Данные вместо интуиции: как построить объективный учет на всех уровнях для принятия управленческих решений
Исполнительный директор ALP Group Александр Казеннов рассказывает, как подойти к этому процессу, и объясняет, почему автоматизацию нужно проводить поэтапно, а внедрение искусственного интеллекта без грамотного управления большими данными приведет к убыткам.
Принятие решений на основе данных (data-driven decision-making) — это подход, при котором бизнес использует объективные, проверенные данные для анализа и обоснования своих стратегий. При этом важно учитывать как внутренние данные компании, так и те, которые диктует нам внешний рынок и другие факторы.
Например, санкционные ограничения, работа конкурентов, мнения ведущих аналитиков о будущих кризисах и траектории развития технологий. Опираясь на эти прогнозы, компания может лучше понимать, в каком направлении развивать свой бизнес, учитывая тенденции отрасли, а также закладывать в цифровую стратегию модели «черных лебедей».
Американская консалтинговая компания NewVantage Partners недавно сообщила, что, согласно ее опросу, 98,6% руководителей стремится к бизнес-модели, основанной на данных, в то время как только 32,4% сообщают об успехе внедрения автоматизированных процессов их обработки.
Как правило, проблемой становятся некачественные данные, плохо работающая система управления ими, а также неправильная последовательность автоматизации. Чтобы автоматизированная система принятия решений работала, компании необходимо выполнять комплексную автоматизацию поэтапно.
Автоматизированная система управления предприятием
Начать процесс автоматизации стоит с систем самого низкого уровня — АСУП (автоматизированная система управления предприятием) — то есть программного комплекса, который осуществляет контроль за производством и оптимизирует ресурсы.
Разновидностью такой системы является АСУ ТП (автоматизированная система управления технологическим процессом). Она управляет различными оборудованием и передает поверенные данные в корпоративную учетную систему. В зависимости от особенностей вашего производства, данные могут быть разными: температура, давление, скорость и т. д.
Здесь важно использовать то оборудование и тот софт, которые периодически проходят поверку, — это даст большую гарантию качественных данных, нежели ручной ввод кем-либо из специалистов.
Оперативный учет и схема контроля данных
Затем собранные данные поднимаются на уровень оперативного учета: коммерческий учет, закупки, логистика, продажи, ценообразование, маркетинг — все, что связано с оперативной бизнес-деятельностью компании. На этом этапе критически значима надежная схема контроля данных, которая поможет не допустить искажений.
Например, если компания торгует топливом, для нее важно, чтобы плотность нефтепродуктов не выходила за пределы заданного диапазона, а температура их перевозки коррелировала с температурой окружающей среды. Без четкой выверки данных на этом этапе ошибки непременно всплывут на следующих уровнях учета, и их исправление потребует временных и финансовых ресурсов.
Бухгалтерский, налоговый и управленческий учет
Построив контур оперативного учета, мы переходим на контур бухгалтерского и налогового учета. Здесь же формируется отчетность по РСБУ (российские стандарты бухгалтерского учета) и МСФО (международные стандарты финансовой отчетности), что значительно экономит временные ресурсы. Только после этого этапа все данные передаются дальше — в систему учета управленческого.
Таким образом, стандартная цепочка получения данных для анализа деятельности и формирования отчетов для собственников и регуляторов состоит из сбора этих данных, разработки системы их контроля и последовательного построения контуров оперативного, бухгалтерского и налогового учета. Но даже это не высший пилотаж возможной автоматизации.
Системы аналитики класса process mining
Чтобы прийти к автоматизированному принятию решений, компания должна выйти на уровень систем аналитики класса process mining, которые помогают досконально оценивать эффективность всех операций бизнеса. Тут важно, чтобы предыдущие уровни учета были настроены безупречно, иначе аналитические системы не будут работать эффективно. Зато при грамотной настройке их возможности относительно безграничны.
Например, на основе информации обо всех расходах компании система может формировать цену выбытия товаров с необходимой долей прибыли. Выполнить эту задачу на уровне систем оперативного учета невозможно, потому что в них содержится только информация о закупке и транспортировке продукта, но нет косвенных расходов, таких как недвижимые активы, обслуживание приборов и материалов, стоимость работы сотрудников, роботизация или проведение корпоративных мероприятий.
Для сборки «конечного ценника» продажи товара в системе оперативного учета нам придется аккумулировать все косвенные расходы в системах вышестоящего уровня и добавлять их в виде определенного коэффициента в расчетную формулу или же строить систему прогнозирования цены, которая возьмет все объективные факторы, заложит еще и потенциальное изменение ключевой ставки, и исходя из этого рассчитает цену и поместит ее в систему оперативного учета.
Для того чтобы принимать такие решения, компании нужна система сбора больших данных. Как правило, разработчики строят озера данных, и уже на основании этих озер формируют цены и прогнозируют будущее.
А чтобы прогнозы по рынку также формировались по щелчку пальца, можно шагнуть еще дальше и внедрить предиктивную систему планирования, в том числе в связке с передовыми библиотеками машинного обучения. Вот это уже — высший пилотаж.
Возможности использования данных для автоматических процессов не ограничиваются расчетом цены. Например, для строительных компаний будут актуальны CAD (Computer-Aided Design) — это системы автоматизированного проектирования, которые используются для создания, редактирования и анализа цифровых моделей, чертежей и схем. Они позволяют инженерам, дизайнерам и архитекторам разрабатывать изделия, конструкции и механизмы.
Согласно опросу, проведенному BARC research, компании, которые используют большие данные, увеличили прибыль на 8% и сократили расходы на 10%. Кроме того, 69% респондентов отметили, что мониторинг данных позволил им принимать более эффективные стратегические решения.
Из реальных примеров можно вспомнить компанию Starbucks, которая с 2008 года использует демографические данные, чтобы определять, в каких местах открывать новые кофейни. Это позволяет оценить вероятность успеха на конкретной локации и не инвестировать ресурсы в заведомо невыгодные проекты.
Таким образом, система объективного учета — важный шаг для компаний, которые стремятся к устойчивому развитию и хотят выделяться на фоне конкурентов. Такие инструменты, как системы аналитики, прогнозирования и автоматизированного проектирования, позволяют бизнесу минимизировать ошибки, повысить эффективность и сформировать объективную картину будущего.
Однако внедрение подобных систем требует комплексного подхода: от сбора и контроля данных до использования передовых аналитических решений и прогнозных моделей.
Читать в СМИ