Top.Mail.Ru
СБЕР Про | Медиа
  • Финансы

Драйверы ускорения. Инструменты развития финансовой функции, которые надо внедрить ещё вчера

Никита Айрапетов

Никита Айрапетов

финансовый директор Burger King Russia
  • 7 мин
  • 799

С каждым годом технический прогресс и стремительно меняющиеся условия рынка заставляют бизнес оперативно внедрять новые инструменты. Финансовые отделы зачастую выступают драйверами совершенствования бизнес-процессов и берут на себя инициативу по развитию цифровизации.

Расскажу о технологиях, которые мы уже активно используем в компании Burger King, а также, опираясь на собственный опыт, о некоторых особенностях их внедрения.

RPA и роботизация стандартных процессов

Сегодня RPA (Robotic process automation) — один из самых быстрорастущих инструментов бизнеса.

Роботизация рутинных процессов помогает снизить трудозатраты и сделать работу финансовых отделов более эффективной. На обработку задачи, которая занимает 10—15 минут человеческого времени, робот потратит около 1 минуты, что высвобождает до 60% рабочего времени сотрудников. При этом ошибки по вине человека сводятся к нулю. Освободившиеся ресурсы сотрудники могут потратить на решение аналитических задач и вопросов, которые автоматизации пока неподвластны.

Основной спектр процессов, которые можно роботизировать:

обработка и форматирование документов по заданным стандартам;

различные виды внутренних сверок;

сверки с внешними контрагентами;

формирование отчётов;

регулярные стандартизированные расчёты;

ряд казначейских операций;

стандартные операции в рамках подготовки отчётности;

планирование и бюджетирование.

Помимо работы с документами и отчётностью, роботы и чат-боты успешно внедряются в сферы обслуживания и позволяют вывести качество сервиса на новый уровень.

С точки зрения финансовой функции, RPA упрощает множество процессов. В Burger King роботы используются для следующих, например, задач.

Сверка с контрагентами. Это одна из самых трудоёмких задач в бухгалтерии. Раньше мы вручную проверяли каждый акт, сейчас автоматизировали этот процесс. На практике выглядит так: в систему вручную загружаются акты сверки по контрагентам, а робот сам находит данные в учётной системе Axapta и отмечает все позиции, по которым есть расхождения. Бухгалтеру остаётся проверить конкретные случаи, а не обрабатывать весь объём информации.

Внутренние сверки данных в различных источниках. Сложность этого процесса в том, что транзакционные данные проходят через несколько ИТ-систем, прежде чем попадают в итоговую отчётность. Например, данные по выручке из R-Keeper перед конечной агрегацией в отчётности обрабатываются в трёх промежуточных системах. На каждом этапе подгрузки могут возникать технические ошибки, которые искажают результат. Поэтому необходима функция для сравнения данных по контрольным условиям. Раньше такая сверка осуществлялась вручную и отнимала много ресурсов на предварительную обработку данных. Сейчас процесс полностью автоматизирован.

Сверки данных для составления внутри отчётности. Архитектура внутренней отчётности (включая систему ERP — Axapta) подразумевает сложный комплекс ИТ-систем. В компании внедрены роботы для сверки между консолидированной отчётностью и ключевыми модулями отчётности, которые содержат детальную информацию по операциям (периодичность — раз в 10 дней). Это сделано для того, чтобы обеспечить стабильную и корректную работу каждого элемента системы, в том числе внутри календарного месяца. Так минимизируется количество расхождений во время ежемесячного закрытия отчётности и поддерживается стабильно высокий уровень качества данных.

С чего лучше начать внедрение технологии. Чтобы успешно внедрить роботизацию, нужно детально описать алгоритм каждой операции, то есть учесть каждый клик мышки, который делает сотрудник, и описать логику, которой он руководствуется. Стоимость роботизации может различаться в зависимости от сложности процессов. Ключевым критерием для нас является окупаемость, по большинству внедрений она находится в рамках 1,5 года.

Личный опыт. При обширных проектах рекомендую поддерживать мультивендорность и иметь нескольких подрядчиков, которые работают в единых технологических нормативах.

OCR и оптимизация документооборота

Оптическое распознавание символов (optical character recognition, OCR) используется в связке с роботизацией и помогает сделать документооборот более эффективным и быстрым. Основной предпосылкой к использованию оптического распознавания является необходимость обработки и учёта большого объёма однотипной документации на бумажных носителях, в том числе накладные, акты, дополнительные соглашения, стандартные внутренние документы. Оптическое распознавание символов также помогает идентифицировать неэффективные процессы и выявить возможности для автоматизации.

В Burger King Russia программы распознавания внедряются для распознавания наиболее стандартных типов документации, при этом по ряду документов точность распознавания достигает больше 95%. Нераспознанные документы, как правило, содержат «вычерки», когда в первичный документ вручную вносятся какие-либо правки. В этом случае нераспознанные документы отделяются от общего потока и направляются на ручную обработку.

С чего лучше начать внедрение технологии. Начинать реализацию лучше с наиболее объёмных групп документов, которые в моменте сэкономят на затратах больше всего и постепенно расширять масштаб цифровизации документооборота. Важным этапом перед внедрением является пилотирование проекта, когда тестируются основные элементы проекта — как с точки зрения достижения целевых результатов, так и с точки зрения технических проблем, которые эффективнее всего корректировать на ранних стадиях проекта.

Личный опыт. Прежде чем перейти на OCR, рекомендую разбить всю документацию на несколько основных групп документов и оценить затраты на цифровизацию документооборота по каждой группе и категории документов. Любой проект по цифровизации должен соответствовать целевым параметрам окупаемости.

Если окупаемость технологии на данный момент не отвечает целевым параметрам, есть более доступное решение: максимально унифицировать все имеющиеся документы, например согласовывать форму первичной документации с контрагентами при заключении договора и перевести на неё текущих поставщиков. Также абсолютно приемлемо отказаться от внедрения OCR для небольших категорий.

ML и планирование рекомендаций

В последние годы растёт спрос на машинное обучение. Это одна из разновидностей искусственного интеллекта, которая обучает компьютерные системы составлять пошаговые инструкции и распознавать новые сценарии на основе прошлого опыта. Самый простой пример использования machine learning (ML) — всем известные алгоритмы социальных сетей. Технология собирает данные о предпочтениях пользователя на основе его вовлечённости в контент и выстраивает их в «умную» ленту.

Личный опыт. В Burger King Russia обратились к этой технологии, чтобы разработать динамическую систему рекомендаций блюд. Мы разделили все рестораны сети на кластеры, каждый из которых отличается своим паттерном поведения покупателя. Например, офисные сотрудники выбирают комбо-предложения для обеда вне офиса, студенты и школьники чаще пользуются промоакциями, а семьи с детьми заказывают комбо-наборы с большим количеством разных закусок. Алгоритмы анализируют потребности клиентов, ассортиментную матрицу и ценообразование, создавая наиболее эффективные комбинации блюд.

Чтобы сделать идеальную архитектуру меню, мы задействовали высокопроизводительные технологии, которые способны обрабатывать миллиардные транзакции с уникальным набором характеристик: локацией, каналом и временем продажи, набором товаров в чеке и т. д. В момент заказа через диджитал-каналы (в киоске самообслуживания, через мобильное приложение или сайт доставки) предпочтения гостей анализируются и сравниваются с имеющимися паттернами. При этом реакция посетителя в качестве обратной связи используется для дальнейшего совершенствования системы с помощью алгоритмов machine learning.

Ещё одна область, в которой мы применяем машинное обучение — моделирование выручки будущих ресторанов. На базе уже открытых точек алгоритм анализирует факторы успеха новой локации: трафик, уровень торговой активности, количество жилых объектов поблизости, средний доход жителей района и другие — всего более ста характеристик, которые в сумме дают максимум объективной информации. Это позволяет наиболее эффективно инвестировать в новые открытия.

С чего лучше начать внедрение технологии. Для эффективного применения machine learning необходимы качественные данные в основе алгоритмов, на которых учится модель. Чтобы обеспечить это условие, в компании должно быть сильное подразделение ИТ и качественно выстроенная ИТ-архитектура. Кроме того, важным элементом обучения модели является постоянная актуализация информации. Это помогает своевременно реагировать на изменения и распознавать меняющиеся тренды.

Вот несколько советов, которые помогут начать процесс цифровой трансформации:

  • изучите и проанализируйте успешный опыт компаний в смежных областях;
  • пообщайтесь с консультантами и сторонними экспертами, договоритесь о референс-визитах в компании, которые уже успешно проявляют себя в этом направлении;
  • активно обучайте своих сотрудников, привлекайте внешних экспертов на начальных этапах реализации проектов;
  • внедряйте системы KPI, направленные на успешную реализацию стратегии цифровой трансформации.

Эта статья была вам полезна?

Читайте ещё