Перезагрузка. Руководство McKinsey по преодолению конкуренции в эпоху цифровых технологий и искусственного интеллекта - читать бесплатно онлайн полную версию книги автора Lamarre (ч. 6)

ПРИЛОЖЕНИЕ 29.2

Создание метода повторного использования решений - концепция активизации

Что, если бы компания создавала каждый компонент своего продукта с нуля при каждом заказе, без каких-либо стандартизированных или согласованных деталей,

процессов и протоколов обеспечения качества? Есть все шансы, что любой руководитель расценит такой подход как серьезный тревожный сигнал, предвосхищающий экономию на масштабе и вводящий неприемлемый уровень риска, и немедленно примет меры по его устранению.

К сожалению, когда дело доходит до масштабирования цифровых решений и решений на основе искусственного интеллекта, компании часто сталкиваются с необходимостью переделывать множество дел. Это - убийца масштаба. Эффективное масштабирование зависит от возможности повторного использования как можно большей части решения при его развертывании на предприятии.

Чтобы воспользоваться преимуществами многократного использования, цифровое решение и решение на основе искусственного интеллекта должны быть упакованы в виде набора модулей или активов (отсюда термин assetiza- tion). Это облегчает его адаптацию к неизбежным различиям в условиях работы подразделений. Например, у горнодобывающей компании могут быть медные обогатительные фабрики, построенные по разным технологиям переработки руды. В то время как цифровое решение для оптимизации производительности может иметь общий механизм машинного обучения, конвейеры данных для получения данных от оборудования по переработке руды, скорее всего, будут специфическими для каждой фабрики.

Первое, что необходимо сделать при разработке подхода к повторному использованию решений, - это признать, что цифровые решения имеют разные уровни возможности повторного использования (см. Рисунок 29.3). Некоторые решения являются узкоспециализированными и специализированными и вряд ли могут быть использованы повторно. Другие полностью стандартизированы и могут быть упакованы в программные приложения. Где-то между ними находится широкий класс решений, в котором 60-90 % решения может быть использовано повторно. Большинство собственных цифровых и аналитических решений, которые разрабатывают компании, попадают в эту категорию.

Основной принцип эффективной активации - возможность повторного использования для достижения эффективного и быстрого внедрения. Эффективная активация требует управления тремя элементами (см. Рисунок 29.4):

Этапы процесса внедрения. Это пошаговые инструкции по внедрению и эксплуатации, необходимые для того, чтобы команды могли использовать цифровое решение. По сути, это стандартизированный способ обучения людей использованию и управлению решением, включая использование конкретных модулей для нужд конкретного подразделения.

Типы цифровых решений и решений на основе ИИ в зависимости от степени стандартизации

ИНДИВИДУАЛЬНОЕ РЕШЕНИЕ

АССЕТ

СТАНДАРТИЗИРОВАННЫЙ ПРОГРАММНЫЙ ПРОДУКТ

ОПИСАНИЕ

Решение для решения конкретной задачи. Пользовательские решения иногда используют фрагменты кода, но обычно строятся с нуля

Решение проблемы, которая является общей для нескольких подразделений (например, заводов, рынков или ДЕ), но требует

настройка под конкретные подразделения. Основная база кода, пользовательский интерфейс и рецепт доставки используются и поддерживаются на уровне предприятия

Автономное корпоративное программное приложение, обслуживающее множество конечных пользователей и не требующее практически никакой настройки

ПРИМЕР

Специфический анализ для выявления первопричины ухудшения состояния оборудования

Консультационная система на основе ИИ для оптимизации урожайности растений

Набор инструментов для статистического анализа

СТЕПЕНЬ СТАНДАРТИЗАЦИИ

10%

60-90%

>90%

КОМПОНЕНТЫ

Данные (обычно в автономном режиме)

Данные (часто в режиме онлайн)

Модель (часто разрабатывается в блокноте и редко запускается в производство)

Основная кодовая база, фреймворк моделирования, пользовательский интерфейс

Рецепт поставки и глубокая поддержка SME

Стандартный пакет программного обеспечения

Внедрение на предприятиях и обучение пользователей

Обучение и поддержка пользователей

Управление корпоративными продуктами

Поддержка "службы технической поддержки"

Управление корпоративными продуктами (внутреннее или 3P)

MLOps и постоянный контроль эффективности

Рецепт эффективной активации

ПРОЦЕСС

ТЕХНОЛОГИЯ

ЛЮДИ

Руководство по диагностике

Пошаговое руководство по выявлению, определению размера и приоритетности возможностей развертывания. Включает стандартный подход к оценке воздействия

Руководство по эксплуатации и поддержке

Пошаговые инструкции по запуску и обслуживанию актива, роли и обязанности, протоколы эскалации

Руководство по доставке

Пошаговая методология развертывания актива - включая стандартные и специализированные компоненты

Не исчерпывающий

Строительные блоки кода

Модульные и многократно используемые компоненты (могут применяться для многих вариантов использования)

Аналитический конвейер

Готовый, легко конфигурируемый, сквозной код для конкретного случая использования

Стандарты для создания кодексов и сотрудничества

Документ, определяющий межпрограммные стандарты и рекомендации по сотрудничеству для разработки аналитических приложений

Документирование знаний о домене

Описание варианта использования, где находится ценность, и выводы о моделировании процесса (например, описание процесса, операционные KPI, деревья проблем).

Инфраструктура MLOps

Стек технологий для развертывания приложений, мониторинга, управления производительностью

Эксперты по доставке/масштабированию

Эксперты по предмету, специалисты по анализу данных, бизнес-переводчики

Программа наращивания потенциала

Определение ролей и обязанностей, программа обучения для создания или укрепления потенциала

Люди для поддержания/инноваций

Владелец продукта, инженеры ML, владелец корпоративного продукта

Организационные структуры

Управление, как формируются команды и взаимодействуют роли, а также взаимосвязь с другими организационными подразделениями

ПРИЛОЖЕНИЕ 29.4

Модульные технологические компоненты. Речь идет об использовании блоков кода, которые могут быть использованы через API и легко заменены без ущерба для остальной части решения. Это ускоряет адаптацию к конкретной ситуации при масштабировании. В примере, приведенном в Примере 29.5, горнодобывающая компания использовала модульную архитектуру, разбитую на несколько слоев, для максимального повторного использования кода на других горнодобывающих объектах, несмотря на то, что технологии и среда передачи данных на этих объектах были разными.

Пример модульной архитектуры для решения по оптимизации уставки

Базовый слой

Горизонтальные платформенные сервисы Как правило, 30% от общего объема решений Полностью многократно используемые сервисы

Менеджер конвейера данных, инструмент для исследования данных, пакет ML

Платформа, инфраструктура как код, конвейер DevOps

Уровень вариантов использования

Компоненты, созданные для решения конкретных задач

Как правило, 20% от общего объема решения

Команды доставки подстраиваются под конкретное подразделение

Пользовательский интерфейс для конкретного случая Оптимизатор уставки

Особенности конкретного случая использования

Анализатор первопричин

Слой, характерный для конкретного устройства

Конфигурация инструментария

Как правило, 20% от общего объема решения Некоторые настройки

Обученные модели и ограничения

Особенности, характерные для устройства/процесса

Основной слой

Компоненты, не зависящие от конкретного случая использования Как правило, 30% от общего объема решения Мало или совсем не настраивается

Приборная панель и отчеты Коннекторы приборной панели

Библиотека оптимизаторов, компоненты трубопроводов, механизм моделирования

ПРИЛОЖЕНИЕ 29.5

Специалисты по поддержке решения. Вам понадобится команда экспертов предметной области (например, инженеры ML, владельцы корпоративных продуктов), которые понимают, как развернуть решение и адаптировать его к различным средам. Эти люди должны знать, как обучать пользователей и внедрять организационные изменения.

Продуманный подход к активации может привести к существенному увеличению скорости и эффективности развертывания. На рис. 29.6 показано развертывание оптимизаторов уставки в двух разных отраслях промышленности, а также увеличение скорости развертывания за счет эффективной активации. Чем более стандартизированы агрегаты, тем больше преимуществ, что отражено на рис. 29.6, где парк электрогенераторов получает еще больше преимуществ от актизации, поскольку большинство решений являются общими для всех заводов (в отличие от операций по переработке минералов, которые, как правило, в большей степени зависят от конкретного объекта и руды).

Сокращение времени развертывания за счет использования активов

Примеры переработки полезных ископаемых и производства электроэнергии Количество недель на внедрение решения

Усиление Разработка POC Подготовка

Применение оптимизации заданного значения при обогащении полезных ископаемых

Применение оптимизации уставки для всего парка электростанций

36 20

-65%

-39

Сайт 1

Сайт 2

Сайт 3

Участок 1Участок 2Участки 3-10

Чтобы повторное использование решений стало частью общего корпоративного подхода к масштабированию, рассмотрите возможность создания модели финансирования и стимулирующей структуры, поощряющей повторное использование. Обычно это означает: (а) выделение явных инвестиций в актирование решения после того, как оно прошло стадию MVP; (б) создание централизованного финансирования и ресурсов для поддержки развертывания; (в) измерение уровня внедрения в подразделениях и соответствующее стимулирование их руководителей.

Пример из практики: Обеспечение внедрения и масштабирования 400 моделей искусственного интеллекта

Vistra, ведущая энергетическая компания, инвестировала в подход к быстрому масштабированию решений на основе искусственного интеллекта, разработанных для оптимизации парка электростанций. Эти решения состояли из 400 моделей ИИ, настроенных на оптимизацию различных частей работы электростанций.

С самого начала процесса разработки решения дизайнеры работали с операторами, чтобы понять, как выглядит их повседневная деятельность. Инструменты ИИ должны были облегчить жизнь операторов, поэтому, например, экран, на котором отображались решения и рекомендации ИИ, был интегрирован в интерфейс, которым операторы уже пользовались, чтобы им не нужно было следить за дополнительным экраном. Сами дисплеи были спроектированы так, чтобы их было легко читать. Решение отображает зеленый сигнал, если завод работает оптимально, и красный, если не работает, с соответствующими рекомендациями, включающими стоимость выполнения рекомендации.

Когда решение продемонстрировало свою ценность на пилотной площадке и было одобрено для масштабирования, команда инженеров по программному обеспечению и ML сразу же взялась за рефакторинг, модулизацию и контейнеризацию кода. Таким образом, для каждого развертывания был создан единый пакет программного "ядра", который можно было обновлять и улучшать. При этом всегда требовалась некоторая кастомизация, поскольку каждый завод имеет свои уникальные характеристики.

Специальные команды по настройке, состоящие из специалистов по обработке данных, инженеров, операторов и экспертов в области энергетики, работали с каждой станцией, чтобы адаптировать решение к ее уникальным условиям. Команда создала инфраструктуру MLOps, чтобы свести данные с каждого энергоблока Vistra в единую базу данных (подробнее о MLOps читайте в главе 23). Она использовала программное обеспечение GitLab для управления контролем версий кода и контейнеризации кода, чтобы его можно было легко развернуть в любой среде. Команда также создала информационные панели для мониторинга производительности и использования моделей и управления непрерывным совершенствованием каждой модели.

Наконец, в рамках проекта было организовано три уровня обучения: для рядовых сотрудников (чтобы научиться использовать модели), для технической команды (чтобы научиться разрабатывать и поддерживать модели ИИ) и для руководящего состава (чтобы понять, как использовать модели ИИ и трансформировать работу бизнеса).

Глава 30.

Обеспечение воздействия путем отслеживания того, что имеет значение

Не путайте активность с достижениями.

-Джон Вуден

Удивительно, но многие руководители компаний не имеют четкого представления о том, как проходит их цифровая трансформация и трансформация с помощью искусственного интеллекта.1 Продвигаемся ли мы к более цифровой бизнес-модели? Создаем ли мы цифровые возможности, как мы говорили? Окупается ли это с точки зрения удобства для клиентов и влияния на конечный результат?

Никто не будет спорить о необходимости измерения прогресса в области трансформации. Но вопрос в том, что и как измерять. Отслеживание эффективности может быстро разрушиться под собственным весом, если оно плохо продумано и не имеет правильных вспомогательных инструментов.

Качественная инфраструктура производительности включает в себя (1) разработку правильных KPI для управления производительностью, (2) отслеживание с помощью stage-gate процесс и вспомогательные инструменты документооборота, и (3) создание эффективного офиса трансформации.

Архитектура управления производительностью и KPI

Четко определить, какие показатели эффективности необходимо измерять, - это уже половина успеха. При трансформации цифровых технологий и ИИ ключевые показатели эффективности (KPI), как правило, делятся на три группы: показатели создания стоимости, показатели здоровья стручка и показатели управления изменениями (см. Рисунок 30.1).

Архитектура управления эффективностью цифровой трансформации и ИИ

СОЗДАНИЕ СТОИМОСТИПОДДЕРЖАНИЕ ЗДОРОВЬЯ УПРАВЛЕНИЕ ИЗМЕНЕНИЯМИ

ЦЕЛЬ

Оценка влияния цифровых решений на основные бизнес/операционные KPI

Измерьте здоровье и зрелость стручков

Оценка прогресса в создании новых возможностей и мобилизации организации

МЕТРИКИ

Операционные КПЭ

KPI зрелости

Наращивание потенциала и управление изменениями KPI

ПРИМЕРЫ

Принятие клиентов (%) Онлайн-продажи (% от продаж) Доходность процесса (%)

Коэффициент перекрестных продаж (%)

Достаточность штатного расписания OKR Достижения Agile/DevOps зрелости Частота выпуска релизов

# Количество мобилизованных капсул Вовлеченность сотрудников Наем/повышение квалификации талантов Достижения по этапам

ЕДИНИЦА АНАЛИЗА

Решения и домены

Стручки

Конкретные возможности, лидерство, вовлеченность сотрудников

АКТУАЛЬНО ДЛЯ

Руководители высшего звена, руководители подразделений

Лидеры доменов и владельцы капсул

Руководители высшего звена и лидеры в области трансформации

ПРИЛОЖЕНИЕ 30.1

Отслеживание создания стоимости с помощью бизнес/операционных КПЭ

Цифровые решения, как правило, нацелены на один или несколько бизнес/операционных KPI, которые обычно можно перевести в финансовые или клиентские преимущества.

Эти показатели важны для лидеров домена и руководителей высшего звена. Для инвесторов они также являются убедительным доказательством прогресса цифровой трансформации.

В Примере 30.2 приведен пример международного банка, который каждый квартал отчитывается перед инвесторами о ключевых показателях цифровой трансформации, а именно о внедрении клиентами мобильных приложений, цифровых продажах, выводе транзакций из филиальной сети и сокращении численности персонала в филиалах.

Дерево факторов стоимости - полезный инструмент для определения того, какие цифровые решения и решения в области искусственного интеллекта должны улучшить основные операционные КПЭ. Дерево также используется для увязки ОКР подразделений, работающих над данным решением, что позволяет создать единое представление о том, как будут достигнуты улучшения.

На рисунке 30.3 показан пример компании, занимающейся пенсионным страхованием. Доход такого предприятия зависит от количества компаний, заключивших договор на пенсионное страхование, среднего количества сотрудников, участвующих в плане, и среднего дохода на одного участника.

По мере декомпозиции дерево переходит к операционным KPI, таким как количество предложений, сделанных потенциальным клиентам, и процент побед. Как правило, именно на этом уровне цифровые решения влияют на эффективность бизнеса. В данном примере руководитель коммерческого направления решил разработать три цифровых решения, как показано на рис. 30.3. Решение 2 в этом примере направлено на упрощение регистрации участников. Над этим решением будут работать две группы. Первая группа будет работать над оптимизацией приложения, а вторая - над разработкой API для предварительного заполнения информации о сотруднике.

Руководитель коммерческого направления должен отслеживать прогресс на уровне операционных KPI. Для решения 2 это будет процент завершенных приложений и уровень удовлетворенности пользователей (не показаны в дереве факторов ценности). С другой стороны, владельцы подсистем должны отслеживать ключевые результаты, которые непосредственно контролируются подсистемами, и где прогресс может быть достигнут за несколько недель или максимум за несколько месяцев. Хорошим примером в этом случае является сокращение количества шагов для завершения приложения, которое обычно достигается за несколько месяцев.

Классические KPI бизнес-операций, отслеживаемые в ходе цифровых преобразований в банковской сфере

Пример из отчетности для инвесторов одного из ведущих международных банков, 2016-2020 гг.

100

2019 2020

2017

2020

Используют ли мои приложения клиенты?

% цифровых клиентов

2018

2016

2017

2018

Выводятся ли транзакции из сети филиалов?

% от общего объема операций в филиалах

100

2019

2019 2020

2016

2018

0 0

2016 2017 2018 2019 2020 2016

2017

100

Автоматизируются ли процессы?

Численность персонала в филиальной сети 100 = 2016

100

Легко ли купить мои банковские продукты онлайн?

% от общего объема продаж

ПРИЛОЖЕНИЕ 30.2

Дерево факторов стоимости для определения того, как цифровые решения влияют на KPI

Пример пенсионного страхования

ДЕЛОВЫЕ KPI

ОПЕРАЦИОННАЯ KPI

POD OKR

Решение 1: планы по завоеванию/сохранению

Размещение в PGIM

Дополнительные сборы

Комиссионные за регулярное поступление денег

# предложений

Коэффициент выигрыша (%)

# необходимые документы

# Количество планов, отправленных на повторные торги

Плата на уровне плана

Стабильное размещение ценностей

# Количество потерянных планов

ВОЗВРАТ

Под 1: упрощение процедуры подачи заявления на зачисление

Средняя #

участников по каждому плану

Бод 2: предварительное заполнение информации о сотрудниках

% охвата информации о сотрудниках

Удержание %

Шаги для заполнения заявки

Время заполнения заявки

# сотрудников, имеющих право голоса

% одобрен

% план с учетом данных до населения

Плата за ведение учета

Комиссионные при переводе средств в IRA

Доля фонда имущества

Всего планов

# сотрудников, имеющих право голоса

Доход на одного участника

% заполненного заявления

Продажи нового бизнеса

# планов на начало года

# участников

Решение 2: Регистрация на диске

Под 1 и 2 ОКР

Решение 3: соотнесите плату с увеличением затрат

Отслеживание и отчетность по сферам деятельности

Отслеживание и составление отчетов о результатах цифровой трансформации.

За ними следуют под и можно отслеживать цифровые преобразования производительности mgmt.

На рисунке 30.4 показано, как организованы ОКР для каждого блока, а также поэтапное достижение ожидаемых ключевых результатов и конечных целей улучшения. Здесь также показаны основные предположения о том, как решение позволит снизить количество отказов от заявок и увеличить число участников.

Сформулировать эти предположения может быть непросто. Трудно заранее определить, насколько снизится процент отказов от услуг благодаря упрощенному приложению и заранее заполненным данным о сотрудниках. Это требует суждения. Поэтому очень важно поэтапно получить ключевые результаты и проследить, как версия 1 решения влияет на показатели отказа от услуг, что позволит убедиться в необходимости продолжения усилий в версии 2 и, в конечном итоге, в версии 3, или переключиться на более перспективные направления.

Разработка дерева драйверов и отслеживание соответствующих KPI является основополагающим фактором для общего успеха цифровой трансформации. Оно обеспечивает четкую "Северную звезду", позволяет сосредоточиться на создании стоимости и создает четкую систему подотчетности.

Оценка здоровья стручков

Подразделение - это "боевая единица" в цифровой трансформации и трансформации с помощью ИИ. Невозможно успешно провести цифровую трансформацию без здоровых, зрелых стручков.

Многие цифровые преобразования продвигаются медленнее, чем планировалось изначально, потому что их подразделения плохо сконфигурированы (например, члены подразделения работают неполный рабочий день, не обладают достаточными навыками), не внедрили современные методы работы (например, agile, DevOps) или не имеют критически важных возможностей (например, управление производством, дизайн пользовательского опыта). По нашему опыту, разница в производительности между низкоэффективным и высокоэффективным подразделением может составлять 5× и более. Измерение и управление состоянием капсулы действительно имеет значение.

Оценка здоровья капсул производится с помощью трех линз:

Метрики конфигурации бодов. Это позволяет ответить на простой вопрос: Правильно ли укомплектована капсула? Это кажется достаточно очевидным, но каждая компания имеет ограничения по ресурсам, и капсулы могут работать долгое время без надлежащего обеспечения ресурсами. Вы действительно хотите ответить на два основных вопроса: Выделены ли ресурсы капсулы? И заполнена ли каждая роль человеком, обладающим необходимыми навыками? Эту оценку лучше всего проводить владельцу стручка и лидеру домена. QBR - отличная возможность оценить это в рамках отчетности QBR.

Бизнес/операционные KPI, связанные с под OKR

Пример из практики: Составление карты OKR - стимулирование привлечения клиентов к пенсионному страхованию

Экономическое обоснование решения

400 000Решение позволит сократить

заброшенный заявление

Уровень оставленных заявоксравнению с прошлым годом и 20% до 5% дополнительному набору 300 000 человек.

NPS из 10 приложений и промышленности

Ведущий NPS 50

2/3 заполненных заявок обычно зачисляются, что позволяет получить 200 000

дополнительные слушатели

Средняя маржа млн на участникаEBITDA

$500

NPS = 50

ЦелиКлючевые результаты

V1 - год 1V2 - год 2

Цель путешествия V3 - год 3

Под 1

Сократите время заполнения заявки на 60 %.

Ключевой результат 1.1:

Сократите количество необходимых документов

Ключевой результат 1.2:

Сократите количество этапов применения

Под 2

Включение функции предварительного заполнения данных о сотрудниках для 50% планов

ПРИЛОЖЕНИЕ 30.4

Ключевой результат 2.1:

% планов с API-связью с системой управления персоналом

Ключевой результат 2.2:

Информация о супруге и иждивенцах

Информация о предыдущем плане

Основная информация о сотрудниках

Предварительно заполненная информация о типе сотрудника

Показатели производительности стручка. Здесь речь идет о функционировании стручка. Эти показатели обычно извлекаются из инструментов управления бэклогом, например, Jira, Azure DevOps, Digital.ai (поэтому важно обучать подгруппы последовательному использованию этих инструментов). Хотя в отрасли ведутся споры о том, какие показатели лучше отслеживать, мы рекомендуем отслеживать следующие показатели. Первые четыре известны как стандартные метрики DORA (DevOps Research and Assessment). (Рисунок 30.5):

Частота развертывания - измерение среднего времени между успешными выпусками кода в производство для каждого приложения. Если релизы ограничены бизнес-причинами, то в качестве косвенного показателя можно использовать частоту развертывания до приемочного тестирования (UAT).

Время подготовки к изменениям - время от окончания цикла разработки до развертывания в производстве. Эта метрика показывает, насколько эффективен (и автоматизирован) процесс от момента проверки кода до момента интеграции, тестирования и развертывания нового решения.

Среднее время восстановления (MTTR) - это среднее время, необходимое для восстановления после сбоя продукта или системы. Оно показывает, была ли система спроектирована с учетом отказоустойчивости, и насколько быстро вы решаете проблемы, связанные с простоем, чтобы вернуть системы в рабочее состояние.

Показатель отказов изменений - измерение процента развертываний, которые приводят к отказу в производстве. Показатель отказов изменений берет все ваши рабочие процессы за определенный период и вычисляет процент, который закончился неудачей или потребовал исправления (например, потребовал исправления, отката, исправления вперед, патча).

Velocity - для расчета времени выполнения пользовательских историй в конкретном спринте по сравнению с их оценкой. Velocity можно использовать для измерения того, сколько работы может быть завершено в каждой итерации, и помогает предсказать, сколько времени потребуется для завершения будущих спринтов или всего проекта.

Отток кода, также называемый переработкой, показывает, как часто редактируется данный кусок кода - например, файл, класс, функция. Например, вы можете измерить, какой процент кода переписывается в течение трех недель с момента его первого слияния.

Измерение производительности стручков

Пример глобальной компании по управлению благосостоянием

Elite

Высокий Средний Низкий

СРЕДНЯЯ ПРОИЗВОДИТЕЛЬНОСТЬ

ЕЖЕМЕСЯЧНАЯ ТЕНДЕНЦИЯ

ПРОИЗВОДИТЕЛЬНОСТЬ ПО ГРУППАМ

За последние 30 днейЗа последние 30 дней

ЧАСТОТА РАЗВЕРТЫВАНИЯ

Среднее время между успешным выпуском кода в производство для каждого приложения

33,1 дня

Дни 53

41 45

22 21

Мар

Апр

Май

Jun Июль Август

Группы продуктов и платформ

ВРЕМЯ РАЗВЕРТЫВАНИЯ

Среднее время, которое требуется для фиксации кода, чтобы он попал в производство

14.2 дня

Дни

33.6

23.9

19.8

19.8 20.0

16.1

12.0

14.8 13.1 15.2

5.0

Мар

Апр

Май

Jun Июль Август

Среднее время, необходимое для восстановления после сбоя в производстве

116

132

166

СРЕДНЕЕ ВРЕМЯ ВОССТАНОВЛЕНИЯ

203

382

249

123

149 мин

160

140

120

100

Протоколы

Мар

Апр

Май

Jun Июль Август

ЧАСТОТА ОТКАЗОВ

Средний процент развертываний, приводящих к сбоям в производстве

1.22%

4 %

2 1.9

0.2

1.7

0 0

4.0

2.4

1.4

0.4

0.5 1.1

Мар

Апр

Май

Jun Июль Август

Группы продуктов и платформ

ПРИЛОЖЕНИЕ 30.5

Показатели зрелости стручков. Речь идет о базовых практиках, которые определяют производительность и общую эффективность стручков. Для измерения зрелости стручков существуют различные инструменты опроса.

В идеале эти различные показатели автоматизируются в рабочем процессе стручка, но на это требуется некоторое время, и делать это имеет смысл только после достижения определенного масштаба (например, более 20 стручков).

Прогресс в управлении изменениями

Эти показатели измеряют прогресс в создании новых возможностей и здоровье самой трансформации. Мобилизуем ли мы подразделения в соответствии с планом? Вовлечены ли люди? Продвигаемся ли мы в создании благоприятных возможностей и талантов? По нашему опыту, совершенство - враг добра (и завершения) при построении измерений управления изменениями. Внедрите основные принципы и развивайте их дальше:

Мобилизация руководства. Проводите периодические опросы 200-300 руководителей высшего звена компании, чтобы понять, насколько важны цифровые технологии для их управленческой программы, каков их прогресс и как они оценивают собственную эффективность в руководстве изменениями. Дополните их интервью.

Прогресс в создании возможностей. Мы определили несколько основных показателей, которые вполне отражают прогресс, достигнутый в создании четырех возможностей доставки, рассмотренных в разделах со второго по пятый. Что касается талантов, добиваетесь ли вы прогресса в создании своей цифровой базы (т. е. наборе или повышении квалификации) и удерживаете ли вы своих лучших технологов? Что касается операционной модели, мобилизуете ли вы капсулы в запланированном темпе и насколько хороши владельцы продуктов в этих капсулах? Что касается технологий, сколько подразделений способны выпускать код в производство и каково время их цикла выпуска? А что касается данных, то сколько подсистем решений ограничены в данных и не могут продвигаться вперед, и сколько подсистем потребляют данные из каждого конкретного продукта данных?

Измерение зрелости стручков

стручок

лучшая/худшая капсула

Очень низкий (50% или менее)

Низкий (51-60%)

Средний (61-70%)

Высокий (71-80%)

Очень высокий (81%+)

Средства для масштабного развертывания agile

Средний балл

Диапазон

30% 40 50 60 70 80 90 100

СТРАТЕГИЯ

Общее видение

Динамическое распределение ресурсов Клиентоориентированность

73%

65%

62%

СТРУКТУРА

Структура отчетности Управление

Роли и обязанности

Размер и расположение рабочей силы

67%

70%

75%

ЛЮДИ

Лидерство

Управление талантами Культура

Неформальные сети и коммуникация

76%

68%

80%

73%

ПРОЦЕСС

Механизмы связи

Командные процессы/методология доставки

Процессы планирования и принятия решений

Управление производительностью

78%

77%

71%

73%

ТЕХНОЛОГИИ

Поддержка

системы и инструменты

Конвейер доставки/ DevSecOps

Эволюция архитектуры

ИТ-инфраструктура и операции

80%

73%

70%

69%

ПРИЛОЖЕНИЕ 30.6

Вовлеченность сотрудников. Ежегодное исследование вовлеченности сотрудников - хорошая возможность оценить общее воодушевление, развитие навыков и личностный рост. Также может быть хорошей идеей сегментировать опрос для тех, на кого преобразования оказывают непосредственное влияние - например, для тех, кто работает над капсулами, или для пользователей, получающих выгоду от новых разрабатываемых решений.

Отслеживание с помощью процесса stage-gate

Надежные программы трансформации обеспечивают поэтапное внедрение решений. Мы пришли к выводу, что каждое выявленное решение полезно прогнать через процесс, состоящий из пяти этапов. Это те же пять ворот, которые наша фирма успешно использует в общих преобразованиях. Их описание приведено в Примере 30.7.

Врата L1 - L3 - это, по сути, врата инкубации решения, которые являются частью усилий по переосмыслению домена. По мере того как решение проходит формальные проверки, бизнес-обоснование и требования к поставке становятся более точными. Ворота L3 - это ворота "годен/не годен", которые ведут к полной мобилизации группы доставки.

Ворота L4 часто совпадают с поставкой MVP решения. L5 соответствует этапу внедрения и/или масштабирования, когда версия 1 (V1) принята клиентами/пользователями и достигнута значимая ценность. В ходе годового планирования (или планирования QBR) определяются специфические требования к V2, и начинается новый цикл. Решение продолжает развиваться, совершенствоваться и приносить все больше пользы. В какой-то момент решение может достичь зрелости. Тогда команда разработчиков сокращается, и остается только основная команда поддержки.

Не стоит недооценивать дисциплинированность этого процесса. По мере того как цифровая трансформация и трансформация с использованием ИИ охватывают все больше областей, этот процесс выстраивает последовательный язык и инвестиционную дисциплину, которыми можно управлять с помощью ежегодного планирования и/или QBR. По мере того как компании узнают, что работает (и что не работает), наращивают потенциал и находят новые источники ценности, они динамично обновляют свою цифровую дорожную карту, бизнес-кейсы и потребности в ресурсах.

Отслеживание трансформации через ворота стадии

Этап переосмысления домена

ИНКУБАЦИЯ РАСТВОРА

СПРИНТИНГ/ДОСТАВКА

Решение

Годовое планирование + процесс QBR

идеализированный

квалифицированные Деловое предложение

идти/не идти MVP

V1 завершен

Решение

идея L1 L2 L3

L4 L5

Реализовать ценность

Валидация

Планирование

Разработка

Освоение и масштабирование

Ясность в определении бизнес-задачи, которую необходимо решить

От L0 до L1

Идеи решений появляются в рамках дорожной карты переосмысления домена

От L1 к L2

Построение дерева драйверов бизнес-ценностей

Стоимость решения с ключевыми допущениями для определения размера воздействия Предполагаемые сроки L3 и L4

Качественная оценка осуществимости (например, технологии, данные, управление изменениями) Завершена подготовка предположений об улучшении дерева ценности операционных КПЛ

Из L2 в L3

Выполнение технико-экономического обоснования и технических требований (технологический стек, данные, управление изменениями для обеспечения движения

внедрение и масштабирование)

Необходимый состав команды, включая последующие расходы

Бизнес-обоснование (уточнение финансовой стоимости и инвестиций; "фиксация" кривой OKR) Определение ключевых вех для обоснования ожиданий релиза (например, циклов спринтов, дат запуска MVP) Завершение разработки OKR для капсул и определение дорожной карты

Выполнение работ в рамках спринтерских циклов

От L3 до L4

Pod управляет выполнением в Jira, а руководитель домена/решения периодически (например, ежемесячно) делится изменениями KPls и KRs в Wave.

MVP-решение завершено Принятие заказчиком/пользователем доказано

QBR проводится по мере завершения кварталов Достижение отслеживаемых КПЭ/финансовых результатов

От L4 до L5

Масштабирование/развертывание: в масштабах всей организации

Дальнейшее развитие дорожной карты продукта и его масштабирование по мере необходимости

V1 завершен - начинается новый цикл для V2...

ПРИЛОЖЕНИЕ 30.7

Крупномасштабные цифровые преобразования мобилизуют сотни подразделений и предоставляют столько же цифровых решений. Хотя на первых порах отслеживание и отчетность можно вести в электронных таблицах и слайдах, это быстро становится неприемлемым.

В своей работе мы часто используем два программных пакета для отслеживания трансформаций и отчетности. Наш первый инструмент - это универсальный инструмент для отслеживания трансформации, который позволяет отслеживать этапы создания решений и основные сценарии использования, а также основные KPI. По сути, он отслеживает инвестиции и стоимость, созданную цифровыми решениями. Мы предпочитаем использовать WAVE2 , но на рынке доступны и другие инструменты. Наш второй инструмент (LINK) предназначен для отслеживания состояния капсул и поддержки agile-церемоний, включая управление зависимостями между командами.

Офис трансформации

Для управления всеми цифровыми инициативами на постоянной основе всегда необходим офис трансформации (TO). ТО - это головная команда, которая контролирует все элементы более широкой трансформации цифровых технологий и ИИ в масштабах всего бизнеса - от обеспечения качества дорожных карт домена до отчетности о результатах и здоровье трансформации.

В зависимости от масштаба преобразований в состав ТО часто входят специалисты по финансам, персоналу, коммуникациям, ИТ и профильные эксперты (например, юристы, закупщики). В его основные обязанности входит: запуск преобразований; поддержка разработки цифровой дорожной карты; отслеживание фактического получения целевой ценности; выявление ранних признаков потенциальной утечки ценности; устранение препятствий; пересмотр и обновление дорожной карты на основе достигнутого прогресса; обеспечение прогресса в создании возможностей; управление изменениями на протяжении всего процесса.

ТО наделен полномочиями принимать важные решения (например, утверждать этапы, распределять команды и бюджеты) и подталкивать организацию, задавая сложные вопросы и возлагая на людей ответственность.

ТО гораздо более перспективен, чем традиционный офис управления программами (PMO). Он предвидит узкие места и активно их устраняет. Его внимание сосредоточено на решении проблем, подотчетности и поддержании темпов.

На рисунке 30.8 показана классическая структура управления трансформацией, включающая в себя структуру ТО.

Обустройство офиса трансформации

Офис трансформации (TO)

Рабочие направления трансформации

Домен №1

Дополнительные домены

Спонсор домена

Стручки

Генеральный директор/исполнительная команда

Спонсор домена

Разработка и обновление дорожной карты

Ведущие аналитики по стратегии

Управление производительностью

Финансовый директор

Финансовые аналитики

Управление изменениями Ведущий специалист по управлению изменениями Ведущий специалист по коммуникациям

Руководитель отдела кадров

Ведущий специалист по управлению рисками

Административная поддержка

Главный специалист по трансформации

ПРИЛОЖЕНИЕ 30.8

Ответственный за преобразования должен понимать бизнес, пользоваться уважением и быть готовым надавить на людей и "потратить" свой капитал отношений, чтобы стимулировать преобразования. По этой причине ТО часто является внутренним руководителем.

По мере того как цифровая трансформация и ИИ становятся обычным делом, необходимость в ТО будет уменьшаться, и в конечном итоге он будет расформирован. На этом этапе цифровые усилия интегрируются в новую операционную модель (см. раздел 3).

Примечания

Мэтт Фитцпатрик и Курт Стровинк, "Как измерить успех в цифровых технологиях? Пять показателей для руководителей компаний", McKinsey.com, 29 января 2021 г., https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/ how-do-you-measure-success-in-digital-five-metrics-for-ceos.

Более подробную информацию о WAVE можно найти на сайте mckinsey.com/capabilities/ transformation/how-we-help-clients/wave/overview

Глава 31.

Управление рисками и создание цифрового доверия

Риск возникает из-за незнания того, что вы делаете.

-Уоррен Баффет

Риски случаются. А цифровые преобразования и преобразования с использованием ИИ порождают совершенно новый и сложный набор взаимосвязанных рисков. Быстрые цифровые преобразования и внедрение ИИ происходят в условиях повышенного внимания со стороны регулирующих органов, когда потребители, регулирующие органы и руководители компаний все больше беспокоятся об уязвимостях в области кибербезопасности, конфиденциальности данных и систем ИИ.

От непреднамеренных результатов, таких как неявные предубеждения в алгоритмах ИИ, до трагических аварий с участием самоуправляемых автомобилей и утечек личной информации - ни один бизнес, отрасль или правительство не застрахованы от рисков, связанных с цифровыми технологиями и ИИ.

Именно поэтому потребители и регулирующие органы ожидают от компаний создания и применения эффективных практик цифрового доверия. Цифровое доверие означает уверенность в том, что организация защищает данные потребителей, обеспечивает эффективную кибербезопасность, предлагает надежные продукты и услуги на базе ИИ, а также обеспечивает прозрачность использования ИИ и данных.

Лидеры, установившие высокий уровень доверия к цифровым технологиям, реже сталкиваются с рисками, связанными с негативными данными и инцидентами, связанными с искусственным интеллектом, и, по статистике, чаще добиваются высоких результатов.1 Многие потребители, особенно те, кто разбирается в цифровых технологиях, считают надежность и защиту данных почти такими же важными, как цены и сроки доставки.

В рамках данной книги мы сосредоточимся на четырех возможностях цифрового доверия, которые наиболее непосредственно поддерживают цифровую трансформацию, о чем пойдет речь далее.

Учет рисков

Это похоже на классическую процедуру сортировки рисков, которую вы проводите в рамках корпоративного управления рисками, но на этот раз она сосредоточена на цифровых решениях, моделях и активах данных, которые входят в дорожную карту цифровой трансформации и ИИ. В процессе оценки этих рисков вы будете выявлять их, классифицировать в таксономии рисков и "оценивать" их в зависимости от того, какое воздействие они окажут в случае возникновения. Регулирующие органы уже требуют от организаций проводить оценки воздействия обработки данных (APIA) и, все чаще, оценки воздействия алгоритмов (AIA).

Результатом этой работы является простая для понимания тепловая карта рисков. Оценка вызывает дополнительные вопросы и сигнализирует о том, где больше всего нужны эксперты по рискам и праву. Это поможет вам определить приоритеты, в которых необходимо пересмотреть политику.

Пересмотр политики

Всеобъемлющие политики цифрового доверия касаются использования данных, ана-литики и технологий и служат "Северной звездой" для организации. Эти политики должны быть шире, чем традиционная политика конфиденциальности данных, и затрагивать такие темы, как использование и обработка персональных данных, ограждения для использования технологий, справедливость моделей, основанных на коде, а также протоколы, касающиеся программного обеспечения, систем IoT, облачных решений и прототипов дизайна.

Ожидайте пересмотра вашей политики в следующих областях:

Данные: Четкие, понятные политики сбора конфиденциальных данных, четко сформулированные политики хранения данных, тщательная проверка персонала и/или поставщиков третьих лиц и постоянные аудиты.

Технологии и облака: Стратегия приоритизации ИТ-рисков, непрерывное кибернетическое обучение всего персонала и программа реагирования на инциденты

ИИ/МЛ и аналитика: Четкие стандарты и пороговые значения для рисков ИИ, включая прозрачность и объяснимость, автоматизированные системы мониторинга моделей ИИ, а также проверки предвзятости и справедливости моделей ИИ

Например, если решение включает в себя возможность таргетирования различных демографических групп или использования различных цен, предприятию необходимо внедрить специальные протоколы, обязательные для всех сотрудников предприятия, для предотвращения предвзятости. Это должно быть указано в вашей политике в области ИИ.

Пересмотр всего набора политик с учетом новых рисков требует времени. Попросите команду по управлению рисками или юристов разработать структурированный подход, чтобы сделать это в течение 12-24 месяцев.

Оперативное внедрение политики рисков

Самая лучшая политика в мире не сработает, если у команд не будет возможности быстро и последовательно проверять и внедрять практики цифрового доверия. Просто существует слишком много источников данных, цифровых систем и систем искусственного интеллекта, которые необходимо проверить и подтвердить.

Компании должны сосредоточиться на создании трех операционных возможностей:

Встроенные функции управления. Мы знаем множество случаев, когда команды разработчиков тратили значительное время и деньги на создание и развертывание новых решений, но вынуждены были возвращаться к чертежной доске или, что еще хуже, откладывать свою работу на потом, когда сталкивались с проблемами риска (например, отсутствием согласия клиентов на использование их данных). Такие проблемы часто возникают из-за традиционных моделей работы, в которых специалисты по правовым вопросам, управлению, обеспечению качества и другим рискам работают изолированно, внося свой вклад только в определенные "ворота" процесса разработки, многие из которых наступают уже после завершения основной работы над решением.

Чтобы решить эту проблему, необходимо разработать контрольный список рисков, который под руководством профессионала по рискам будет использоваться для выявления рисков, требующих дополнительной экспертизы со стороны юристов, специалистов по кибербезопасности, защите данных, конфиденциальности, соблюдению нормативных требований или других контрольных служб, которые могут быть в компании. После того как оценка и меры по снижению рисков согласованы, группа включает их в план работы. Например, можно прийти к выводу, что перед построением ML-модели необходимо закрыть данные клиентов для определенных полей демографических данных.

Этот процесс сортировки рисков, экспертной оценки и принятия мер по снижению рисков обычно строится в виде цифрового рабочего процесса, который облегчает отслеживание и масштабирование (глава 14 предлагает более подробную информацию об этом).

Специализированные таланты. Это узкоспециализированная область на стыке регулирования, этики и технологий. Вам следует рассмотреть возможность назначения всеобъемлющего руководителя предприятия по вопросам цифрового доверия, который будет отвечать за создание и управление потенциалом цифрового доверия в компании. Некоторые компании даже назначают главного специалиста по доверию.

Как правило, требуется углубление экспертизы в области "privacy engi- neering" - людей, которые умеют управлять и поддерживать приложения для защиты данных, разрабатывать автоматизированные тесты на безопасность и соответствие требованиям, а также рефакторить приложения, чтобы привести их в соответствие с требованиями.

Автоматизация контроля рисков. Автоматизация доверия - это процесс превращения политики доверия в код ("политика как код"), такой как требования к соблюдению ("соответствие как код") и стандарты риска ("безопасность как код"). Эти автоматизированные средства контроля рисков активируются каждый раз, когда кто-либо представляет новый код. Такой подход радикально ускоряет разработку и развертывание и снижает риски. Для систем искусственного интеллекта это может включать инструменты MLOps, автоматизирующие соблюдение новых нормативных требований.

Повышение осведомленности и распознавание образов

Каждый сотрудник предприятия несет ответственность за цифровое доверие. В ведущих компаниях это уже стало предметом веры. Чтобы сформировать культуру ответственности, идея доверия должна исходить с самого верха. Руководители должны спонсировать, поощрять и демонстрировать практику цифрового доверия во всей организации. К таким практикам можно отнести реализацию программ обучения, ориентированных на цифровое доверие; публикацию основных ценностей, связанных с использованием данных, цифровых технологий и технологий искусственного интеллекта; включение показателей цифрового доверия в оценки эффективности работы.

Чтобы клиенты были уверены в том, что организация защищает их данные, они должны быть осведомлены об этих усилиях и политике. Иногда такие сообщения требуются регулирующими органами. Например, в штате Нью-Йорк есть положение, требующее от компаний публиковать на своем веб-сайте результаты аудита процесса подтверждения справедливости систем трудоустройства и найма, основанных на искусственном интеллекте, в том числе информацию о том, какие инструменты используют специалисты по анализу данных для выявления предвзятости в искусственном интеллекте. Лидеры в области цифровых технологий также будут регулярно и проактивно информировать рынок о своей работе, чтобы создать конкурентное преимущество и изменить ландшафт потребительских ожиданий.

Наконец, важно рассказать о мерах по управлению цифровыми рисками соответствующим регулирующим органам, чтобы помочь им понять новые методы работы и связанные с ними преимущества. Таким образом, компании могут заверить регулирующие органы в активных шагах, предпринимаемых для обеспечения соответствия требованиям, и собрать отзывы для принятия дальнейших мер.

По их словам: Баланс между ценностью для пользователя и цифровым доверием

ИИ сейчас есть практически во всем, и он делает много вещей, которые большинство из нас находят восхитительными. Например, мне нравится, когда YouTube или Spotify рекомендуют то, о чем я никогда бы не подумал, или когда мой телефон угадывает, что я хочу сделать, и выдает подсказку. Но, торопясь создать полезные для пользователей продукты и вывести их на рынок, некоторые компании не уделили должного внимания побочным эффектам, которые могут создать эти инструменты.

Это похоже на то, как автомобильная промышленность начинала задумываться о средствах безопасности для автомобилей. Тогда рассуждали так: "Ну, ремни безопасности работают в 20 % случаев. В конце концов, мы разберемся с этим". А реакция клиентов и других людей была такой: "Нет. Придумайте, как сделать так, чтобы ремни безопасности работали сейчас". То же самое происходит и с технологиями. Компании знают, как внедрять инновации, но они должны инвестировать в эти области и работать над этим усерднее.

-Марк Сурман, президент и исполнительный директор Mozilla

Фонд

Примечание

1. Джим Боэм, Лиз Греннан, Алекс Сингла и Кейт Смадже, "Почему цифровое доверие действительно имеет значение", McKinsey.com, 12 сентября 2022 года, https://www.

.mckinsey.com/capabilities/quantumblack/our-insights/why- digital-trust-truly-matters.

Глава 32. А как же культура?

Способности проявляются только тогда, когда они реализованы.

-Симона де Бовуар

Нам постоянно задают этот вопрос: А как же культура?

Руководители компаний признают важность культуры, но часто не понимают, что нужно для создания цифровой культуры - образа мышления и поведения, которые поддерживают и ускоряют переход к цифровым технологиям и ИИ. По нашему опыту, это часто происходит потому, что люди рассматривают культуру в расплывчатых терминах, как набор ментальных установок и моделей поведения, которые необходимо развивать, не имея четкого представления о том, как это делать или даже зачем.

На самом деле, культура - это результат совокупности действий, стимулов, новых навыков и лидерских качеств.

Вся книга сводится к действиям, необходимым для создания цифровой культуры: формирование у руководителей представления о возможностях цифровых технологий и искусственного интеллекта, найм новых технических специалистов, сближение ИТ с бизнесом, обучение новым методам работы, создание удобных для потребления технологий и данных для стимулирования инноваций в компании, развитие владельцев продуктов и т. д.

Хотя цифровая культура является результатом всех этих усилий, целенаправленное развитие цифровой культуры начинается с четкого определения лидерских качеств, которые вы ожидаете от своих руководителей, и отслеживания прогресса в их достижении (см. Рисунок 32.1).1

Атрибуты лидерства на цифровых предприятиях

Клиентоориентированность

Ставит клиента в центр всей своей деятельности, не жалея сил для обеспечения выдающихся впечатлений

Тестируйте, учитесь и развивайтесь

Способен идти на риск, чтобы проверить новые инновации, и рассматривает ошибки как источник знаний

Сотрудничество

Хорошо сотрудничает с различными функциями и бизнес-подразделениями в интересах клиентов и предприятия

Ориентированные на данные

Использование данных для принятия решений в режиме реального времени

Чувство срочности

Действует/реагирует быстро и чутко реагирует на потребности каждой ситуации

Расширение прав и возможностей

Предоставляет сотрудникам возможность принимать решения и создает для этого благоприятные условия

Внешняя ориентация

Постоянно учится у других компаний, партнеров и клиентов

Постоянная доставка ценностей

Приоритет отдается быстрой доставке ценностей клиенту и постоянному совершенствованию продуктов и решений

ПРИЛОЖЕНИЕ 32.1

В ходе цифровой трансформации и трансформации с использованием искусственного интеллекта компания уделяет пристальное внимание организационной культуре, которая требует изменений в мышлении и поведении, необходимых для успешного проведения трансформации в течение длительного времени. Установление базового уровня и периодическое измерение с помощью культурных опросов - это хороший способ понять, как продвигаются приоритетные культурные атрибуты.

Цифровая трансформация и трансформация с использованием искусственного интеллекта требуют больше навыков, чем любой другой вид трансформации. Это связано с тем, что масштабы и скорость изменений оказывают значительное давление на всю организацию. Без хорошо структурированных и устойчивых инвестиций в обучение и воспитание новых талантов гравитационное притяжение унаследованной организации может создать реальное сопротивление изменениям.

В конечном итоге успешные компании фокусируются на трех основных направлениях развития навыков: повышении квалификации руководителей, широких программах управления изменениями и интенсивной переподготовке сотрудников, занимающих ключевые роли.

Первоначально инвестируйте в команду лидеров

Цифровая компания работает по-другому, и от лидеров требуется другое руководство. Бизнес-лидеры цифровых предприятий - фанатики клиентов, они понимают цифровые технологии (по крайней мере, основы) и процесс разработки цифровых решений, они знакомы с agile и знают, как играть свои роли в agile-процессе, они воплощают лидерство в сотрудничестве и являются примером отношения "могу-делать".

По их словам: Оценка лидеров на предмет новых навыков

Недавно мы пересмотрели критерии оценки руководителей, добавив к ним ряд атрибутов. Раньше мы отбирали руководителей по трем характеристикам: умение мыслить, исполнять и руководить командой. Это, если хотите, жесткие навыки. В прошлом году мы добавили еще шесть атрибутов, которые относятся к более мягким навыкам. Это очень важно, особенно в такой агрессивной среде, как у Ping An.

Сейчас мы рассматриваем такие вещи, как коэффициент неблагополучия человека, его способность быть открытым и восприимчивым. Эту работу мы начали со 150 человек высшего руководства, и со временем она распространится на всю организацию. Это изменение, которое должно произойти, особенно потому, что многие технологические инновации носят междисциплинарный характер и требуют сотрудничества различных команд. Все больше и больше людей должны уметь работать с другими людьми.

Звучит очень просто, но это огромные изменения, потому что эти более мягкие факторы трудно измерить.

-Джессика Тан, исполнительный директор компании Ping An

Многие руководители крупных компаний не обладают этими качествами. Но лидеры могут развить их с помощью целенаправленной и дисциплинированной программы. По нашему опыту, наиболее полезными являются три конкретные практики:

Посетите и посмотрите. Одна из самых мощных инвестиций на раннем этапе - это двух- или трехдневный визит руководства (и даже совета директоров) в соответствующие компании. Типичный визит включает в себя посещение нескольких "цифровых аборигенов" Big Tech, нескольких традиционных компаний, которые далеко продвинулись в своем цифровом и искусственном интеллекте, и, возможно, нескольких стартапов в отрасли. Цель состоит в том, чтобы узнать, как работают компании, ориентированные на цифровые технологии.

Digital 101. Чтобы стать эффективными лидерами в цифровую эпоху, руководители должны понимать хотя бы основы цифровых технологий и новых методов работы. Большинству руководителей не хватает как минимум 10 часов обучения основам цифровых технологий, либо в классической "классной" модели, либо в формате самостоятельного онлайн-обучения, чтобы они могли адаптировать процесс обучения к своим потребностям. Содержание этой книги отражает то, что руководители должны знать. Со временем следует рассмотреть программу, направленную на дальнейшее развитие технических навыков руководства.

Лидерство в цифровую эпоху. После начала цифровой трансформации многие компании вкладывают средства в программу, в рамках которой их топ-менеджеры исследуют свой стиль руководства и то, как он должен измениться в условиях перестройки предприятия. Обычно акцент делается на внедрении культуры "учись всему" (а не "знай все"), культуры сотрудничества (а не "мои ресурсы и мой P&L") и настоящей культуры, ориентированной на клиента (а не на то, чтобы говорить, что вы ориентированы на клиента, но на деле этого не делать). Как правило, эти курсы проводятся в течение четырех-шести полудневных сессий, организованных для групп из 10-15 человек, с последующим индивидуальным коучингом.

Как правило, программа подготовки руководителей ориентирована на два-три верхних уровня в организации.

Пример из практики: Инвестиции в цифровых лидеров в компании Roche

Чтобы сформировать гибкую культуру в рамках программы цифровой трансформации, фармацевтическая компания Roche запустила интенсивный процесс изменений среди руководителей высшего звена. Более 1000 руководителей были приглашены для изучения нового, более гибкого подхода к руководству в рамках четырехдневной программы, которая ознакомила их с мышлением и возможностями, необходимыми для руководства гибкой организацией.

В течение шести месяцев после окончания программы для старших руководителей многие участники запустили эксперименты по внедрению agile в своих командах руководителей и организационных подразделениях, вовлекая тысячи людей в совместное создание инновационных способов внедрения agility в организации. По сравнению с первоначальными ожиданиями, когда 5-10 % участников проводили последующие сессии со своими командами, 95 % решили это сделать2.

Даже при всех этих инвестициях в повышение квалификации руководящего состава, суровая реальность такова, что многие руководители не готовы к этому путешествию. Например, если вспомнить зрелые цифровые преобразования в банковской сфере и розничной торговле, то, как правило, около 30 % из 300 ведущих компаний требуют смены руководства, отдавая предпочтение руководителям с более подходящим профилем лидера.

И наконец, если вы не внесете явные изменения в стимулы для руководства и критерии продвижения для этих 300 лучших руководителей, вы будете постоянно бороться с трудностями в рамках своих программ повышения квалификации. Мы видели, как компании продвигали только тех руководителей, которые продемонстрировали глубокое понимание потребностей и болевых точек клиентов, а также постоянное внимание к измерению и повышению удовлетворенности клиентов. Другие подчеркивают важность межфункционального сотрудничества, оцениваемого с помощью 360-градусной обратной связи с коллегами.

Создавайте широкие программы обучения, которые можно масштабировать

Чтобы вовлечь в этот процесс большую часть организации, многие организации разрабатывают специальные программы обучения, которые могут масштабироваться. Они часто вкладывают средства в создание корпоративной "академии", которая является движущей силой для разработки и реализации учебных программ и программ обучения, направленных на повышение уровня осведомленности, навыков и моделей поведения в организации.

Например, сингапурский многонациональный банк DBS поставил перед собой цель создать сильную культуру экспериментов и стать стартапом со штатом в 30 000 сотрудников. Он вложил значительные средства в развитие инфраструктуры обучения, чтобы сформировать в организации менталитет, ориентированный на данные, создав множество программ, таких как учебная программа, которая вооружает сотрудников навыками переводчика данных (человека из бизнеса, который знает достаточно о данных и аналитике, чтобы разрабатывать концепции и внедрять новые высокоэффективные цифровые решения); инновационный центр, организовавший 300 с лишним хакатонов и семинаров; программа "взломай и найми", в результате которой было нанято более 200 сотрудников; программа "назад в школу", способствующая развитию культуры взаимного обучения (подробнее об этом примере вы можете прочитать в главе 34).

Благодаря этим программам банку удалось обучить более 5 000 сотрудников различным цифровым и аналитическим возможностям. Из них 1 000+ сотрудников повысили квалификацию и перешли на более ключевые роли в цифровой трансформации. Вовлеченность сотрудников выросла на шесть процентных пунктов, а удержание персонала увеличилось на 40 %.

Пример из практики: Строительство "школы" для 40 000 сотрудников

Компания Majid al Futtaim (MAF), конгломерат недвижимости и розничной торговли, расположенный на Ближнем Востоке, разработала "школу" аналитики и технологий (SOAT), чтобы повысить потенциал 40 000 сотрудников для поддержки преобразования компании в области аналитики.3 MAF определила приоритетные цели обучения для пяти сегментов: высшего руководства, технических экспертов и бизнес-практиков, менеджеров среднего звена, рядовых сотрудников и практиков начального уровня. Затем для достижения этих целей были разработаны учебные программы и маршруты обучения (см. Рисунок 32.2).

Школа аналитики и технологий

Пример Majid al Futtaim

Введение в аналитику и Понимание и применение Сила технологийАналитические примеры использованияПонять, как технологии могутПонять важность Привести к более глубокому использованию улучшить то, как мы делаем вещи

аналитики и технологий аналитики и технологий и познакомиться с новейшими технологиями и преимуществами, которые они могут принести технологическиетенденции и угрозы

Школа" поощряет сотрудников...

Принять Требуйте ВызовыПоощряйте гибкость и новые методы работы с данными аналитики , когда речь идет о применении методов работы, поддерживающих подход и аналитику, и последние тенденции в аналитике

предположения анализы технология и технология

ПРИЛОЖЕНИЕ 32.2

MAF определила приоритеты для руководителей высшего звена, технологов и менеджеров среднего звена, которые работали над решениями в области аналитики и ИИ, чтобы учебные программы SOAT были направлены на удовлетворение наиболее важных потребностей бизнеса. Руководители SOAT были укомплектованы в межфункциональные группы для быстрого проектирования, создания, тестирования, развертывания и итерации учебных программ. Школа также привлекала технологов из организации, чтобы дополнить содержание соответствующим опытом. Программы включали в себя здоровое сочетание симуляций и игр, чтобы воплотить навыки в реальных сценариях и сделать контент доступным для всех.

Показатели продемонстрировали положительные результаты по нескольким векторам, включая опыт обучающихся, развитие индивидуальных знаний и их применение через месяц после завершения программы. Положительные изменения были также обнаружены в наблюдаемых и устойчивых изменениях навыков и поведения (на основе обратной связи 360 градусов) через шесть месяцев после завершения программы, а также в достижении бизнес-результатов (например, успешное выполнение сценариев использования).

Самый важный урок, который мы извлекли из широкомасштабных программ обучения, - сделать их актуальными и легко масштабируемыми. Мы слишком часто видим, как компании начинают с амбициозных планов, а затем отказываются от них из-за сложности реализации.

Перераспределите ключевые бизнес-роли

Сосредоточьте интенсивные программы переквалификации на ключевых бизнес-ролях, которые необходимо радикально изменить, чтобы получить отдачу от цифровой трансформации и ИИ. Программы переквалификации ролей требуют значительного времени - от трех до девяти месяцев - и, как правило, ориентированы на конкретную отрасль: продавцы в розничной торговле, андеррайтеры в страховании, продуктовые маркетологи в банковской сфере, агрономы в сельском хозяйстве, сетевые планировщики в транспорте и логистике и т. д. Эти роли претерпевают значительные изменения благодаря внедрению данных и использованию искусственного интеллекта.

Например, крупной американской продовольственной компании пришлось переквалифицировать 400 продавцов, имевших более чем 20-летний опыт работы в сфере мерчандайзинга, что позволило им распознавать номенальные модели для принятия решений по ассортименту, ценообразованию и продвижению. Но им требовались новые навыки, чтобы выполнять свою работу в условиях интенсивного использования данных и искусственного интеллекта. В течение шести месяцев компания обучала их использованию нового интегрированного рабочего процесса для планирования рекламы, привлечения поставщиков, финансирования поставщиков и проведения рекламных акций. Они также научились использовать новый механизм рекомендаций по продвижению для оптимизации рекламных мероприятий и доверять ему. Наконец, их научили планировать национальные категории с помощью портала поставщиков в режиме реального времени, который служит отправной точкой для планирования на местах, что позволяет максимально расширить сотрудничество между сетями.

Переход к повышению квалификации не обошелся без проблем. Не все продавцы смогли пройти этот путь повышения квалификации, что привело к 20-30 % текучести кадров в течение двух лет. При этом компания также обнаружила, что с новыми инструментами и обучением стало легче вводить в эксплуатацию новых продавцов. Более того, автоматизация, новые инструменты и переработка процессов (включая новые данные) подняли продавцов с низкими показателями в верхний квартиль по производительности. Другими словами, новая технология позволила поднять производительность любого продавца до уровня лучших продавцов с 20+-летним опытом работы.

Примечания

Джордж Вестерман, Дебора Л. Соул и Ананд Эсваран, "Создание культуры, готовой к цифровым технологиям, в традиционных организациях", MIT Sloan Management Review, 21 мая 2019 г., https://sloanreview.mit.edu/ article/building-digital-ready-culture-in-traditional-organizations/; Роуз Холлистер, Кэтрин Текоски, Майкл Уоткинс и Синди Вольперт, "Почему каждый руководитель должен сосредоточиться на изменении культуры сейчас", MIT Sloan Management Review, 10 августа 2021 г., https://sloanreview. mit.edu/article/why-every-executive-should-be-focusing-on-culture- change-now/; Julie Goran, Laura LaBerge, and Ramesh Srinivasan, "Culture for a digital age," McKinsey Quarterly, July 20, 2017, https:// www.mckinsey.com/capabilities/mckinsey-digital/our-insights/ culture-for-a-digital-age.

Ларри Эмонд, "Как "Рош" помогает руководителям достичь силы гибкого мышления", Gallup, 29 апреля 2019 г., https://www.gallup.com/workplace.

/248714/roche-helps-leaders-achieve-power-agile-mindset.aspx.

Джемма Д'Аурия, Наташа Валия, Хамза Хан, "Новая формула роста Majid Al Futtaim: Инновации быстро, опережение, работа с экосистемой", McKinsey.com, 20 апреля 2021 г. https://www.mckinsey.com/capabilities/ growth-marketing-and-sales/our-insights/majid-al-futtaims-new-growth-formula-innovate-fast-stay-ahead-work-the-ecosystem.

Ниже приведен набор вопросов, которые помогут вам определить, какие действия следует предпринять:

Создает ли ваша цифровая трансформация и трансформация с использованием искусственного интеллекта ту ценность, на которую вы рассчитывали, и если нет, то знаете ли вы, где кроются проблемы?

Тратите ли вы (по крайней мере) столько же времени/ресурсов/инвестиций на внедрение и масштабирование, сколько на разработку решения?

Кто отвечает за внедрение? Подотчетны ли бизнес-лидеры?

Какая доля разработанных цифровых решений постоянно используется на предприятии? Какую часть из них не удалось масштабировать?

Есть ли у вас набор показателей и целей для цифровой трансформации, которые были бы столь же четкими, как и для традиционной трансформации затрат или продаж?

Отражают ли ваши презентации для инвесторов или советов директоров достаточно глубокое понимание того, как цифровые технологии и искусственный интеллект влияют на клиентов и операции?

Может ли ваш топ-коллектив четко сформулировать прогресс, достигнутый с помощью 10 лучших цифровых решений, и сколько пользы было создано?

Каковы новые риски и проблемы доверия к цифровым технологиям и искусственному интеллекту, и справляетесь ли вы с ними, чтобы повысить доверие клиентов?

Какую "цифровую" культуру вы хотели бы иметь через три года? Как вы узнаете, когда достигнете этого?

В этой книге предпринята попытка проникнуть глубоко под поверхность, чтобы раскрыть и собрать самые важные детали того, что требуется для планирования и осуществления успешной цифровой трансформации и трансформации с использованием ИИ. Подробно описывая, что требуется для развития соответствующих шести основных возможностей - разработка дорожной карты, таланты, операционная модель, технологии, данные, внедрение и масштабирование, - читатель, однако, рискует упустить более широкую картину того, как каждый из этих аспектов должен работать в целом.

Рассматривая общую картину, важно сосредоточиться на двух ключевых аспектах. Во-первых, это необходимая интеграция между элементами трансформации - нельзя ожидать, что лучшие цифровые таланты будут работать, если они не смогут эффективно работать в рамках операционной модели, обеспечивающей им достаточную автономию и гибкость, то и вы не сможете рассчитывать на то, что отличное цифровое решение принесет пользу, если бизнес не примет и не масштабирует его. И, во-вторых, есть элемент базовых возможностей, которые вам необходимо достичь. Например, если вы сильны в нескольких из них, но слабы в остальных, это приведет к гибели бизнеса в области цифровых технологий.

Эту историю интеграции и совершенствования возможностей лучше всего рассказать, показав, как это сделали компании. Итак, в этом заключительном разделе мы расскажем о том, как три разные организации провели свои собственные цифровые преобразования и преобразования в области ИИ. Это ведущие компании в соответствующих отраслях, и они также являются лидерами в области цифровых технологий. Каждая из них находится на пути цифровых преобразований уже несколько лет, а некоторые даже десятилетие, и ни одна из них не скажет, что они уже на этом пути. Напротив, чем больше они продвигаются вперед, тем больше возможностей открывают для себя.

Глава 33: Freeport-McMoRan превращает данные в ценность

Глава 34: DBS - транснациональный банк становится цифровым банком Глава 35: Будущее игры обретает форму в LEGO Group

Путь компании по добыче меди к трансформации ИИ

Компания Freeport-McMoRan имеет репутацию опытного оператора в горнодобывающей промышленности. Компания управляет парком относительно зрелых, крупномасштабных медных рудников в Северной и Южной Америке, что означает высокую зависимость показателей компании от мировых цен на медь: в условиях высоких цен они генерируют значительные денежные средства, но в нижней части ценового цикла некоторые рудники с трудом выходят на безубыточность.

Ожидаемый рост компании требовал значительного капитала и длительных разрешительных и строительных работ. В поисках другого пути Freeport обратилась к искусственному интеллекту (ИИ), чтобы узнать, можно ли получить больше от уже имеющихся активов.

В течение пяти лет компания успешно разработала и реализовала программу "Американская обогатительная фабрика", которая позволила увеличить годовое производство меди за счет использования больших данных, искусственного интеллекта и гибкого подхода. Никаких новых капиталовложений не потребовалось.

О компании Freeport-McMoRan

• Описание компании: Freeport-McMoRan Inc. (FCX) - металлургическая и горнодобывающая компания, осуществляющая производство меди, золота и молибдена. Она была зарегистрирована в 1987 году.

• Количество сотрудников и подрядчиков: Более 60 000

• Рыночная стоимость: 60 миллиардов долларов

• Доходы: 22 миллиарда долларов в 2022 году

• Географическое распределение: В портфель активов компании входят минеральный район Грасберг в Индонезии и горнодобывающие предприятия в Северной и Южной Америке, включая крупномасштабный минеральный район Моренси в Аризоне и предприятие Серро-Верде в Перу.

Руководители Freeport обеспечили успех программы искусственного интеллекта. Ключевыми в этом путешествии были:

Дальновидный руководитель североамериканских операций, который был уверен, что Freeport необходимо развиваться, чтобы выжить и процветать, и хотел перенять передовой опыт, используемый в других отраслях.

Смелый лидер в области непрерывного совершенствования, чье любопытство, стремление и глубокие знания в предметной области заставляли объединенную команду постоянно задавать вопрос "Что возможно?", а затем стремительно двигаться к цели.

Умный сотрудник по вопросам информации и инноваций, который предусмотрительно создал общую инфраструктуру и архитектуру данных для поддержки всех операций по обработке данных и для быстрого развертывания инструментов ИИ на всех объектах с незначительной адаптацией. Это позволило сконцентрировать внимание на уровне объектов на методах гибкого управления, обучении, наращивании потенциала и управлении изменениями.

Открытый генеральный менеджер в пилотной трансформационной площадке, который обладал творческим подходом и уверенностью в себе, чтобы пробовать новое и учиться на том, что получилось.

Главный исполнительный директор и финансовый директор, которые представляли программу внешним аудиториям, что заряжало энергией и поддерживало многопрофильную команду.

В качестве первоначального тестового примера Freeport выбрала зрелую шахту с энтузиастом-руководителем, желающим опробовать программу трансформации ИИ. Демонстрируя ценность ИИ в Багдаде, штат Аризона, компания стремилась узнать, как машинное обучение (ML)/ИИ может улучшить существующие уже развернутые системы алгоритмической аналитики и усовершенствованного управления технологическими процессами (APC). Полученные в результате улучшения заставили руководство Freeport задуматься о капитальных затратах, необходимых для запланированной серии усовершенствований, и привели к сокращению более половины запланированных капитальных затрат.

В течение шести месяцев небольшая команда металлургов, операторов и инженеров работала над созданием и обучением модели искусственного интеллекта, чтобы рекомендовать изменения в настройках для безопасного увеличения скорости переработки на мельнице. В течение следующих нескольких месяцев производство меди увеличилось на 5 %. В течение одного квартала производительность предприятия в Багдаде превысила 85 000 тонн руды в день - на 10 % больше, чем в предыдущем квартале, - при этом коэффициент извлечения меди вырос на один процентный пункт, а работа предприятия стала более стабильной. Повышение производительности и извлечения меди - труднодостижимая цель в металлургическом производстве, и компания Freeport добилась этого на предприятии, которое эксплуатируется уже более 50 лет.

Руководство компании осознало, что масштабирование потенциала ML/AI на рудниках в Северной и Южной Америке позволит увеличить производительность всей системы на 125 000 тонн в день, что даст 200 миллионов фунтов меди в год и составит 350-500 миллионов долларов EBIDTA.1 Это было бы сопоставимо с вводом в эксплуатацию новой обогатительной фабрики, но без затрат в 2 миллиарда долларов и ожидания в течение 8-10 лет, которые обычно требуют такие крупные капитальные проекты.

Приняв решение о создании новых возможностей, руководство Freeport запустило программу "Американская обогатительная фабрика", чтобы внедрить эти возможности искусственного интеллекта на своих шахтах. Ключевой задачей в этой работе было промышленное внедрение возможностей, разработанных на предприятии в Багдаде, с тем чтобы их можно было масштабировать.

У Freeport был прочный фундамент знаний о том, на чем следует сосредоточиться, на основе недавно завершенного контрольного показателя эффективности работы. Компания также имела преимущество в работе с данными, поскольку предварительно стандартизировала данные по измерению и отчетности о производительности рудника и обогатила их, установив дополнительное сетевое оборудование и датчики производительности на грузовиках, лопатах и стационарных машинах компании. Кроме того, для хранения этих данных было создано центральное хранилище данных, что позволило компании получать и коррелировать посекундные показания производительности в режиме реального времени.

Установив контрольные показатели операционной деятельности и создав прочный фундамент данных, компания обратила внимание на развитие аналитических и инженерных навыков. Они добились значительного прогресса, сформировав первый класс из 16 специалистов по анализу данных, которые пришли в компанию из инженерных или металлургических специальностей, и дополнив их внешними экспертами по анализу данных из партнерской компании. Привлечение лучших тренеров по agile, владельцев продуктов и инженеров по данным и аналитике было непростой задачей, поэтому они обратились к стратегии привлечения талантов "купить (нанять), построить (повысить квалификацию), одолжить (заключить контракт)". Такой подход позволил им сформировать кадровый резерв, который помог бы им быстро продвигаться вперед, и одновременно развивать основные навыки внутри компании, что обеспечило бы им долгосрочное конкурентное преимущество.

Один из подходов к привлечению и удержанию талантов, который применила компания Freeport, заключался в том, чтобы ученые и инженеры, занимающиеся изучением данных, работали над главными приоритетами управления, чего часто не могут сделать лучшие специалисты в компаниях Больших Технологий. Например, одна из стажеров, занимающаяся изучением данных, пришла в Freeport всего за год до этого в качестве младшего металлурга, работавшего на руднике в Аризоне. В колледже она уже имела некоторый опыт программирования на компьютере и была рада возможности приобрести новые навыки. Менее чем через три месяца она представляла свою работу по моделированию и оптимизации обогатительных фабрик президенту компании.

Новый подход к талантам распространился и на операционную модель. Для ускоренной разработки моделей ИИ требовалось изменить методы работы компании. Культура планирования и развития, построенная на комплексе мер предосторожности, хорошо служила компании, но у нее были свои недостатки, прежде всего в плане темпов. Для экспериментального внедрения ИИ в Багдаде шахта перешла на операционную модель, в которой особое внимание уделялось оперативности, постоянному совершенствованию и быстрым испытаниям с низким уровнем риска без ущерба для безопасности. Ключевым элементом успеха этого изменения стало создание межфункциональной группы экспертов с рудника и центральной группы по изучению данных, которая могла бы оценивать и реализовывать инициативы по изменению.

Для быстрого наращивания команд и развития навыков Freeport привлекла тренеров, которые обучили людей методам гибкой работы, начиная с основ формирования бэклога и заканчивая созданием "минимально жизнеспособных продуктов", которые были бы достаточно хороши для начала, а не для доведения продуктов до совершенства перед их запуском. Команды быстро научились работать в двухнедельных спринтах, разрабатывая функции моделирования данных или операционные изменения, тестируя их, обучаясь и добавляя обновления в бэклог.

Руководители компании приняли принципиальное решение включить металлургов и операторов заводов в состав команды разработчиков на каждом участке. Когда на этапе тестирования появлялся каждый новый набор рекомендаций, разработчики ИИ, операторы и металлурги в составе команды оценивали эти рекомендации: Почему они были сделаны? Имеют ли они смысл? Будут ли они работать? Таким образом, команды выявляли недостатки, которые разработчики ИИ быстро устраняли, что, в свою очередь, помогало команде agile быстрее обучаться. В ходе этого процесса команда обучала инструмент ИИ, а доверие металлургов и операторов к нему росло, поэтому они с большей готовностью приняли его, когда инструмент был готов.

Новая модель искусственного интеллекта и взаимодействие способствовали диалогу и более глубокому пониманию процесса между операторами и металлургами. Модель искусственного интеллекта стала барометром того, что возможно при трехчасовом увеличении, в отличие от работы установки на одном режиме в течение дня для среднего количества получаемого материала.

Первоначально команда разработала модель ML, которую они назвали TROI, то есть Throughput-Recovery-Optimization-Intelligence. Этот продукт помогал предсказать, как поведет себя обогатительная фабрика и сколько меди можно извлечь при любом наборе условий. Алгоритм оптимизации, известный как генетический алгоритм, использовал принципы естественного отбора для разработки параметров, которые позволят получить наибольшее количество меди при определенном типе руды, и выдавал рекомендации каждые один-три часа в зависимости от условий работы.

Однако, чтобы заставить TROI работать на других предприятиях, Freeport должен был "активизировать" модели. По сути, это означало рефакторинг и переупаковку моделей, чтобы их можно было легче адаптировать для других предприятий. Модульный принцип построения инструмента позволил легко использовать 60 % основного кода, а оставшиеся 40 % пришлось бы адаптировать под новый объект, например, обучить модели на основе данных конкретного объекта. Чтобы еще больше упростить работу по локализации, компания вложила средства в разработку централизованной базы кода, к которой могли бы обращаться модули для конкретного объекта, вместо того чтобы заново создавать необходимый код для каждого конкретного модуля.

Эффективный запуск и масштабирование этих моделей стали возможны благодаря тому, что Freeport перенесла свою архитектуру данных в облако. Они использовали инструменты и практики DevOps, MLOps и CI/CD, основанные на четких стандартах, для быстрой разработки и контролируемого развертывания. Freeport смогла воспользоваться преимуществами облака, автоматизировав многие процессы, например разработку конвейера данных, который представлял собой трудоемкий процесс извлечения данных из десятков вручную обновляемых электронных таблиц.

По мере роста числа agile-команд компании необходимо было совершенствовать управление общим процессом. Например, при параллельной работе нескольких agile-команд было сложно получить ресурсы. Freeport решила эту проблему, назначив старшего владельца продукта, который помогал координировать работу команд и улучшать распределение ресурсов. Финансовому директору было поручено управлять отслеживанием воздействия и отчетностью по всему процессу.

В рамках программы "Устойчивое развитие", а также помогая сайтам управлять запросами на финансирование и оценивать прогресс. И наконец, они внедрили систему ежеквартального генерального планирования (подобную ежеквартальным обзорам бизнеса), в рамках которой высшие руководители компании собираются вместе, чтобы определить цели и ключевые результаты и сосредоточить ресурсы на наиболее приоритетных направлениях.

Имея на руках проверенный рецепт трансформации и достигнув большей части цели программы "Американская обогатительная фабрика", компания Freeport обратилась к другим областям своей деятельности, где можно применить возможности искусственного интеллекта. Они определили несколько перспективных областей, включая реализацию капитальных проектов, техническое обслуживание и операции по выщелачиванию, где они применяют эволюцию игрового сценария, обеспечившего успех программы "Американская обогатительная фабрика".

Примечание

1. Исходя из цены меди $4/фунт и себестоимости единицы продукции ниже $2/фунт.

Глава 34.

DBS

- транснациональный банк становится цифровым банком

Путь трансформирования цифровых технологий и искусственного интеллекта в транснациональном банке

В быстро развивающемся цифровом мире руководство DBS осознало, что для удовлетворения потребностей нового поколения клиентов, подкованных в технологиях, необходимо стать по-настоящему цифровым банком. Генеральный директор DBS сформулировал задачу банка на удивление просто: Думайте как стартап, а не как банк.

Чтобы начать мыслить как стартап, руководство DBS обратилось за вдохновением не к другим банкам или финансовым учреждениям, а к технологическим гигантам. Генеральный директор и его руководители посетили и изучили лучшие технологические компании по всему миру и привнесли то, что мы получили новые знания, чтобы сформировать "будущее DBS". Эти знания выкристаллизовались в четкое видение "Сделать банковское дело радостным". Это видение отражало цель сделать клиентов счастливыми, сделав банковское обслуживание легким и сделав DBS "невидимым". DBS четко определила, что больше не будет сравнивать себя с другими банками, а скорее с ведущими мировыми технологическими компаниями.

О компании DBS

• Описание компании: DBS Group Holdings Ltd - крупнейшая по размеру активов банковская группа в Юго-Восточной Азии. Она предоставляет услуги розничного, малого и среднего бизнеса, корпоративного и инвестиционного банкинга, в основном в Азии. Компания была основана в 1968 году, ее штаб-квартира находится в Сингапуре.

• Количество сотрудников: 36,000

• Рыночная стоимость: 91 миллиард SGD (69 миллиардов долларов США)

• Доходы: SGD16,5 миллиардов (12,5 миллиардов долларов США) в 2022 году

• Географическое распространение: Работает на 19 рынках, включая Сингапур, Китай, Гонконг, Индию, Индонезию, Малайзию, Тайвань, ОАЭ и Японию.

Команда приняла эти знания близко к сердцу, взяв на себя обязательство применить уроки, полученные в лучших мировых технологических компаниях, и сделать DBS лидером в области технологий. Это стремление было отражено в мнемонике GANDALF, которая расшифровывалась как: G - Google; A - Amazon; N - Netflix; A - Apple; L - LinkedIn; F - Facebook. D в середине означало DBS с дерзким стремлением войти в лигу культовых технологических компаний. Заимствованное из фильма "Властелин колец" слово GANDALF стало кличем для амбициозной цифровой трансформации DBS.

Разрабатывая дорожную карту цифровой трансформации для выполнения этого обязательства, руководство DBS изначально сосредоточилось на наиболее важных клиентских процессах, которые, как показал глубокий анализ, окажут наибольшее влияние или устранят самые сильные болевые точки. Например, одной из них было открытие текущих счетов, а время ожидания у банкоматов. Эти "иконические путешествия", как их называли, заложили основу для обучения и развития возможностей, что позволило быстро перейти ко второму этапу, на котором DBS запустил 100 путешествий в различных сферах бизнеса, включая финансы, опыт сотрудников и дополнительные путешествия по клиентам. Каждое из них возглавлял один из самых высокопоставленных руководителей организации.

Чтобы не отвлекаться на клиента, DBS создала руководящий комитет под названием Customer Experience Council (в него вошли генеральный директор и ключевые руководители, такие как главы бизнес-подразделений и руководители служб) для отслеживания прогресса и управления эффективностью. Группа собиралась раз в квартал, чтобы проанализировать ход реализации всех маршрутов, уделяя особое внимание показателям клиентского опыта и показателям EATE (раннее вовлечение, приобретение, заключение сделок и углубление вовлечения).

Стремясь расширить свои возможности, компания DBS обратилась к операционной модели, построенной на платформах - разновидности операционной модели "продукты и платформы", которую DBS адаптировала к своим условиям. DBS создала 33 платформы, соответствующие бизнес-сегментам и продуктам, где "размещались" все 100 клиентских или пользовательских маршрутов. Каждая платформа имела модель руководства "2 в одном", что означало, что каждая из них совместно возглавлялась руководителем от бизнеса и руководителем от ИТ. Такой платформенный подход позволил DBS более эффективно масштабировать компанию, поскольку устранил исторически сложившуюся изоляцию между бизнесом и технологическими функциями, которая не позволяла поддерживать по-настоящему кросс-функциональные agile-команды.

Многие руководители платформ были внутренними сотрудниками, обладающими опытом в соответствующей области. Вместе руководитель платформы и технический руководитель отвечали за достижение целей данной платформы в плане роста, доходов или клиентского опыта. У каждой команды путешествий был менеджер путешествий (как владелец продукта), который управлял agile-командой, состоящей обычно из 8-10 человек. Они создавали формулировку путешествия, включающую цель, ценность, на которую они ориентировались, и сроки достижения цели. Основой работы команд был фокус на проектировании клиентского опыта. Руководство, например, настаивало на совершенствовании процессов, которые приносили пользу клиенту.

В результате процесс оформления кредитной карты, занимавший 21 день, сократился всего до четырех дней.

Чтобы обеспечить эффективное функционирование этих команд в долгосрочной перспективе, руководство компании осознало, что им необходимо сформировать более глубокий кадровый резерв. В DBS было принято важное стратегическое решение привлечь 70 % технических специалистов к работе внутри компании (по сравнению с 20 % в прошлом). Они обратились к нетрадиционным способам поиска необходимых им талантов, включая хакатоны, которые были неотъемлемой частью первых лет трансформации DBS. DBS также использовала эти хакатоны как возможность для обучения старших руководителей DBS, чтобы они познакомились с передовыми технологиями и методологиями, такими как дизайн, ориентированный на человека. Чтобы привлечь талантливых специалистов в другие регионы, DBS также создал три технологических хаба. Благодаря этим и другим усилиям DBS может похвастаться наличием более 10 000 технологов, что составляет около трети ее персонала и вдвое превышает число банковских работников.

Набирая штат технических специалистов и внедряя платформенную операционную модель, компания DBS решила создать инженерную культуру, состоящую из исполнителей, которые могли бы свободно заниматься своим ремеслом на передовых технологиях. Ключевым компонентом достижения этой цели стал переход в облако, инвестиции в автоматизацию и разработка микросервисов для поддержки платформ. К 2021 году 90 % технологических услуг компании были переданы на аутсорсинг (по сравнению с 15 % в 2015 году). Около 99 % приложений теперь работают в облаке, а агрессивная автоматизация позволила значительно оптимизировать операции: один системный администратор может управлять 1 200 виртуальными машинами.

На основе этой технологической базы было принято обязательство стать организацией, управляемой данными. Поэтому DBS запустила комплекс инициатив по работе с данными, включая модернизацию управления данными, внедрение новой платформы данных (SWLWTE) и изменение культуры в организации. DBS отказалась от слайд-досок и стала использовать информационные панели для принятия решений на основе данных, отслеживания эффективности и оценки воздействия. Глубокие изменения в управлении данными позволили DBS радикально изменить подход к обслуживанию клиентов. Например, потребительский банк внедрил искусственный интеллект для обеспечения "интеллектуального банкинга", который ежедневно предоставляет потребителям более 50 000 персонализированных подсказок. В области управления персоналом, решения AI/ML помогли лучше предсказать, когда сотрудник может задуматься об уходе, чтобы HR мог вмешаться (в результате DBS имеет самый низкий показатель текучести кадров в отрасли в Сингапуре - 10 % по сравнению со средним показателем по отрасли в 15-20 %).1

Переход на облачные технологии обеспечил DBS масштаб и скорость использования ИИ и ОД со своими данными в различных областях, например: в маркетинге - для предоставления персонализированных решений в контексте; в отделе кадров - для более точного прогнозирования того, когда сотрудник может задуматься об уходе. Например, команда DBS, отвечающая за соблюдение нормативных требований и борьбу с мошенничеством, использовала ИИ и аналитику для разработки комплексного сквозного процесса наблюдения для борьбы с отмыванием денег и финансированием терроризма. Эта инициатива объединила несколько моделей, использующих правила, анализ сетевых связей и машинное обучение, с рядом внутренних и внешних источников данных, чтобы быстрее и лучше понять угрозы отмывания денег.

По оценкам, только за последний год благодаря инициативам в области искусственного интеллекта DBS получил 150 млн сингапурских долларов дополнительного дохода и еще 25 млн сингапурских долларов за счет предотвращения убытков и повышения производительности труда. В DBS работает более 1000 экспертов по данным, которые продолжают внедрять инновации.

Компания DBS смогла увеличить стоимость своих цифровых решений и решений на основе искусственного интеллекта, инвестировав в программу институционального обучения для формирования целого ряда необходимых навыков. Команда трансформации из 60-70 человек разработала, среди прочего, "DigiFy" - модульную программу обучения, которая позволила сотрудникам понять и применить такие концепции, как гибкие методы работы, большие данные, путешествие, а также цифровые технологии. Будучи "живым" учебным планом, который постоянно обновляется, "DigiFy" обеспечил всю организацию базовыми цифровыми навыками и позволил им быть в курсе быстро меняющегося цифрового ландшафта.

Команда трансформации управляла вспомогательными инструментами, чтобы отдельные сотрудники и команды могли выполнять работу в стиле agile. Чтобы удовлетворить потребности в техническом обучении более чем 10 000 технологов банка, DBS создал Академию DBS Tech Academy. В ней технологам предлагалась разработанная собственными силами учебная программа по таким направлениям, как проектирование надежности объектов, кибербезопасность и машинное обучение. В то время как DigiFy обеспечила базовые знания в области цифровых технологий для всех сотрудников DBS, Технологическая академия DBS создала глубокие инженерные знания, что позволило банку широко и глубоко развивать свои цифровые возможности.

Стремление к масштабированию заставило DBS взять на себя обязательство стандартизировать и упаковать как можно больше активов - от учебного модуля, программы обучения, методологии составления маршрута до продукта ана-литики. Этот фокус был центральным для способности "индустриализировать ИИ", например, путем оцифровки рабочих процессов (включая сквозное управление проектами ИИ с помощью стандартных шаблонов и руководств по лучшей практике), разработки набора лучших практик для руководства аналитикой, создания репозитория аналитики, где команды могли бы легко получить доступ к многократно используемому коду, и разработки мата данных/функций, который хранит общие функции, которые могут быть использованы для других аналитических разработок. DBS дополнила эти формальные инициативы по обучению и масштабированию более неформальными усилиями по формированию цифровой культуры, такими как редизайн рабочих мест для поощрения сотрудничества и инноваций, частые экспертные оценки и рассказ об успехах и неудачах (т. е. об извлеченных уроках).

На сегодняшний день результаты впечатляют. Около 65 % клиентов DBS пользуются цифровыми инструментами и услугами. Для потребительского и малого и среднего бизнеса банка в Сингапуре и Гонконге доля цифровых клиентов выросла на 27 процентных пунктов за последние семь лет и составит 60 % в 2022 году. Благодаря более разнообразным продуктам и большему количеству операций цифровые клиенты постоянно приносят в среднем более чем в два раза больший доход, чем традиционные. В результате соотношение расходов и доходов цифровых клиентов вдвое ниже, чем у традиционных. Рентабельность капитала цифровых клиентов составляет 39 %, что на 15 процентных пунктов выше, чем у традиционных клиентов. Кроме того, в течение пяти лет подряд (2018-2022 гг.) DBS удостаивался нескольких высших мировых наград2.

Путешествие не закончено. DBS продолжает искать новые возможности для бизнеса, развивая свои технологические возможности, в том числе участвуя в трансграничных финансовых перемещениях, а также создавая ряд предприятий с поддержкой блокчейна. Все эти инициативы для раскрытия новых источников стоимости и выполнения своих обещаний сделать банковское обслуживание радостным для клиентов.

Примечания

"DBS: трансформация, движимая целью", Гарвардская школа бизнеса, 29 июля 2022 года, https://www.hbs.edu/faculty/Pages/item.aspx?num=62948.

"DBS назван лучшим банком мира пятый год подряд", DBS.com, 25 августа 2022 г., https://www.dbs.com/newsroom/DBS_named_Worlds_ Best_Bank_for_fifth_year_running#:~:text=Piyush%20Gupta%2C%20 DBS%20CEO%2C%20said, customers%2C%20employees%20and%20 the%20community.

Глава 35. Будущее игр

формируется в

LEGO

Group

Цифровая трансформация глобального бренда игрушек

Путь LEGO Group к цифровой трансформации начался с фундаментального вопроса: Как мы можем сохранить наследие одного из самых любимых брендов в мире в эпоху цифровых технологий?

В условиях, когда дети все чаще обращаются к экранам, поведение покупателей становится цифровым, а логистика зависит от технологий, компания LEGO Group разработала концепцию, согласно которой будущее игр должно принадлежать ей. Для этого нужно было стать цифровым до мозга костей и технологическим лидером.

Первый этап пути был сосредоточен на технологиях. ИТ-служба модернизировала свои системы, чтобы технологии лучше работали вместе, внедрила agile-программы для своих технических команд и начала перенос рабочих нагрузок в облако. Но генеральный директор и топ-команда понимали, что им нужны более радикальные и фундаментальные изменения - технологии были крайне важны, но сами по себе они не могли реализовать их видение. Они должны были использовать технологии для изменения всего - от обслуживания клиентов до управления глобальной цепочкой поставок. Эта более масштабная цель потребовала от LEGO Group изменения архитектуры, операционной модели, кадрового состава, а также компетенций в области технологий и аналитики, чтобы стать технологическим лидером.