Вчера мы рассмотрели, что такое функционально-стоимостный анализ (ФСА) и как этот метод позволяет оценить бизнес-процессы в денежном выражении. Однако, результаты ФСА, в первую очередь, ориентированы на оптимизацию с точки зрения финансов, а не организации и технологий. Исправить ситуацию помогут принципы бережливого производства (Lean). Сегодня мы расскажем об одном из них – картировании потоков создания ценностей (VSM), а также поговорим как DevOps воплощает идеи Lean и при чем здесь расширенная аналитика больших данных (Big Data).
Цифровизация потоков создания ценности: что такое VSM
Цифровизация предполагает не просто внедрение Big Data, Machine Learning и прочих методов искусственного интеллекта для оптимизации деятельности. Прежде всего, цифровая трансформация направлена на изменение бизнес-процессов, чтобы ускорить их, а также снизить затраты и ошибки, повысив результативность. Для построения новых моделей деятельности используется не только расширенная аналитика Big Data, но и уже давно существующие и успешно применяемые методы системного анализа и менеджмента качества. В частности, идеи бережливого производства, которые помогли японской автомобильной компании «Тойота» выйти из послевоенного кризиса [1]. Напомним, основная философия Lean состоит в устранении потерь – действий, которые не производят ценности для конечного потребителя. Одним из наиболее понятных и широко применяемых на практике методов Lean является картирование потоков создания ценностей (VSM, Value Stream Mapping).
VSM — это простая и наглядная графическая схема, показывающая движение процессов, материалов и информации для предоставления продукта или услуги конечному потребителю. VSM не просто визуализирует производственную деятельность, а позволяет определить ее узкие места за счет анализа основных показателей каждого процесса. Выявить потери и оценить качество процесса помогут следующие метрики [2]:
- время выпуска (Lead Time, LT) – общее время выполнения процесса, включая согласование, процедуры возврата, а также ожидание данных, материалов и прочих ресурсов;
- время обработки (Process Time, PT) – время непосредственного выполнения работы, дающей результат процесса (ценность);
- доля работ, выполненных без ошибок (Percent Complete and Accurate, %C/A) – в идеале должна быть равной 100%, но на практике может не измеряться вовсе.
Отношение PT к LT показывает, сколько времени выполняется непосредственная работа по созданию ценности от всего времени процесса. В идеальном случае (PT/LT)->1. Таким образом, можно выявить потери ресурсов (времени, финансов и человеческого труда) на непродуктивные операции: согласование, поиск или ожидание данных, перемещение, копирование, перепроизводство, дополнительная обработка, создание запасов и возникновение дефектов. К примеру, DevOps-подход стремится увеличить скорость создания ПО, снижая LT за счет ускорения процессов развертывания и тестирования. В частности, быстрое развертывание тестовых и production-сред с помощью технологий контейнеризации (Docker, Kubernetes и т.д.) позволяет устранить временные потери на ожидание результатов работы администраторов [2].
Чтобы понять, почему фактические показатели отличаются от их плановых значений, можно использовать метод диаграммы Исикавы (Fishbone), о котором мы писали в этой статье. VSM наглядно показывает, какие этапы создания ценности стоит улучшить.
Продолжая пример из вчерашней статьи про функционально-стоимостный анализ, определим непосредственную ценность процессов проектирования новой Big Data системы. Поскольку цель настоящей статьи – познакомить с основными принципами Value Stream Mapping, мы представим процесс работы с требованиями к программному продукту упрощенно, а не так подробно, как это рекомендует профессиональное руководство по бизнес-анализу BABOK. Итак, пусть рассматриваемая деятельность состоит из следующих этапов:
- определение бизнес-потребностей и выявление требований к решению, включая разработку вспомогательных планов (по бизнес-анализу, коммуникациям и пр.), взаимодействие со стейкхолдерами, поиск информации, анализ текущих процессов, информационных систем, потоков данных, документации и архитектуры предприятия, оформление и согласование результатов. 75% времени всей этой деятельности уходит на вспомогательную работу, которая, хоть и помогает аналитику, не создает конечной ценности. Показатель %C/A здесь сложно оценить, поэтому оставим его не заданным.
- разработка технического задания на новую систему, включая консультации со стейкхолдерами, согласование и исправление документов. Здесь также работа по непосредственному созданию технического задания занимает лишь 25% от всего времени процесса. Будем считать, что результат на 90% отражает реальные бизнес-потребности и особенности применения будущего продукта.
- создание подробного технического проекта будущей системы с описанием всех функциональных и нефункциональных требований, вариантов и сценариев использования, а также архитектуры решения с учетом корпоративного ИТ-ландшафта. Как и в предыдущих этапах, большая часть времени (60%) уходит на поиск и ожидание данных, консультации и согласование. При этом созданный технический проект описывает лишь 80% реальных бизнес-потребностей.
Таким образом, все процессы можно оптимизировать, сократив LT за счет устранения задач поиска информации с помощью корпоративной базы знаний и продвинутого управления данными (Augmented Data Management). Как это реализуется на базе технологий Big Data и Machine Learning, мы рассказывали здесь.
Как построить карту потоков ценностей с помощью Big Data и Internet of Things
Разумеется, на практике картирование потока ценности является более трудоемким процессом, чем в рассмотренном примере. Помимо хронометража рабочего времени каждой задачи и детальной фиксации всех ее операций и их участников, на карту этапов создания продукта также наносятся материальные и информационные потоки, а также периодичность, способы и направления движения результатов [3]. Создание подобной карты вручную – достаточно сложный и длительный процесс, поскольку бизнес-аналитику необходимо самостоятельно собрать множество разных данных и потратить время на детальный хронометраж каждого этапа создания ценности.
Как правило, промышленные предприятия с отлаженным конвейером работ частично содержат нужные данные в виде карт производственных процессов. Но такие VSM содержат далеко не все данные для комплексной бизнес-аналитики и не всегда на 100% точно отражают реальность. Исправить это несоответствие поможет цифровизация. Информация о фактических показателях любого производственного процесса может быть собрана и обработана автоматически с помощью технологий Big Data, IoT/IIoT-устройств и алгоритмов Machine Learning. Такая система расширенной аналитики сама подскажет менеджеру или аналитику, что можно оптимизировать и как. Например, помечать материальные ресурсы RFID-метками или QR-кодами, чтобы автоматически отслеживать их перемещение, не тратя время на ручной поиск в корпоративных базах. Именно так было поступили некоторые отечественные и зарубежные логистические компании, о чем мы писали здесь.
Сегодня некоторые варианты такой оптимизации предлагают модули CRM-, ERP-, SCM- и других профильных корпоративных информационных систем, а также BI-решения. Однако пока это можно назвать локальной оптимизацией, а не комплексным улучшением деятельности всего предприятия. Кроме того, готовое бизнес-решение не генерируется системой, а предлагается аналитиком на основе данных. Поэтому доля человеческого труда по рутинной обработке даже проанализированных данных здесь еще высока. В отличие от лоскутной автоматизации, цифровизация всех бизнес-процессов с интеграцией каждого потока данных в единую ИТ-инфраструктуру повысит общую эффективность компании, воплощая идеи Lean [4].
Подводя итог описанию VSM, отметим, что данный метод бережливого производства достаточно прост, но понятен и полезен. Неслучайно профессиональный стандарт бизнес-аналитика, руководство BABOK включило Value Stream Mapping в состав наиболее часто используемых техник процессного анализа. Другие методы бережливого производства мы рассмотрим в нашей следующей статье.
Другие практические кейсы прикладного системного анализа, цифровизации бизнеса и аналитики больших данных вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:
Источники
