Как правильно оценить эффективность внедрения новых ERP-систем

[Pattor]

Наша компания (средний производственный сектор, около 400 сотрудников) только что завершила внедрение новой, комплексной ERP-системы, на которую ушло почти полтора года и значительные инвестиции. Основная цель заключалась в унификации данных, автоматизации складского учета и получении реальной, сквозной аналитики по себестоимости продукции, чего невозможно было добиться со старой, кастомизированной системой, которая собирала данные из десятка разрозненных баз. Сейчас, спустя три месяца после запуска, возникла острая проблема с оценкой реального ROI и эффективности.
С одной стороны, операционные показатели вроде времени закрытия месяца или скорости обработки заказов улучшились, но это легко измерить. С другой стороны, ключевые бизнес-метрики, ради которых все затевалось – точность прогнозирования запасов, снижение избыточных складских остатков, и, главное, достоверность маржинальности конкретных SKU – показывают неясную картину. Мы столкнулись с тем, что старые данные, на которых мы планировали строить сравнительную базу (baseline), оказались либо неполными, либо противоречивыми. Например, старая система “забывала” учитывать некоторые непрямые производственные расходы при расчете себестоимости, что искусственно завышало маржу старых отчетов. Если мы сравниваем новые, “честные” данные с этими старыми, цифры выглядят хуже, что вызывает недовольство у топ-менеджмента, который ожидал немедленного улучшения показателей.
Как объективно доказать, что новая система работает, если фундамент для сравнения (прошлое) ненадежен? Мы не можем просто сказать: “Раньше было лучше, потому что мы не видели всех проблем”. Нужны ли какие-то временные метрики или качественные показатели, которые можно использовать до того, как накопится достаточный объем новых, проверенных данных (например, полных производственных циклов за год)? Может быть, существуют отраслевые бенчмарки для пост-внедренческого периода ERP, которые помогут нормализовать наши ожидания?

[Nasiass]

Переход от «удобного хаоса» к «точной, но непривычной правде» — это классический болезненный этап после внедрения крупных систем. Ваша ситуация с ненадежным базовым уровнем — не редкость, а почти правило. Бизнес склонен идеализировать прошлое, забывая о скрытых издержках. Здесь необходимо радикально изменить подход к измерению успеха, перейдя от простого сравнения «до/после» к оценке процессных улучшений, которые можно подтвердить независимо от исторических данных.
Вместо того чтобы фокусироваться на чистой прибыли или марже (которые зависят от множества внешних факторов), сосредоточьтесь на внутренних, контролируемых показателях, которые система призвана улучшить. Во-первых, измерьте качество данных (индекс качества данных). Создайте контрольный набор данных, который должен быть абсолютно одинаковым в обеих системах (например, количество накладных за один день, время регистрации нового клиента). Если в новой системе этот показатель на 99,9 % соответствует ручной сверке, а в старой составлял 85 %, вы уже доказали ценность платформы. Во-вторых, используйте время цикла (Cycle Time) для конкретных унифицированных процессов. Например, время от поступления заказа до его отгрузки. Если старая система требовала 10 ручных операций и 72 часа, а новая — 4 операции и 48 часов (даже если итоговая прибыль пока неясна из-за учёта амортизации), это измеримый успех автоматизации.
Чтобы справиться с недовольством руководства, предложите «промежуточную метрику прозрачности». Это может быть процент SKU, маржинальность которых теперь известна с точностью до 95 %, по сравнению с процентом SKU, маржинальность которых была неизвестна (или основывалась на догадках) в старой системе. Демонстрируйте не конечный результат, а устранение неопределённости. Как только вы докажете, что инструмент даёт вам истинное представление о мире, руководство начнёт доверять тем цифрам, которые показывают более низкую «историческую» маржу, потому что теперь они понимают, что эта низкая маржа была всегда, просто её скрывали. Это вопрос доверия к новому источнику правды.