Банк «Санкт-Петербург» и GlowByte провели совместный анализ процесса открытия счетов с использованием технологии Process Mining
Банк «Санкт-Петербург» и GlowByte завершили пилотный проект по анализу процесса открытия счетов с использованием Process Mining. В пилотном проекте компании сфокусировались на улучшении двух ключевых метрик для процесса: время ожидания счета клиентом и ресурсы, которые тратит операционный департамент на поддержку процесса. На полный анализ процесса потребовался 1 месяц.
Процесс открытия счетов – один из самых массовых процессов в банке, в среднем банк получает более 2 тыс. заявок на открытие счета каждый месяц. Как любой ключевой для банка процесс, он хорошо оцифрован, его шаги фиксируются в ИТ-системах, по процессу хранится большой массив данных, на основе которых можно строить анализ. Процесс открытия счетов регулярно анализируют и оптимизируют как на логическом уровне, так и на уровне автоматизирующих систем. При этом классические методы анализа не всегда подходят для исследования процесса как живой структуры и его фактического поведения: обычно для проверки гипотезы по процессу или расчета нового процессного KPI требуются трудоемкие ручные расчеты и обращение к нескольким источникам данных в разной детализации. Так, например, анализируемый процесс открытия счетов структурно сложный и очень вариативный: на выборке данных за полгода было восстановлено около 1,5 тыс. различных сценариев прохождения процесса из нескольких десятков шагов.
Process Mining позволяет перенести анализ процесса экспертом с обработки массивов данных на визуальный анализ графа процесса. Инструмент Process Mining восстанавливает модель процесса – его реальную структуру и метрики, отражающие поведение процесса – на основе его цифровых следов. Подход применяется в банках, телекоме, ритейле и промышленных компаниях в России.
Аналитик получает интерактивный интерфейс для работы с моделью процесса и в несколько кликов может проверить любую гипотезу о процессе с полной фактурой для анализа причин отклонений и принятия решений: увидеть корреляцию с атрибутами и процессными метриками, распределение во времени, получить отчетность по нужным KPI и др. Подход позволяет обнаружить узкие места и отклонения, которые исходно не искали.
Одной из целей пилотного проекта было подтверждение применимости подхода Process Mining к процессам банка. Для реализации проекта было выбрано ПО Minit, один из лидеров рынка. Источником данных для анализа стала CRM-система, на которую в 2020 г. начал мигрировать процесс открытия счетов. При этом для пилотного проекта не потребовалось реализовывать никаких дополнительных интеграций: все необходимые для построения модели процесса данные уже были в готовых отчетах банка – оставалось только подготовить их к анализу и подать на вход Minit.
Подход Process Mining позволил быстро подтвердить гипотезы по процессу и получить полную фактуру об объеме и влиянии отклонений на процесс, основываясь на реальных данных. По итогам анализа локализовали основной объем возникающих в процессе возвратов до филиалов и конкретных сотрудников, выяснили, что значительная доля – 10% заявок – возвращается на доработку во фронт-офис два и более раз. При этом каждый возврат увеличивает длительность ожидания клиентом в среднем на один день – например, в филиале с одним из самых высоких показателей по возвратам медиана длительности ожидания клиентом счета оказалась в два раза больше, чем в среднем по всем филиалам банка.
Процесс открытия счетов – один из самых массовых процессов в банке, в среднем банк получает более 2 тыс. заявок на открытие счета каждый месяц. Как любой ключевой для банка процесс, он хорошо оцифрован, его шаги фиксируются в ИТ-системах, по процессу хранится большой массив данных, на основе которых можно строить анализ. Процесс открытия счетов регулярно анализируют и оптимизируют как на логическом уровне, так и на уровне автоматизирующих систем. При этом классические методы анализа не всегда подходят для исследования процесса как живой структуры и его фактического поведения: обычно для проверки гипотезы по процессу или расчета нового процессного KPI требуются трудоемкие ручные расчеты и обращение к нескольким источникам данных в разной детализации. Так, например, анализируемый процесс открытия счетов структурно сложный и очень вариативный: на выборке данных за полгода было восстановлено около 1,5 тыс. различных сценариев прохождения процесса из нескольких десятков шагов.
Process Mining позволяет перенести анализ процесса экспертом с обработки массивов данных на визуальный анализ графа процесса. Инструмент Process Mining восстанавливает модель процесса – его реальную структуру и метрики, отражающие поведение процесса – на основе его цифровых следов. Подход применяется в банках, телекоме, ритейле и промышленных компаниях в России.
Аналитик получает интерактивный интерфейс для работы с моделью процесса и в несколько кликов может проверить любую гипотезу о процессе с полной фактурой для анализа причин отклонений и принятия решений: увидеть корреляцию с атрибутами и процессными метриками, распределение во времени, получить отчетность по нужным KPI и др. Подход позволяет обнаружить узкие места и отклонения, которые исходно не искали.
Одной из целей пилотного проекта было подтверждение применимости подхода Process Mining к процессам банка. Для реализации проекта было выбрано ПО Minit, один из лидеров рынка. Источником данных для анализа стала CRM-система, на которую в 2020 г. начал мигрировать процесс открытия счетов. При этом для пилотного проекта не потребовалось реализовывать никаких дополнительных интеграций: все необходимые для построения модели процесса данные уже были в готовых отчетах банка – оставалось только подготовить их к анализу и подать на вход Minit.
Подход Process Mining позволил быстро подтвердить гипотезы по процессу и получить полную фактуру об объеме и влиянии отклонений на процесс, основываясь на реальных данных. По итогам анализа локализовали основной объем возникающих в процессе возвратов до филиалов и конкретных сотрудников, выяснили, что значительная доля – 10% заявок – возвращается на доработку во фронт-офис два и более раз. При этом каждый возврат увеличивает длительность ожидания клиентом в среднем на один день – например, в филиале с одним из самых высоких показателей по возвратам медиана длительности ожидания клиентом счета оказалась в два раза больше, чем в среднем по всем филиалам банка.