Usprawnianie procesów biznesowych – podejście analityczne

Na wysoce konkurencyjnych rynkach przedsiębiorstwa muszą poszukiwać sposobów optymalizacji swoich procesów biznesowych. Czyli w praktyce chodzi o m.in.: zmniejszanie kosztów, zwiększanie wydajności, poprawę skuteczności sprzedaży, automatyzację działań obsługi klienta, upraszczanie, skracanie czasu realizacji zamówień, itd. A to wszystko oczywiście przy zachowaniu nie gorszych parametrów jakościowych i nie mniejszym zadowoleniu klienta. 

Jednym z narzędzi, które pomaga w osiągnięciu tego celu, jest analiza danych. Analiza danych w kontekście zarządzania procesami biznesowymi pozwala na m.in.:

• zwymiarowanie procesów,
• poznanie ich stanu,
• wychwycenie prawidłowości i anomalii,
• pomaga w podjęciu lepszych decyzji.

W niniejszym artykule skoncentrujemy się na roli analizy danych w optymalizacji procesów biznesowych.

Metody analizy danych stosowane w optymalizacji procesów biznesowych

W usprawnianiu procesów biznesowych istnieje wiele różnorodnych technik analizy. Oto kilka z najczęściej stosowanych metod i narzędzi:

• Analiza statystyczna. Wykorzystuje techniki statystyczne do badania danych i identyfikowania istotnych wzorców, trendów i zależności. O najpopularniejszych narzędziach statystycznych przeczytasz w artykule: Statystyka opisowa – pojęcia i wzory, które warto znać.
• Mapowanie procesów. Czyli szkicowanie wszelkich operacji w ramach firmy oraz przypisywanie im sposobów pomiaru efektywności, np. oddzielne KPI do każdego z etapów procesu.
• Metoda pytań i odpowiedzi. W tym przypadku przygotowuje się kwestionariusze z pytaniami, na które się stara zebrać odpowiedzi wśród osób bezpośrednio zaangażowane w dany proces. Dzięki tej metodzie można dotrzeć do informacji niedostępnych poprzez żadne inne metody.
• Data Mining. Jest to proces eksploracji zazwyczaj większych zbiorów danych w celu identyfikacji ukrytych wzorców i relacji między zmiennymi. Wykorzystywane są tutaj liczne techniki obliczeniowe, takie jak: klasyfikacja, grupowanie czy reguły asocjacyjne.
• Machine Learning. W przeciwieństwie do data mining, uczenie maszynowe startuje od próbki danych (tzw. zbiór uczący), której celem jest opracowanie algorytmu, które w najlepszy sposób będzie rozwiązywał zadany cel. Przykładowo: alokował czas pracy poszczególnych pracowników w zakładzie produkcyjnym czy też optymalizował zatowarowanie sklepów stacjonarnych z magazynu centralnego.
• Business Intelligence (BI). To obszar analiz odpowiedzialny za dostarczanie syntetycznej informacji zarządczej. BI wykorzystuje bazy danych i liczne technologie ich przetwarzania do automatyzacji raportowania i prezentacji danych biznesowych. W szczególności zadaniem BI jest tworzenie raportów, dashboardów i wskaźników KPI w celu monitorowania procesów biznesowych. Jak również generowanie informacji ostrzegawczych i alertów w przypadku, gdy parametry badanego procesu odstają od normy.
• Prognozowanie: Pozwala na przewidywanie przyszłych wyników na podstawie analizy historycznych danych i identyfikację trendów, które mogą mieć wpływ na procesy biznesowe. Te techniki znajdują zastosowanie zwłaszcza w planowaniu sprzedaży, budżetowaniu i zarządzaniu zasobami.
• Six-sigma. Czyli kompleksowa metodyka zarządzania procesami, w której dane odgrywają kluczowe znaczenie. Przykładowo jeden z jej elementów, tzw. DMAIC to cykl doskonalenia procesów i projektów biznesowych oparty w całości na danych.

Obszary analizy procesów biznesowych?

Każda firma ma swój własny zestaw procesów. Ich poprawność i efektywność ma bezpośrednie przełożenie na przepływy pieniężne – generowanie przychodów oraz dynamikę kosztów. Nieznajomość działania procesów często kończy się tym, że po pierwszej dokładniejszej analizie, okazuje się, że za licznymi działaniami w firmie kryją się tylko straty.

Generalnie można wyróżnić procesy główne oraz poboczne czy też wspierające (tutaj używa się rozmaitych klasyfikacji). Inaczej procesy wyglądają w firmie handlowej, a inaczej w firmie produkcyjnej lub technologicznej. Ale zazwyczaj analizy dotykają:

• procesów sprzedażowych:
  • w rozumieniu węższym: wyniki vs cele, dynamika wzrostów, kosztów pozyskania klienta.
  • w rozumieniu szerszym: sytuacja rynkowa, preferencje klientów, działania konkurencji.
• procesów logistycznych i magazynowych: zaopatrzenie, zarządzaniem zapasami, terminowość dostaw, rotacja, itd.
• procesów rozwoju produktów: czas wdrożenia nowego produktu, zwroty z inwestycji, itd.
• procesów produkcyjnych: wydajność, niezawodność, bezpieczeństwo, obsada stanowisk, itd.
• procesów obsługi klienta

Przyszłość zarządzania procesami biznesowymi

Analiza danych wciąż ewoluuje i ma ogromny potencjał w optymalizacji procesów biznesowych. Rosnąca dostępność danych, jak i narzędzi do ich szybkiego przetwarzania, znacząco ułatwiły raportowanie oraz analizowanie procesów biznesowych.

Rozwój technologii i algorytmów uczenia maszynowego pozwalają na większą automatyzację w podejmowaniu decyzji – zwłaszcza tych dotyczących standaryzowanych procesów. Działanie algorytmów obecnie nie ogranicza się już tylko do dawania rekomendacji, które są później weryfikowane przez człowieka, lecz już samodzielnie funkcjonują w tzw. środowisku produkcyjnym. Ale też nie należy traktować AI i uczenia maszynowego jako rewolucji lub też jako rozwiązania dla wszystkich problemów – przeczytaj więcej o tym w: 10 faktów dotyczących sztucznej inteligencji, uczenia maszynowego, big data, o których powinieneś wiedzieć.