В XX веке все системы анализа и оптимизации рабочих процессов от теории классического менеджмента до концепции Six sigma основывались на ручном сборе данных (опросах, хронометражах и других).

Диджитализация мировой экономики привела к тому, что теперь у подавляющего большинства рабочих процессов есть цифровой след в виде логов — данных, фиксируемых в журналах событий (event logs). Извлечение и автоматизированный анализ этих данных с целью выявления и устранения узких мест и неэффективностей называется process mining (PM). Термин объединяет понятия data mining (сбор данных) и process management (управление процессами) и отражает суть деятельности технологии.

Вместо точек зрения заинтересованных сторон

Технологию process mining изобрёл профессор Вил ван дер Аалст в начале 2010-х годов.

Process mining позволяет воссоздать и визуализировать схему бизнес-процессов именно так, как они протекают на самом деле. Видение и оценка ситуации от лица управленцев любого из департаментов компании неизбежно будет однобокой и предвзятой. Обработка и анализ логов позволяет получить безоценочную и комплексную модель события, выявить несоответствия нормативам, дублирование функционала и избыточные расходы.

Process mining не зависит от организационной структуры компании и позволяет получить инсайты для любого уровня детализации. Они дают руководителю понимание узких мест в процессах и объективную базу для принятия управленческих решений.

Что нужно, чтобы «копаться в процессах»?

Чтобы данными можно было пользоваться, они должны иметь достаточный уровень детализации. Если в логах фиксируется только начало и окончание какого-либо процесса, ценность таких данных минимальна. В идеале активности в лог-файле должны совпадать с этапами бизнес-процесса и содержать данные об исполнителе операции, текст переписки, решение по сделке, территориальные признаки и т. д.

С помощью информации из такого лог-файла можно получить модель реального, а не предполагаемого процесса, именно это делает process mining особенно эффективным для крупных компаний.

Данные о длительности и особенностях исполнения процесса можно наложить на визуальную схему (граф) исполняемого бизнес-процесса. Это позволяет выявить задержки в действиях отдельных исполнителей и целых подразделений, неэффективные взаимосвязи между пользователями, зацикленности и скрытые недостатки в процессе.

Аналогичным образом process mining позволяет отслеживать динамику изменений, происходящих после введения тех или иных мер по совершенствованию системы.

Однако process mining не только выявляет нежелательные изменения и отклонения. Процессно-ориентированный анализ также позволяет ответить на вопрос «почему?» — в чём причина возникших проблем и отклонений? Технологии машинного обучения дают возможность выявить глубинные причинно-следственные связи (root causes) и определить, почему процесс протекает именно таким образом.

Это наиболее ценная информация для руководителя компании. Она позволяет увидеть корень проблемы и бороться с её реальной причиной, а не с многочисленными последствиями.

Сбер, понимая преимущества технологии process mining и общемировой тренд, разработал собственные инструменты для интеллектуального анализа процессов с мощными ML-инструментами для глубокой аналитики:

• платформу Sber Process Mining — с удобным интерфейсом для бизнес-аналитиков;
• Python-библиотеку SberPM — с открытым кодом для data scientists.

Что умеет Python-библиотека SberPM?

Работая с технологиями process mining, команда разработчиков Сбера создала специальную библиотеку на языке Python. В конце 2020 года эта библиотека под названием SberPM была выложена в открытый доступ. Это первая в России мультифункциональная open-source библиотека для интеллектуального анализа процессов и клиентских путей.

Библиотека SberPM включает все необходимые методы для анализа. С их помощью можно:

Также важной составляющей анализа является расчёт и мониторинг ключевых индикаторов исполнения процесса. За это в библиотеке отвечает модуль метрик, в котором на данный момент реализованы следующие показатели:

• ActivityMetric — метрики по уникальным активностям;
• TransitionMetric — метрики по уникальным переходам;
• IdMetric — метрики по идентификатору процесса;
• TraceMetric — метрики по уникальным цепочкам активностей;
• UserMetric — метрики по уникальным пользователям;
• TokenReplay — инструмент, показывающий, насколько хорошо граф описывает бизнес-процесс.

Для каждого объекта группировки рассчитываются число появлений, число уникальных экземпляров процесса, активностей и/или пользователей, процент зацикливаний, временные характеристики (средняя, медианная, максимальная и другие виды длительности) и т. д.

В чем отличия платформы SberPM от Python-библиотеки?

Сбер ставит перед собой задачу распространить PM-подход на все уровни и сферы бизнеса, но из-за того, что Python-библиотека — специализированное решение, требующее продвинутых знаний Data Science и владения языком Python, было разработано решение, объединяющее функционал библиотеки, лучшие практики технологии process mining и понятный пользовательский интерфейс.

Все разработки на библиотеке мигрируют на платформу с минимальным временным лагом.

No-code-подход, совместно с материалами (обучающие материалы, шаблонные исследования, case book и check list), подготовленными командой аналитиков Process Mining Сбера, обеспечивает простую и быструю адаптацию бизнес-аналитиков к подходу process mining и работе с платформой. Платформа позволяет использовать разработки Data Science и ML-алгоритмы всем пользователям вне зависимости от IT-навыков.

Решение пользуется популярностью у контрольных органов (внутренний аудит), функциональных подразделений и сотрудников, ответственных за показатели эффективности и мероприятия по оптимизации.

Как это работает на практике?

У Сбера больше 12 000 офисов в России, дочерние организации и банки за пределами РФ и компании экосистемы. Process mining позволяет «дотянуться» до процессов в региональных подразделениях банка, Sberbank International и дочерних компаниях. Работа с технологией process mining стартовала в Сбере в 2019 году. Первым (и очень результативным) исследованием был анализ процесса кредитования. Кредитование — это многофункциональный процесс, в котором задействовано несколько тысяч сотрудников и несколько автоматизированных систем.

Команда собрала логи событий из нескольких систем и смогла получить детальные сведения о длительности процесса на каждом этапе, реконструировать реальные варианты путей процесса и сравнить их с нормативными. Процесс оказался перегружен разнообразием путей и вариаций прохождения отдельных этапов, петлями, возвратами с этапа на этап. Были обнаружены неэффективности, зацикливания, «пинг-понг» задач между исполнителями и возвраты заявок. Тепловая карта производительности по регионам показала различия в организации процесса и скорости принятия решений по заявке.

Ценным источником информации стали комментарии исполнителей операций. Модуль машинного обучения позволил автоматически кластеризовать тексты переписки и получить перечень топ-причин, по которым заявку возвращают на предыдущий этап.

Всё это дало нам ответы, где нужно «полечить» процесс. Process mining эффективен на любых процессах, которые оставляют цифровой след: будь то бизнес-процесс «выдачи кредита» или внутренний, обеспечивающий «согласование хозяйственного договора». Особую актуальность технология приобретает в анализе клиентских путей, process mining позволяет учесть каждый клик в приложении и выстроить карту оптимального клиентского пути.

Сейчас это продукты для внутреннего использования в Сбере, но скачать open-source версию библиотеки SberPM или запросить демодоступ к платформе могут все желающие.