Программа great discovery что это

Discovery как сквозная методология развития продукта

В этой статье рассмотрим роль исследований и discovery-команды в новых условиях. Бонус: конце даём полезный фреймворк. Бесплатно.

920 просмотров

Перемены первого полугодия 2022 года затронули все клиентские сегменты: кто-то уехал из страны, кто-то потерял работу, для кого-то продукт стал неактуальным или недоступным. Изменения в стране и мире меняют пользовательские привычки. При этом годовые цели и KPI команд по большей части остались прежними.

По мнению эксперта ФРИИ по консалтингу продуктового процесса, экс-руководителя направления «Продуктовая акселерация ФРИИ» Дмитрия Губкина, два основных фактора сейчас влияют на бизнес:

• По пирамиде Маслоу ряд клиентских сегментов спустился на два этажа ниже в своих потребностях. Пользователи меняют свои приоритеты и если не обращать на это внимание, получаем низкие конверсии.
• Происходит пересборка диджитал-каналов. После того, как деятельность компании Мета в России признана экстремистской, исчезли каналы продвижения, которыми пользовался бизнес. Выстроить маркетинговые воронки и экономику на новых каналах большинству компаний не удается.

Дмитрий Губкин

Great Discover Virus Removal Guide in English | Study with B.A.S |Great Discover Uninstall Correctly

эксперт ФРИИ по консалтингу продуктового процесса, экс-руководитель направления «Продуктовая акселерация ФРИИ»

Эти два фактора сильно поменяли поведение клиентов. А значит надо срочно заново исследовать и переосмысливать путь пользователя. Даже у устойчивого бизнеса встает вопрос, соответствует ли теперь ценность продукта потребностям клиента. Это особенно актуально, если раньше команда никогда такую рефлексию не проводила.

Что изменилось в голове у клиента? Как изменились его приоритеты и ценности? С чем на самом деле конкурирует ваш продукт и какое место занимает на перестроившемся рынке?

Ответив на эти вопросы, можно понять, что происходит с конверсионной воронкой, как её менять, где искать новые лиды и каналы продаж.

Ответить на эти вопросы невозможно без регулярного процесса Discovery.

Discovery — процесс (исследовательско-аналитическая часть) для поиска точек роста в продукте. Наполнение бэклога гипотезами роста, проведение исследований, проверка гипотез.

Какие ещё задачи могут решить исследования:

• собрать данные для формулировки гипотез и проверить их;
• пересобрать и приоритизировать бэклог;
• определить, куда двигаться дальше;
• принимать решение о запуске продукта или внедрения фичи.

Таким образом, в бесконечной турбулентности, в которой мы находимся со времён ковида, все вернулись к этапу Discovery — исследования и аналитики клиентов, рынка и тестирования спроса. Discovery — это процесс поиска точек роста в продукте, наполнения бэклога смыслом, проверки гипотез, создания MVP, выпуска или перестройки продукта.

Этапы разработки продуктов и причём тут исследования

В последовательности этапов разработки продукта Discovery стоит сразу за поиском идей и формированием продуктового видения в корпорациях. Это значит, что в начале разработки продукта нужно сперва проводить исследования, и только потом приступать к созданию первой версии продукта и его запуску.

Great Discover Virus Removal Guide

Сначала корпорации ищут идеи, затем исследуют всё, что касается рынка, аудитории и гипотез потенциального продукта. Исследование «Акселератора ФРИИ», 2021

Чтобы понять, насколько это важно, достаточно сравнить стоимость исследований и потери от провалившегося продукта, когда вложено много сил и денег.

Если посмотреть шире, исследования — важная составляющая всего жизненного цикла продукта.

На каждом этапе разработки продукта есть предмет для исследования.

— Поиск идей. Нужно найти рыночные тенденции и потенциал, выделить проблему, которую решит будущий продукт.
Инструменты: глубинные интервью, этнографические исследования, фокус-группы, опросы, рассчет рынка (TAM, SAM, SOM), бизнес-моделирование.

— Формирование Product Vision. Нужны гипотезы продукта и ответ на вопрос «А лучшее ли это решение проблемы пользователя?».
Инструменты: Проблемное интервью, глубинные интервью, JTBD, решенческие интервью, прототипирование, ABCDX-сегментация, сегментация клиентов, бизнес-моделирование.

— Discovery. Проверка ключевых гипотез продуктовой идеи, первичное исследование клиентов и тестирование спроса.
Инструменты: проблемное интервью, JTBD, решенческие интервью, прототипирование, коридорные тестирования, A/B тестирования.

— Разработка MVP. Необходимо понять востребованность продукта, сравнить и выбрать продукт-партнёр.
Инструменты: HADI-циклы, ABCDX-сегментация, сегментация клиентов, работа по гипотезам и тестирование без разработки, приоритизация гипотез (ICE, RICE и пр.), бэклог, канвас ценностного предложения, SMART.

— Разработка пилота. Нужно протестировать качество продукта и проанализировать его эффективность, и ещё проверить гипотезы по улучшению метрик продукта.
Инструменты: HADI-циклы, Приоритизация гипотез (ICE, RICE и пр.), бэклог, SMART, JTBD.

— Масштабирование продукта. Нужно создать продуктовую стратегию, чтобы выделить продукт в отдельное бизнес-направление.
Инструменты: карта эмпатии, User Personas, Unit-экономика, Конкурентный анализ, расчет рынка (TAM, SAM, SOM), бизнес-моделирование, тестирование каналов привлечения.

— Закрытие продукта. На основе имеющихся данных о поведении пользователей, понять, на какой продукт дальше переводить аудиторию.
Инструменты: глубинные интервью, этнографические исследования, опросы, прототипирование, расчет рынка (TAM, SAM, SOM), бизнес-моделирование.

В спокойное время (хотя когда такое в последний раз было) discovery-команды находятся внутри продукта и помогают ему развиваться, но теперь работа продуктовых команд — это один сплошной процесс discovery, потому что только так можно обеспечить выживаемость и адаптивность продукта.

Изменилось поведение людей и их потребности → надо менять продукты → чтобы менять продукты, нужно выдвигать гипотезы → чтобы их искать и проверять, нужны исследования и определённые навыки → нет исследований → нет работающего продукта

И если раньше в команде процесс исследований был нерегулярным, были пробелы в компетенциях, не было ответственных за исследования, не собирали и не анализировали результаты, то теперь «чёрные лебеди» — недооценённые события с глобальными последствиями по Талебу — вскрывают слабые места, и вся работа команды рассыпается, а метрики продукта падают.

Из чего состоит Discovery:

1. Проверка ключевой продуктовой идеи, первичное исследование клиентов и тестирование спроса.

2. Детализация продуктовой идеи:

• Объем целевой идеи;
• Объем рынка;
• CAC;
• Стоимость реализации (самостоятельно, привлечение партнеров, покупка стартапа);
• Зависимости продукта и инфраструктуры или другими продуктами экосистемы.

3. План создания MVP:

• Бэклог;
• Метрики продукта и их влияние на бизнес-показатели;
• Целевой бизнес-процесс.

4. Подготовка и защита бюджета на создание MVP.

5. Согласование с IT/HR/безопасностью/закупками.

В компании продукты, процессы и люди тесно связаны между собой. Если где-то есть слабые места, то это непременно отражается на продуктах и бизнес-результатах.

Discovery-команда

В первую очередь важны навыки которые помогают проводить интервью и тесты, анализировать поступающую информацию, задавать нужные вопросы (в том числе и себе), видеть связи и принимать решения на основе данных.

CPO в телеком, финтехе и энтерпрайзах выделяют компетенции:

• Работа по гипотезам — формирование и их быстрая проверка;
• Приоритизации бэклога;
• Анализ клиентов, рынка и конкурентов;
• Умение сформулировать ценностное предложение продукта для клиентского сегмента.

Весь этот список компетенций завязан на исследованиях. Вы не сможете сформировать ценностное предложение без понимания пользователей и сравнения с конкурентами. Вы не сможете без работы с гипотезами и навыков приоритизации понять, что делать в первую очередь в продукте: исправлять баги или запиливать новые фичи; решить, какую именно фичу выкатывать сначала, а какую — дальше. Любой западающий навык или непонимание взаимосвязей отразится на метриках роста продукта, P

Провести количественные и качественные исследования аудитории, конкурентов;

Оценить рынок;

Детализировать идею и наполнить бэклог;

Определить затраты на создание, основные компоненты и метрики MVP.

Глобальная задача Discovery в уже существующем продукте — найти точки роста или принять решение о закрытии продукта. Исследования здесь нужны, чтобы наполнить бэклог новыми смыслами, найти новые пользовательские сегменты, переупаковать продукт, отследить возникающие тренды на рынке или убрать то, что уже не работает.

Артефакты в продуктовом подходе — это документально зафиксированные результаты деятельности продуктовой команды.

По артефактам вы можете отследить работу команды, синхронизировать участников разработки продукта, вернуться назад, если что-то нужно пересмотреть или сгенерить новые гипотезы. Артефакты помогают передвигаться от одного этапа к другому до получения бизнес-эффекта от продукта.

Артефакты Discovery:

• PRODUCT BOOK;
• Описаны клиентские профили и сегменты;
• Есть карта болей клиента, UVP-шаблон ценностного предложения;
• Результаты проблемных интервью, опросов, user personas;
• Составлены User story и CJM;
• Карта конкурентов;
• Построено дерево метрик продукта и влияние метрик на бизнес-показатели;
• Бэклог гипотез и результаты их проверки;
• Есть бюджет и план создания MVP;
• Детализированная продуктовая идея: есть концепция продукта с рассчитанным объёмом рынка и аудитории, стоимостью реализации, зависимостью продукта с экосистемой продуктов компании, оцифрованная воронка продаж, просчитанная Unit-экономика продукта;
• Протестированы воронки привлечения и воронка продукта;
• Для В2В-продуктов составлен SALES BOOK;
• Готово коммерческое предложение и One Pager.

Важно, чтобы команда осознавала нужность этих процедур и документов и пользовалась ими.

Команда должна понимать, что процесс Discovery позволяет оперативно направлять усилия на критически важные продукты, при этом не увольняя, а перераспределяя людей.

Только после сборки всех артефактов можно вооружиться данными и цифрами и идти защищать бюджеты на разработку, а затем согласовывать план с функциональными подразделениями.

Почему ничего не работает?

Принципиально важно чтобы в команде была выстроена взаимозависимая вертикаль:

1. В основании всего лежит понятный бизнес-эффект продукта (на что ориентирован этот продукт).
2. На этот бизнес-эффект настроены все цели и KPI команды. Если, например, бизнес-эффект продукта -— это выручка. То и цели команды тоже должны быть в выручке.
3. Метрики продукта. Тоже должны соотноситься с первыми пунктами.
4. Бэклог команды, который собирается на основе обратной связи от клиента и приоритизирован по ICE/RICE. Гипотезы, которые команда проверяет должны соотноситься со всеми уровнями вертикали.

Часто эти четыре уровня не синхронизированы и действия на одном этапе ведут к чему угодно, но не к следующему этапу и не к стратегической цели. Руководитель должен видеть, как гипотезы команды соотносятся со всеми другими «этажами» и отсекать те, которые ориентированы на что-то другое. Так получится не допустить ненужных действий.

Бонус вместо заключения

Чтобы было проще понимать связи между продуктом, KPI команды и внутренними процессами на любом этапе разработки продукта, команда «Акселератора ФРИИ» создала фреймворк «3P продуктовой трансформации».

Фреймворк базируется на схеме «Process, Products, People» и даёт готовую связку из критериев, артефактов, навыков сотрудников и метрик продуктов. А ещё помогает понять:

• Отсутствие каких артефактов мешает росту продуктов;
• Каких компетенций не хватает команде для роста метрик;
• Как перестроить оргструктуру, чтобы продуктовый офис приносил максимум пользы, а продукт — выручки.

Источник: vc.ru

Программа great discovery что это

1. Менеджер отвечает за конечный результат работы продукта, выраженный в целевых метриках, поэтому формально его можно отнести к обеим частям команды.
2. Аналитик отвечает за данные, которыми пользуется команда: как собираются данные, как хранятся, как визуализируются и как используются при принятии решений.
3. Дизайнер отвечает за внешнее представление продукта.

Из этого описания может показаться, что менеджер продукта, аналитик и дизайнер – это три разных экспертизы, которые никак между собой не пересекаются, но это не так. Команда построена так, что экспертиза и ответственность пересекаются. Предполагается, что менеджер продукта разбирается в аналитических задачах и визуализации. Никто не требует, чтобы менеджер мог заменить сильного аналитика или дизайнера, но понимать о чём идет речь и выстраивать свои аргументы с учётом знаний во всех областях крайне важно.

Поскольку зоны ответственности дизайнера и аналитика тоже «заползают» на зону ответственности менеджера, нужно быть готовым к тому, что вся команда будет подвергать сомнению решения, и их нужно будет отстаивать с аргументами.

У каждого из специалистов есть поддержка в виде инструментов, процессов и накопленных знаний в его вертикали. Для менеджеров продукта – это продуктовое комьюнити, в котором происходит кросс-опыление идеями, и процесс продуктовых защит, во время которого менеджер защищает продуктовое видение и стратегию пред руководством. Для аналитика – это система а/б-тестирования, которая позволяет запускать сложные тесты и отслеживать большой набор метрик без существенных временных затрат. Для дизайнера – это UX-лаборатория, которая помогает в организации и проведении качественных тестов новых интерфейсов.

Подобная схема организации команды ведет к тому, что компания оптимизирует качество проработки решений за счет снижения скорости дискавери и более высокой когнитивной и коммуникативной нагрузки для всех участников. Команда больше времени тратит на обсуждение, участникам сложнее аргументировать свою позицию, но в итоге получается продукт более высокого качества.

Продуктовые требования

Зачем нужно усложнять жизнь сотрудникам компании и замедлять процесс определения продуктовых требований? Технологические компании стремятся запускать и развивать продукты, которые удовлетворяют одновременно трем критериям:

1. Ценность для пользователя.
2. Легкость использования продукта.
3. Реализуемость

Менеджер продукта управляет дискавери-командой, чтобы достичь всех трёх критериев одновременно. Даже отсутствие одного из них приводит к тому, что запуск продукта будет бессмысленным: им либо не захотят пользоваться, либо не смогут, либо он просто не будет запущен.

Ценность для пользователя определяется за счёт серии качественных и количественных исследований, которые направлены на поиск потенциальных проблем, которые может решить продукт. В процессе исследований необходимо понять, какая группа людей встречается с проблемой и насколько эта группа большая. Её размер определит потенциальный рынок для будущего продукта. Если группа очень маленькая, то продукту некуда будет расти, и даже теоретически его не получится масштабировать.

После определения размеров группы нужно понять, насколько важна проблема, которую продукт будет решать, и как люди разбираются с ней сейчас. Если проблема не очень важна, или есть устойчивый и недорогой способ её решения, то новому продукту будет сложно привлекать пользователей. В этап анализа проблемы равномерно вовлекаются все участники команды.

После определения проблемы начинается подготовка решения и проверка его на легкость использования. Главную роль здесь играют дизайнер и менеджер продукта. Серия качественных тестов, от описания идеи через прототипы к финальному дизайну, позволяют снизить риск того, что люди не поймут как пользоваться продуктом. Внимание к деталям на этом этапе позволяет существенно сэкономить время и деньги на разработку неудобных решений, которые позже придётся переделывать.

В процессе тестов и подготовки решения дискавери-команда начинает активно взаимодействовать с деливери, особенно с ключевыми инженерами, отвечающими за архитектуру будущего продукта. Уже на этом этапе можно проверить реализуемость решения, найти более простые пути и изменить дизайн и набор фичей, чтобы обеспечить реализуемость.

Управление дискавери-командой сфокусировано на том, чтобы проверять максимальное количество гипотез наиболее быстрым и эффективным способом. Большая часть идей отсеивается на этапе анализа проблем и первых подходах к решению, за счет чего до дорогостоящей разработки доходят более жизнеспособные решения.

Материалы по теме

• ‍ Кто такой продакт-менеджер, что он делает и как им стать?
• В чем разница между UI и UX. Детальное сравнение
• ️ Путь в профессию: интервью с бизнес-аналитиками
• Системный и бизнес-аналитик: пошаговый гайд к востребованной профессии
• ‍ Молодая профессия: все о бизнес-аналитике

Источник: proglib.io

Как автоматический анализ данных упрощает работу юриста

Существуют целые отрасли — и немаленькие, — о которых знают только специалисты. Рынок e-discovery относится именно к этой категории. Его объём составляет миллиарды долларов и продолжает расти. За дольку этого пирога конкурируют десятки ИТ-корпораций, включая таких гигантов, как Symantec, HP и IBM. Но что вы можете о нём сказать?

Между тем многие компании вряд ли смогли бы нормально функционировать, если бы не современные программные решения для e-discovery. Возьмём, к примеру, случай Transatlantic Reinsurance Company — одного из крупнейших американских перестраховщиков.

Перестраховочные компании принимают на себя часть риска других страховщиков, которую те не могут нести самостоятельно. Деятельность подобного рода жёстко регулируется государством. На практике это означает огромную нагрузку на юристов перестраховщика, которые то и дело должны прочёсывать архивы компании, выполняя запросы регулирующих органов или юрисконсульта и руководства.

Архивы в данном случае — давно не шкафы и пыльные папки. Речь идёт об электронных документах, и это, как ни странно, только усложняет работу. Дело в том, что электронные документы плодятся куда быстрее бумажных. Крупным компаниям зачастую приходится хранить всю электронную переписку между сотрудниками и всевозможные базы данных, связанные с их деятельностью.

Получается, что обработка поступившего запроса выливается в необходимость перебрать сотни тысяч документов. А поскольку в таких вопросах точность превыше всего, изрядную часть работы приходится делать вручную.

Именно этот трудоёмкий процесс обозначают термином e-discovery. Как правило, поиск нужных документов происходит в несколько этапов. Сначала — первичный отбор по ключевым словам (с ним машины справляются без труда). Затем отобранные документы ещё раз фильтруются при помощи различных программных средств. В конце каждый документ, так и не отфильтрованный машиной, просматривает человек.

Первичным отбором и фильтрацией документов в Transatlantic Reinsurance Company занимался заместитель главного юрисконсульта Эдвард Келли. Поиск по ключевым словам, как правило, требовал от одного до трёх рабочих дней (если нужные архивы хранились на ленточных накопителях, этот срок возрастал как минимум на неделю). Затем юридический отдел в течение нескольких недель вручную обрабатывал найденные документы. Информация, обнаруженная на этой стадии, нередко вынуждала расширить список ключевых слов. Это отодвигало завершение работы ещё на несколько дней.

Всё бы ничего, если бы сложность e-discovery сохранялась на стабильном уровне. Это, увы, не так: за минувшие двадцать лет количество документов, которые приходится просеивать юристам крупных компаний, выросло на несколько порядков. Если в начале девяностых даже запросы на несколько тысяч документов были исключительным событием, то теперь и миллионы не редкость. А в скором будущем к текстовым документам добавятся аудиовизуальные записи. Они плохо поддаются автоматической фильтрации, и это определённо не упростит дело.

Впрочем, даже обычный текст — это не так уж просто. Классические программные решения e-discovery не способны даже проранжировать документы в порядке уменьшения релевантности, как это делают поисковые системы в интернете. По статистике, 85% найденных ими документов не нужны, но чтобы определить их конкретно, юристы должны просмотреть их все и вынести свой вердикт.

Анализ документов вручную — это самая долгая и дорогостоящая часть e-discovery. Согласно исследованию Rand Corporation, средняя стоимость изучения гигабайта документов составляет $18 тыс. Необходимость более тщательного анализа значительно повышает цену. В одном из случаев, рассмотренных Rand Corporation, обработка каждого гигабайта обходилась в $358 тыс.

Громкая судебная тяжба между Samsung и Apple наглядно иллюстрирует, насколько дорогим может быть e-discovery. Когда поступило предложение поднять электронную переписку руководства Samsung, адвокаты корейской компании отпирались, утверждая, что на обработку такого запроса потребуются миллионы долларов. Его всё же пришлось выполнить, и это обошлось Samsung ещё дороже: изучение найденных документов убедило суд в правоте Apple.

Это не первый судебный процесс, исход которого в значительной степени зависел от e-discovery. Главными уликами, подкрепляющими антимонопольные обвинения в адрес Microsoft, были электронные письма Билла Гейтса и других руководителей компании. Расследование деятельности обанкротившейся энергетической компании Enron также держалось на изучении переписки её менеджеров.

Учитывая, какие деньги крутятся на мировом рынке e-discovery, вряд ли стоит удивляться интересу, который проявляют к нему ИТ-компании. Бурное развитие технологий машинного обучения, делающих возможной автоматическую классификацию документов, только подхлестнуло конкуренцию между ними. Аналитики Gartner прогнозируют, что к 2017 году объём этого рынка удвоится по сравнению с уровнем 2012-го.

Специалисты искали методы снизить нагрузку на юристов и до того, как словосочетание «машинное обучение» вошло в моду. В 2008 году исследовательский центр Symantec опубликовал работу под названием «Уменьшение расходов на e-discovery посредством фильтрации включённых электронных писем». Предложенный в ней метод уменьшал количество рассматриваемых писем на 20% и одновременно объединял их по смыслу для более удобного и быстрого просмотра.

Метод основан на известном факте: при ответе на электронное письмо принято цитировать его текст. В результате один и тот же фрагмент текста может оказаться включён в десятки писем. Если переписка достанется юристу, ему придётся просмотреть их все, даже если нужное ключевое слово было только в первом, а остальные просто цитировали его.

Избавиться от цитат, не потеряв при этом лишнего, не так-то просто. Метод выстраивания цепочек писем, применяемый почтовыми клиентами, недостаточно надёжен. Авторы работы предложили выявлять цитаты путём сравнения текста. Это сопряжено с другими сложностями: не всякий совпадающий текст представляет собой цитату. Например, абзац, состоящий из единственного слова «да», может встречаться в письмах, которые никак не связаны между собой.

Разработанный в Symantec Research Lab алгоритм использует вероятностную структуру данных под названием «фильтр Блума», для того чтобы проверять наличие абзацев в тексте и затем сравнивать письма между собой. Фильтр Блума гарантирует отсутствие ложных срабатываний: если в множестве есть элемент, он всегда подтвердит это (обратное, впрочем, неверно). Эта особенность очень важна именно для такого применения. Попутно алгоритм отфильтровывал повторяющиеся подписи, приветствия и прочий словесный мусор.

Идея не пропала даром: сейчас аналогичная функциональность встроена в Symantec eDiscovery Platform — решение Symantec для e-discovery. Оно объединяет собственные наработки Symantec — технологии компании Clearwell, которая влилась в Symantec в 2011 году, — и возможности приложения Symantec Enterprise Vault, предназначенного для управления корпоративными почтовыми и файловыми архивами. Именно его решили внедрить в Transatlantic Reinsurance Company, чтобы справиться с растущей нагрузкой на юристов.

Но самая интересная технология, которую поддерживает Symantec eDiscovery Platform, появилась совсем недавно и называется предиктивным кодированием. Она позволяет обучать компьютер различать документы по содержанию. Для этого пользователь вручную делит часть документов по категориям. Специальный алгоритм анализирует действия пользователя и пытается классифицировать другие документы самостоятельно. Пользователь поправляет допущенные машиной ошибки — и так до тех пор, пока точность не становится достаточной для практического применения.

Согласно одному из исследований, предиктивное кодирование позволяет на 80% уменьшить время, необходимое для изучения документов. Это значит, что расходы на e-discovery могут быть сокращены более чем вдвое.

Эдвард Келли из Transatlantic Reinsurance Company описывает выгоду с адвокатским красноречием: «Между анализом документов вручную и с помощью Clearwell лежит пропасть. Разница почти такая же, как между приготовлением обеда в микроволновке и на огне, разведённом при помощи трения палочек друг о друга».

Источник: www.computerra.ru

Все о Process Mining от ProcessMi

Все о технологии Process Mining — кейсы, термины, решения и аналитика. Российский и зарубежный опыт от группы экспертов ProcessMi

Обзор Process Discovery. Новое слово в аналитике?

Самая большая проблема внутренних процессов в компании в том, что их не знают. Руководство компаний понимает, как выглядят бизнес-процессы “в идеале”, но не в курсе их фактического протекания. Из-за недостатка знаний управленцы могут принимать неоптимальные решения, связанные с автоматизацией процессов, роботизацией определенных этапов.

Для разрешения подобного рода проблем применяют технологии анализа внутренних бизнес-процессов компании. Они позволяют увидеть протекание процесса “здесь и сейчас”, благодаря чему управленческий состав узнает реальное положение дел, видит “узкие места” в собственных процессах и может принимать решения, основанные на фактах, а не на гипотезах или домыслах. И особое место среди подобных инструментов занимает process discovery.

Что такое process discovery?

Process discovery – это набор различных методов и инструментов, позволяющих узнать, как выполняется тот или иной процесс в компании на самом деле. Если владелец процесса уверен, что выдача кредитных карт осуществляется за 25 минут, не исключено, что он может длиться и 40 минут, и час. Знание таких деталей помогает четко увидеть различные отклонения от регламента, выявить проблемы и выбрать области для дальнейшей оптимизации.

Суть технологии

Компании могут извлекать выгоду для себя, используя данные из логов и получая из них нужную информацию. С помощью причинно-следственного анализа (cause-and-effect analysis) они могут связывать различные события для создания моделей процессов, включая их отклонения.

Process discovery состоит из следующих этапов:

• Extract data – извлечение данных;
• Process and map events – анализ полученной информации и формирование карты процесса. Как правило, уже на этом этапе становятся очевидны различные отклонения от регламентированной модели;
• Combine events to create “as-is” processes – все сгенерированные модели объединяются, после чего формируется общая карта процесса с различными подпроцессами, где отображены “кто-где-как-когда”.

Отдельный нюанс: связь process mining и process discovery. По факту, второе – это подвид процессной аналитики. Большинство программных продуктов такого класса включают в себя возможности проведения process discovery.

Бизнес масштабируется, а процессы усложняются: компании стремятся выделиться и обогнать соперников в конкурентной борьбе. Все это приводит к тому, что даже самые отлаженные схемы могут рухнуть.

Особенности Process Discovery

Среди наиболее значительных плюсов внедрения подобной технологии в компаниях можно выделить:

Узнавая о том, как процесс проходит на самом деле, компании находят уязвимые места и нивелируют их. Это дает возможность сокращать ненужные затраты, находить временные и человеческие резервы.

Vaisala, крупный финский производитель товаров и услуг для экологических и промышленных измерений, использовал одно из решений класса process mining для визуализации внутренних процессов и выявления отклонений в своих операционных процессах. Акцент был сделан на продажи, техническую поддержку и ремонтные работы. Вендор утверждает, что из-за того, что компания смогла увидеть текущее положение дел и изучила процессы, ей удалось оптимизировать затраты на ремонт и сократить эксплуатационные расходы.

Согласно ежегодному опросу Deloitte, в 2020 году 53% компаний начали внедрять ту или иную форму RPA. К 2022 году этот показатель вырастет до 72%. Учитывая растущий интерес к роботизации, бизнес должен понимать, что почти половина проектов RPA терпят неудачу. Чтобы знать, куда именно рационально внедрять технологии, нужно понимать, где и что можно совершенствовать.

Источник: processmi.com