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 проучване относно усвояването на новите технологии в обществените поръчки. Това проучване показва как публичните власти по целия свят използват нови технологии при закупуване на стоки и услуги. Резултатите от проучването за дигитална трансформация на обществените поръчки вече са публично достъпни онлайн.
Изследването 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 проекта, 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.
Част от препоръки 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 машинно 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.
