От данных к решению

Чему вы научитесь

• Сопоставлять типы bottleneck с AI-технологиями
• Выбирать между ML, LLM, RAG и RPA
• Оценивать процент автоматизации для каждого процесса
• Составлять AI Implementation Brief

Итоги process mining

К этому моменту у вас должно быть:

• Карта процесса с реальными частотами переходов
• Топ-3 bottleneck с временными метриками
• Процент rework и основные отклонения
• Понимание, где AI может помочь

Теперь нужно превратить это в план действий.

Шаг 1: Классификация bottleneck

Для каждого узкого места определите его тип:

Шаг 2: Карта AI-технологий

Не всегда нужен LLM. Иногда достаточно простого ML или даже правил.

flowchart TD
    A{"Тип задачи?"} --> B["Классификация<br/>(тип заявки, категория)"]
    A --> C["Извлечение данных<br/>(из текста, документа)"]
    A --> D["Генерация текста<br/>(ответ, отчёт)"]
    A --> E["Маршрутизация<br/>(куда направить)"]
    A --> F["Проверка<br/>(соответствие, ошибки)"]
    A --> G["Прогнозирование<br/>(спрос, сроки)"]
    A --> H["Рутинные действия<br/>(копирование, заполнение)"]

    B --> B1["ML-модель или<br/>LLM-классификатор"]
    C --> C1["LLM<br/>(GPT, GigaChat, Claude)"]
    D --> D1["LLM + RAG<br/>(база знаний)"]
    E --> E1["Правила +<br/>ML для сложных"]
    F --> F1["LLM + чек-лист"]
    G --> G1["ML<br/>(XGBoost, Prophet)"]
    H --> H1["RPA<br/>(UiPath, Электронный<br/>сотрудник)"]

    style A fill:#1e293b,color:#fff
    style B1 fill:#3b82f6,color:#fff
    style C1 fill:#8b5cf6,color:#fff
    style D1 fill:#8b5cf6,color:#fff
    style E1 fill:#10b981,color:#fff
    style F1 fill:#8b5cf6,color:#fff
    style G1 fill:#3b82f6,color:#fff
    style H1 fill:#f59e0b,color:#000

Таблица решений с примерами

Шаг 3: Оценка автоматизируемости

Для каждого bottleneck оцените, какой процент случаев AI обработает без участия человека.

Пример: тикеты поддержки

Вывод: ~72% тикетов могут обрабатываться AI. Остальные 28% требуют человека, но AI может подготовить черновик ответа.

Формула

Автоматизация = Доля случаев × Точность AI

Общая автоматизация = Σ (Доля_i × Точность_i)

AI Implementation Brief

Итоговый документ, который связывает process mining с планом внедрения.

Шаблон

Пример заполненного Brief

Процесс: Обработка входящих заявок (техподдержка)

Текущее состояние (по данным process mining):

Основные проблемы:

1. Bottleneck: классификация и назначение (медиана 1.5 ч) — 60% времени это ожидание свободного специалиста
2. Rework: 8% заявок возвращаются из-за неверной классификации
3. Отклонение: 15% заявок обходят этап проверки качества

AI-решение:

Экономика:

Связь с последующими модулями

Process mining даёт данные для всей цепочки:

flowchart LR
    PM["Модуль 5.2<br/>Process Mining"] --> ROI["Модуль 5.3<br/>Расчёт ROI"]
    PM --> PILOT["Модуль 5.4<br/>Пилотный проект"]
    PM --> CM["Модуль 5.5<br/>Change Management"]

    ROI --> PILOT
    PILOT --> CM

    style PM fill:#3b82f6,color:#fff
    style ROI fill:#10b981,color:#fff
    style PILOT fill:#8b5cf6,color:#fff
    style CM fill:#f59e0b,color:#000

• Модуль 5.3 (ROI): baseline-метрики для расчёта экономии
• Модуль 5.4 (Пилот): конкретный процесс и точки вмешательства
• Модуль 5.5 (Change Management): понимание, кого затронет изменение

Ключевые выводы

• 4 типа bottleneck: ожидание решения, перегрузка, информационный дефицит, ручная обработка
• Не всегда нужен LLM: правила → ML → LLM → LLM+RAG (от простого к сложному)
• Реалистичная автоматизация — 60–80%, не 100%
• AI Implementation Brief — мост между аналитикой и действием
• Process mining даёт baseline-метрики для расчёта ROI в следующем модуле