Process Mining (процесс майнинг): знакомство с технологией

Process Mining: знакомство с технологией

Process mining — передовая технология, которую используют для оцифровки бизнес-процессов, обнаружения ошибок/отклонений, “узких мест” и повышения эффективности за счет их исключения. Начиная с 2016 года, process mining стали внедрять крупные игроки бизнеса на территории России, отмечая быструю окупаемость проектов и значительное улучшение показателей работы. В этой статье изложены основы технологии и варианты использования. 

Многие сравнивают process mining и data mining, на практике у этих технологий есть разительные отличия. Глубинный анализ фокусируется на закономерностях логов (исходных данных) и не делает выводов, основываясь на них. Process mining концентрируется на оптимизации и повышении эффективности процессов. Технология помогает найти ответы на следующий вопросы: 

  • Производительны/эффективны ли процессы? 
  • Согласованы ли они? 

Варианты использования process mining (процесс майнинг)

В этом разделе мы поговорим о базовых вариантах использования технологии.

  1. Обнаружение. С помощью PM можно увидеть, как выглядит графическая модель реального процесса и обнаружить ранее неизвестные, нерегламентированные процессы. Опыт экспертов “Инфомаксимум” показывает, что только в 13% случаев теоретическая модель соответствует цифровой.  
  2. Поиск “узких мест”. То есть критических точек в процессе, которые ограничивают скорость и затягивают выполнение. Кроме того, технология может помочь понять причину их появления.
  3. Выявление ошибок/отклонений. В этом случае технология с высокой точностью определяет, где именно оцифрованный процесс отклоняется от теоретической модели и, главное, помогает понять, почему это происходит. 
  4. Поиск возможностей для ускорения. Это может быть поиск альтернативных путей выполнения процесса, исключение лишних шагов или роботизация операций. 
  5. Прогнозная аналитика. Технология позволяет делать и прогнозы, и выявлять возможность развития критических ситуаций в рамках исполнения процессов. 

Основа для анализа — исходные данные в Process Mining (процесс майнинг)

Проект по внедрению process mining покажет отличные результаты в случае использования в компании большого количества информационных систем. Данные из журналов событий — главный источник для анализа. Каждая строка из журнала есть отпечаток случая с зафиксированным временем. 

Атрибуты событий:

  • Case id или номер/идентификатор случая. Содержит объекты, для которых выстраиваются последовательности событий журнала.
  • Activity name или активность/деятельность. Действия, которые выполняются в рамках тех или иных событий.
  • Timestamp — время/дата. Т.е содержит данные о времени и дате совершения действия. 
  • Resource — ресурс. Содержит информацию о людях, причастных к исполнению тех или иных задач. 
  • Other data — прочее/другое. Иная, не имеющая ценности для анализа информация. 

Выбор атрибутов во многом зависит от того, каких целей требуется достичь по результату анализа данных. 

Типы Process mining (процесс майнинг)

Выделяют три типа process mining:

  1. Play-Out. Этот тип применяют, когда стоит задача проверить разработанные модели процессов на соответствие. 
  2. Play-In. Здесь в качестве входных данных используют информацию о поведении и на ее основании строят модель.
  3. Replay. Этот тип используют в случае необходимости обнаружить отклонения, оценить производительность. 

Технология process mining не только способна обнаружить процессы. Сопоставив данные с помощью PM, можно проверять соответствие, выявлять отклонения и “узкие места”, приоритетные для роботизации направления. Сейчас акцент в использовании технологии делают на прогнозную аналитику и поддержку в принятии управленческих решений. 

0 0 Голоса
Рейтинг статьи
1 Комментарий
Старые
Новые Популярные
Межтекстовые Отзывы
Посмотреть все комментарии
Анатолий
4 лет назад

Читал, что зарубежные эксперты говорят что топ-менеджеры не всегда оказываются готовыми к результатам внедрения process mining. Всплывают косяки, которые являются причиной управленческих ошибок.