СберТех: Process Mining, цифровые следы процессов превращаются в миллиарды экономии, Евгений Миронов
Евгений Миронов, руководитель направления продаж, СберТех. Конференция TAdviser «Цифровые технологии в промышленности: практика и кейсы» 2026.
Исторический контекст и постановка проблемы
Изложение открывается через историческую рамку четырёх промышленных революций — механизации, электрификации, автоматизации и цифровизации. Через интерактивное обращение к аудитории формулируется общий знаменатель всех четырёх этапов: рост производительности труда, оптимизация процесса и избавление от ручного труда. Приём с прямым вопросом к залу — кто из присутствующих на предприятиях уже использует искусственный интеллект, роботов или автоматизацию — используется как демонстрационный инструмент: небольшое число поднятых рук фиксируется как показатель того, что значительная часть аудитории пока не находится «на этапе цифровой революции» практически, несмотря на то, что декларативно тема известна всем.
Технология process mining: определение и источники данных
Ключевое понятие раскрывается через простую метафору: process mining — это анализ реальных процессов на основе цифровых следов, логов и датасетов, генерируемых информационными системами предприятия — от ERP до систем электронного документооборота. Подчёркивается, что каждая система, в которой ежеминутно работают сотрудники, оставляет фиксируемый цифровой след объёмом в сотни и тысячи мегабайт и гигабайт данных, и именно эти данные становятся сырьём для анализа эффективности процессов.
Четыре группы данных эффективности
Аналитическая ценность технологии раскрывается через четыре содержательных направления работы с данными.
Первое направление — сопоставление эталона и фактического исполнения процесса. Формулируется тезис о разрыве между формализованными регламентами и дорожными картами, заверенными подписью и печатью руководителя, и их реальным исполнением на местах: человеческий фактор и внешние обстоятельства неизбежно приводят к отклонениям от прописанной последовательности действий. Дополнительно отмечается, что сам процесс написания регламента — трудоёмкая и не всегда актуальная процедура, требующая интервью с сотрудниками и последующей проверки, из-за чего регламенты быстро устаревают.
Второе направление касается управления ресурсами — понимания того, какой объём финансовых, административных и человеческих ресурсов задействован в конкретном процессе, чтобы иметь возможность оперативно перераспределить их в критический момент. Показательным примером служит компания Wildberries, которая, по озвученным сведениям, в текущий период занимается перестроением своих процессов на фоне возникших сложностей, и для управления этим перестроением требуется точное понимание изначально заложенных в процесс ресурсов.
Третье направление — расчёт стоимости процесса, в том числе стоимости отдельного шага внутри него (например, стоимости согласования договора и удорожания при затягивании сроков). Эта метрика напрямую связывается с обоснованием инвестиций: зная стоимость процесса и каждого его этапа, можно рассчитать срок окупаемости внедрения, например, AI-ассистента.
Четвёртое направление — использование технологии как платформы для дальнейшей автоматизации и роботизации. Формулируется наблюдение о том, что рынок насыщен обещаниями «прекрасно работающего» искусственного интеллекта, однако практическая проблема заключается не в готовности технологии, а в определении точки её приложения: без предварительной аналитики внедрение рискует стать формальным отчётом перед руководством без реального экономического эффекта. Картирование процесса позволяет выявить конкретные участки, пригодные для внедрения роботов RPA (рутинный перенос данных) либо AI-ассистентов (поиск нормативной документации, обработка входящей почты).
Два подхода к поиску неэффективностей
Отдельно противопоставляются классический консалтинговый подход и предлагаемая технология. Классический подход описывается как работа группы консультантов, фиксирующих действия сотрудников вручную, «с блокнотом и ручкой». К этому методу формулируется явно скептическое отношение: присутствие наблюдателя меняет поведение сотрудника — понимая, что его работу фиксируют, специалист начинает действовать строго по регламенту, в результате чего результат наблюдения описывается образным выражением о «воздушных замках», где «пони бегают где-то там», то есть картина получается идеализированной и оторванной от повседневной реальности процесса. Технология, основанная на анализе цифровых следов, лишена этого эффекта наблюдателя и позволяет фиксировать реальные, а не демонстрационные паттерны поведения — зацикливание, избыточные переходы, излишнюю длительность этапов, лишних согласующих и выходы из процесса. Отмечается, что используемая ML-модель обучена на тринадцати гипотезах неэффективности.
Архитектура решения: ML-модели «в коробке» и AI-ассистент
Технологический стек описывается через два блока. Первый — восемь предобученных ML-моделей, поставляемых «в коробке» без необходимости развёртывания дополнительного оборудования: после загрузки датасета система автоматически формирует презентацию с топ-10 обнаруженных неэффективностей процесса, снимая с заказчика задачу самостоятельно определять, с чего начинать анализ. Второй блок — AI-ассистент, работающий в режиме диалогового чата, позволяющий задавать вопросы по процессу и запрашивать построение зависимостей (например, по поставщикам или суммам договоров); этот компонент требует развёртывания на инфраструктурных мощностях самого заказчика.
Роль технологии по отношению к дальнейшим управленческим решениям поясняется через сравнение с аппаратом МРТ: система сканирует процесс и указывает на проблемные участки, но решение о том, как их устранять, остаётся за владельцем процесса, аналитиком или бизнес-консультантом — то есть технология выполняет диагностическую, а не терапевтическую функцию. Рекомендуемые направления работы с найденными узкими местами делятся на управленческие решения (реинжиниринг процесса, контроль исполнения регламента, его корректировка, обучение сотрудников, перераспределение ресурсов) и ИТ-решения (внедрение RPA-роботов, AI-ассистентов, доработка действующих информационных систем).
Кейс закупочной деятельности
Основной иллюстративный кейс построен на данных дочерней компании крупного холдинга, специализирующейся исключительно на закупках. Анализ логов ERP-системы за полтора года выявил, что лишь 31% заявок проходили без корректировок, тогда как 69% — почти две трети всего объёма — возвращались на доработку. Перемножение затраченного на доработки времени на среднюю стоимость часа сотрудников позволило рассчитать финансовые потери компании за полтора года в размере 2,2 миллиарда рублей.
По итогам анализа были даны рекомендации по доработке действующей информационной системы подачи заявок — введение обязательных полей, всплывающих подсказок о типе прикладываемого документа, — а также организация внутреннего обучения силами сотрудников с наименьшим числом ошибок для остальных коллег.
Второй значимый вывод касался сроков согласования: регламент предусматривал обработку заявки в течение трёх рабочих дней, однако анализ показал системную закономерность — сотрудники брали заявку в работу именно на третий, последний допустимый день. Сокращение регламентного срока до двух дней привело к снижению длительности процесса на 28%, при этом наблюдение подтвердило отсутствие роста бэклога или задержек — процесс продолжал работать в прежнем темпе.
Третий вывод связан с распределением нагрузки внутри отдела: обнаружены две неравномерно загруженные группы сотрудников, при этом логика распределения заявок оказалась исторически закреплённой — если сотрудник хотя бы раз занимался определённым типом задач (например, ремонтом электродвигателей), все последующие однотипные заявки автоматически направлялись именно ему. Пересмотр логики распределения позволил сэкономить 22 часа рабочего времени в месяц для перегруженной группы.
Дополнительный пример из процесса плановых и срочных закупок показал, что регламент фиксировал предельный срок обработки заявки (три рабочих дня), но не определял момент начала работы над ней, из-за чего заявки могли оставаться без движения по несколько дней или недель; в одном из зафиксированных случаев заявка пролежала без обработки полтора месяца.
Формат сотрудничества и практическое предложение
Итоговая часть формулирует ценностное предложение технологии в сжатом виде: process mining позволяет сопоставить регламентное описание процесса с его реальным протеканием, выявить и устранить системные ошибки и паттерны неэффективности, обеспечить экономию времени и ускорение процесса, а также выступить аналитической платформой для последующей автоматизации и роботизации.
Формат вовлечения потенциальных заказчиков предложен как пилотный проект с минимальными организационными издержками: со стороны заказчика требуется выбор процесса, подписание NDA и предоставление выгрузки логов, со стороны исполнителя — проведение аналитических работ и подготовка рекомендаций по оптимизации. Ориентировочный срок реализации пилота — около месяца, с оговоркой, что итоговая длительность зависит от скорости документального оформления. Дополнительно упоминается тематическое Telegram-сообщество, в котором раз в две недели публикуются новые реализованные кейсы с описанием эффектов внедрения технологии.
Профессиональные выводы
Содержательным стержнем изложения выступает последовательное разграничение декларативного и фактического уровней бизнес-процесса: регламент как документ и регламент как реальная практика систематически расходятся, и именно это расхождение — а не абстрактная цифровая трансформация — представлено как источник измеримой экономической ценности. Кейс закупочной деятельности демонстрирует, что подобные расхождения могут выражаться в конкретных, крупных финансовых величинах (2,2 миллиарда рублей потерь за полтора года), что заметно усиливает убедительность предлагаемого инструмента для аудитории, принимающей решения об инвестициях.
Второй значимый аналитический тезис — принципиальное разграничение диагностики и терапии процесса. Технология явно позиционируется не как самостоятельное решение всех проблем, а как инструмент точной локализации узких мест, оставляющий последующий выбор управленческих или ИТ-решений за заказчиком; такая рамка снижает риски завышенных ожиданий и повышает доверие к результатам анализа.
Третий вывод касается критики классического консалтингового подхода через указание на эффект наблюдателя: демонстрируемое противопоставление «блокнота и ручки» цифровым следам системы выступает не только методологическим, но и явным коммерческим аргументом в пользу предлагаемой технологии как более объективного инструмента диагностики по сравнению с традиционными методами организационного консалтинга.
Наконец, структура кейса — с акцентом на быстро реализуемые и низкозатратные изменения (сокращение регламентного срока согласования, корректировка логики распределения заявок) вместо капиталоёмких ИТ-инвестиций — формирует образ технологии как инструмента, приносящего измеримый эффект уже на уровне управленческих решений, что делает предложение пилотного проекта с минимальным порогом входа (NDA и выгрузка логов) логичным и низкорисковым следующим шагом для потенциального заказчика.
