Почему неудача цифровой трансформации: это проблема операционного интеллекта, а не технологии

Каждая программа трансформации начинается с карты процессов, диаграмм плавательных дорожек, документированных рабочих процессов и общего убеждения, что организация понимает, как движется её собственная работа.

Это убеждение почти всегда ошибочно, и стоимость обнаружения этого в середине миграции редко бывает небольшой. Спросите у TSB.

В апреле 2018 года TSB перенесла 1,3 миллиарда записей клиентов с устаревшей платформы Lloyds на новую систему, созданную её испанским материнским предприятием Sabadell. В течение 48 часов 1,9 миллиона клиентов оказались заблокированы в своих аккаунтах.

БольшеИсторий

                                    В осторожной защите Air Peace

9 мая 2026

                                    Исправление настоящей проблемы системы переработки SIM-карт в Нигерии

7 мая 2026

Клиенты по ипотеке могли видеть балансы других людей. Бизнес-аккаунты были недоступны в течение нескольких недель.

Стоимость превысила 330 миллионов фунтов. Генеральный директор ушёл в отставку. Последующий обзор показал, что миграция проходила без достаточного понимания взаимозависимостей между существующими процессами TSB и архитектурой новой системы. Технология работала, но никто не составил карту того, что она должна была выполнять. У проблемы есть название, и оно более точное, чем большинство организаций осознаёт.

Что такое операционный интеллект?

Операционный интеллект формирует точную картину того, как фактически движется работа через процессы, системы, решения и людей, на основе уже существующих систем. Он отвечает на вопросы, на которые невозможно ответить надежно ни интервью с заинтересованными сторонами, ни рабочими группами: Какие пути действительно проходят работа? Где накапливаются задержки и почему? Какие решения принимаются, в каких точках, кем и с какой последовательностью? Без него три вещи происходят постоянно. Команды автоматизируют неопределённые рабочие процессы. Они оцифровывают узкие места. Они масштабируют неэффективность по платформам.

Слой данных

Исходным материалом операционного интеллекта являются данные о событиях. Каждая корпоративная система: ERP, CRM, управление делами, управление заказами — записывает журналы событий. Каждое изменение статуса, триггер одобрения и обновление записи оставляют отметку времени. Эти отметки, связанные идентификатором дела, содержат полный отчёт о фактическом операционном поведении. Данные уже существуют в системах, которыми управляют организации. Что обычно отсутствует — это практика рассматривать их как основной источник для стратегии трансформации, а не как побочный продукт соблюдения требований.

Из чистого журнала событий инструменты процессного майнинга, такие как Celonis, UiPath Process Mining и SAP Signavio, восстанавливают реальные пути процессов, показывают, где сосредоточены задержки, и сравнивают реальное поведение с задокументированными моделями. Разрыв между тем, что показывает карта процессов, и тем, что показывает журнал событий, редко бывает тривиальным. Одобрения, которые выглядят автоматическими на диаграмме, могут включать три цепочки писем и таблицу, которую никто официально не санкционировал. Когда DHL применил процессный майнинг к своим операциям таможенного оформления, он не обнаружил узкие места, которых ожидали менеджеры. Большинство задержек не было связано с временем обработки. Они были связаны с задержкой принятия решений — разрывом между поступлением дела в точку принятия решения и фактическим принятием решения.

Это различие важно. Большинство программ трансформации сосредоточены на видимости процессов: где находятся в цепочке. Видимость решений идет дальше. Точка принятия решения — это место, где ветвится рабочий процесс, и наложение атрибутов дела на эти ветви показывает, какие факторы управляют выбором пути и насколько это управление согласовано между командами и со временем. Это показывает, какие исключительные пути занимают непропорциональную часть ресурсов и как фактически ведут себя рабочие процессы по сравнению с предположениями архитекторов процессов.

Операционный интеллект и готовность к ИИ

Здесь ставки самые высокие, и именно неправильная последовательность причиняет наибольший ущерб. Модель машинного обучения, обученная автоматизировать маршрутизационные решения, будет показывать хорошие результаты, если обучающие данные точно отражают логику решений, которой должно руководствоваться это решение. Акцент делается на «должно».

В большинстве организаций исторические данные о решениях не отражают задуманную логику. Они отражают формальные правила, смешанные с неформальными обходными путями, индивидуальным усмотрением и исключениями, обрабатываемыми вне системы и никогда не записываемыми. Модель, обученная на таких данных, учится искажённой версии задуманной логики, а не правилам, а среднее значение того, что делали люди, включая все обходные пути и незафиксированные эскалации. В масштабах она воспроизводит эти шаблоны на скорости машины: последовательно, уверенно и неправильно. Установление правильной логики решений до обучения и создание набора данных, отражающего задуманное поведение, а не наблюдаемое, — это не гигиенический шаг. Это разница между системой ИИ, которая ускоряет хорошие решения, и той, что масштабирует плохие.

Последовательность перед выбором

Операционный интеллект — это не рабочий поток, который идет параллельно с внедрением. Это предпосылка, которая делает решения по внедрению обоснованными. Прежде чем выбрать платформу или написать задание на автоматизацию, необходимо получить ответы на три вопроса из данных: Какие пути фактически проходят работа и как часто встречаются каждое из вариантов? Где накапливаются задержки и какие атрибуты их предсказывают? В каких точках решения происходит ветвление, что управляет этими ветвями на практике и насколько это управление согласовано между командами и со временем?

Фелиция Ойедара — аналитик данных из Великобритании, специализирующийся на цифровых операциях, оптимизации процессов и аналитике персонала в сферах финтех, банковского дела и консалтинга. Она сосредоточена на переводе операционных и кадровых данных в ясные, действенные инсайты, которые улучшают показатели, упрощают процессы и поддерживают лучшее принятие решений.