Текст книги "Оптимизируй это немедленно! Как, используя современные IT-инструменты, сократить издержки и обойти конкурентов"

Глава 12. Не все, что можно автоматизировать, должно быть автоматизировано

Противоречит шестой главе, не так ли? Однако за всем должна стоять экономическая эффективность: если автоматизация процесса требует больше вложений и, главное, затрат на сопровождение – автоматизация теряет смысл, а иногда работа человеческого мозга гораздо эффективнее самой навороченной системы.

Кейс 9. Компания по производству мебели

Производство мебели – одно из самых простых дискретных производств: небольшой уровень вложенности спецификаций, всего 5–8 производственных переделов – в общем, ничего сложного. Что может пойти не так?

Производство полуфабриката – столешниц, боковин, ножек, распорок – начинается с распила, как и многое в нашей жизни. То есть распиловщик берет материал, например плиту из спрессованной стружки – МДФ, и начинает его раскрой. Потом раскрой поступает в цех, где в нем сверлят отверстия, фрезой скругляют углы или делают плавный контур, присаживают кромку, покрывают лаком, собирают комплект и упаковывают.

После анализа оборачиваемости запасов выяснилось, что четыре огромных склада забиты полуфабрикатами, которые невозможно продать, – за несколько лет, пока они там копились, сменилось несколько серий мебели. Когда же со склада КамАЗами стали вывозить передние панели выдвижных ящиков для тумб, руководители задумались: «Как же так получилось?» Оказалось, что распиловщикам платят по факту выполнения работы – «за ход пилы». Вот они и пилили все в мелкий мак, получая премиальные. А что дальше будет с этими ящиками – их не интересовало. Но дальше заготовки поступали в цех, где в них сверлили отверстия, присаживали кромку, покрывали лаком и отправляли на склад полуфабрикатов.

После подсчета убытков распиловщикам решили не доверять старт производственного заказа. Планировалось поставить систему с камерами, которые бы оценивали внешний вид МДФ или древесно-стружечной плиты (ДСП) и пытались построить оптимальный раскрой из того, что заявлено в производственном заказе, обходя при этом дефекты и царапины, и предложить его распиловщикам. Внедрение этой системы заняло бы много времени и стоило бы дорого с точки зрения приобретения и обслуживания, а в результате все равно бы сбоила – система что-то могла пропустить. Я предложил более элегантный вариант – поменять мотивацию. В итоге 100 % оплаты распиловщики получали за старт тех заказов, которые стоят в производственном плане на 3 дня, 75 % – на неделю, 50 % – в месячном плане и 0 % – если заказ не входит в производственный план. А если заказа нет в плане, то это не просто не оплачивается и трактуется как отходы, но и негативно влияет еще на один показатель – коэффициент полезного использования материала.

Не знаю, как с этим бы справилась связка навороченных систем по машинному зрению и оптимизации раскроя, но мастера стали выступать отнюдь не хуже. Ох как они рыли график производственных заказов, пытаясь использовать каждый кусочек!

В результате в производство уходило только то, что было востребовано, а коэффициент полезного использования материала поднялся выше 87 % – невиданный до тех пор показатель. Таким образом родилось простое правило: если автоматизация дорога в разработке и обслуживании, то, вероятно, будет дешевле предоставить сотруднику четкий план действий и изменить его мотивацию, чтобы он компенсировался только в соответствии с выполнением должностных инструкций. Поверьте, это может дать лучший результат, чем сложная автоматизация подобных нечетких процессов. Эта идея стала основой для компаний нового типа – компаний, управляемых на основе данных (Data-Driven Company). Возможно, вам не нужно продумывать все до мелочей, а стоит снабдить ваших сотрудников необходимым инструментом и возможностью самостоятельно принимать ряд решений, и это сможет повысить эффективность труда и скорость принятия решений. К тому же, как мы и говорили в начале книги, это позволит сократить вертикаль власти – не нужен лишний надсмотрщик, если сотрудник ориентируется на четко поставленные показатели, на которые может повлиять и за достижение которых отвечает.

Итоги. Часть I

1. Если ваша компания что-то производит или тем более продаёт – начните с малого: станьте «тайным покупателем». Как ни странно, мало руководителей обращают на это внимание. Зайдите на сайт, сравните с коллегами по рынку, оставьте заявку, посмотрите на скорость реакции. Пообщайтесь с вашим отделом продаж, оцените качество обслуживания.

2. Попробуйте дозвониться до службы поддержки или отправить претензию. Это очень хорошая проверка: посмотреть, как ваша компания работает с недовольными заказчиками. Разумеется, есть покупатели, с которыми лучше расстаться. Однако вы всегда должны выслушивать ваших заказчиков. Если он, например, говорит, что не получил денег за возврат, а ваш сотрудник уверяет, что это не наша проблема, деньги в банк ушли, – поверьте, это все-таки ваша проблема! Как минимум человек больше у вас ничего не закажет, как и члены его семьи. А может распространить негативный отзыв: один довольный клиент может привести трех новых, а один недовольный – увести десять лояльных.

3. Выяснилось, что иногда руководители не представляют, что с их компанией невозможно связаться. Я не говорю про тот случай, когда Минкомсвязи России пришлось завести в заблокированном на тот момент Telegram канал для связи с россиянами, оказавшимися за границей[17]17
  РБК: Министр связи пообщался с застрявшими на Пхукете россиянами в Telegram. https://www.rbc.ru/rbcfreenews/5e8f55469a79474c7d6d8f63


[Закрыть]. Даже аудит страховых компаний в 2020 году показал, что большинство из них упрямо игнорирует современные каналы коммуникации, такие как мессенджеры и социальные сети[18]18
  CNews: Аналитики TWIN исследовали каналы коммуникаций в российских страховых компаниях. https://www.cnews.ru/news/line/2021-01-18_analitiki_twin_issledovali


[Закрыть]. А предоставлять страховку выезжающим за рубеж без возможности обращения по WhatsApp, Viber или Telegram, только по телефону – это верный проигрыш.

4. Проведите аудит процессов в вашей компании. Можете начать с одного небольшого отдела, например отдела по работе с VIP-заказчиками или интернет-торговли. Помните, отдел продаж и интернет-магазин – это витрина компании.

5. Убедитесь, что у всех сотрудников четко прописаны должностные инструкции.

6. Посмотрите, какие из рабочих обязанностей можно автоматизировать, чтобы исключить человека из процесса. Особое внимание обратите на выполнение ручных операций и ввод данных. Даже адрес сейчас можно не вводить, а выбирать из стандартизированного списка, а контрагента – автоматически выбирать и заводить из специализированных систем электронного документооборота по идентификационному номеру налогоплательщика (ИНН).

7. Попросите сотрудников привести примеры рутинных операций, которые приходится выполнять ежедневно. Подумайте, можно ли их автоматизировать.

8. Обратите внимание на взаимодействие между отделами: от чего зависит исполнение той или иной производственной операции, можно ли самостоятельно ее выполнить сотруднику или автоматически получить данные или разрешение, не запрашивая смежные отделы.

9. Попросите привести примеры нестандартных бизнес-процессов: что, по мнению рядового исполнителя или менеджера среднего звена, можно улучшить, чтобы ускорить прохождение процесса. Дайте им пару-тройку примеров, обязательно поощрите ответы и постарайтесь решить выявленную проблему. Кстати, это может дать очень важный сигнал к началу оптимизации: если руководство компании настолько заинтересовано в повышении эффективности, что готово начать с линейного отдела, то руководство других отделов само начнет выявлять узкие места, не дожидаясь, пока им на это укажет топ-менеджмент.

10. Убедитесь, что у сотрудников есть показатели деятельности и они могут влиять на их достижение. Особенное внимание обратите на то, что сотрудники понимают, как считаются данные показатели, они уверены в том, что могут на них влиять и что выполнение данных показателей положительно сказывается на их зарплате.

Выполнение данных пунктов даст хороший фундамент для начала преобразований.

Часть II
Управление компанией на основе данных

Глава 13. Мода и ажиотаж

Вокруг нас всегда полно новых идей и течений. Вдруг все заговорили про «облака», Big Data, блокчейн, искусственный интеллект… Какое из решений действительно помогает? Кому верить? Что принесет пользу компании? Здесь очень важно, с одной стороны, не упустить действительно интересное решение, которое позволит вашей компании вырваться вперед, используя современные технологии, а с другой – не стать подопытным кроликом, на котором будет обкатываться новая технология с сомнительным результатом. Или не обольститься красивыми слайдами и сравнениями, обещаниями «у нас все есть!». А при внедрении оказывается – не технология, а трухлявый пень: на картинке и в описании продукта все есть, на деле – ткнешь пальцем и провалишься в заглушку, или заявленная функциональность оказывается лишь формальностью и требует очень детальной доработки, что может обернуться неделями разработки и задержкой проекта. Или доверить выбор решения любителю «золотого молотка», который считает, что проверенная технология или стек решений одного вендора подходит для решения любых задач. Да, зачастую люди, обученные одному инструменту, выполняют работу быстрее. Но не факт, что именно этот инструмент в целом хорошо подходит для выполнения стоящей перед предприятием новой задачи. Да, по продукту должны быть и специалисты, и поддержка. Но архитектор всегда должен знать несколько технологий и понимать, какую из них стоит применить в том или ином случае, а где это может обернуться серьезными негативными последствиями.

Не понимая сути современных технологий, велик риск стать жертвой преднамеренного обмана, которой под видом модной темы подсунули явно неподходящее решение. Многие начали проекты по Blockchain, Big Data, Machine Learning, даже не понимая конечной цели: а что этот проект принесет компании? Разумеется, большинство подобных проектов провальные, даже если формально и громко заявили об успехе. Сначала нужно выбрать ЦЕЛЬ, а потом под нее – СРЕДСТВА. А люди наслушались про Big Data (большие данные), организовали отделы… Для чего? «Все должны стать цифровыми!» – отличный лозунг! Я – только за! Но не для всех компаний и не для всех процессов в компании. Небольшой сети кофеен он не поможет – анализ чеков, корзины и поведенческий анализ потребителя можно провести и на реляционных данных.

Что такое эта Big Data? Данные технологии появились для повышения скорости обработки запросов поисковыми системами. Самое основное решение – Hadoop – было разработано выходцами из поисковой компании Yahoo! и со временем выложено в открытый доступ, а теперь поддерживается Google и довольно большим сообществом. Это не просто большое количество данных – это в первую очередь слабоструктурированные данные, во вторую – территориально распределенные. Ключевое значение – это именно «слабоструктурированные», ведь поисковая система хранит ссылки на всевозможные виды документов – музыку, видео, презентации, исследования, электронные таблицы, архивы, записи в социальных сетях, блогах и форумах – всего не перечислить. В обычных базах данных, реляционных системах хранения вся информация хранится в строго структурированном виде: в этом поле номер чека, в этом – код товара, в этом – время совершения операции, в этом – сумма. Если мы запрашиваем номер чека 10 000 – система нам или выдаст чек с номером 10 000, или скажет, что чека с таким номером нет. А если мы попросим выгрузить все чеки с суммой покупки более 10 000 руб., то система так и сделает, и мы получим все чеки с суммой, превышавшей 10 000 руб., если таковые были. При этом система не покажет чеки с суммой в 10 000 руб., потому что для этого мы должны были запросить чеки с суммой, равной или более 10 000 руб., – система работает четко. В Big Data на первое место выходят такие понятия, как контекст и релевантность. И на запрос «чек 10 000» система в первую очередь выдаст чек с номером 10 000, потом – чеки, в которых есть цена или сумма в 10 000 руб., потом – чеки с товарами «как завоевать 10 000 друзей», «10 000 рецептов борща» и «как продать книгу 10 000 читателей». Если выбрать не чек номер 10 000, а «10 000 рецептов борща», – система в следующий раз по-другому отранжирует результат и будет ставить на первые места выдачи борщ и друзей. Конечно, все это можно настроить, но, надеюсь, принцип я объяснил. Про территориальное распределение тоже понятно: сначала поисковая система ищет на региональных серверах, потом на территории страны, соседних стран… чем дальше вы прокручиваете страницы в поиске, тем более далекие сервера опрашиваются и тем менее релевантные данные выдаются. Поэтому, если вы не собираетесь хранить и анализировать неструктурированную информацию – тексты книг, которыми вы торгуете, записи камер наблюдения – или расшифровывать звонки в колл-центр, – не думаю, что данная технология вам подойдет. Не ведитесь на моду!

С другой стороны, технологии становятся все доступнее, и их использование может принести огромную пользу для бизнеса. Например, не просто просчитать трафик, но и определить пол, возраст и даже настроение покупателей. Уже сейчас с их помощью можно автоматически отследить пустые полки и дать задание на их пополнение, отследить нагрузку на кассы или проанализировать телеметрию и подсказать, какое оборудование скоро выйдет из строя. Или посмотреть на поток данных и выявить аномальные отклонения, на основании которых обнаружить проблему – отказ аппаратуры, зависание приложения, падение сайта или платежной системы, хакерскую атаку или проникновение вирусов – и максимально быстро оповестить об этом.

А теперь – реальная ситуация. В одном очень крупном заказчике интегратор предоставляет услуги по поддержке инфраструктуры: колл-центр, выделенные инженеры поддержки, запчасти, резервные сервера. Стоимость – сотни миллионов рублей в год. Если они предложат решение, которое может заранее предсказать выход оборудования из строя, ценник упадет в 10 раз. Как вы думаете, будут они предлагать подобное? Или предложат решение для оценки настроения покупателей и прочий блокчейн?

Кто же виноват в сложившейся ситуации? Интегратор, который заинтересован в продаже своих услуг и стабильном потоке денег? Или заказчик, который не понимает, какие решения реально принесут ему пользу? Кстати, в защиту второго есть аргумент, что если интегратор действительно поможет заказчику, он не услышит даже спасибо. На Западе распространена практика, когда интегратор приходит к заказчику, предлагает проект с четким обоснованием окупаемости и заключает контракт на процент от окупаемости. Например, указывается, что «наши технологии прогнозирования позволят вам продавать на 4 % больше за счет более точной ассортиментной матрицы. Это даст дополнительную прибыль в 1 %; мы хотим за услуги 0,2 % от дополнительной прибыли, если добьемся целевых показателей более 4 % роста выручки, или 0,1 %, если рост выручки составит от 2 до 4 %». Фиксируются метрики успеха, составляется контракт, по контрольным точкам проводятся измерения, и заказчик выплачивает дополнительную прибыль интегратору. В России подобные случаи, кстати, есть, но пока их ничтожно мало.

На переговорах с клиентами иногда возникает такая ситуация: «сделайте, а мы посмотрим». Однако если система рекомендует одно, а сотрудники делают обратное, то показатели, скорее всего, не улучшатся. В этом случае необходимо фиксировать не просто улучшение показателей, но и рекомендации системы, а также следование пользователей этим рекомендациям.

Итак, давайте поговорим о моде. Как выбрать правильное решение? Как сравнить несравнимое? Кому из экспертов доверять? Насколько они независимы? В мире есть десятки независимых агентств, которые занимаются подобными сравнениями продуктов и технологий, – компании IDC, Forrester Research, ряд других, да и консалтинговые компании проводят обследования на заказ, какое решение больше подходит для заказчика. Одно из самых известных и авторитетных агентств – Gartner, которое предложило «кривую ажиотажа» – Gartner Hype Cycle (рис. 2).

Давайте разберем на примере блокчейна. Сначала – это технология для «гиков», узкой прослойки технических специалистов, про нее особо никто не знает. Так было и с самым ярким представителем этой технологии – биткойном, который изобрели в 2008 году и который тогда стоил несколько центов. Однако валюта набирала популярность и стоимость, и уже в 2011 году к ней было приковано внимание широкой аудитории. А с ростом спекулятивной стоимости в конце второго десятилетия XXI века об этой валюте стали говорить абсолютно все, а при пиковом значении курс составил более $30 000 за биткойн! Технология достигла пика чрезмерных ожиданий. И вдруг биткойн полетел вниз, люди стали от него избавляться – наступила фаза избавления от иллюзий. Несмотря на то, что будут еще и падения, и новые высоты, биткойн как платежная система дискредитирована – теперь никто не хочет оплатить им пиццу и через несколько лет узнать, что это была стоимость дома, теперь к нему относятся в большей степени как к спекулятивному инструменту, к тому же с высокой волатильностью. Сейчас технология виртуальных валют стабилизируется и преодолевает недостатки, возможно, будет закреплена юридически, получит официальный статус и выйдет на плато продуктивности как средство расчетов, а блокчейн найдет свою нишу в распределенном документообороте, где каждый документ необходимо верифицировать несколькими независимыми участниками процесса. Например, это актуально для таможни, где всем сторонам необходимо иметь актуальную и идентичную информацию, или при разработке «паспортов привитых от COVID» в рамках Евросоюза или других международных объединений, которые хотят обладать информацией, что конкретный человек получил прививку от вируса и не представляет опасности при пересечении границы.

Так же происходит и с другими технологиями. И не факт, что некоторые из них не устареют до того, как выйдут на плато продуктивности, а возможно, и еще раньше. Вот пример исследования: «Кривая ажиотажа» на 2019 год (рис. 3).

В отчете выделены три тенденции, на которые стоит обратить особое внимание.

Во-первых, это информационно-ориентированная культура: использование при постановке задач и принятии решений полученных на основе анализа данных сведений, что требует внедрения широкого спектра соответствующих средств, включая решения для рядовых пользователей («гражданских» аналитиков в терминах Gartner), дополненной и производственной аналитики и т. д.

Вторая тенденция – обеспечение безопасности с учетом рисков: применение особенно практичных, экономически эффективных методов для защиты элементов инфраструктуры, подверженных наибольшему риску, что позволяет отказаться от чрезмерных затрат на средства безопасности в целом.

И, наконец, создание инфраструктуры как коммунальной услуги – внедрение простых в управлении программно-определяемых решений для распределенных рабочих нагрузок, как локальных, так и «облачных».

Обратите внимание, что многие технологии не просто находятся на разных этапах, но и имеют различный цикл зрелости к применению. О них мы и поведем дальнейшее повествование, соотнося ажиотаж с тем результатом, который эти технологии могут быстро принести бизнесу.

Глава 14. Что такое Data-Driven Company?

Это термин, обозначающий новую парадигму управления, основанную на анализе данных и принятии обоснованных управленческих решений именно на основе этого анализа. Данные становятся вторым языком, на котором разговаривают сотрудники, предлагая и обосновывая свои решения. Разумеется, интуицию никто не отменял, но, как оказалось, компании, где решения принимаются на основе анализа информации, более стабильны и успешны, чем компании, в которых менеджмент полагается лишь на чутье. А чтобы принимать решения, необходимо уметь работать с данными, то есть быть обученными работе с аналитическими инструментами и иметь сами цифры – желательно актуальные и достоверные. Некоторые приводят простой пример: посмотрите на список 25 компаний с самой большой капитализацией за 2009 и 2019 годы. Согласно рейтингу Forbes Global 2000, в 2009 году в топ-25 входило 9 компаний нефтегазового сектора, 3 компании – телеком-оператора и 7 финансовых организаций, а уже в 2019 году – всего через 10 лет – нефтегазовых компаний осталось всего 3, число финансовых организаций выросло до 11, при этом в топе появилось 5 ИТ-компаний. Во-первых, это дало повод для разговоров «данные – это вторая нефть», так как нефтяные компании стали вытесняться ИТ-компаниями и производителями электроники. Во-вторых, на этом базируется ряд исследований по цифровой грамотности, так как сотрудники компаний финансового и ИТ-секторов в среднем обладают более высокой цифровой грамотностью, чем сотрудники нефтяных компаний и автопроизводители. Согласно исследованию «Влияние грамотности по работе с данными на производительность труда», проведенному компаниями Qlik и Accenture в 2019 году[19]19
  Qlik, Accenture: Human Impact of Data Literacy. https://thedataliteracyproject.org/files/downloads/Qlik_Accenture_Human_Impact_of_Data_Literacy.pdf


[Закрыть], обучение сотрудников цифровой грамотности суммарно приводит к 5 %-ному росту стоимости предприятий, управляемых с помощью решений, принимаемых на основе анализа данных, а также снижает производственные издержки, связанные с неграмотностью сотрудников при работе с данными.

Однако согласно тому же исследованию:

● только 24 % лиц, принимающих бизнес-решения, уверены в своей способности эффективно использовать данные;

● только 32 % руководителей высшего звена классифицированы как опытные пользователи по работе с данными;

● всего 21 % людей в возрасте от 16 до 24 лет обладают грамотностью по работе с данными.

Возвращаемся к вопросу, как же нам построить эффективную компанию, когда мы сами не понимаем, как принимать решения на основе показателей, и как в такой ситуации привить в компании аналитическую культуру.

При этом интерес к новой форме управления нешуточный, и вот почему: согласно исследованию IDC и Qlik Transformative Data Through Leadership Survey[20]20
  IDC reveals: Businesses that establish stronger Data-to-Insights pipelines make better decisions that result in better business outcomes. В исследовании приняли участие 1200 компаний. https://www.qlik.com/us/company/press-room/press-releases/qlik-survey-shows-increase-in-revenue-through-data-pipeline-optimization


[Закрыть] от июля 2020 года:

● 88 % руководителей заявили, что операционная эффективность компании выросла на 21 %;

● 86 % руководителей заявили, что выручка выросла на 23 %;

● 90 % руководителей заявили, что прибыль выросла на 24 %.

При этом они указывают на прямую зависимость инвестиций в инфраструктуру аналитической обработки и визуализации данных и возможности превращать данные в полезные для бизнеса инсайты – открытия, которые помогают принимать верные для бизнеса решения и зарабатывать больше.

Разумеется, глядя на эти цифры, 87 % топ-менеджеров указывают, что стать «более Data-Driven» компанией – их приоритет на ближайшие 5 лет.