Технология блокчейн (Blockchain) нашла свое применение в разработке DeFi, NFT и DApps-приложений для различных сфер бизнеса. Но несмотря на высокий спрос и востребованность, ТОП-менеджмент отмечает ряд сложностей, влияющих на повсеместное внедрение блокчейна. А именно – проблемы, связанные с повышением удовлетворенности клиентов и выявлением фактов мошенничества в ПО на основе технологии.
Process mining, или процессная аналитика, позволяет решить все эти трудности, помогая анализировать модели поведения пользователей, выявлять в них области для оптимизации и обеспечивать эффективный мониторинг клиентской активности.
Аудит безопасности
Одна из основных проблем при использовании блокчейн – вероятность незаконной деятельности, как правило, «отмывания» денежных средств. В технологии отсутствует механизм внутреннего контроля, или центральная система управления, которая бы позволяла вести непрерывный мониторинг операций и предотвращать фишинговые атаки.
Process mining широко используется компаниями для аудита, помогая выявлять факты неправомерных действий, которые способны привести к негативным последствиям. Процессная аналитика позволяет составить карту бизнес-процессов и провести проверку соответствия, сравнивая эффективность фактического и предполагаемого использования блокчейна. Кроме того, с помощью process mining можно выявить в БП ошибки вместе с их первопричинами для оптимизации и обеспечения безопасности выполнения.
Кейс: в 2017 году неизвестный хакер украл Ethereum (цифровая криптовалюта) на сумму около 32 миллионов долларов из-за уязвимости в программном обеспечении. Таких потерь можно было избежать, если бы аудиторы своевременно выявили первопричину и усовершенствовали свои ИТ-системы, управляющие транзакциями.
Создание карты межкорпоративных процессов
В настоящее время вендоры блокчейн-платформ стремятся найти способы поддержки межкорпоративных бизнес-процессов – работы, которую осуществляют одновременно две или более организации. Например, деятельность региональных предприятий, промышленных холдингов или e-commerce подразумевает участие сразу нескольких сторон – с момента получения заказа до доставки товара.
Межкорпоративные бизнес-процессы – более сложные и трудные для управления и изменения по сравнению с классическими БП. Process mining помогает определить наиболее подходящие процессы для внедрения блокчейн.
Анализ поведения клиентов в DApps
DApps – созданные на основе блокчейна децентрализованные приложения – относятся к программам, которые не контролируются третьей стороной и зависят от пиринговых сетей. DApps выгодны с точки зрения более высокого уровня защиты данных, низкой стоимости и отсутствия единой точки отказа сервера. Но есть и минус – разработчикам сложно вносить обновления или исправлять ошибки.
Process mining позволяет понять, как происходит взаимодействие пользователей с приложением, выявляя:
- цикличные события;
- неэффективные процессы, снижающие качество обслуживания пользователей;
- причины возникновения технических проблем, например, долгого ответа сети.
С помощью инструментов процессной аналитики разработчики способны определить уровень эффективности фактического использования своих Dapps и сравнить полученные данные с эталонным вариантом, чтобы внести нужные изменения.
Например, в ходе исследования, проведенного с помощью анализа поведения геймеров в игре ChickenHunt, удалось выявить наиболее распространенные траектории движения пользователей и составить карту их действий.
Проверка и верификация смарт-контрактов
Смарт-контракты – это применение блокчейн для обеспечения безопасного и четкого обмена цифровыми или физическими ресурсами между компаниями. Программа следит за исполнением условий договора и самостоятельно определяет, все ли исполнено, принимает решение: завершить сделку, наложить штраф и т.д. Смарт-контракты применяются в различных отраслях – логистика, страхование, здравоохранение и др.
Process mining позволяет анализировать весь цикл смарт-контракта в виде модели сети Петри. Исследователи считают, что подход на основе анализа процессов более эффективен, чем процедура проверки семантических ошибок.
По материалам AI Multiple