Об автоматизации бизнес-процессов в условиях цифровой трансформации на крупных промышленных предприятиях

Возможно ли оцифровать и автоматизировать «хаос» бизнес-процессов?

Вопрос — что понимается под «хаосом»? Если речь идет об исходной конфигурации бизнес-процессов предприятия, то, на мой взгляд, трудно себе представить, что люди, создававшие долгие годы достаточно серьезное промышленное предприятие, строившие бизнес часто с нуля, недостаточно тщательно вникли во все свои бизнес-процессы. В какой-то степени существующие бизнес-процесс предприятия, как правило достаточно разумны, то есть еще до внедрения мощной информационной системы, призванной их упорядочить, они на самом деле не представляют собой «хаос», и лишь в какой-то мере не оптимальны. Поэтому могут быть оцифрованы и автоматизированы вполне успешно.

При этом современные информационные системы управления бизнес-процессами обладают достаточно широким набором настроек и возможностями проектных доработок, что позволяет подстроиться под уже имеющиеся на предприятии бизнес-процессы, а не вынуждать заказчика в ходе внедрения информационной системы радикально менять методологию управления на предприятии. То есть во всем нужно соблюдать чувство меры, некое представление о «золотом сечении».

Что еще может помочь в ходе оптимизации бизнес-процессов? Существует набор достаточно простых практических приемов, начиная с элементарной приоритезации проектных задач. Пул задач при внедрении информационных систем подобного класса велик, а бюджет и срок реализации, как правило, ограничены. У консультантов по внедрению практически остается только один вариант — попросить заказчика проставить приоритеты по реализации бизнес-процессов, а дальше двигаться в соответствии с приоритетами.

BPMS для успешной цифровизация: требования и возможности

В контексте автоматизации бизнес-процессов промышленных предприятий, современные BPMS-системы фокусируются чаще всего на так называемых «офисных процессах», то есть на процессах «заводоуправления», поскольку эта совокупность процессов гораздо легче поддается цифровой трансформации. Гораздо реже такого рода системы пытаются оптимизировать непосредственно производственные процессы предприятия. Там, в отличии от офисных процессов, выше степень повторяемости, производственная жизнь с точки зрения BPMS-систем сложнее поддается какому-то управлению, особенно при попытке разработать какой-то новый процесс, поскольку процессы регламентируются технологией, которая достаточно часто уникальна. Поэтому трансформация офисных процессов заказчика для компании – поставщика ИТ решений в плане получения финансового результата является более предпочтительной.

Между тем на современном этапе цифровизация промышленного предприятия рассматривается прежде всего именно в контексте производственных процессов. Важность цифровизации именно в этой области с каждым годом растет и повышается значимость тех команд специалистов, вендоров, которые в состоянии предложить что-то яркое, новое и эффективное именно в производственной области.

Но какой бы класс или вид систем управления бизнес-процессами вы не взяли бы за основу, в рамках проекта внедрения вашему заказчику придется пройти в том числе и этап формализации и описания бизнес-процессов. Здесь прослеживается аналогия с внедрением таких систем как ERP, затрагивающих все основные бизнес-процессы предприятия. При этом автоматизация любой из ветвей бизнес-процессов требует нормализации исходных массивов информации или исходных справочников — приведения и систематизации исторических данных к единым ракурсам и правилам для реализации их в информационной системе.

Современная BPMS должна иметь развитые инструменты нормализации при описании справочников из различных систем и бизнес-процессов для их оцифровки по единой методологии.

Перспективы BPMS в современных российских условиях

Если говорить о перспективных направлениях развития информационных систем управления бизнес-процессами, то хотелось бы отметить возможности использования технологий искусственного интеллекта в системах класса BPMS. И в первую очередь — machine learning и прогнозной аналитики.

При внедрении технологий machine learning, используется подход, радикальным образом отличающийся от академического подхода, реализуемого в «классических» ERP-проектах и в проектах внедрения BPMS-систем. «Классический» подход подразумевает предварительные процедуры и жесткую последовательность шагов по описыванию и оцифровке той или иной группы бизнес-процессов на предприятии. Это — фундаментальные решения, внедрение которых может длиться несколько лет и охватывать весь спектр бизнес-процессов предприятия.

Machine learning команды действуют «локально» и гораздо быстрее, решая при этом абсолютно конкретные проблемы, не поддающиеся решению «традиционным способом». По итогам короткой серии интервью буквально за две недели определяют конкретную область и процессы, где инструменты прогнозной аналитики могли бы быть полезны для данного заказчика. По результатам такого экспресс обследования готовится короткий документ, в котором определяются: ключевые инструменты, технологический стек и производственные процессы, для которых будет реализованы аналитические эвристики, модели, которые позволят заказчику снизить процент брака, решить существующие и очевидные для служб предприятия проблемы, которые они не могут решить никакими другими средствами. Причем ощутимый эффект можно ожидать уже через полгода, год после внедрения решения.

В результате заказчик получает информационную систему, которая анализирует очень большой объем информации, в том числе параметры качества какой-либо продукции, по которой есть, например, непонятный, неизвестно почему возникающий брак. Или какие-либо отклонения в параметрах, которые не поддаются анализу без специальных решений. Анализируется также масса других параметров. Чем шире массив, тем больше вероятность, что удастся найти определенные корреляции, то есть зависимости, так называемые неявные корреляции. Тогда специалисты предприятия, получив эти корреляционные зависимости, могут определить, что надо делать для решения какой-то конкретной проблемы.

Можно привести пример из практики одного из машиностроительных предприятий. Конкретная проблема заключалась в том, что для определенной номенклатуры прецизионной продукции время от времени возникали отклонения по конкретным параметрам в ходе специального вида приёмки. И хотя параметры не приводили к окончательному браку, но возникал вопрос, что будет с изделиями данной партии при длительной эксплуатации. Ведь, чем ближе параметры лежат к граничным значениям, тем больше вероятность отказа или каких-то проблем. Благодаря применению системы прогнозной аналитики удалось выявить неявные корреляции и дать указания цехам и службам предприятия, на каких именно переделах нужно жестче держать диапазон параметров изделий, чтобы на финише не было пограничных состояний.

Другой пример — из практики одного партнера нашей компании. В процессе презентации по проекту, которая проходила в соответствующее обеденному перерыву время, выступающий сказал, что «причина одного из видов брака, который время от времени возникал на предприятии, и никак не поддавался анализу, состояла в следующем — в обеденное время, в ясную погоду, через стеклянную крышу цеха солнце падало на технологическую установку, что нарушало тепловой баланс одного прецизионного процесса и приводило к забракованию целой партии продукции».

Руководитель промышленного предприятия услышал это, понял, что на улице солнечная погода и сейчас обеденное время. Он покинул переговорную и пошел проверять — падает ли через стеклянную крышу цеха солнце на технологическую установку? Убедившись в верности данного утверждения, руководитель вернулся в комнату, где проходило совещание и однозначно подтвердил положительный эффект от разработанного решения.

Технологи предприятия в течении нескольких лет безуспешно пытались решить проблему, и лишь специализированное решение, реализованное для данного случая, позволило свести воедино всю цепочку событий и устранить брак.

Так работают такого рода системы, которые приносят конкретный результат именно в области реализации возможностей технологий искусственного интеллекта, machine learning и прогнозной аналитики на промышленных предприятиях. И на мой взгляд они имеют довольно хорошие перспективы в рамках общих процессов цифровизации бизнес-процессов промышленных предприятий.

Компаниям, разрабатывающим и внедряющим BPMS-решения на промышленных предприятиях, необходимо быть ближе к прямым производственным процессам, к основному бизнесу предприятия. Да, работа в области цифровизации процессов «заводоуправления» — это «более быстрые деньги», но только ежедневные усилия по цифровизации основных производственных процессов позволят установить с промышленным заказчиком прочные взаимовыгодные отношения.

Читать статью