INTEGRATION OF ANALYTICAL SOLUTIONS INTO BUSINESS PROCESSES OF A MANUFACTURING AND LOGISTICS COMPANY

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The article considers the problem of integrating business analytics into supply chain management processes. An integrated approach is proposed that combines process management methods using key performance indicators of the process and its continuous iterative improvement at all stages. The analysis of logistics processes in the company under study revealed the following shortcomings: lack of formal mechanisms for monitoring delivery times, insufficient automation, inefficient organization and use of data. A target supply chain management model is proposed aimed at creating a closed decision-making loop based on data analysis. The new model provides for the use of BI tools to calculate delivery time deviations, visualize key indicators and automate risk identification. The use of an integrated approach increases transparency, coordination and digital maturity of the company's logistics processes through the effective use of analytical tools.

Толық мәтін

В условиях цифровой трансформации организаций всё большее значение приобретают подходы, направленные на эффективную и осмысленную интеграцию аналитических решений в текущие бизнес-процессы [Ошибка! Источник ссылки не найден., Ошибка! Источник ссылки не найден., 8, 10]. Современная бизнес-аналитика (Business Intelligence, BI) постепенно выходит за рамки вспомогательной функции и становится важнейшим инструментом поддержки управленческих решений на всех уровнях – от операционного до стратегического.

BI-подходы всё чаще рассматриваются как основа для организации непрерывного цикла управления, сочетающего мониторинг, прогноз и корректирующие действия. Именно такая интеграция позволяет BI трансформироваться в механизм системной адаптации и повышения устойчивости бизнеса [5].

Интеграция аналитических инструментов предполагает включение методов сбора, обработки, анализа и визуализации данных непосредственно в структуру корпоративного управления. Это обеспечивает формирование объективной и своевременной информации на каждом этапе бизнес-цикла, способствуя переходу от ретроспективной модели к управлению в режиме реального времени.

Для реализации такой модели особую роль играют управленческие и аналитические методологии, позволяющие обеспечить как организационные, так и технологические условия для эффективного применения бизнес-аналитики. Среди ключевых методологических подходов, которые применяются для интеграции аналитики в бизнес-процессы предприятия, можно выделить следующие [3, 6, 7, 9]:

- Business Process Management (BPM) – управление бизнес-процессами, направленное на их систематизацию, моделирование и постоянное совершенствование;

- KPI-ориентированный подход (Key Performance Indicators) – управление на основе ключевых показателей эффективности, которые позволяют фокусироваться на достижении измеримых результатов;

- цикл PDCA (Plan–Do–Check–Act) – метод непрерывного улучшения, реализующий итерационный подход к планированию, выполнению, контролю и корректировке действий;

- Lean-подход – концепция бережливого производства, ориентированная на устранение потерь и повышение ценности для потребителя;

- Six Sigma – методология управления качеством, основанная на статистическом анализе и направленная на минимизацию вариативности процессов.

Каждый из этих подходов способствует внедрению аналитических решений, обеспечивая системную основу для их интеграции в повседневную деятельность. Рассмотренные методологические подходы различаются по уровню формализации, целевой направленности и области применения в аналитических инициативах. Тем не менее каждый из них способен внести значимый вклад в формирование устойчивой архитектуры бизнес-аналитики в организации.

В рамках данной работы реализуется прикладной аналитический проект, направленный на использование аналитического инструментария для оценки своевременности поставок в производственно-логистической компании. Особый акцент сделан на контроле их своевременности по отношению к дате потребности. Если поставка происходит раньше запланированной даты, это может привести к замораживанию оборотных средств. Кроме того, возникают риски перегрузки складской инфраструктуры, снижается оборачиваемость и эффективность использования логистических ресурсов. Просроченные поставки, в свою очередь, повышают операционные риски и могут стать причиной задержек в производстве и снижают уровень удовлетворённости внутренних клиентов.

Исследуемая производственно-логистическая компания, работающая в одном из промышленных кластеров Уральского региона, ведёт активную логистическую деятельность – в течение года обрабатывается более 30 тысяч заказов, отличающихся по объёму и срочности. Логистическая система устроена по принципу распределённого складирования: часть продукции поступает на центральный склад, остальная направляется в филиалы и на производственные площадки.

Ключевой задачей логистической службы компании является обеспечение поставок точно в срок, строго в соответствии с датой фактической потребности. Однако в текущей конфигурации управления поставками выявлен ряд проблем:

- отсутствие инструмента визуального контроля отклонений между датами поставки и потребности;

- отсутствие классификации поставок по степени своевременности;

- игнорирование влияния преждевременных поставок на замораживание средств и загруженность складов;

- формирование отчётов выполняется вручную в MS Excel и не позволяет оценивать эффективность логистики в реальном времени;

- хранение данных для анализа и визуализации организовано в разрозненных не связанных источниках.

Аналитическая функция в компании сводится к ретроспективному анализу отгрузок. Диагностическая, визуальная и прогностическая аналитика не внедрены. Вместе с тем руководство компании осознаёт необходимость цифровой трансформации логистики и внедрения бизнес-аналитики как системного инструмента повышения прозрачности, контроля и финансовой эффективности.

С учётом целей исследования и специфики логистических бизнес-процессов был выбран интегрированный методологический подход, объединяющий элементы BPM, KPI-ориентированного управления и PDCA-цикла.

BPM используется для описания, визуализации и формализации процесса поставок. Для эффективного внедрения аналитики необходимо выделить ключевые этапы бизнес-процесса. Также важно определить точки генерации данных и установить логические связи между действиями, решениями и метриками. BPMN (Business Process Model and Notation) – это стандарт для графического описания бизнес-процессов, позволяющий ясно и однозначно представить их структуру [4].

В рамках анализа текущего состояния процесса поставок в исследуемой компании разработана и проанализирована BPMN-модель «as-is» (как есть) (рисунок 1). Процесс начинается с формирования потребности у заказчика. Далее заявка передаётся в отдел снабжения, где обрабатывается вручную (преимущественно с использованием MS Excel или корпоративной почты). В ходе обработки указывается дата потребности, однако эта информация не фиксируется централизованно и в последующем анализе не используется.

Рис. 1. Модель процесса поставок «as-is»

После оформления заказа и согласования условий с поставщиком логистическая служба организует поставку. Завершается процесс приёмкой на складе, где фиксируется дата поступления товара. При этом структура данных и сама дата остаются невостребованными при расчётах ключевых показателей или анализе отклонений.

Действующий процесс остаётся линейным и слабо автоматизированным, без встроенного аналитического механизма. Он не включает оценку своевременности поставок, автоматический контроль сроков и последующие управленческие действия в случае отклонений.

Целевая модель «to-be» (как должно быть) предлагает усовершенствованный подход, в котором ключевое место занимает BI-система, обеспечивающая сбор, обработку и визуализацию данных (рисунок 2). Процесс по-прежнему стартует с формирования потребности и ручной обработки заявки, но уже на этом этапе формируется структурированная дата, которая поступает в аналитическую систему. 

Рис. 2. Модель процесса поставок «to-be»

 

После завершения поставки и приёмки товара дата поступления также передаётся в BI-среду. Далее запускается аналитический модуль: BI-система, обслуживаемая аналитиками, рассчитывает отклонения между плановыми и фактическими сроками, классифицирует поставки (своевременные, преждевременные, просроченные) и визуализирует ключевые показатели в дашборде.

На следующем этапе используется условный элемент, определяющий, требуется ли корректировка графика поставок. При необходимости процесс возвращается в отдел снабжения, где анализируются причины отклонений и по ним выдвигается управленческое решение. Если вмешательство не требуется, процесс завершается.

Модель «to-be» реализует PDCA-цикл и формирует замкнутый контур принятия решений на основе данных. Это позволяет отслеживать соблюдение сроков, своевременно реагировать на критические отклонения, снижать риски заморозки оборотных средств и обеспечивать устойчивость логистических операций.

KPI-ориентированный подход основан на концепции управления по целевым показателям эффективности. Ключевая задача аналитики в контексте анализа процесса поставок – измерение и интерпретация показателей таких показателей, как своевременность поставок, среднее отклонение от даты потребности, доля преждевременных поставок, коэффициент заморозки денежных средств и другие. Этот подход обеспечивает структурированную основу для мониторинга эффективности бизнес-процессов, позволяя оценивать как текущие отклонения, так и динамику изменений показателей.

Переход исследуемой производственно-логистической компании от текущей модели процесса поставок к целевой отражает развитие бизнес-процесса от ручного, реактивного управления к структурированному и аналитически обоснованному. Разработанная BPM-модель процесса поставок «to-be» основана на процессном управлении с ориентиром на целевые показатели и цикличное итеративное улучшение. Такой подход позволяет своевременно реагировать на изменения в сроках поставок, устранять причины сбоев и корректировать графики в соответствии с реальными потребностями и тем самым повысить прозрачность, эффективность и производительность логистических процессов.

 

×

Авторлар туралы

O. Basharina

Ural State University of Economics

Email: gonchmn@usue.ru

Candidate of Technical Sciences, Associate Professor

Ресей, Russia, Yekaterinburg

D. Vorobyova

Ural State University of Economics

Хат алмасуға жауапты Автор.
Email: gonchmn@usue.ru

Student

Ресей, Russia, Yekaterinburg

Әдебиет тізімі

  1. Баландина Н.Г. Роль инструментов бизнес-анализа в повышении эффективности управления предприятием // Наукосфера. – 2022. – № 4-2. – С. 337-341. – EDN WXGYNQ.
  2. Баландин М.А. Анализ и оценка ИТ-рынка России инструментами бизнес-аналитики / М.А. Баландин, О.Ю. Башарина, Я.В. Курзыбова // Цифровые модели и решения. – 2023. – Т. 2, № 4. – С. 30-39. – doi: 10.29141/2949-477X-2023-2-4-3. – EDN NURXZM.
  3. Башарина О.Ю., Фер Т.В., Шильникова И.С. Анализ и оптимизация проектной деятельности digital-агентства // Цифровые модели и решения. – 2025. – Т. 4, № 1. – С. 47-65. – doi: 10.29141/2949-477X-2025-4-1-4. – EDN VLKMXV.
  4. Башарина О.Ю., Сидякова В.С. Программные средства моделирования и управления бизнес-процессами / О.Ю. Башарина // Столыпинский вестник. – 2024. – Т. 6, № 4. – EDN CNKKPF.
  5. Губанов А.А., Гавель О.Ю. Современные информационные технологии в бизнес-аналитике // Экономические науки. – 2022. – № 214. – С. 223-229. – doi: 10.14451/1.214.223. – EDN AMMLSM.
  6. Кунаков Е.П., Лонцих П.А., Кокшаров А.В., Гулов А.Е. Адаптация методов и моделей проектного управления к усовершенствованному циклу PDCA // Качество. Инновации. Образование. – 2021. – № 4(174). – С. 42-48. – doi: 10.31145/1999-513x-2021-4-42-48. – EDN OZNXSG.
  7. Максимов М.И., Королев А.А. О роли системы управления по ключевым показателям эффективности в условиях интенсивной конкуренции // Инновационная экономика: информация, аналитика, прогнозы. – 2024. – № 3. – С. 31-39. – doi: 10.47576/2949-1894.2024.3.3.003. – EDN HTQWXW.
  8. Михненко П.А. Мультимодальная бизнес-аналитика: концепция и перспективы использования в экономической науке и практике / П.А. Михненко // Управленец. – 2023. – Т. 14, № 6. – С. 2-18. – doi: 10.29141/2218-5003-2023-14-6-1. – EDN YVQVIE.
  9. Орехова С.В. Метавселенные: переход к новой бизнес-модели или образ будущего? / С.В. Орехова, А.Е. Плахин // Управленец. – 2023. – Т. 14, № 2. – С. 35-46. – doi: 10.29141/2218-5003-2023-14-2-3. – EDN UDQNRA.
  10. Шевченко О.В., Фурс М.В. Цифровая трансформация производственно-логистических систем // Вестник Гродненского государственного университета имени Янки Купалы. Серия 5. Экономика. Социология. Биология. – 2024. – Т. 14, № 3. – С. 6-14. – doi: 10.52275/2221-5336-2024-14-3-6-14. – EDN GLCPCB.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».