Как превратить скучные договоры в «цифровых предсказателей»: Data Driven

Наверняка, многие из нас в детстве представляли себя капитаном корабля. Можно плыть «по интуиции», полагаясь на «хороший ветер» и «внутренние ощущения». А можно следить за компасом, изучать карту и учитывать прогноз погоды— тогда Вы точно не сядете на мель и не потратите зря время. Если перевести это на современный язык управления, то можно говорить про Data Driven (англ. «управляемый данными»).

Data Driven это история, когда компания управляется на основании данных, а не по ощущениям руководителя или работников. Конечно, если Вы обладаете интуицией, которая никогда не подводила, то подключение Data Driven к анализу и принятию решений еще более усилит положительный результат. Наша команда «РП-Интеграция» занимается внедрением программного решения, которое затрагивает все процессы договорного учета. Мы на практике внедрений встречаемся с проблемами, которые возникают в организации при отсутствии Data Driven подходов.

Договорной учет — это не просто архивы файлов и Excel таблицы. Это источник различных связанных данных, который может:

• Напомнить о важной дате.
• Предупредить о риске.
• Показать упущенную выгоду.
• Автоматизировать рутину.
• Ускорить принятие решения.

С чего начать переход на Data Driven в договорном учете

Шаг первый. Определите категории данных (сведений), которые важно собирать:

• Информация о предварительных входящих заявках (то, что у Вас предварительно запрашивает потенциальный заказчик).
• Информация об исходящих заявках (то, что Вы предварительно запрашиваете у потенциальных поставщиков).
• Информация о тендерах (конкурсах), в которых участвует Ваша организация как поставщик (исполнитель).
• Информация о тендерах (конкурсах), которые объявляет Ваша компаний заказчика.
• Сведения по расходным и доходным договорам (реквизиты, суммы, стороны контрагенты, даты и т.п.).
• Сведения по заказчикам и поставщикам (реквизиты, задолженности, сотрудники-исполнители и т.п.).
• Сведения по субподрядчикам.
• Все возможные статусы с указанием дат, сотрудников и комментариев:
  • статусы согласований;
  • статусы исполнений;
  • статусы платежей с плановыми и фактическими датами и суммами;
• Сведения по спецификациям и первичным документам (реквизиты, суммы, даты, статусы и т.п.);
• Сведения по затратам;
• Сведения по претензиям и судебным делам.

Приведенные выше сведения имеют разные форматы данных:

• даты (тендера, подписания, пролонгации, рассмотрения, начала и завершения, отгрузки, график платежей и т.п.);
• числовой формат (суммы договоров, доп.соглашений и первичных документов, платежи и затраты, суммы претензий, неустойки, штрафы, процент выполнения и т.п.);
• статусы и признаки (пролонгация, рамочный договор, согласования, подписания, исполнения, рассмотрения претензии и т.п.).

Шаг второй. Определите инструментарии, которые будут применяться для сбора и хранения перечисленных выше данных.   

У Вас есть небольшой выбор из трех вариантов:

• Ежедневники работников и стикеры на мониторах и рабочих столах. Недостатки такого варианта сбора данных понятны без отдельного разбора.
• Excel и Word файлы, хранимые на разных компьютерах пользователей. Это конечно уже не еженедельники, но все еще далеко от самого эффективного и безопасного способа организации единой базы данных.
• Наиболее эффективный вариант — применение специальной программы для автоматизации договорного учета. Это не обязательно должны быть дорогие решения уровня ERP. На рынке представлены различные программные решения с доступной ценовой политикой. Наша команда «РП-Интеграция» занимается внедрением подобного программного обеспечения.

Шаг третий. Внедрите программное решений договорного учета.

При всем уважении к возможностям Excel и Word, этих файлов недостаточно для полноценного Data Driven. Рекомендуется смотреть в сторону специализированного программного обеспечения.

Шаг четвертый и финальный: переходите на уровень Data Driven

Как только данные по договорам начали собираться в единой информационной системе, необходимо переходить на анализ этих  данных для получения ответов на самые различные вопросы. Под «анализом данных» понимается построение отчетов  и диаграмм по различным условиям(фильтрам) и за разные периоды времени.

На практике применяются сотни полезных отчетов и диаграмм. Рассмотрим некоторые примеры Data Driven подходов к аналитике:

• На каком сотруднике самые большие временные задержки согласования договоров? Если отчет по согласованиям покажет такого сотрудника, то необходимо принимать меры управленческого характера или пересмотреть роль сотрудника в цепочке согласований.
• Анализ истории согласований на большом количестве договоров. Это позволит узнать, какие пункты чаще всего оспариваются и внести соответствующие изменения в шаблоны договоров.
• Какие договоры приносят больше прибыли? Например, если отчет покажет что 70% денег — от 10% контрагентов, то необходимо делать выводы по ассортименту предлагаемых услуг и в переоценке целевой аудитории контрагентов доходных договоров.
• Какое процентное соотношение разных типов доп.соглашений. Например, если отчет покажет, что больше 50% предметов доп.соглашений относятся к изменению сроков, значит изначально применяется не объективный подход к прописыванию сроков в договорах. И возможно необходимо применять шаблоны договоров с более гибкими условиями сроков, чтобы не тратить время на доп.соглашения.
• Где частые задержки оплат? Например, если определенный контрагент постоянно платит с опозданием по всем своим договорам — стоит пересмотреть условия в шаблоне договора или задуматься о поиске нового партнера.
• Какие типовые ошибки в договорах?  Например, юристы забывают прописать штрафы — это риск.
• В какой сезон заканчивается договор? Например, если перед Новым годом — заранее предложить пролонгацию.
• Какая трудоемкость (в часах) на отдел и отдельных сотрудников при исполнении работ(этапов) по календарному плану договора? Ответы на данный вопрос позволят понять, какие сотрудники или отделы более эффективны при исполнении договора.
• Как влияют отношения с контрагентом (письма, звонки, встречи) на сроки оплаты или исполнение договора? Для этого важно фиксировать все типы отношений с контрагентом, чтобы потом формировать соответствующие отчеты и делать выводы.

Список практического применения Data Driven в договорном учете может включать сотни полезных отчетов. Все зависит от качества собираемых данных и поставленных задач.

Всю аналитику Data Driven можно условно разделить на четыре типа:

• Описательная (дескриптивная) аналитика. Отвечает на вопрос «Что уже произошло?», показывает исторические данные для их дальнейшего анализа.
• Диагностическая аналитика. Помогает увидеть причины, чтобы ответить на вопрос «Почему это случилось?». Использует статистические методы анализа данных для их классификации, детализации и обнаружения корреляции.
• Предиктивная(прогнозная, предсказательная) аналитика. Прогнозирует события в будущем, отвечая на вопрос «Что может случиться?» на основе анализа данных прошлых периодов. Использует множество методов: математическую статистику, моделирование, машинное обучение и другие области Data Science.
• Предписывающая аналитика. Позволяет получить рекомендации, отвечая на вопрос «Что делать?». Машинное обучение и другие методы искусственного интеллекта анализируют все накопленные и обработанные данные, чтобы предложить оптимальные решения для определенной ситуации.

Вывод

Data Driven подход должен стать основой принятия решений. Внедрите программу договорного учета, начните вносить все полезные данные в единую информационную систему. После чего принимайте верные решения на основании построения отчетов и диаграмм.