CC BY
74
УДК 657.6
https://doi.org/10.31775/2305-3100-2020-1-54-60
ВНУТРЕННИЙ АУДИТ И PROCESS MINING: ЭФФЕКТЫ СИНЕРГИИ
С.А. Рощектаев, У.Ю. Рощектаева
Финансовый университет при Правительстве Российской Федерации (Краснодарский филиал), Краснодар,
Российская Федерация
Аннотация. В статье рассмотрены методологические основы и практика применения технологии Process mining для повышения эффективности бизнес-процессов российских компаний. Определены вызовы цифровой экономики и предпосылки для развития методов Process mining. Установлены направления трансформации подходов к процессному управлению в условиях применения методов Process mining. Выявлены основные эффекты синергии внутреннего аудита и Process mining. Рассмотрены этапы реализации проекта Process mining и критерии качества корпоративных логов данных. Предложен алгоритм действий для подготовки к внедрению технологии Process mining в российских компаниях; для получения внутренним аудитом выявленных эффектов синергии.
Ключевые слова: process mining, бизнес-процесс, внутренний аудит, цифровая экономика, эффективность деятельности, программное обеспечение
Для цитирования: Рощектаев С.А., Рощектаева У.Ю. Внутренний аудит и Process Mining: эффекты синергии // Научный вестник Южного института менеджмента. 2020. № 1. С. 54-60. https://doi.org/10.31775/2305-3100-2020-1-54-60
Конфликт интересов отсутствует
INTERNAL AUDIT AND PROCESS MINING: EFFECTS OF SYNERGY
Sergey A. Roshchektaev, Uliana Y. Roshchektaeva
Financial University under the Government Russian Federation (Krasnodar branch), Krasnodar,
Russian Federation
Abstract. The article discusses the methodological basis and practice of using Process mining technology to improve the efficiency of business processes of Russian companies. The challenges of the digital economy and prerequisites for the development of Process mining methods are identified. The directions of transformation of approaches to process management in the conditions of application of Process mining methods are established. The main synergy effects of internal audit and Process mining are identified. The stages of implementation of the Process mining project and quality criteria for corporate data logs are considered. An algorithm of actions is proposed to prepare for the introduction of Process mining technology in Russian companies; to obtain the identified synergy effects by internal audit.
Keywords: process mining, business process, internal audit, digital economy, performance, software For citiation: Roshchektaev S.A., Roshchektaeva U.Y. Internal audit and Process Mining: the effects of synergy. Scientific Bulletin of the Southern Institute of Management. 2020. (1): 54-60. (In Russ.) https://doi. org/10.31775/2305-3100-2020-1-54-60 There is no conflict of interests
В настоящее время в науке и практике широко и стремительно развивается область Process mining. К сожалению, подавляющее большинство литературных источников на текущий момент представлено на английском языке и даже у термина Process mining нет полного русского аналога.
Цель применения методов Process mining состоит в повышении эффективности бизнес-процессов компаний в цифровой экономике. Основная идея Process mining состоит в извлечении знаний о структуре и поведении бизнес-процессов из журналов или логов событий. Такие логи сегодня широко
распространены и доступны в современных информационных системах. На основе автоматизированного исследования больших данных осуществляется выявление, мониторинг и улучшение реальных бизнес-процессов [1].
Несмотря на то, что данная область достаточно молодая, у дисциплины Process mining уже есть свой Манифест (или принципы), терминология, обучающие материалы, профессиональные конференции.
Применение технологии Process mining позволяет управлять эффективностью бизнеса на основе анализа процессов в реальном времени, фокусирования ресурсов в нужном месте в нужное время, а также за счет оперативного реагирования на риски.
Сегодня Process mining даёт ответ на вызовы цифровой экономики, позволяя получать знания из больших объемов данных, которые хранятся в корпоративных информационных системах.
Каковы же эти вызовы для российских компаний? Каковы предпосылки для развития методов Process mining? Интересны результаты исследования компании EY [2]. За последние 2 года в мире получено больше данных, чем за всю предшествующую историю человечества. До конца 2020 года в мире будет более 50 млрд. устройств для сбора, анализа и передачи данных; на каждого человека на планете будет производиться около 2 Мб данных в секунду. Таким образом, в условиях 4-й индустриальной революции глобальными трендами выступают гиперподключенность участников процессов и умная автоматизация производства и услуг. В цифровой экономике компании будут получать конкурентные преимущества через применение технологий аналитики данных.
Россия готовится к вызовам цифровой экономики. Основаниями для формирования цифровой технологической платформы российских компаний являются следующие стратегические документы.
1. Стратегия развития информационного общества в Российской Федерации на 2017 - 2030 годы (утверждена Указом Президента РФ от 09.05.2017 № 203). Цель Стратегии - создание условий для формирования в России Федерации общества знаний.
2. Национальная стратегия развития искусственного интеллекта на период до 2030 года (утверждена Указом Президента РФ от 10.10.2019 № 490). Стратегия является основой для разработки и корректировки в том числе плановых и программно-целевых документов акционерных обществ с государственным участием.
3. Национальная программа «Цифровая экономика Российской Федерации», срок ее реализации - до конца 2024 года (паспорт Национального проекта утвержден протоколом заседания президиума Совета при Президенте РФ по стратегическому развитию и национальным проектам от 04.06.2019 № 7). Одна из целей - увеличение внутренних затрат на развитие цифровой экономики за счет всех источников не менее чем в три раза по сравнению с 2017 г. (с 1,7% до 5,1% в валовом внутреннем продукте страны) [3].
Process mining или извлечение процессов - это общее название группы методов, предназначенных для анализа и совершенствования бизнес-процессов на основе изучения журналов о выполненных операциях. Process mining устанавливает связь между реальными процессами, данными об их реализации и моделированием процессов (рис. 1).
Рисунок 1. Содержание Process mining [1]
Рисунок 2. Процессное управление на основе Process mining [2]
Сегодня Process mining революционным образом меняет подходы к процессному управлению, ставит всё «с ног на голову» (рис. 2).
Анализ начинается с финальной стадии классического проектирования бизнес-процесса, т.е. в ходе работы сотрудники создают информацию о выполняемой деятельности. Далее деятельность отражается в логах ИТ-систем. Затем на основе Process mining реконструируется процесс «как есть» и выполняется проверка соответствия и улучшение процесса.
Проект Process mining реализуется в несколько этапов (рис. 3).
Каждый проект исследования процессов начинается с исходных данных. Для корректной работы с данными, необходимо извлечь и конвертировать их в соответствующий лог событий. События могут храниться в таблицах бизнес-систем (SAP, 1C), журналах регистрации транзакций. Данные о событиях
чаще всего не содержат четкой структуры. Журнал должен содержать события, которые относятся к конкретному одиночному процессу. Таким образом, качество результатов Process mining напрямую зависит от входных данных, от качества журналов событий. Критерии качества корпоративных логов данных установлены Рабочей группой по Process mining [3].
Как известно, одной из задач внутреннего аудита является повышение эффективности бизнес-процессов компаний. При этом Process mining придаёт новое качество внутреннему аудиту: внутренний аудит становится стратегическим партнером бизнеса, «продающим» усовершенствованные процессы; расширяется покрытие проверками Обществ Группы. Появляется возможность 100%-го охвата анализируемого процесса, а не риск-ориентированных выборок.
Рисунок3.ЭтапыреализациипроектаProcessmining
Выделим основные эффекты синергии внутреннего аудита и Process mining. Аудитор быстро понимает организационную структуру процессов на предприятии. Ему доступен поиск «узких мест» процесса на основе извлеченной фактической модели процесса, возможен анализ типичных и аномальных сценариев процесса. Аудитор выявляет, какие существуют типы отклонений фактического исполнения процесса от эталонного. Оценивает, какие задачи выполняются какими ресурсами, с какой производительностью. Получает возможность тестировать популяции процессов целиком, а не их выборки. Аудитор не полагается на неак-
туальные описания процессов; выводы аудитора полностью опираются на фактические данные. Аудитор может подтвердить соблюдение установленных стандартов и выявить их несоблюдение; идентифицировать неэффективные контроли. Получает возможность усовершенствовать процесс, наглядно продемонстрировать менеджменту ожидаемые результаты. В целом, внутренний аудитор получает инновационный инструмент для сокращения затрат по процессу и для повышения его эффективности [4].
Обзор функционала программных продуктов для Process mining приведен в таблице 1.
Таблица 1
Сравнительный анализ функциональности программного обеспечения для Process mining
Функциональность ProM Disco Celonis Описание
Типы входящих лог-файлов MXML, XES CSV, XLS, MXML, XES, FXL CSV, XLS Поддерживаемые форматы входных данных
Ограничение по количеству строк Неограниченно До 5 миллионов событий В зависимости от ограничения базы данных Максимальное количество строк для исследования
Лицензия Открытая Пробная (30 дней), Академическая, Коммерческая Пробная (30 дней), Академическая, Коммерческая Тип лицензии отличается периодом использования и функциональностью
Типы моделей для анализа BPMN, WF, Petri nets, ECPs, Transition systems, Heuristics и др. Fuzzy model Fuzzy model, Support of charts Какая модель будет применяться для анализа логов
Поддерживаемые платформы Desktop Version Desktop Version Web, Software as a service version Типы платформ, где может быть установлено ПО
Фильтрация данных ✓ ✓ ✓ Выбор определенного пула логов
Создание карты процесса из логов ✓ ✓ ✓ Вывод на экран карты процесса
Проверка соответствия ✓ - ✓ Проверка отклонений по ключевым факторам
Анализ социальных сетей ✓ - ✓ Тип модели для исследования соц. сетей
Правила принятия решений в анализе ✓ - - Визуализации каждой точки принятия решений
Визуализация исследуемого процесса ✓ ✓ ✓ Возможность анимации движения объектов на карте процесса
Performance Data (Время, скорость, объём и др.) ✓ ✓ ✓ Возможность анализа производительности на различных участках карты процесса
Продолжение Табл.1
Функциональность ProM Disco Celonis Описание
Правила для исследования отклонений ✓ - - Возможность прописывать правила отклонений в бизнес-процессе для поиска отклонений в процессе работы модели
Кластеризация процесса ✓ - - Возможность разделения неструктурированного процесса на отдельные множества для каждого из которых производиться построение карты процесса
Дельта-анализ ✓ ✓ ✓ Возможность сравнения модели AS-IS с эталонной моделью рабочего процесса
Корневой функциональностью программ для Process mining является автоматическое создание карт или моделей процессов из непосредственно загруженных журналов событий (рисунок 4). Возможен выбор нужного уровня абстракции карты процесса (например, 100%, 50%, 20%). Толщина линий треков и окраска действий показывают основные процессные потоки и их интенсивность. При 100%-ном отражении получена полная, сложная для восприятия карта, отображающая все варианты исполнения процесса. При 20%-ом масштабе мы получаем визуализацию наиболее типичного сценария исполнения процесса. При 50%-ом масштабе отображены в том числе действия процесса, которые исполняются реже. Такая карта подходит для выявления аномалий при исполнении бизнес-процесса. Примерно такую карту процесса знают участники, которые заняты в процессе [5].
На рисунке 4 приведен пример анимации фактических процессных потоков для определения «узких» мест процесса. Анимация процесса - это способ визуализации потоков процесса. Реальные события из журнала событий воспроизво-
дятся на извлеченной карте процесса. На рисунке 4 представлены «узкие» места, которые были обнаружены в бизнес-процессе: каждая точка - это отдельное исполнение процесса в режиме реального времени; скопление точек - это проблемные участки процесса.
На рисунке 5 приведен ряд примеров реализованных проектов Process Mining в России и мире.
Для сотового оператора сформирована фактическая карта процесса закупок, выявлены случаи аномального поведения процесса закупок. Так, более 100 из почти 600 заказов миновали обязательные стадии и были закрыты сразу после создания. Определены узкие места процесса - это этапы регистрации и согласования заказа. Определены закупки, прошедшие через все стадии за слишком короткий срок - менее 1 ч. В металлургической компании установлены системные риски процесса закупок; например, установлена техническая возможность оплаты закупки без оприходования ТМЦ (около 500 случаев за год). Установлены закупки, оформленные с нарушением принципа разграничения полномочий. Для ритейлера сформирована фак-
Рисунок 4. Пример анимации процессных потоков для определения «узких» мест процесса
Российский ритейлер
Suncorp- страховая компания Австралии
Copenhagen Airports A/S
•сформирована фактическая карта процесса товародвижения с отображением путей с наибольшим количеством и объемом заказов • на основе анализа 71 602 перемещений товаров выявлены 17 маршрутов поставок, не соответствующих принятой модели
•осуществлена визуализация маршрутов поставок товаров на географической карте, маршруты поставок товаров динамически увязаны с прочими графиками
• применена технология Process Mining для анализа процесса обработки заявок на страховое возмещение ущерба
• цель проекта - выявление реального процесса и возможностей для улучшения с точки зрения скорости и качества обработки заявок
• выявлены факторы, влияющие на задержки при обработке заявок
•срок обработки заявок на страховое возмещение сокращён с 30-60 до 1-5 дней
• внедрены инструменты Process Mining в отношении системы, отслеживающей перемещения багажа
•оперативно выявлены причины отклонения фактических параметров процесса от KPI, идентифицированы наиболее проблемные области процесса
У Л
J
J
Рисунок5.ПримерыреализованныхпроектовProcessMiшng вРоссииимире
тическая карта процесса товародвижения, выявлены маршруты поставок, не соответствующие принятой модели. В аэропорту Копенгагена внедрены инструменты Process Mining в отношении системы, отслеживающей перемещения багажа; определены наиболее проблемные области процесса. В австралийской страховой компании применена технология Process Mining для анализа процесса обработки заявок на страховое возмещение ущерба. Срок обработки заявок сокращён с 30-60 дней до 1-5 дней.
На наш взгляд, для подготовки к внедрению технологии Process mining в российских компаниях и для получения внутренним аудитом установленных нами эффектов синергии необходимо выполнить следующие действия.
1. Оценить состояние корпоративных журналов событий, формируемых в ИТ-системах.
2. Определить уровень качества корпоративных логов данных в соответствии с критериями Рабочей группы по Process mining.
3. Принять решение о выборе программного обеспечения для внедрения технологии Process mining.
4. Обеспечить возможность внутреннему аудиту тестировать популяции процессов компаний целиком, а не их выборок, на основе технологии Process mining. Таким образом, применение методов Process mining позволит внутреннему аудиту стать стратегическим партнером бизнеса, «продающим» усовершенствованные бизнес-процессы.
СПИСОК ЛИТЕРАТУРЫ
1. W.M.P. van der Aalst. Process mining. Discovery, Conformance and Enhancement of Business Process. Springer-Verlaq, 2011.
2. Process Mining: Технологии анализа бизнес-процессов на основе данных [Электронный ресурс] Режим доступа: http:// https://www.ey.com/ru (дата обращения: 05.02.2020)
3. Критерии качества логов IEEE Task Force on Process Mining [Электронный ресурс] Режим до-
ступа: http://www.processmining.org/logs (дата обращения: 05.02.2020)
4. Рощектаев С.А., Рощектаева У.Ю. Выявление фактов фальсификации финансовой отчетности: модель М. Бениша // Научный вестник Южного института менеджмента. 2018. № 2 (22). С. 37-43.
5. ROOMTOUR в среде логов: DISCO, CELONIS И PROM - что же лучше? [Электронный ресурс] Режим доступа: http:// https://newtechaudit.ru/disco-celonis-prom/ (дата обращения: 05.02.2020)
REFERENCES
1. W.M.P. van der Aalst. Process mining. Discovery, compliance and Enhancement of Business Process. Springer-Verlaq, 2011.
СВЕДЕНИЯ ОБ АВТОРАХ
Рощектаев Сергей Александрович,
доктор экономических наук, профессор кафедры «Экономика и финансы» Финансового университета при Правительстве РФ (Краснодарский филиал), г. Краснодар, Россия. Тел.: (905) 470 45 37, е-шаП: SARoschektaev@mail.ru
Рощектаева Ульяна Юрьевна, кандидат экономических наук, доцент кафедры «Экономика и финансы» Финансового университета при Правительстве РФ (Краснодарский филиал), г. Краснодар, Россия. Тел.: (906) 434 66 33, е-таП: UYURoschektaeva@fa.ru
2. Process Mining: Technologies for analyzing business processes based on data [Internet] Available from: http:// https://www.ey.com/ru (cited: 05.02.2020) (In Russ.)
3. Criteria for log quality IEEE Task Force on Process Mining [Internet] Available from: http://www.pro-cessmining.org/logs (cited: 05.02.2020) (In Russ.)
4. Roshchektaev S. A., Resective W. Y. Detection of fraud in financial statements: the model M. Boenisch. Scientific Bulletin of the Southern Institute of Management. 2018; (2): 37-43. (In Russ.)
5. ROOMTOUR in the log environment: DISCO, CELONIS AND PROM - what is better? [Internet] Available from: http:// https://newtechaudit.ru/disco-celonis-prom/ (cited: 05.02.2020) (In Russ.)
ABOUT THE AUTHORS
Roshchektaev Sergey Alexandrovich,
Doctor of Economic Sciences, professor at Department «Economics and Finance» of the Financial University under the Government of the Russian Federation (Krasnodar branch), Krasnodar, Russia. Ph.: (905) 470 45 37, e-mail: SARoschektaev@fa.ru Roshchektaeva Ulyana Yuryevna,
Candidate of Economic Sciences, Associate Professor at Department «Economics and Finance» of the Financial University under the Government of the Russian Federation (Krasnodar branch), Krasnodar, Russia. Ph.: (906) 434 66 33, e-mail: UYURoschektaeva@fa.ru
Статья поступила в редакцию 7.02.2020
