Согласно данным исследования, «промышленный» охват технологией Process Mining приходит на смену пилотным проектам. Однако масштабирование процессной аналитики на всю компанию сопряжено с системными рисками и вызовами. Без их понимания эффекты внедрения PM могут оказаться фрагментарными или краткосрочными. Ниже – наиболее распространённые барьеры и практики их преодоления.
1. Качество данных
Ключевой проблемой проектов внедрения Process Mining является качество и доступность данных. ИТ-ландшафты, состоящие из устаревших информационных систем, «разрывы» между фактическим выполнением процессов и операций с регламентами приводят к тому, что журналы событий остаются неполными.
Среди типовых проблем:
— отсутствие обязательных атрибутов (пользователь, временная метка, тип операции);
— расхождение логики процесса в различных системах;
— неполные или дублированные записи;
— несовпадение моделей данных в разных ERP/CRM-системах.
Некорректные или фрагментированные данные искажают процессную модель: система фиксирует будто бы правильное выполнение, хотя на практике процесс идёт иначе. Это формирует ложную картину и не позволяет оценить реальные «узкие места».
Практики решения:
— формирование центра компетенций по качеству данных и доменным владельцам;
— внедрение ETL/ELT-инструментов и DataOps-подходов, обеспечивающих очистку, унификацию и автоматическую валидацию данных;
— применение AI-детекции аномалий для выявления разрывов в логах;
— регулярные аудит-сессии данных перед масштабированием Process Mining на новые процессы.
Таким образом, сквозная прозрачность данных становится одним из главных итогов внедрения процессной аналитики.
2. Сложность систем
ERP-системы, такие как SAP, 1С или Oracle, отражают сложную, фрагментированную реальность, сформированную годами кастомизаций. В результате даже один процесс, например, «Покупка-Оплата», может быть распределён по нескольким контурам, с разной структурой данных и логикой обработки документов.
Типовые сложности:
— модульность ERP-систем;
— несогласованность статусов документов в подсистемах;
— сложность выгрузки событий из кастомизированных решений;
— необходимость ручного согласования логики операций.
Практики решения:
— внедрение стандартизированных моделей событий;
— использование универсальных коннекторов, автоматически собирающих события из разных источников;
— унификация статусов и иерархического справочника процессов и операций;
— построение сквозных моделей, объединяющих данные из ERP, CRM и внешних систем обработки.
3. Управление изменениями
Process Mining затрагивает фундаментальные аспекты корпоративного управления: прозрачность операций, дисциплину исполнения, трудоёмкость процедур. Логично, что сотрудники могут воспринимать технологию как инструмент контроля или угрозу привычному порядку работы. Дополнительно усугубляет ситуацию дефицит кадров: на рынке не хватает специалистов, способных интерпретировать процессные модели и связывать их с бизнес-целями.
Типовые реакции сотрудников:
— недоверие к корректности данных;
— страх, что технология выявит ошибки;
— ощущение возможного перераспределения функций или сокращения;
— низкое понимание аналитического инструментария.
Практики решения:
— внедрение полноценной программы менеджмента изменений;
— объяснение сотрудникам, что Process Mining – инструмент улучшения, а не контроля;
— регулярные обучающие сессии по интерпретации процессных моделей;
— вовлечение владельцев процессов в анализ результатов;
— демонстрация быстрых эффектов – например, сокращение времени обработки заказов, снижение числа повторных операций, устранение ручных действий.
4. Измерение ROI
Даже при наличии общих улучшений компании часто не могут зафиксировать конкретный экономический эффект. Причины: отсутствие единых метрик, разрозненные инициативы, отсутствие связки с бизнес-целями.
Проекты Process Mining дают устойчивые результаты лишь тогда, когда компании могут чётко ответить на следующие вопросы:
— какие процессы мы оптимизируем;
— каких эффектов ожидаем;
— какая динамика изменений считается нормой;
— как будут измеряться эффекты.
Практики решения:
— формирование KPI, привязанных к стратегическим целям: снижение операционных затрат, повышение качества обслуживания, сокращение цикла выполнения операций;
— фиксация базовых значений метрик до запуска проекта;
— использование аналитических дашбордов с показателями до/после;
— регулярные отчёты для ТОП-менеджмента, формулирующие не только достигнутые, но и потенциальные эффекты.
5. Безопасность, конфиденциальность данных и соблюдение регуляторных требований
Process Mining работает с журналами событий, которые могут содержать персональные данные, коммерчески значимую информацию или сведения, подпадающие под отраслевую регуляцию. На фоне роста требований к безопасности и ужесточения норм работы с данными ошибки могут стать критическими.
Основные риски:
— неконтролируемое копирование данных в аналитические репозитории;
— доступ аналитиков к лишним атрибутам;
— хранение данных без надлежащих методов маскировки;
— несоответствие внутренним политикам ИБ.
Практики решения:
— маскирование, псевдонимизация и удаление избыточных атрибутов;
— аудит логов доступа;
— шифрование данных на уровне хранилища;
— документирование методов работы с данными и прозрачная политика их использования.