Rambler's Top100
Статьи
Александр КАЗЁННОВ  30 июля 2019

Как вернуть ускользающее доверие к данным в системе управления предприятием?

Современные предприятия и системы управления ими меняются сразу по многим направлениям. Но одно из них сегодня наиболее важно, так как является узловой точкой, корнем, из которого растут многие проблемы.

Воздействуя на эту точку, предприятие может не только ослабить или даже устранить эти проблемы, но и получить большие преимущества, например, улучшить качество управленческих решений или существенно упростить многие бизнес-процессы, следовательно, ускорить их и повысить эффективность. Эти преимущества тем больше и ценнее для предприятия, чем быстрее и глубже оно хочет встроиться в процессы цифровизации экономики и госуправления. Узловая точка, о которой я говорю, — это интеграция бизнес-систем (элементов информационной системы, с которыми работают сотрудники бизнес-подразделений), а также консолидация данных, полученных из разных источников, в единый информационный поток.

Казалось бы, эта проблематика не нова, крупные предприятия десятилетиями уделяют ей самое серьезное внимание. Но именно длительность и извилистость этого пути стала причиной многих сложностей, главная из которых — снижение доверия к данным. А без такого доверия начинают шататься все надстройки над интеграцией и консолидацией: менеджмент на основе данных, ситуационные центры, роботизация процессов и управленческих решений, BI, Big Data и другие новые инструменты.
Какие же причины снижают доверие к данным и как с этим бороться?

Причина 1: не вполне одинаковое содержание понятий

Представим себе разговор двух сотрудников о влиянии каких-либо изменений на себестоимость продукции, маржинальность и прибыль. Они прекрасно знают свою предметную область, владеют техникой финансовых расчетов, но их выводы почему-то расходятся. В конце концов оказывается, один из них подразумевал, что данные уже скорректированы на величину НДС, а его собеседник полагал обратное и вводил соответствующие поправки в свои расчеты. 18% — это достаточно большая цифра, чтобы противоречие отчетливо проявилось. Увидев его, квалифицированные специалисты без труда найдут причину расхождений и, договорившись об определениях, смогут продуктивно взаимодействовать. Однако, если различия не столь велики, они могут остаться незамеченными. На практике такая ситуация достаточно типична.

Эта проблема становится гораздо сложнее, если речь идет о крупной территориально распределенной организации, где в ранее не взаимодействовавших подразделениях информатизация долгое время происходила практически независимо. При этом разработчики информационных систем разных подразделений не вполне одинаково определяли одни и те же понятия (как в примере с себестоимостью и прибылью) и использовали несколько различающиеся алгоритмы и формулы расчетов. Внутри каждого подразделения между бизнес-системами нестыковок нет. Но объединение данных разных подразделений делает общий поток внутренне противоречивым. Внешне всё нормально: данные текут широкой рекой, подвергаются анализу, используются другими элементами ИС. Но какова ценность полученных выводов и принятых решений? И как заметить и предотвратить эту проблему, если объединяются сотни подразделений, задействующих десятки бизнес-систем и обменивающихся множеством показателей?

Обособленность развития подразделений — не единственная ситуация, приводящая к обсуждаемой проблеме. Похожая ситуация может возникать в кластерах взаимодействующих предприятий. Другим источником той же проблемы становятся границы между унаследованными и новыми системами. А также бизнес-системы, созданные на основе существенно различающихся моделей менеджмента. Если не предусмотрены особые меры, к этой проблеме может приводить (иногда только на время) и разработка ПО с помощью гибких методик (Agile).

Причина 2: невнимание к выбору единиц измерения и возникающим погрешностям

Возьмем другой пример. Во многих производствах качество основного продукта может быть принципиально улучшено с помощью дополнительных компонент — различных присадок и добавок. Немало таких примеров дают пищевая промышленность, производство лакокрасочных изделий, строительных материалов, ГСМ, металлургия и многие другие отрасли… Если при учете присадок и основных компонент, формирующих основу продукта, используются одни и те же единицы измерения (например, тонны), это создает значительную погрешность в учете объема присадки, которая используется в малых количествах, но стоить может очень дорого. Есть реальные примеры того, что такой подход приводил к злоупотреблениям, обходившимся крупной организации в десятки миллионов долларов в год.

Причина 3: смешение измерений, сделанных людьми и машинами

Эта ситуация становится все более распространенной. Если работу технологического оборудования контролируют люди, если они проводят замеры технологических параметров и потом вручную вносят эти данные в отчеты, возникает широкое поле для ошибок и злоупотреблений. Это происходит где угодно: при погрузке щебня в вагоны, при контроле пробега автотранспорта, при перекачке нефтепродуктов, при замерах состава смесей реагентов, имеющих существенно разную себестоимость … Организации тратят огромные средства на борьбу с «человеческим фактором», нанимают армии контролеров, создают сложные перекрестные схемы контроля, но полностью решить проблему чисто организационными методами не могут.

Принципиальное изменение происходит, когда людей заменяют телеметрические системы, непосредственно управляющие технологическим оборудованием и получающие первичную информацию непосредственно с датчиков. Если используется качественное оборудование, находящееся в исправном состоянии и своевременно проходящее поверку, расхождения между фактическими и учетными данными резко уменьшаются, стремясь к нулю. Однако переход к такому способу получения первичных данных, несмотря на его большие преимущества, происходит достаточно медленно — из-за необходимости глубокой модернизации технологического оборудования, существенного развития систем MES и АСУ ТП, а также кардинального изменения регламентов работы.

В реальности консолидации подвергаются данные, полученные обоими вышеуказанными способами. Разумеется, достоверность, погрешность и другие важные характеристики качества данных, само доверие к ним, сильно различаются в зависимости от способа их получения. Внутри групп также существует разброс, который особенно трудно оценить для информации, собранной вручную.

Как вернуть доверие к данным?

Во всех приведенных примерах действует общая причина: смешиваются информационные потоки с существенно разными характеристиками: тонкое с грубым, точное с неточным, рассчитанное на основе разных представлений. В каждом конкретном случае корни проблемы понятны, и она могла бы не возникнуть, если бы при проектировании соответствующего участка интеграционной инфраструктуры предприятия не сработал человеческий фактор. Но он срабатывает. И тем чаще, чем полнее бизнес-системы контролируют различные аспекты работы предприятия, чем больше появляется в системе интеграции источников и получателей данных, чем больше показателей включается в орбиту интеграции, чем больше подразделений входит в консолидированное информационное пространство, чем больше возникает стыков между новыми и унаследованными бизнес-системами, между цифровизированным технологическим оборудованием и контрольно-измерительными процедурами, выполняемыми вручную.

Чтобы успешно переходить к менеджменту на основе данных (Data Driven Management, DDM), расширять функции учетных систем, использовать моделирование и ИИ, внедрять решения класса i-ERP, необходимо научиться системно противостоять причинам снижения доверия к данным. А затем и поднять его на ранее недостижимую высоту, причем не по наитию, а с помощью технологии.

Сделать это можно только с помощью автоматизации: специализированные компоненты интеграционной инфраструктуры должны выявлять проблемы, применять алгоритмы коррекции, а также выводить оценку качества консолидированных данных, исходя из фактических параметров исходной информации и проведенной работы по ее улучшению. Такие специализированные компоненты требуют централизованного описания различных аспектов качества данных, метрологических характеристик и структуры информационных потоков, и выполняться такое описание должно с помощью специальных метаданных, т.е. данных о данных.

В настоящее время уже существуют интеграционные платформы (в том числе для ERP и и i-ERP-систем на основе продуктов «1С»), способные при консолидации данных оперировать метаданными, выявляя одни ошибки и предотвращая другие. Дальновидные заказчики ясно понимают, что бороться лишь с конкретными ошибками консолидации бесперспективно: их число будет быстро возрастать, а многие проблемы останутся невыявленными (при этом будут снижаться качество управленческих решений и создаваться риски). Такие компании понимают, что гораздо разумнее системно бороться с причиной проблем, но до недавнего времени они не имели адекватных инструментов. Теперь эти инструменты есть — это интеграционные платформы, управляемые метаданными.

Александр Казённов, руководитель корпоративной практики Департамента корпоративных информационных систем, ALP Group
Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!