Проблемы цифровой зрелости: от учета до искусственного интеллекта

Несмотря на развитие цифровых технологий, до сих пор осталось много сфер, не сильно охваченных цифровизацией. Комплексную цифровизацию сейчас могут позволить себе развивать в основном крупные банки, большие торговые сети, ресурсодобывающие и промышленные компании — те, у кого есть финансовая возможность содержать серьезные ИТ-структуры и инвестировать в них. Многие организации, особенно небольшие и средние, не могут себе позволить держать огромный штат ИТ-специалистов и развивать собственные компетенции в системах сбора, учета, анализа и прогнозирования показателей операционной деятельности.

На помощь приходят готовые ИТ-решения, рынок которых активно развивается. Направление сбора и учета данных в России достаточно зрелое. Многие организации уже внедрили цифровые решения в свои операционные процессы, но процент охвата цифровизации процессов зачастую оценить достаточно сложно.

Часто компании стремятся внедрить искусственный интеллект, но обнаруживают, что их операционные процессы, на базе которых строятся ИИ-модели, не охвачены системами учета. Кроме того, нередко компании с удивлением узнают, что у них накопилось огромное количество неосознанных данных, которые просто занимают пространство.

В таких случаях полезно провести первичный аудит покрытия автоматизированными системами операционных процессов, и уже на основе него принять решение о дальнейшем развитии систем продвинутой аналитики.

Таким образом, многие организации неосознанно начинают переходить на следующие уровни цифровой зрелости и анализировать тот поток данных, которые у них хранятся, собирая по дороге все типовые ошибки. 

Есть ли у нас данные?

Первый и базовый уровень — это сбор и учет данных, без этого дальнейшее развитие невозможно. Внедрение обособленных систем в различные сферы управления организации сейчас — базовая потребность. На этом уровне все данные собираются в своих системах, а их учет ведется отдельными организационными структурами, каждый отвечает за свой участок. Для обмена операционными показателями между организационными структурами часто используют Excel-файлы. Таким образом, данные собираются и обрабатываются вручную на каждом участке ответственности, а в более продвинутых случаях — с частичной автоматизацией расчетов аналитиками либо с использованием готовых программных решений в отдельных системах.

Организация может долго функционировать на этом уровне, увеличивая объем ручных расчетов по мере роста количества бизнес-показателей, нанимая новых специалистов. Однако такой подход ограничен: человеческий фактор становится серьезным барьером для дальнейшего развития.

Что делать с данными?

Данные копятся, логика усложняется и наступает потребность переходить на следующий этап — автоматизировать процессы отчетности.

На этом этапе приходит осознание, что данные из разных систем необходимо собирать, маппить и создавать автоматизированные отчеты. Организация приходит к необходимости создания хранилища данных, куда будут поступать данные из внешних интегрируемых систем. Далее эти данные преобразуются в отчеты и визуализируются на дашборды в BI-системе.

Этот этап вынесен отдельно, так как это целое архитектурное искусство работы с данными. Ключевая задача — правильно организовать их хранение, чтобы избежать трудностей при дальнейшей обработке.

Соединяем данные, а результат не оправдывает ожидание

На этом этапе начинается самое интересное — комплексная автоматизация BI-отчетности, которая вскрывает все ошибки, допущенные на предыдущих стадиях.

Первые ошибки начинают появляться при создании автоматизированной обработки данных, поступающих в BI-систему. Поэтому выбор подходящего решения для хранения данных на предыдущем этапе был так важен. Если решение было ошибочным, ваша система рискует «захлебнуться» данными при агрегации и расчетах показателей.

Какое-то время оно будет жить, но на практике это превращается в решение на «ручном приводе», которое постоянно нужно оптимизировать и реанимировать. В таких условиях о нормальной комплексной автоматизации можно забыть и вернуться на предыдущий этап.

Второй пул ошибок появляется, когда стейкхолдерами по каждому интеграционному направлению назначаются люди, которые на первом этапе годами вручную собирали отчетность по своему направлению.

Обычно данные из разных систем не объединялись на низких уровнях, все собиралось на верхних агрегированных уровнях. Из-за длинных цепочек работавших сотрудников знания о методологиях расчета теряются или деформируются. Когда начинается автоматизация показателей, данные у стейкхолдера и на дашбордах часто не совпадают. 

На этом этапе процесс может затянуться, и многое зависит от вовлеченности стейкхолдера. Самая трудная ситуация, когда находится ошибка в ручных расчетах направления, где работает стейкхолдер. Признать неверные расчеты за несколько лет сложно, и начинается цикл работы по выравниванию данных. Вот почему задержки на первом этапе приводят к еще большим проблемам на следующем.  

Долгая дорога к внедрению сложной аналитики и искусственному интеллекту

Только пройдя все этапы — от сбора данных до их комплексной автоматизации — организация может начать использовать сложную аналитику и искусственный интеллект. Важно помнить, что затягивание на ранних стадиях цифровизации может привести к серьезным задержкам на более продвинутых уровнях. В конечном итоге, для большинства компаний цифровая зрелость и способность работать с большими данными —   ключевые факторы для дальнейшего роста и развития.