров! Это достаточно много! А с учетом затягивания согласования, с данным параметром явно надо работать. Например, отправить менеджеров на курсы русской словесности. 

Еще один очень важный плюс заключается в том, что детальный анализ процесса позволяет оценить перспективность каких-то нововведений. Например, если мы хотим включить факторинг в наш договорной процесс, то проверка покажет, что его нет в числе ТОП-причин задержек. Так стоит ли тратить ресурсы, если реальная польза от нововведения будет невелика?

Рис.18 - Влияние факторинга на скорость согласования договорных документов
Рис.18 - Влияние факторинга на скорость согласования договорных документов
Рис.19 - Выбор атрибута “Факторинг” для анализа процесса
Рис.19 - Выбор атрибута “Факторинг” для анализа процесса

Польза для бизнеса

Универсальные дашборды Process Mining позволяют получать информацию в реальном времени. Ими может пользоваться как руководитель (пример с компенсациями), так и аналитик (закапываясь в тонкости договорного процесса), чтобы выявлять потенциальные зоны для оптимизаций и отслеживать результаты каких-то организационных изменений. Все это приносит пользу бизнесу, а в случае с Visiology еще и является дополнением к уже работающей BI-системе.

Теги:
Хабы:
+6
Комментарии 2
Комментарии Комментарии 2

Публикации

Информация

Сайт
ru.visiology.su
Дата регистрации
Дата основания
Численность
51–100 человек
Местоположение
Россия
Представитель
Иван Вахмянин