Гиперавтоматизация: что это такое и как она решает задачи бизнеса

Одна из популярных задач, решить которую позволяет комплексный подход гиперавтоматизации, — переход на электронный документооборот. Во время этого процесса бизнес обычно сталкивается с несколькими характерными затруднениями. Например, с необходимостью вручную переносить данные из документов в программы для бухгалтерии.

Константин Герман: «В одном из наших кейсов заказчику требовалось решение, которое поможет извлечь важную информацию из документа не вручную. Чтобы вытащить из файла конкретные данные, например, номер договора, предмет или сумму, классический подход к автоматизации предложил бы обратиться к нейронным сетям. Но для этого потребовалось бы скрупулезно, с каждым типом документа отдельно объяснять программе, как извлечь те или иные данные. При этом человек не нуждался бы в таких подробных объяснениях для каждого типа документа. Именно к подобию человеческого мышления в области технологий мы и обратились».

Решением стала технология, лежащая в основе GhatGPT. Она заметно отличается от обычных нейронных сетей, требующих детального обучения, и действует так, как действовал бы человек. «Обычную нейронную сеть обучают под конкретную задачу. Но наш клиент — крупный банк, у которого 1,2 тыс. типов документов. Если бы мы пользовались классическим подходом автоматизации, разработка проекта растянулась бы на два года и стоила сотни миллионов рублей. С одной «сообразительной» нейронной сетью, которая мыслит аналогично людям, сделать это намного проще и дешевле», — объяснили в Lanit Document Management.

Другой пример гиперавтоматизации — создание верного маршрута для движения электронных документов. В одной из крупных компаний в телекоммуникационной сфере долгие годы успешно работал бумажный документооборот. Бумаги доставляли в офис, курьеры подрядчиков точно знали, в какое окно положить пакет, чтобы он дошел до нужного сотрудника. С переходом на электронный документооборот возникла колоссальная путаница с адресатами.

Константин Герман: «Мы попытались классическим образом объяснить программе правила передачи этих документов конкретным сотрудникам — по принципу «если поставщик такой и договор такой, то отправлять туда». Но быстро поняли, что этих правил слишком много и они постоянно меняются. Поэтому вместо классического инструмента наша команда с помощью машинного обучения научила нейронную сеть смотреть на документы, предоставил ей большую базу данных. Технология изучает документ и делает вывод о том, какому сотруднику его отправить. Иногда программа ошибалась, поэтому мы дали возможность сотрудникам передавать ей обратные сигналы: «Нет, этот документ не мне». В итоге проблема разбора документации была решена».

В Goodt создали решение, позволяющее применять механики гиперавтоматизции для разработки веб-приложений и BI-аналитики. Это платформы со встроенным low-code функционалом Insight. По сути, она помогает запустить конвейер по сбору и тиражированию экспертизы внутри департаментов и между ними. В платформу вшить шаблоны разного уровня. Библиотеки преднастроенных визуализаций, CSS и HTML позволяют специалистам разного уровня и компетенций быстро и самостоятельно строить аналитику и визуализировать ее. Каталоги метрик и виджетов, сформированные специально под конкретные роли, и опция интеграции с любыми источниками позволяют создавать отдельные рабочие пространства для разных ролей. Третий уровень — маркетплейс шаблонов бизнес-приложений с формами ввода и конструктором бизнес-процессов, готовых к быстрому запуску. Они решают типовые задачи, актуальные для многих компаний: от управления командами до трекера исполнения заявок. И позволяют встраивать аналитику в операционные процессы. Например, одно из таких приложений «лечит» значимую «боль» многих ретейлеров.

Константин Саратцев: «Часто в компаниях операционная сфера, отдел HR и бухгалтерия, которая начисляет зарплату, — это три разных мира. Поэтому с гибкой денежной мотивацией розничного персонала возникают проблемы. Казалось бы, есть много цифровых данных, можно легко управлять мотивацией. Но даже в крупных компаниях это все еще делается вручную. Мы берем в режиме реального времени чеки с данными о продажах и используем их в одном случае для прогнозирования трафика и, соответственно, потребности в персонале. Рассчитываем автоматически, сколько нужно людей в конкретный момент времени на кассе, в зале, на складе. И в этом же приложении управляем мотивацией персонала. Анализируя комбинацию позиций в чеке, мы понимаем, насколько хорошо продавец-консультант применил скрипты, отработал промоакции. Приложение это фиксирует и автоматически начисляет мотивационные бонусы. Сотрудники сразу же видят, сколько они получат, а руководитель контролирует исполнение планов и аналитику»

По расчетам Goodt, использование шаблонов приложений позволяет решать понятные для компании задачи и состыковывать несколько бизнес-процессов между собой. При этом не нужно тратить годы и обзаводиться огромным штатом IT-специалистов, которые будут создавать собственные приложения под каждый use-case.

«Мы прошли большой путь, чтобы предложить бизнесу такой ускоритель разработки. Создавали, ошибались, искали решение, улучшали. Какой результат? На нашей платформе аналитическое приложение с кастомизированным дизайном можно построить за месяц, а аналитическую панель — за срок от пары часов до двух-трех дней», — подсчитал Саратцев.

Первые проекты из области гиперавтоматизации «Ланит — Би Пи Эм» запустил за два года до появления самого термина. По словам Анны Процко, в 2017 году один из крупных российских банков решил автоматизировать кредитный процесс для юридических лиц. «Проблема заключалась в скорости рассмотрения кредитной сделки. Тогда весь процесс от обращения в банк до зачисления денег занимал около двух недель. Нам удалось сократить срок до нескольких часов», — рассказала она.

Для решения выбрали low-code платформу, которая позволила автоматизировать разные части кредитного процесса и объединить их в сквозной механизм. Единый инструмент собрал в себе более 30 IT-систем и позволил учитывать индивидуальные особенности выдачи разных кредитных продуктов, в том числе овердрафтов, аккредитивов, экспресс-кредитов, сделок для проектного финансирования. Благодаря искусственному интеллекту решение позволило совершать сделки полностью удаленно.

Анна Процко: «Значительный объем работы реализован в облаке, где искусственный интеллект по огромному количеству параметров выбирает клиентов, которым можно сделать предодобренное предложение. Клиенту банка остается только настроить нужные параметры кредита, прикрепить документы, отправить их в банк онлайн, а через какое-то время подписать и получить средства, не покидая своего офиса. Для бизнеса отсутствие физического документооборота с банком — это действительно прорыв.

Внедренное решение работает до сих пор и постоянно дорабатывается. Несколько лет назад из всего портфеля кредитования банка продукт предлагали не всем, а только 13% клиентов. Это можно понять, ведь выдать юридическому лицу десятки или сотни миллионов рублей за несколько часов без участия кредитного комитета — рисковое дело. Непривычно доверить такое решение машине. Но постепенно пул клиентов, которым доступна данная услуга, расширяется. Сейчас наша задача — помочь банку масштабировать систему до 60% клиентов от общего портфеля кредитования банка».

В результате гиперавтоматизации банк смог обслуживать более 14 тыс. юрлиц, заключать свыше 100 тыс. новых сделок ежегодно, а заодно значительно снизить себестоимость операционного процесса. Общий уровень клиентской удовлетворенности продуктом достиг 96%.

Важным ограничением на пути гиперавтоматизации Константин Саратцев считает пассивность крупного российского бизнеса: «Среда больших компаний остается инертной, они медленно принимают решения, у них сложные процедуры согласования». Константин Герман заявил, что гиперавтоматизация пока не так популярна у бизнеса из-за сложности ее внедрения. «Часто бизнес выбирает быстрее и дешевле решить задачу на 80%, чем решить ее на 95%, потратив миллионы». Кроме того, предприниматели замечают, как стремительно развиваются технологии, и не хотят пользоваться решениями, которые скоро устареют.

Константин Герман: «Простой бытовой пример. Вы покупаете дорогой планшет, а через полгода выходит новая модель, более мощная и продвинутая. Поневоле задумаешься, не стоит ли подождать, когда выйдет решение, которое справится с твоей проблемой качественнее за те же деньги».

По мнению Анны Процко, главными барьерами стоит считать дороговизну и нехватку кадров.

Анна Процко: «Внедрение глобального процесса, применения множества технологий — это дорогостоящий проект. Кроме того, зарплаты специалистов из некоторых областей просто космические. Но дороговизна их работы не гарантирует, что они справятся с задачей. При этом не факт, что сама идея, которую хотят автоматизировать, сможет «взлететь». А в этом для компании кроются репутационные риски. Бизнес не может пообещать новую разработку и не реализовать ее без последствий для себя. Поэтому компании, которые решаются на такой шаг, обычно выбирают вендора с большим опытом и экспертизой, чтобы не набивать шишки гиперавтоматизации самостоятельно».