Il process mining è una metodologia di process management, volta ad analizzare i processi di business nel minimo dettaglio, sulla base dei log degli eventi, per migliorarne l’efficacia.
Ecco cos’è questa tecnica, le tendenze, i principali tool per implementarla, i più popolari ambiti di applicazione, i vantaggi rispetto ai classici metodi di assessment dei processi e le tecnologie su cui si fonda.
Process Mining: definizione e applicazioni
Il process mining rappresenta una tecnica che sfrutta algoritmi specializzati per l’analisi dei dati di log degli eventi,. Lo scopo è quello di scoprire trend, modelli ed altri dettagli sull’esecuzione di un dato processo. Analizza i processi aziendali grazie all’analisi
L’obiettivo consiste nel mappare i processi aziendali della realtà giornaliera. L’obiettivo è quello di rilevarne i punti di forza e le fragilità e i divari rispetto ai processi standard codificati per policy.
Permette dunque di ottimizzarli bypassando farraginosi e costosi progetti di Business Process Reengineering (BPR) ovvero il classico approccio al controllo dei modelli di funzionamento delle aziende, revisioni che hanno accumulato limiti nel corso degli anni.
Aiuta gli utenti di fascia business a rendere le decisioni più veloci e più informate per migliorare i processi attraverso insights data-driven.
Impatto
Permette di ottenere una completa trasparenza dei processi sfruttando i dati dei vostri sistemi aziendali, come ERP e CRM. Consente di identificare le inefficienze, dando priorità all’automazione sulla base dell’impatto e del ROI previsto. Migliora inoltre continuamente i processi attivando azioni correttive o generando bot RPA.
Grazie al process mining, i clienti possono ottimizzare i processi complessi, ottenendo una riduzione dell’80% dei tempi medi di consegna. L’obiettivo è restare competitivi, aumentare l’efficienza e tagliare i costi operativi.
Applicazioni
Le applicazioni del process mining hanno, per esempio, permesso il recupero del 30% delle risorse, con guadagni milionari. Permette la riduzione della durata media dei processi del 70%, migliorando la soddisfazione dei clienti. Consente di azzerare fino al 40% delle fasi dei processi, anche in contesti critici, riducendo la durata e i costi complessivi di gestione.
Process mining: esempi concreti di analisi dei processi
Il metodo, grazie al supporto di soluzioni digitali ad hoc, permette l’analisi puntuale dei processi aziendali come si svolgono nella realtà quotidiana.
Il process mining prevede quattro fasi: estrazione dei dati rilevanti, creazione del modello di flusso di controllo, di un modello integrato e supporto operativo.
Può attribuire le risorse più adeguate alle peculiarità di un prodotto, consentendo ai manager del settore manifatturiero di trasformare le proprie operazioni aziendali.
Può aiutare ad individuare i corsi legati all’istruzione più efficaci nell’ambito dell’offerta formativa. Software di process mining permettono di perfezionare i processi inter-organizzativi, ispezionando i conti, aumentando il fatturato ed espandendo l’audience di clienti.
Invece in ambito sanitario, può tagliare i tempi di elaborazione dei trattamenti per i pazienti.
Nei lavori pubblici, consente di migliorare il processo di fatturazione per progetti pubblici che riguardano svariati stakeholder, quali imprese nel settore edile e in quello delle pulizie e agenzie ambientali.
Può aiutare gli sviluppatori di software nel monitoraggio dei propri processi, agevolando le verifiche di esecuzione di un sistema.
La comprensione dei comportamenti degli acquirenti permette infine a chi opera nell’eCommerce di offrire suggerimenti puntuali per incrementare le vendite.
Data Mining vs Process Mining: differenze e complementarietà
Il process mining si basa sull’analisi dei dati di log dei sistemi informativi aziendali. Basta accedere ai log dei sistemi informativi e acquisire i dati, anche molto eterogenei tra loro, dalle applicazioni per riuscire nell’opera di ricostruzione dei pattern che caratterizzano il funzionamento di intere filiere attraverso le piattaforme di process mining.
Il data mining è invece una tecnica di analisi assistita da computer che permette l’elaborazione e l’esplorazione di grandi insiemi di dati. Con gli strumenti e i metodi di data mining, aziende ed organizzazioni sono nelle condizioni di trovare pattern e far emergere relazioni nascoste nei loro dati. Il data mining trasforma in definitiva i dati grezzi in conoscenza pratica.
La complementarietà consiste nella scoperta dei data pattern. La differenza è nella metodologia per centrare il risultato.
Process Mining vs RPA: confronto tra i due strumenti
La RPA consente di automatizzare le operazioni ripetitive, liberando tempo per il personale. Il process mining funge da macchina a raggi X, che illumina la visibilità dei processi attuali dell’azienda per identificare le aree da sviluppare.
Tuttavia i ritardatari devono essere consapevoli degli elementi in gioco prima di intraprendere il viaggio verso l’implementazione di una o di entrambe queste tecnologie. Mancanza di informazioni sulle capacità precise di ogni strumento, come si differenziano l’uno dall’altro e come potrebbero funzionare in maniera complementare, potrebbe comportare spese inutili e profitti non realizzati.
Mentre la RPA è uno strumento per automatizzare i processi, il process mining è un’intelligenza di processo, come il task mining o la modellazione dei processi, che offre informazioni sui processi che richiedono miglioramento, armonizzazione o automazione.
Quindi uno strumento serve a identificare le opportunità di automazione, mentre l’altro è un fattore di automazione. Se le aziende sfruttano l’RPA in processi di cui non hanno una conoscenza profonda, l’iniziativa di automazione potrebbe fallire.
Process Mining: quali sono i principali tool disponibili
Dalla definizione dell’Institute of Electrical and Electronics Engineers (IEEE), il process mining fa da ponte fra il Business Process Management e le altre discipline analitiche non orientate ai processi in maniera diretta, come statistica, data mining, machine learning e business intelligence.
Richiede algoritmi di data cleaning per filtrare e ripulire correttamente i log dai dati di registrazione che provengono dai sistemi informativi aziendali.
I dati di log presentano un identificativo univoco di istanza di processo a cui si riferiscono, un richiamo all’attività di processo e il tempo di registrazione. Le altre variabili che li identificano sono priorità, cliente e risorsa responsabile.
Essi diventano i trigger per realizzare la mappatura di processo, mediante algoritmi di automated process discovery (Fuzzy, Genetic, Heuristics, Multi-phase eccetera). Oltre a un’analisi molto dettagliata e customizzata tramite modelli statistici.
Approccio data-driven
I casi ottimali (positive deviance) e peggiori (negative deviance) si identificano con attività di slicing & dicing dei log lungo le dimensioni (cliente, livello priorità, tipologia di ticket eccetera), analisi comparative (anche visuali) con il supporto di misure statistiche delle differenze. Il risultato sono raccomandazioni sulle azioni di process improvement da mettere in atto.
La sua adozione non trova vincolo nell’uso pregresso di strumenti di Big Data Analytics o di piattaforme di Business Intelligence. Tuttavia, più alto è il numero di tecniche analitiche, più salgono le quotazione di maturare un vero approccio data-driven per elaborare strategie e tattiche aziendali.
Metodologia: casi di successo e applicazioni nelle aziende
Il process mining si sta facendo largo nell’ambito sanitario, accademico/universitario, bancario e retail.
In questi campi il process mining guida le operazioni di riorganizzazione e cambiamento, grazie alla capacità di lavorare su processi end-to-end. Sfrutta dati provenienti anche da sistemi eterogenei, promuovendo il veloce sviluppo di una consapevolezza cross-funzionale, che, insieme a tecniche di enterprise architecture e data governance, permette di delineare iniziative di armonizzazione organizzativa e standardizzazione dei sistemi efficaci e affidabili.
Process mining: vantaggi e rischi
La trasversalità, cruciale in uno scenario in cui tutte le aziende fruiscono di parchi applicativi con piattaforme e tecnologie differenti, è il vantaggio principale del process mining. Indipendente dal contesto e non system-specific. La sua applicazione vale infatti su sistemi eterogenei tra loro, a prescindere dal vendor e dalle specifiche.
La metodologia di process mining offre, velocemente, l’opportunità al nuovo management di capire in modo oggettivo il modello di funzionamento dell’azienda. Consente l’introduzione di strumenti di performance management per la definizione dei target di miglioramento. Lo scopo consiste nel monitorare i risultati progressivi, minimizzando le tradizionali interviste a tappeto e orientandone l’uso.
Un altro vantaggio è quello di estrarre, tramite modelli statistici, eventuali comportamenti critici per identificare i motivi dei ricicli, colli di bottiglia o tempi di attesa. Infatti rappresenta il principale driver per calcolare e monitorare le performance.
Integrando l’analisi e la misura del processo con i comportamenti della clientela, si possono indirizzare cambiamenti specifici. L’obiettivo è ottimizzare la qualità dei processi. O verso l’interno o clienti/fornitori.
Ciascuna iniziativa di miglioramento, inoltre, non partirà da zero. Invece capitalizzerà la conoscenza acquisita del processo impattando poco sulle prestazioni. Permette dunque di implementare un approccio di miglioramento graduale e continuo.
Quali rischi evita
Un altro dei benefici maggiori è anche la capacità di rilevare l’esecuzione di un processo nella realtà. Ne esalta attività e procedure operative continuativamente. Mette inoltre in risalto la conformità (o la sua assenza) con procedure e policy definite.
Rispetto al tradizionale approccio all’assessment dei processi, evita infine di correre il rischio di processi legati all’intervistato e alle sue esperienze. L’assessment deve invece guardare a rigorose logiche o motivazioni di business.
