Het eerste deel van de waardescenario’s van Process Mining legde vooral de nadruk op “Process discovery” en “Procesverbetering”. Dit tweede deel bouwt verder voort op procesverbetering; het beschrijft ook waardescenario’s gebaseerd op “Conformance checking” en eindigt met scenario’s rond “Operational support”, meer specifiek op voorspellende analyses.
Procesverbetering scenario’s (vervolg)
Identificeer bottlenecks
Eén van de gevolgen van procesvariabiliteit is de vorming van zogenaamde bottlenecks. Wanneer een bottleneck structureel is, dus wanneer het zich steeds voordoet in dezelfde stap van het proces, is het ‘gemakkelijker’ om de oorzaken te onderzoeken. Merk op dat dit één van de belangrijkste principes is van de “Theory of Constraints (ToC)” : het één voor één ontdekken en oplossen van de belemmeringen met de meeste impact in een proces. Een bijkomende uitdaging is wanneer de bottleneck niet structureel is, m.a.w. een bottleneck niet steeds op dezelfde plaats voorkomt in een bedrijfsproces.
Onderstaande figuren – uit een dynamisch diagram (Disco) – illustreren bottlenecks die optreden op verschillende tijdstippen voor eenzelfde proces: de blauwe rechthoek in Fig. 1 tussen de activiteiten 3 en 4 op ‘moment A’ versus de rode rechthoek in Fig. 2 tussen de activiteiten 3 en 4 op ‘moment B’. Het voordeel van Process Mining is dat je gemakkelijker alle bottlenecks kan ontdekken, op eender welk moment. Met wat bijkomend onderzoek, vergemakkelijkt dit natuurlijk de taak van de procesbeheerder om specifieke onderliggende oorzaken te identificeren, die aan de basis liggen van deze minder structurele bottlenecks.
Fig.1: Bottleneck (blauwe rechthoek) Fig.2: Bottleneck (rood) + lus (groene ellips)
Onthul de herwerking
Zo’n figuren verkregen door Process Mining – geanimeerd of niet – maken het ook mogelijk voor proceseigenaren om te streven naar “right the first time”. Namelijk door ongekende ‘lussen’ in het proces te ontdekken, zoals aangeduid door de groene ellips in Fig. 2. Inderdaad, zo’n lussen gaan dikwijls gepaard met duurdere herwerking die de operationele waarde vermindert (in Lean management wordt herwerking beschouwd als verpillingstype “Defect”). In meer extreme situaties, kan Process Mining zelfs zogenaamde hidden factories aan het licht brengen.
Resource management
Bottlenecks treden dikwijls op wanneer er een overbenutting is van een hulpbron; dus wanneer de capaciteitsbehoefte hoger is dan zijn eigenlijke capaciteit. Onderbenutting van hulpbronnen is echter ook heel belangrijk om te kennen, meer bepaald wanneer het zich regelmatig voordoet. Structurele overcapaciteit is ook een inefficiëntie die best aangepakt wordt, inderdaad. 
Het stippen-diagram aan de linkerkant – verkregen uit ProM – illustreert hoe je voor een specifieke hulpbron kan zien welke procesactiviteiten deze uitvoerde en wanneer. Een rij – bv. zoals deze aangeduid met de groene rechthoek (opgevuld met geel) aan de linkerkant – laat toe om te beoordelen of deze hulpbron eerder overbenut of onderbenut werd, en op welke momenten. Wanneer je erover schuift met de muis, verkrijg je zelfs details (in de blauwe rechthoek), zoals welke activiteiten van welke proces instanties de hulpbron heeft uitgevoerd, en op welke tijdstippen.
Bovendien, biedt een applicatie zoals ProM algoritmes aan om de interacties tussen de respectievelijke hulpbronnen in kaart te brengen, zoals geïllustreerd door de zogenaamde “social network” grafiek hier aan de rechterkant. In dit voorbeeld is duidelijk te zien dat de 3 hulpbronnen aangeduid met een blauwe rechthoek belangrijke ‘knooppunten’ zijn in het proces, gezien de talrijke pijlen die er naar wijzen.
Naleving / conformance checking scenario’s
Zoals in voorgaande blog beschreven, helpt conformance checking om te beoordelen of de uitgevoerde proces instanties in overeenstemming zijn met het omschreven proces. Hier zijn de belangrijkste waardescenario’s voor deze categorie:
Naleving van wettelijke bepalingen
Het belang van de naleving van legale aspecten is u wellicht niet vreemd: denk maar aan SOX (Sarbanes-Oxley Act), US-GAAP reporting of IFRS reporting, enz. Of aan de correcte opvolging van maatregelen m.b.t. ‘corporate governance’ of ‘goed bestuur’. Process Mining kan je helpen om proces instanties op te sporen die het vooropgestelde bedrijfsproces niet volgden.
Quality Conformance
Non-conformiteiten zijn echter ook een basisbegrip voor Quality Management. Hoewel het bij een non-conformiteit vaak gaat om een afwijking t.o.v. specificaties voor een product of dienst (dus de output van een proces), ligt de oorzaak van een non-conformiteit dikwijls in het proces zelf. Daarom is het ontdekken van een non-conformiteit in een bedrijfsproces zeer waardevol. Onderstaand grafiek illustreert hoe de ProM plug-in “Replay a log on Petri Net for Conformance analysis” helpt om afwijkingen te identificeren. De rode rechthoeken, duiden ’transities’ (= groepen van activiteiten) aan waar afwijkingen voorkomen.
Je kan dan inzoomen op de statistieken in zo’n rode rechthoek, waaruit blijkt hoe frequent een proces onderhevig is geweest aan non conformance. De zogenaamde fitness (hetzij move-log fitness of move-model fitness) refereren allemaal naar de graad van overeenstemming.
Opvolging van organisatorische transformatie
Beeld je in dat je bedrijf een transformatie ondergaat, bijvoorbeeld ten gevolge van een nieuwe strategie, getriggerd door belangrijke marktveranderingen. Zoals uitgelegd in de blog van 5 Februari 2015, zal deze vorm van transformatie meestal leiden tot veranderingen in bedrijfsprocessen.
Zou het niet verstandig zijn om te controleren of de nieuw gedefinieerde processen – die deze transformatie belichamen – goed worden nageleefd? Zou dit de kans niet verhogen op een succesvolle bedrijfstransformatie?
Voorspellende analyses
Voorgaande waardescenario’s waren voornamelijk gebaseerd op zogenaamde “post mortem data“, wat betekent dat Process Mining in dit geval data (event logs) gebruikt om situaties uit het verleden te analyseren, nl. van proces instanties die reeds zijn uitgevoerd. Zoals elke voorspellingstechniek, kan Process Mining ook gebruikt worden om toekomstig procesgedrag te verbeteren. Wanneer je ook pre mortem data gebruikt, dus data in een proces “at runtime” (dus vooraleer een proces instantie volledig is uitgevoerd), dan kan je op ongewenste situaties anticiperen – lees: vermijden. Hier zijn enkele voorbeelden die het anticiperend gebruik van Process Mining illustreren:
Deadlines
Beeld je in dat na een overeenkomst met klanten, de maximale doorlooptijd van een bedrijfsproces 4 dagen bedraagt. M.a.w. het moet worden uitgevoerd binnen de 4 dagen na zijn start, zeg maar binnen 4 dagen nadat de klant besteld heeft. Uit event logs uit het verleden, heb je vastgesteld dat het uitvoeren van het cruciale deel van een proces meestal 2 dagen in beslag neemt. Van zodra dit “kritisch pad” ietwat meer dan 2 dagen duurt, is de hele deadline (4 dagen) dus in gevaar. Dan kan een tijd alarm die – in de lopende proces instantie – waarschuwt van zodra het “kritisch pad” meer dan 2 dagen inneemt, toch handig zijn om het risico op gemiste deadline te vermijden, niet?
Voorspellen van kosten van een procesinstantie
Wanneer – gebaseerd op event logs uit het verleden -, je hebt ontdekt dat specifieke voorwaarden de kost van je bedrijfsproces beïnvloeden, kan je de kost van de proces instantie at runtime inschatten, en je kan ook proberen het proces te beïnvloeden om te kiezen voor de meest economische variant.
Voorbeeld: veronderstel dat je voor een transportproces ontdekte dat voor een specifieke bestemming, de transportkosten aanzienlijk hoger zijn ten gevolge van files. Dan kan je beslissen om het proces niet te laten lopen wanneer je, bv. door RDS, geïnformeerd wordt dat er een file is tussen jouw bedrijf en de bestemming in kwestie.
Voorspellen van de kwaliteit van de proces output
Op gelijkaardige manier, kan je – dankzij Process Mining – vaststellen dat specifieke parameters een impact hebben op de kwaliteit van de proces output; in welk geval je dan de procesuitvoering laat afhangen van de parameters die de kwaliteit impacteren.
Voorbeeld: beeld je in dat je – door root-cause analyse op event logs uit het verleden – achterhaalde dat voor product A veel meer afkeuringen zijn wanneer de relatieve luchtvochtigheid boven 90% ligt; in een productie gebouw zonder air-conditioning. Terwijl de luchtvochtigheid geen impact heeft op de kwaliteit van andere producten. Is het niet verstandig om te worden gewaarschuwd zodra de luchtvochtigheid de 90% (of zelfs 85%) bereikt, om ervoor te zorgen dat het product A op dat moment niet wordt geproduceerd? Om dan een ander product in de plaats te produceren.
Tot slot
Hopelijk inspireren deze waardescenario’s jou ook om te bepalen hoe Process Mining kan helpen om jouw bedrijfsprocessen en jouw algemene organisatie nog verder te verbeteren.
De volgende blog zal toelichten hoe Process Mining ook kan bijdragen tot organisaties die Systems Thinking principes toepassen.
Vragen of bedenkingen over deze blog? Aarzel dan niet om deze neer te schrijven in het vak Reacties hieronder, en ontvang daarbij gratis documentatie over hoe je BPMN diagrammen uit Event Logs kan verkrijgen met behulp van Process Mining.
P.S.: Deel deze informatie met je Facebookvrienden en –fans, LinkedIn contacten, Twitter volgers of Google+ circles via de share knoppen hieronder. Bedankt!