Теперь можно спокойно обсуждать эти вопросы с объективной точки зрения – как рост уровня автоматизации, перевод информации в цифровую, структурированную форму и так далее помогли улучшить финансовые показатели предприятия, обеспечили его выживание при неожиданном изменении среды, окружающей бизнес. С моей точки зрения, ответ будет таким – помогли, но не всем. И теперь подробнее рассмотрим вопрос почему. Перед этим давайте договоримся, что далее под термином «цифровизация» будем понимать всю совокупность мероприятий, связанных с внедрением различных информационных технологий в повседневную деятельность компании: от понятной автоматизации за счет доработок/замены/расширения учетных систем до все еще непонятно как работающего управления сбытом на основе прогнозов и применения искусственного интеллекта.
Роль операционной модели в рентабельности вашего бизнеса
Пару лет назад аналитик Гартнера Марк Керреманс (Marc Kerremans) провел неплохую аналогию между тем, как работает бизнес, и как человек выбирает способ добраться из пункта А в пункт Б. Для этого вы строите маршрут, удовлетворяющий вашим потребностям – хотим мы ехать по платным дорогам или нет, позволяют сроки попытаться избежать пробок или надо ехать прямо сейчас и так далее. Затем вы подбираете инструмент, который максимально эффективно решает эту задачу. Кто-то возьмет такси, кто-то личную машину, а кто-то совместит каршеринг и общественный транспорт. Главное в аналогии – наличие понятной логической цепочки, связывающей между собой высокоуровневые цели и конкретные способы их достижения.
В бизнесе у вас есть бизнес-модель – ваше ноу-хау (или ноу-хау вашего франчайзера), которое приносит деньги, и операционная модель работы компании, которая реализует бизнес-модель с тем или иным уровнем эффективности. А цифровизация – это инструмент, призванный повысить эффективность работы. И если ваша инициатива по цифровизации шла именно так – от бизнес-целей к инструментам, то она вам сильно помогала в эпоху ковида и при более поздних событиях. А если всё было наоборот – покупка инструмента и последующая перестройка под него операционной модели, – то рентабельность бизнеса могла и упасть, поскольку резервы, на которых шла подгонка бизнес-модели под конкретную технологию, оказались исчерпанными в ходе усложнения макроэкономической ситуации.
Сложности трансформации процессов в эпоху «черных лебедей»
Почему же так сложно менять операционную модель работы компании несмотря на все разнообразие технологий, позволяющих снизить затраты на перестройку процессов? Это происходит, потому что изменение макроэкономической обстановки, по сути, не меняет сами процессы. Могут измениться нюансы, добавиться некоторые шаги, эти шаги можно быстро роботизировать или автоматизировать, но сильного влияния на финансовые показатели компании эти изменения не окажут. Критическое звено – алгоритм принятия решений в ходе исполнения этих процессов. Такие решения зачастую принимаются сотрудниками среднего звена по многу раз за день, и от их эффективности зависит эффективность всей компании.
Изменилась ситуация в мире, и изменился алгоритм принятия этих решений. Все стало работать неэффективно. А точнее – полностью перешло на ручное управление/исполнение или встало, если возможность ручного управления была полностью исключена в ходе цифровизации. Казалось бы, BPM, low-code, RPA и еще множество технологий должны помочь мгновенно адаптироваться, однако часто этого не происходит или не дает ожидаемого эффекта: перед тем, как автоматизировать новый подход, его нужно описать и проанализировать, а это занимает значительное время. Нельзя сказать, что ситуация становится критической, так как живой человек всегда найдет способ обойти ограничения информационной системы и решить задачу, но ведь цель автоматизации – постараться максимально поддержать бизнес, не так ли?
Если раньше мы могли опросить сотрудника и перенести ход его размышлений в алгоритм, то в эпоху перемен у него в голове еще просто не сформировалось оптимальной последовательности действий. И весь набор перечисленных выше механизмов перестает работать. Это относится в том числе к ИИ и машинному обучению: те данные, на которых модели обучались в прошлом, перестали быть актуальными, и нужно значительное, исчисляющееся месяцами время на накопление новых данных и последующее обучение. Более того – нет эталона, на действиях которого можно учиться, и это отсекает очень много алгоритмов ИИ. Но не все так плохо: в такой момент начинает работать другая технология, которую редко ассоциируют с операционной эффективностью компании.
Математическая оптимизация как способ адаптации к новым условиям
Это технология математической оптимизации. Термин сразу вызывает ассоциации с оптимизацией маршрутов движения автотранспорта, курьеров и т.п. Почему? Потому что именно там задача сильно варьируется изо дня в день, не существует однозначно правильного принципа поиска решения, очень часто логист принимает их интуитивно, но они оказываются экономически эффективными. Упрощенно математическая оптимизация – это альтернатива полному перебору всех возможных вариантов действий для сравнения результатов, к которым они привели. Как и в случае с машинным обучением, в математической оптимизации есть множество теоретических подходов и практических ограничений, но суть одна и та же – в условиях, когда мы заранее не знаем «как лучше», нужно попробовать все «что можно» и потом выбрать.
Это же принцип можно переносить на любой процесс принятия решения – планирование закупок категорийным менеджером, оптимизацию складского хранения, построение производственных планов от стратегического до сменных заданий или планирование использования человеческих ресурсов. Для математической оптимизации не нужно знания о «правильном» подходе к поиску решения, достаточно информации об ограничениях, которые следует учитывать в ходе поиска, и критериях сравнения. Поменялись ограничения – измени настройки математической модели, и все сразу работает. Изменились приоритеты (например, вместо «максимально быстро» стало актуально «максимально дешево») – измени настройки, и не нужно обучать ИИ работать по-новому, поскольку все сразу считается с учетом новых приоритетов.
Инструменты математической оптимизации — это не что-то новое, им уже несколько десятков лет. Просто в стабильной ситуации выигрыш по сравнению с алгоритмическим подходом «делай как опытные товарищи» был невысок относительно затрат на построение модели для поддержки принятия конкретных решений в конкретной организации. Оптимизация логистики «последней мили» стала популярна только потому, что она достаточно одинаково работает у многих компаний, и отсюда возникло шаблонное решение. Вендоры — IBM, Gurobi и другие — уже давно создали свои универсальные продукты, которые интегрируются в «тяжелые» учетные системы типа SAP или внедряются как сложная заказная разработка у очень крупных заказчиков.
Однако для того, чтобы технология нашла широкое применение, нужны платформы, содержащие библиотеку готовых моделей, адаптированных для решения определенной бизнес-задачи (таких как планирование производства или построение планов-графиков) и с возможностью гибкой настройки под специфику конкретного заказчика. Такие платформы можно найти уже и в реестре отечественного программного обеспечения. Точно так же, как продвижению ML сильно поспособствовали решения класса MLOps, превратившие «колдунство» аналитиков данных в понятные инструменты, пригодные для регулярного применения, новые платформы «демократизируют» алгоритмы математической оптимизации, делая их основой для поддержки принятия решения сотрудниками наравне с инструментами BI.
Решая задачи сохранения или повышения операционной эффективности бизнес-процессов компании, бизнесу и департаментам ИТ не следует начинать с кардинальной перестройки этих процессов. Создание у сотрудников возможности принимать более эффективные решения способно принести больший экономический эффект с меньшими рисками.