Мария Мингалева, Сбербанк: Как часто процессы расходятся с регламентами и почему причина не там, где её ищут
10.11.2026
Мария Мингалева, руководитель направления, ПАО Сбербанк, продукт «Процессная аналитика от Сбера», рассказала CFO Russia, какие проблемные зоны в бизнесе сложнее всего выявить руководителям компаний и как ИИ-аналитика помогает обнаруживать скрытые риски.
Какие потери в бизнес-процессах руководители чаще всего не замечают или недооценивают? Что, по Вашему опыту, оказывается самым неожиданным, когда компания впервые сопоставляет регламентированные процессы с тем, как они работают в действительности?
Руководители обычно хорошо видят крупные и заметные проблемы: сорванный срок, жалобу клиента, провал в KPI. Гораздо сложнее обнаружить потери, которые рассредоточены по тысячам экземпляров процесса и по отдельности не выглядят как то, на что стоит обратить внимание.
Чаще всего оказывается недооцененным следующее:
-
Ожидание, а не работа. В большинстве процессов само выполнение операций занимает малую часть общего времени. Остальное – ожидание: заявка лежит в очереди, ждёт согласования, ждёт ответа от смежного подразделения. В регламенте этих пауз нет, а в реальности именно они формируют сроки.
-
Повторы и возвраты. Документ ушёл на доработку, вернулся, снова ушёл. Каждый возврат – это не только время, но и трудозатраты нескольких сотрудников. Руководитель видит только финальный статус «исполнено» и не знает, что заявка проходила согласование три раза.
-
Ручные обходы системы. Сотрудники находят способы сделать быстрее: исправляют данные вручную, пропускают шаг, согласуют «по телефону». Часть этих обходов полезна, часть создаёт риски. Но управлять ими нельзя, пока о них никто не знает.
-
Различия между подразделениями. Один и тот же процесс в разных филиалах или командах может выглядеть совершенно по-разному. Средний показатель по компании скрывает и лучшие практики, которые стоит тиражировать, и проблемные зоны.
Самое неожиданное – насколько процесс расходится с регламентом и как часто причина вовсе не там, где её ищут. В одной компании по регламенту служба безопасности проверяла кандидата после собеседования с руководителем, а данные показали, что в 97% случаев проверка начиналась раньше. При этом больше половины проверенных кандидатов руководитель потом отклонял, то есть служба безопасности массово делала лишнюю работу. Когда вернули правильную последовательность, срок подбора сократился на 30%. Другой типичный сюжет – люди подстраивают процесс под KPI: создают «пустые» сессии обслуживания или переводят заявку в статус ожидания, чтобы её время не считалось. По отчётам всё хорошо, а реальная картина видна только по цифровым следам.
Как AI-помощник меняет подход к анализу бизнес-процессов: что он позволяет выявлять быстрее и какие причины отклонений помогает обнаружить? В какой момент аналитика от ИИ готова стать основанием для управленческого решения и какую роль в этом процессе по-прежнему играет эксперт?
Классический Process Mining уже дал бизнесу объективную картину процесса на основе данных. Но чтобы извлечь из неё выводы и получить рекомендации, нужен был аналитик, который умеет работать с инструментом: настраивает дашборды, подбирает необходимые метрики и фильтры, формулирует и проверяет гипотезы. Это узкое горлышко – таких специалистов мало, и каждый вопрос бизнеса превращался в задачу в очереди.
ИИ-помощник в «Процессной аналитике от Сбера» меняет это в нескольких направлениях.
Скорость перехода от вопроса к ответу. Руководитель или владелец процесса может задать вопрос в GigaCowork на обычном языке: «Почему в этом квартале выросли сроки обработки заявок?», «В чем особенность быстрых согласования и чем они отличаются от медленных?». Помощник сам формирует нужные срезы и показывает результат. То, что раньше занимало дни, занимает минуты.
Поиск причин, а не только симптомов. Сам по себе факт отклонения мало что даёт. Ценность – в понимании, с чем оно связано. ИИ быстро перебирает множество атрибутов – тип клиента, канал, подразделение, исполнителя, сумму, время поступления – и находит, какие из них статистически связаны с задержками, возвратами или нарушением регламента. Человеку такой перебор вручную либо не под силу, либо он проверит только те гипотезы, которые у него уже были.
Обнаружение неочевидного. Помощник подсвечивает аномалии и закономерности, которые никто не искал: например, что задержки концентрируются на заявках, поступающих в конце рабочего дня, или что определённая комбинация шагов почти всегда ведёт к возврату.
Когда аналитика от ИИ готова стать основанием для решения? Я бы назвала три условия:
-
Качество данных подтверждено. Если в журналах событий пропуски или ошибки, любые выводы будут искажены. Это проверяется до анализа, а не после.
-
Вывод воспроизводим и объясним. Помощник должен показать, на каких данных и срезах основан вывод, чтобы его можно было проверить. «Чёрный ящик» для принятия управленческого решения не подойдет.
-
Корреляция проверена на причинность. ИИ отлично находит связи, но связь – ещё не причина. Это ключевая точка, где нужен эксперт.
Роль эксперта при этом не уменьшается, а смещается. Раньше он тратил большую часть времени на подготовку данных и построение дашбордов. Теперь – на интерпретацию: выясняет, соответствует ли найденная закономерность реальной причине или это следствие чего-то третьего, какие ограничения есть у бизнеса, что можно изменить, а что нет, и как изменение повлияет на смежные процессы. ИИ хорошо отвечает на вопрос «что происходит и с чем это связано». Решение о том, «что с этим делать», остаётся за экспертами, которые знают контекст и отвечают за результат.
Можете привести пример из Вашей практики, когда процессная аналитика помогла выявить скрытые потери и добиться измеримого бизнес-эффекта? Как оценивался результат, какие показатели считались?
Один из самых показательных проектов – компания из сегмента крупного производства. Руководители долго не могли понять, почему договоры на закупку согласуются неделями. Мы загрузили логи из ИС и увидели, что больше трети договоров ходят по кругу: возвращаются и согласуются повторно из-за нечётких, двусмысленных регламентов. Кроме того, в согласование были вовлечены люди, чьё участие не было необходимо. Компания переписала регламенты, ввела единые шаблоны документов и автоматическую подготовку договоров и исключила из лишних согласований до 20% сотрудников.
Эффект считали по трём показателям: длительность цикла согласования, число вовлечённых сотрудников и финансовый эффект от устранения зацикленностей и избыточной длительности. Последний платформа рассчитывает сама, по данным процесса, и здесь он составил 59 млн руб.
Второй интересный проект был в госсекторе. Исследовали процессы в МФЦ одного из регионов, 31 офис обслуживает более 700 тысяч заявок в год. В анализе участвовало более 10 млн операций и 1 млн обращений по всем 250 услугам.
Раньше отчётность фиксировала только «вход» и «выход» услуги. Процессная аналитика показала, что внутри: нерегламентированные возвраты документов, зацикливания, неравномерную нагрузку между отделениями и пиковые часы, в которые не хватает людей.
Выяснилось, что подготовка пакета документов для отправки в ведомство занимает у специалиста 3–4 часа, а при таком объёме услуг это огромный скрытый ресурс. Эффект считали по трудозатратам: один регулярный отчёт раньше готовили четыре сотрудника, 96 часов в год, после автоматизации – меньше 9 минут в год, то есть затраты снизились более чем в 600 раз. Но главный результат – постоянный мониторинг: руководство видит процесс в динамике и может проверить, дают ли результат внедренные изменения.
Алиса Попова
Наши конференции:
Все
