Инвестиции с интеллектом: как эффективно использовать ИИ
в бизнесе

Многие компании и исследовательские организации анализируют эффект от внедрения технологий искусственного интеллекта (ИИ) и их влияние на бизнес. Большинство участников рынка согласны, что применение ИИ в ключевых процессах может повысить эффективность, сократить затраты от рутинных операций и повысить доходность. Однако практический опыт настраивает скорее на сдержанный оптимизм. Судя по исследованию MIT Sloan и BCG Gamma (подразделение Boston Consulting Group, занимающееся разработками в сфере ИИ), пока только треть компаний видит реальное позитивное влияние ИИ на их бизнес прямо сейчас. И менее 40% компаний, инвестировавших в соответствующие проекты и продукты, получили от них прямую или косвенную прибыль. При этом есть и по-настоящему успешные проекты. Например, в 2019 году ИИ помог Сбербанку заработать дополнительные $700 млн. Как конвертировать оптимизм и вложенные в ИИ средства в прибыльные проекты?

Пандемия COVID-19 изменила экономическую ситуацию в мире, вопросы обоснованности использования конкретных инструментов стоят теперь намного острее. Важно не столько получить прибыль от внедрения ИИ в моменте, сколько пережить экономический спад и выйти из него, имея преимущество перед конкурентами. Именно технологии, которые умеют обрабатывать данные и предлагать data-driven insights, могут помочь бизнесу сохранить эффективность, когда компании вынуждены взвешенно относиться к затратам и искать решения с быстрым возвратом инвестиций.

Семь раз отмерь, один раз отрежь

Около трети компаний, опрошенных аналитиками McKinsey, оценивают объем инвестиций в цифровые проекты в первый год в размере $500 тыс. При этом почти половина (45%) руководителей не знают, с чего начинать разработку стратегии цифровизации, а неэффективные бизнес-процессы, на которые в первую очередь стоило бы обратить внимание, ежегодно приносят более $200 млрд убытков. Учитывая, что 63% респондентов Gartner называют непрозрачность своих бизнес-процессов основным барьером для внедрения высоких технологий и ИИ, данные McKinsey о том, что лишь 15% проектов цифровой трансформации можно считать успешными, не выглядят чем-то удивительным. Что нужно для того, чтобы войти в эти 15%?

Может показаться очевидным, но первое, о чем стоит говорить — ответственный выбор процесса и технологии под проект. На пике популярности всего, что связано с ИИ, заметно усилился так называемый «технологический туризм». Заявляемая универсальность ИИ, привлекательная условная дешевизна и возможность «один раз научить» породили бесчисленное количество пилотных проектов разной степени проработки. Они имеют неясные задачи, зачастую не соответствующие стратегическим целям компаний, сомнительные критерии успешности и результаты, не позволяющие оценить эффективность будущего решения.

Ответственный выбор — это, в первую очередь, понимание стратегической ценности и критериев эффективности. Выбирая участок для автоматизации, важно тщательно проанализировать характеристики и составляющие бизнес-процессов.

Возьмем для примера логистику — здесь много сложных процессов, описываемых большим количеством данных, отрасль испытывает особое давление в условиях кризиса. Применение ИИ в логистике сосредоточено на прогнозировании спроса и предложения, управлении рисками в цепочках поставок и т. д. Например, Alibaba выбрала для ИИ-проекта выполнение онлайн-заказа — компании было важно прогнозировать время доставки и постепенно сократить его, выработать метрики производительности для курьеров. В основе решения лежит нейронная сеть, учитывающая количество посылок, которые необходимо доставить в единицу времени, их вес и размер, географию заказов. Кроме того, сеть анализирует данные о процессе — последовательность доставки, регулярность маршрутов и даже такие сложные сценарии, как совместное использование автомобиля. В итоге использование грузового транспорта сократилось на 10%, и на 30% уменьшился его пробег.

Тщательный выбор задачи дает хороший результат, особенно если данные доступны, и их относительно легко подготовить для обработки с помощью технологий ИИ.

Правильно выбрать цель

ИИ активно применяют в логистике, поскольку компании собрали большое количество хорошо интерпретируемых данных, и уже есть готовые алгоритмы машинного обучения. Но что делать бизнесам с большим объемом операционных данных, которые не могут выделить приоритетный процесс для автоматизации и не имеют специалистов по анализу данных?

Подсказка кроется в самых данных — их можно использовать не только для оптимизации отдельного процесса, но и для того, чтобы получить детализированную картину всех процессов в компании, а затем выбрать участок для автоматизации.

Данные и аналитические инструменты для их интерпретации предлагают объективные критерии для такого выбора. Так, цифровые следы бизнес-процессов, записанные в информационных системах, выгодно отличаются от того, как представляют себе реальную практику менеджеры. Недавно эксперт компании KPMG в России поделился кейсом. Руководитель крупного бизнеса рассказывал, что все его службы согласуют договоры параллельно в единой системе и тратят на это не более недели. Однако анализ данных из этой системы показал: параллельно согласуются только 12% договоров, остальные же 88% — последовательно, служба за службой, и среднее время составляет более 30 дней.

Количественные показатели, полученные с помощью интеллектуальных технологий, беспристрастны. Во время кризиса это особенно важно, когда компания должна определить точку приложения усилий.

Анализ цифровых следов с помощью инструментов Process Mining позволяет сделать обоснованный выбор. Некоторые системы Process Mining используют методы ИИ для прогнозирования исходов незавершенных процессов на основе исторических данных — это дает дополнительную информацию для расстановки приоритетов и поиска неочевидных способов увеличения выгоды. Например, можно определить, что оптимизация одного процесса, заметно перегруженного, со множеством известных узких мест, будет стоить дороже, но принесет меньше конечной выгоды, чем внедрение нового продукта в менее сложный, менее очевидный, но более массовый сценарий.

Вот пример из международной практики компании ABBYY. Крупная сеть клиник в США столкнулась с проблемой кассового разрыва: фактическая прибыль от оказания услуг была меньше, чем сумма по выставленным счетам, компания недополучала около $500 тыс. выручки в месяц. Организация проанализировала бизнес-процессы с применением интеллектуальных технологий. Оказалось, что сотрудники регистратуры не контролировали в полной мере оплату услуг: только за один месяц было более 7 тыс. случаев, когда счет не был выставлен. Бизнес-процесс пересмотрели, добавили напоминание о счете в скрипты сотрудников и внедрили сервис мониторинга работы ресепшена. Кроме того, сотрудники вручную вносили клиентские данные в систему, что также приводило к ошибкам. Клиника решила автоматизировать обработку этих документов.

Другой пример интеллектуального анализа бизнес-процессов — глобальная телекоммуникационная компания Vodafone. При помощи платформы Process Mining корпорация смогла устранить проблемы в системе закупок оборудования в 20 странах мира. Бизнес поставил задачу снизить затраты на процесс, и, в частности, выяснить, почему задерживается организация конкурсных процедур, оформление и отправка документов поставщикам. Изучая цифровые следы в ERP и электронном документообороте, компания обнаружила, что более четверти процедур не укладывались в сроки и требовали повторной подготовки документов. Часть информации (например, налоговые коды) сотрудники вводили вручную и не только тратили на это много времени, но и многократно ошибались. Другая причина задержек — разный подход региональных подразделений к организации закупок, например, неупорядоченные списки поставщиков и разрозненные категории товаров. Первую проблему удалось решить при помощи платформы RPA (Robotic Process Automation — технология автоматизации бизнес-процессов при помощи роботов, имитирующих работу реального пользователя). Программные роботы стали обрабатывать типовые документы и извлекать данные из них при помощи алгоритмов машинного зрения. Вторую проблему решили с помощью нормализации базы поставщиков и централизованного управления категориями товаров. После этого число закупок, удовлетворяющих KPI, выросло до 85%, а стоимость обработки заказа снизилась с $3,22 до $2,85. В масштабах компании экономия превысила несколько сотен тысяч долларов в год.

Этот кейс затрагивает важные аспекты выбора проекта — наличие системы KPI, которую можно применить к модифицированному процессу и наглядно оценить успех, а также относительная простота внедрения, характерная для платформ RPA. Все это помогает делать значимые преобразования, когда существующая ИТ-стратегия уже неактуальна, а на создание новой нет времени.

Шаг за шагом

В сложные периоды многим компаниям приходится пересматривать бизнес-модели, переориентироваться на другие группы клиентов, модифицировать продукты. Выигрывают те, кто может внедрить новую бизнес-модель быстро, без чувствительных изменений для работы всей компании, и готовы к постоянным технологическим преобразованиям. Выполнение микропроектов с небольшими финансовыми и организационными издержками приносит выгоду в краткосрочной перспективе и позволяет оперативно реагировать на изменения рынка.

В предыдущих примерах Alibaba и Vodafone прицельно работали с отдельными процессами, а глобальный производитель упаковочных материалов, бумаги и лесоматериалов Stora Enso использовал Process Mining для подготовки к цифровой трансформации всего бизнеса.

У Stora Enso более 26 тыс. сотрудников в 30 странах, включая Россию. Общая проблема всех подразделений — непрозрачность процессов и большое количество вариаций, в частности, на производственной линии. Компания использовала несколько разных ERP-систем в зависимости от локации, из-за чего было невозможно централизованно собирать данные о деятельности предприятий в режиме реального времени. Разные корпоративные источники не были интегрированы между собой и не позволяли получать достоверную информацию. Process Mining использовали, в первую очередь, для повышения прозрачности процессов и их реструктуризации. Сначала консолидировали ERP-системы, затем начали менять процессы корпоративных закупок (Purchase-to-Pay) и процесс от получения заказа до оплаты (Order-to-cash). Три месяца аналитики компании собирали данные, а затем определили, где можно внедрить RPA, чтобы быстрее и качественнее выполнять рутинные операции. Преобразования запускали постепенно, так как каждое изменение затрагивало ключевой участок бизнеса, требовало глубокого погружения в детали. Непрерывное внедрение инноваций, выстроенное с помощью анализа данных о процессах, позволили компании работать и трансформироваться одновременно.

Приведенные в статье примеры показывают, какие шаги предприняли компании, чтобы получить максимальный эффект от внедрения ИИ.

1. Прежде чем начать проект, компании анализируют все составляющие процесса, который будут автоматизировать с помощью ИИ, определяя возможность точечных изменений.

2. Расставляют приоритеты: автоматизация одного процесса принесет миллион экономии, а другого — сотни миллионов. Избегают лоскутной автоматизации, когда разные департаменты решают похожие задачи разными инструментами.

3. Лидеры обогащают понимание процесса данными из информационных систем (data-driven insights). Глубинный анализ бизнес-процессов стоит воспринимать как совокупную обработку данных о том, как выполняются бизнес-процессы в компании, их метаданных, и самих данных, с которыми работают эти процессы. Именно это позволяет использовать в полном объёме так называемый «цифровой интеллект».

4. Руководители прогнозируют, какой будет результат от проекта, чтобы обосновать расходы и изменения бизнес-модели в постоянно изменяющихся условиях.

5. Лидеры внедряют инновации не однократно, а непрерывно, создавая и поддерживая культуру постепенных преобразований.

Об авторе. Дмитрий Черноус, заместитель директора по консалтингу компании ABBYY Россия