Преодолеть ограничения: как работает мультипроцессная аналитика

В последние годы внедрение Process Mining (аналитики бизнес-процессов) перестало носить экспериментальный характер. Бизнес использует технологию как один из ключевых элементов цифровой трансформации и получает операционные и экономические эффекты на системном уровне. В то же время, ИТ-ландшафты компаний постоянно усложняются, а одни и те же процессы координируются несколькими подразделениями одновременно и выполняются в различных информационных системах. По мере роста такой распределенности увидеть полную картину происходящего становится все труднее. 

Да, классический Process Mining по-прежнему остается важным инструментом для анализа отдельных процессов. Он позволяет изучать их фактическое выполнение, выявлять отклонения, задержки и точки для оптимизации. Но на практике многие проблемы возникают не только внутри конкретного экземпляра процесса, но и на стыке нескольких взаимосвязанных, где движение одного объекта зависит от состояния другого.

Разберем на примере. Клиент оформил заказ на четыре позиции, которые отражены в одном счете-фактуре. Однако внутри компании заявка распределяется на несколько взаимосвязанных процессов. Один товар уже доступен и готов к отгрузке, второй находится на складе, а оставшиеся необходимо произвести. Нарушение или сбой на любом из этапов способен повлиять на выполнение заказа в целом и стать причиной задержек. Если анализировать такие процессы обособленно друг от друга, то часть «узких мест», возникающих на их стыке, останется вне поля зрения. 

Именно это ограничение и призвана снять мультипроцессная аналитика (МПА) — следующий шаг развития Process Mining. В отличие от классического подхода технология позволяет исследовать совокупность сложных и взаимосвязанных процессов с учетом их влияния друг на друга.

С технической точки зрения МПА строит единый граф событий, отражающий полный жизненный цикл объекта внутри компании, что дает возможность получить более быстрые и точные результаты анализа, а также понять, на каких участках возникают скрытые задержки и как они влияют на всю цепочку действий. 

Практическая ценность подтверждается реальными проектами. К примеру, платформа онлайн-рекрутинга hh.ru внедрила мультипроцессную аналитику от Proceset для сквозного анализа жизненного цикла продуктов, который охватил 5 взаимосвязанных процессов, выполняемых в 3 информационных системах. Благодаря МПА удалось объединить разрозненные данные в объеме более 5 млн кейсов в год в единую модель, посчитать лид-тайм в разных разрезах и понять процент ручного сервиса. В итоге мультипроцессная аналитика стала инструментом для осознанного принятия решений на основе данных (data-driven-инструментом).  
Важным дополнением к мультипроцессной аналитике становятся сквозные процессные метрики. Они позволяют рассчитывать длительность между событиями из разных процессов, оценивать конверсию между этапами и анализировать показатели в нужных разрезах: по подразделениям, типам кейсов, продуктам, категориям клиентов и другим параметрам. Иными словами, МПА формирует целостную картину выполнения процессов, а сквозные метрики делают ее измеримой.

Принципиально важно, что такой расчет должен быть доступным. Ручное построение сквозных метрик практически не представляется возможным, поэтому реальную ценность имеет подход, при котором нужные показатели можно настраивать через интерфейс системы, выбирая процессы, события и параметры фильтрации без кодинга и сложных SQL-запросов.

Таким образом, мультипроцессная аналитика и сквозные метрики переводят анализ процессов на новый уровень. Первая позволяет увидеть, как и где процессы влияют друг на друга, а вторые — количественно оценить это влияние и превратить его в основу для принятия решений. В результате бизнес получает инструменты для управления всей системой взаимосвязанных процессов.