Анализи

Проучване на eврокомисията оценява нови технологии за обществени поръчки

Владимир Владков

Нововъзникващите технологии могат да трансформират обществените поръчки - от автоматизиране на повтарящи се административни задачи до предоставяне на безпрецедентна информация и анализ по отношение на модела на разходите и резултатите от проектите. Новите технологии могат да дадат по-добри решения, да намалят разходите и да увеличат прозрачността при обществените поръчки, заявиха от Генерална дирекция "Вътрешен пазар, промишленост, предприемачество и МСП" на Европейската комисия.

През 2019 г. дирекцията възложи на Deloitte проучване относно усвояването на новите технологии в обществените поръчки. Това проучване показва как публичните власти по целия свят използват нови технологии при купуване на стоки и услуги. Резултатите от проучването за дигитална трансформация на обществените поръчки вече са публично достъпни онлайн.

Изследването на Deloitte покрива технологии като изкуствен интелект и машинно обучение, анализи на големи данни и данни, блокчейн, автоматизация на роботизирани процеси (RPA), разширена и виртуална реалност, 3D принтирането и Интернет на нещата.

Проучването обхваща списък с 96 инициативи, в които тези нови технологии са били използвани от публичните власти за обществени поръчки в 68 страни (към януари 2020 г.). Описани са подробно 20 сценария, представени са атакуваните проблеми, въздействието на новите технологии, разходите, изискванията, както и рисковете. Окончателният доклад включва подробен анализ и изводите, както и 10 препоръки за прилагане на нови технологии за обществени поръчки.

Технологиите и сценариите на употреба, участващи в проучването, покриват следните области:
- Изкуствен интелект и машинно обучение (AI & ML) (6 проекта), като един проект е за прогноза на нуждите, 3 проекта са за категоризиране на разходите и два проекта са за чатботове
- Големи данни и анализи на данни (общо 4 проекта) - бизнес анализи (2 проекта) и анализ на цените (2 проекта)
- Блокчейн (5 проекта), като два проекта са за опорните данни и три проекта са в областта на прозрачността
- Автоматизация на роботизирани процеси (RPA), като и четирите проучени инициативи са в областта на автоматизирането на процесите по доставките
- 3D печат (1 проект), насочен към създаването на резервни части.

По отношение на въздействието най-добрите измерими резултати са постигнати в проектите RPA, които спестяват най-голям брой работни часове (до 116 служители на пълно работно време за 3 години) чрез автоматизация на процесите за обществени поръчки. В редица други казуси въздействията или все още не са пряко измерени от собствениците на проекти, или трудно се определят количествено. Такъв е случаят с проектите за Големи данни, които имат за цел да подобрят вземането на решения: предизвикателство е да се измери степента, в която това е постигнато, тъй като желаните въздействия могат да бъдат широкообхватни и да подлежат на много други променливи.

По отношение на разходите има значителни разлики между отделните казуси. Всички технологични групи (с изключение на AI & ML) представят най-малко един казус с разходи над 1 милион евро. Като цяло разходите за тези проекти са свързани с обхвата и мащаба на конкретното решение, което се разработва, а не са присъщи разходи за определена технология. Затова проектите с автоматизация (RPA) и анализа на данни обикновено са по-скъпи (от 250 000 евро до 4,1 милиона евро), което отразява както по-голямата зрялост, така и по-широкия обхват на тези проекти. Въпреки това си заслужава да се отбележи, че в анализа попада и блокчейн инициативата HHS Accelerate, която се възползва и от възможностите на изкуствения интелект, и от RPA методите, все още е в процес на разработка, като получава най-голямата финансова инвестиция - над 30 милиона евро.

По отношение на човешките ресурси, по-специално на броя професионалисти, участващи в проектите, отново има съществени различия в изискванията както и по отношение на степента на възлагане на работата на външни изпълнители. При проекти за блокчейн и изкуствен интелект по-голяма част от работата е възложена на външни изпълнители, докато големите проекти за анализ на данни, изглежда, разчитат повече на вътрешна експертиза и усилия. Това може да се обясни с желанието на организациите да поддържат контрол и експертиза по отношение на поверителните данни и на източниците на данни, които са от съществено значение за тяхната дейност. За проекта с 3D печат се създава консорциум с цел достъп до експертиза по цялата верига на добавената стойност и споделянето на финансовата тежест, свързана с научноизследователската и развойната дейност в областта на адитивното производство.

По отношение на други изисквания за изпълнение на проектите най-съществената е необходимостта от управление на данни като стимулатор на редица нововъзникващи технологии. Практиките за управление на данни са необходими за осигуряване на качествени обучителни данни за проекти с изкуствен интелект и машинно знание, за осигуряване на висококачествени източници на данни за проектите за анализ на данни и предоставяне на стандартизирани данни, които инструментите на автоматизация RPA са в състояние да обработват. Блокчейн, от друга страна, се разкрива като възможен фактор за управление на данните, с потенциал да осигури технологичната основа за по-голяма надеждност на тези входни данни.

И накрая, по отношение на рисковете ключова повтаряща се тема е несигурността, свързана с реализирането на очакваните резултати от тези инициативи. В действителност обикновено има силно ограничен предишен опит за този вид проекти, които да послужат за прогнозиране на вероятното им развитие. Общият подход за намаляване на този риск е прилагането на подход за постепенно развитие на проекта, например първо да се осъществи пилотната фаза, а след това да се премине към цялостно изпълнение.

Докладът на Deloitte завършва с препоръки, част от които са общовалидни за всички видове технологии, а други са свързани с конкретни технологии:

Извод 1: Следвайте постепенен подход към разработването и внедряването на решения
Постепенният подход може да позволи на организациите да проучат потенциала на нововъзникващите технологии, да изградят опит в областта и да ограничат рисковете от неочаквани резултати. Този подход се следва в голям брой казуси, много от които са в начална пилотна фаза, т.е. изследва се потенциалът на технологията в малък мащаб. Този подход е препоръчителен за всяко широкомащабно внедряване на ИТ, но по-специално за новите технологии, за които има по-малко примери за успешно внедряване и по-голяма степен на несигурност.

Извод 2: Разработете стратегия за изграждане на вътрешна подкрепа на проекта
Ключов фактор за успеха на проектите е спечелването на необходимата подкрепа от вътрешни заинтересовани страни, така че да бъде одобрена и финансирана разработката на новото решение, както и използване в голям мащаба след неговото внедряване. Ръководителите на проекти са пробвали редица различни подходи за спечелване на тази подкрепа. Един от ключовите начини е да се демонстрира добавената стойност, която технологията може да донесе на организацията. Освен това могат да се демонстрират малки по мащаб реализации, за да се даде възможност за оценка на онова, което може да се постигне с технологията.

Извод 3: Изградете възможности за управление на данни като "фасилитатор" на нововъзникващи технологични проекти
Възможностите за управление на данни са основен фактор за възникващи нови технологични проекти, особено при анализ на Големи данни, в проекти с изкуствен интелект и машинно знание (AI & ML). Тези проекти се нуждаят от големи количества висококачествени, добре структурирани данни, за да осигурят прозрения и подкрепа на автоматизирани решения. RPA технологиите също разчита на стандартизирани данни с добро качество, за да може да ги обработва. Преди да се захванат с нови технологични проекти, организациите трябва да гарантират, че имат добре установен подход към управлението на данни, който може да послужи като основа за тези проекти.

Извод 4: Оценете подходящия подход за управление на знанията
Необходимата експертиза за реализиране на нововъзникващи технологични проекти често не е налична вътре в организацията. За да развият тези проекти, организациите трябва да преценят как най-добре да получат достъп до необходимите знания, дали ги има в някаква степен вътре, или трябва да бъдат достигнати чрез аутсорсинг, наемане на служители с различни профили на умения или инвестиране в програми за обучение.

Извод 5: Уверете се, че отзивите от потребителите са включени в дизайна на решението
Трябва да се събират и реагират отзивите на потребителите по време на фазите на проектиране на проекта, за да се гарантира, че разработеното решение е добре приспособено към техните нужди. Ако не го направите, това може да доведе до ниско усвояване на решението или до увеличаване на разходите заради необходимостта от адаптиране на инструментите на по-късен етап. Въвеждането може да се фокусира върху използваните съществуващи решения и текущите проблемни точки или реакцията спрямо ранните прототипи на разработваното решение.

Извод 6: Осигурете достъп до висококачествени обучителни данни за проектите с изкуствен интелект и машинни знания (AI & ML)
Алгоритмите на AI и ML изискват висококачествени данни за обучение, за да предскажат резултатите или да категоризират данните с достатъчна точност. Основна отличителна черта на успешните и не толкова успешните проучвания на казусите с AI и ML е наличието на предварително категоризирани данни за обучение. Ако такива данни не са налични веднага, може да бъде възможно да се трансформират или почистят съществуващите данни, така че да са годни за обучение. Това обаче може да бъде процес, изискващ големи ресурси. В началото на проекта трябва да се идентифицира източникът на основните данни и да се направи оценка на усилията и ресурсите, необходими, за да се гарантира, че те могат да бъдат използвани като ефективни данни за обучение.

Извод 7: Включете експерти по темата в анализите на данните, за да се гарантира правилното тълкуване на резултатите
Участието на експерти по темата е от решаващо значение за гарантиране на правилното тълкуване на резултатите от Големи данни и статистически анализи. Въпреки че данните и статистическите анализатори играят важна роля по отношение на предоставянето на технически компетенции, това трябва да бъде допълнено от принос от експерти, които не са ИТ, а имат добри познания по основната тема и по въпросите, за които се отнасят данните. Именно тези експерти могат да насочат към обещаващи области за анализ и да валидират дали резултатите са убедителни.

Извод 8: Споделете знания за потенциалните приложения на блокчейн, които остават недобре разбрани
Примерните проучвания на блокчейн илюстрират, че технологията има редица приложения, които се разпростират далеч извън областта на криптовалутите, в която тя остава най-известна. Преди всяко внедряване се изискват усилия за обучение на вътрешните заинтересовани страни относно потенциала и стойността на технологията. Казусите в проучването показват, че блокчейн може да бъде обещаваща технология както за осигуряване на прозрачност и надеждност на ключови фази в процеса на възлагане на обществени поръчки, така и като стимулатор на подхода за управление на данни, предоставяйки надежден единен източник на данни.

Извод 9: Преценете кои роботизирани процеси са най-подходящи за автоматизация (RPA)
Технологиите RPA могат ефективно да се използват за автоматизиране на специфични процеси. Автоматизираните процеси трябва да бъдат базирани на правила, повтарящи се и силно стандартизирани. В допълнение, те трябва да бъдат избрани въз основа на това къде автоматиката ще окаже голямо въздействие (например ако текущият ръчен процес отнема много време или има висок процент на грешки). Организациите, прилагащи RPA, трябва да проведат цялостен преглед на своите процеси спрямо тези критерии за подбор, за да преценят кои трябва да бъдат автоматизирани.

Извод 10: Оценете възможностите за сътрудничество с други заинтересовани страни във веригата за добавена стойност на 3D принтирането
3D печатът е технология, която може да носи големи предварителни разходи, ако се използва за мащабно производството на части. За да преодолеят тази потенциална бариера за прилагането на технологията, организациите трябва да преценят как могат да се координират най-добре с други заинтересовани страни, за да споделят разходите, например чрез създаване на консорциум, който обединява ресурси.

X