Практические аспекты внедрения инноваций в компании

Как рассчитать показатели эффективности внедрения инновационных проектов? Как минимизировать риски и получить работающее решение? Эти вопросы мы задали Анне Племяшовой, директору по стратегии и развитию АО «Белтел», сертифицированному бухгалтеру по управленческому учету (CMA).

 

Предположим, что мы решились попробовать технологии предиктивной аналитики. С чего следует начать?

Начать необходимо с понимания бизнес-задачи и формулировки, что необходимо достичь, в какие сроки, с каким результатом. Например, задача для розничной сети может быть такой: построение решения по прогнозированию оптимального заказа для каждого поставщика с целью снижения списаний просроченной продукции на Х% и увеличение продаж на Y%.

Как определить адекватный процент, на который мы хотим улучшить эффективность бизнеса?

Самый очевидный ответ – из предыдущего опыта и ожиданий отрасли. Это будет первое грубое приближение. Далее стоит оценить во что обойдется реализация решения с применением предиктивной аналитики: найм специалистов или аутсорсинг, стоимость внедрения и интеграции с существующими системами, дополнительные вычислительные мощности или облачное решение, последующая техническая поддержка.

Посчитав бюджет решения, от абсолютных чисел можно перейти к относительным и вывести величину желаемого процента.

 

Звучит достаточно просто, но возникает вопрос: а кто это будет считать, кто принимает решение – делать это в облаке или на своих серверах? Где брать Data Scientist и как оценить его квалификацию? Или будет лучше просто найти готовый продукт на рынке?

 

Варианты подхода к расчету бюджета зависят от ресурсов компании:

  1. В компании есть отдел инноваций/цифровой трансформации/аналитический/прочее-подходящее-по-смыслу и все, что нужно, это отправить техническое задание на разработку решения в этот отдел. В ответ получить сроки и расчет трудоемкости, рекомендации по технической реализации решения и расчет затрат на внедрение и обслуживание.
  2. В компании есть инициативный и интересующийся развитием и внедрением новых технологий ИТ директор. Прекрасная возможность объединить компетенции, создать рабочую группу и собрать информацию для расчета бюджета решения. Времени потребуется больше, чем в первом случае, но накопится полезный опыт. Допускаем, что руководство данную инициативу поддерживает.
  3. В компании много текущих задач и отвлекать временной ресурс существующих сотрудников не представляется возможным. В плане на следующий год стоит создание отдельного подразделения по цифровой трансформации. На текущий момент руководство согласно на полный или частичный аутсорсинг консалтинга по внедрению инновационных решений.

 

Итак, применив какой-то из перечисленных вариантов, бюджет посчитали, с целевыми показателями разобрались и даже представили их в количественном виде. Следующий вопрос: как понять, что внедряемое решение увеличит эффективность на желаемый процент?

 

Снова обращаемся к опыту. Как мы принимаем решение о целесообразности внедрения традиционных продуктов автоматизации? Варианты могут быть такие:

  • Интуитивно, основываясь на профессиональном стаже, и руководство верит нашей интуиции;
  • Разработчик решения проводил исследования, согласно которым эффективность увеличивалась на удовлетворительный для нас процент. Мы разработчику верим, хотя впишем в договор штрафы, если такой процент достигнут не будет;
  • Нам предлагают бесплатную демо версию на месяц. Почему бы и нет? Главное, найти ответственного за тестирование и не забыть оценить эффект по окончании тестирования. И вообще не забыть, что мы что-то тестируем.

Список можно продолжать, добавляя более прагматичные или, наоборот, фантазийные критерии принятия решений.

 

В чем возникает сложность, когда речь заходит об инновационных проектах?

Если мы хотим меняться, внедрять новые технологии и решились на такой проект, то отчетливо должны понимать, что реализованных кейсов на рынке еще немного, статистика по показателям эффективности не набрана, а те показатели, что анонсируют разработчики решений, могут быть неактуальны для нашей отрасли или наших особенностей бизнеса, к тому же не всегда понятна методология расчета этих показателей.

 

Получается, что наша блестяще сформулированная бизнес-задача с четкими количественными критериями превращается в обычный лозунг?

 

В инновационном менеджменте принято называть это гипотезой. Мы выдвинули гипотезу, что задача прогнозирования спроса с целью, например, формирования системы автозаказа для поставщиков снизит списания на 20%, увеличит продажи на 6%.

 

А если эта гипотеза не подтвердится и проценты будут другими, меньше?

 

Добавлю еще один пугающий исход: задача может оказаться нерешаемой на текущий момент времени.

 

Почему?

Вспоминаем особенности построения моделей в предиктивной аналитике: качество, успех решения и убедительный результат гарантирован только в том случае, если в основе лежат качественные данные надлежащей глубины хранения. У нас просто может не хватать данных для задачи, которую мы поставили. Мы не собирали какие-то данные, а они критичны для обозначенной задачи или собирали, но хранили только три месяца, а нужны данные минимум за два года, если мы говорим о задаче прогнозирования спроса на товары, где есть влияние сезонности, или необходимая часть данных была только в голове у предыдущего директора какого-либо подразделения, а он уже не работает в компании месяц, отключил телефон и уехал в неизвестном направлении.

 

Как же минимизировать риски неуспеха проекта?

Для проверки гипотезы запускаются пилотные проекты. Это решения, ограниченные по сроку и количеству функционала. Главная задача таких проектов — подтвердить или опровергнуть гипотезу, выявить ограничения, дополнительные требования по улучшению качества прогноза. Как правило, они значительно дешевле в реализации, непродолжительные по срокам — могут длиться не более месяца, если данные хорошего качества, результат проекта легко масштабируется на весь бизнес в случае успеха пилотирования.

Итогом пилотного проекта является принятие управленческого решения:

  • О внедрении решения в промышленную эксплуатацию, если пилот успешен;
  • О продолжении пилота на определенный срок, если времени оказалось недостаточно, но промежуточные итоги удовлетворительные;
  • Об отказе от внедрения, если пилот завершился неудачно. Проведение всестороннего анализа причин неудачи с выводами о дальнейшей судьбе инициативы: отложить, забыть, рассмотреть другие варианты решения.

 

Мы сформулировали бизнес-задачу, критерии качества и приняли решение вступить в пилотный проект, осознавая риски и факторы их снижения. Какой следующий шаг?

Следующий этап – это работа с данными. Как правило, понимание данных и их подготовка занимает 80% времени работы над задачей предиктивной аналитики. От качества данных зависят сроки и стоимость реализации решения. Отсутствие чистоты в данных может повлиять и на саму возможность решения.

 

Спасибо, Анна, за предоставление актуальной и практической информации по вопросам внедрения инновационных проектов в компании.

 

В наших следующих интервью мы поговорим о данных, которые требуются в тех или иных задачах, приемах работы с данными и часто совершаемых ошибках, инструментах первичного анализа и визуализации.