Время прочтения: 4 мин.

В период финансового кризиса, вызванного пандемией COVID-19, коммерческие организации обращают особое внимание на оптимизацию расходов во всех сферах деятельности. Кроме этого, в пик заболеваемости COVID-19, важно сократить социальные контакты между людьми, например, путем перевода клиентов из офисов, в удаленные каналы обслуживания, в частности, на устройства самообслуживания (УС).

В ходе аудита обратили внимание на организацию функционирования сети УС, в частности на закупку и установку в точках размещения.

Для оценки эффективности функционирования процесса по вводу УС в эксплуатацию, предстояло провести анализ заявок о выполнении работ по УС от транспортировки до ввода в эксплуатацию.

Решено было провести анализ с использованием инструментов Process mining, применяя библиотеки «Pandas» и «PM4PY». «Pandas» использовалась для предварительной подготовки данных (объединения выгрузок, отбора нужных столбцов, подготовки выборок наборов данных по интересующим параметрам), формирования файла для дальнейшего анализа методами Process mining в библиотеке «PM4PY». С помощью «PM4PY» осуществлялась аналитика по цепочкам последовательностей шагов (сколько уникальных, из каких шагов состоят), отбирались данные по дополнительным критериям (разбивка на перемещение/установка УС). Для анализа использовался большой массив информации из нескольких автоматизированных систем банка, включающая дату/время, виды работ, проведённых ответственными подразделениями и контрагентами банка, модели УС и адреса их установки.

from pm4py.algo.filtering.pandas.attributes import attributes_filter
resources = attributes_filter.get_attribute_values(df, "move_type")
resources

# Разделяем исходный ДФ на 2 части -- в зависимости от значений в столбце "move_type"
from pm4py.util import constants
df_to_WH = attributes_filter.apply_events(df, ["to_WH"], parameters=
                                         {constants.PARAMETER_CONSTANT_ATTRIBUTE_KEY: "move_type",
                                         "positive": True})
df_other = attributes_filter.apply_events(df, ["other"], parameters=
                                         {constants.PARAMETER_CONSTANT_ATTRIBUTE_KEY: "move_type",
                                         "positive": True})

По результатам применения инструмента Process mining мы получили граф процесса в виде стандартной «лапши», который был сложен для восприятия и не позволял в полной мере выявить узкие места в процессе. Такой результат нас не устроил:

рис.1

Справка:

Граф позволил выявить случаи отклонений в выполнении работ от стандартного процесса ввода УС в эксплуатацию, большая часть которых была обусловлена особенностями размещения конкретных моделей УС.

Для удобства анализа решено было применить новый вид визуализации процесса с использованием библиотеки визуализации «Matplotlib» и функцию этой библиотеки для построения диаграммы разброса – «Scatterplot». Указанный подход позволил визуализировать процесс с маркерами (значками), для которых можно регулировать несколько параметров: например, размер и цвет. В результате мы получили диаграмму с визуализацией в виде кругов разного цвета и размера для каждого этапа исполнения процесса и каждого филиала. Метод позволяет более подробно изучать составляющие процесса, дает возможность выбирать разные параметры для анализа (например, продолжительность или очередность этапа процесса) и проводить их дальнейшую визуализацию. Пример полученного результата мы видим на следующем рисунке:

Справка:

Ось X – филиалы; Ось Y виды работ.Яркость цвета кругов пропорциональна среднему времени выполнения работ с даты начала работ по заявке (чем позднее ответственное подразделение начинало работы с даты заявки на выполнение работ, тем ярче цвет), а размер круга пропорционален средней продолжительности выполнения работ.

Новый вид визуализации процесса позволил выявить такие недостатки в процессе, как разные подходы к выполнению одних и тех же видов работ у одних и тех же ответственных подразделений, работы начинались с существенной задержкой с даты получения заявки на выполнение работ, не использовалась возможность выполнение нескольких видов работ одновременно. Все указанные выше недостатки приводили к существенной задержке сроков ввода УС в эксплуатацию, что приводило к потерям комиссионного дохода банка от работы УС, недовольству клиентов.

По результатам проведенной работы нами были даны рекомендации по повышению эффективности процесса ввода УС в эксплуатацию. В короткие сроки парк УС был расширен и обновлен новыми моделями УС, в том числе с функцией приема наличных, что позволило:

— снизить расходы на содержание сети УС («старые» УС требовали частых ремонтов и обслуживания инкассаторами); — повысить доступность сети УС (клиенты смогли совершать на УС операции взноса наличных, для проведения которых ранее необходимо было посещать офис банка).