Development

Procesmanagement
Controle

Process mining dringt door in de business

De lessen van de penetratie van data analytics

© CC0 - Pixabay,  geralt
21 december 2016

De lessen van de penetratie van data analytics

Process mining is populair. Maar het gebruik door de business, door de procesverantwoordelijken zelf, blijft achter. De leiders van data science (CIO, BI- en IT-management) hebben de verantwoordelijkheid om process mining op de juiste manier in handen te spelen van de business. Zij kunnen zich baseren op ervaringen met data analytics.

Steeds meer organisaties in Nederland zetten process mining in om waarde uit data te halen. Meestal gaat het daarbij nog om kleinschalig gebruik van desktoptools voor exploratieve procesanalyse. Data scientists en procesanalisten voeren ad-hocanalyses voor individuele processen uit. Dat levert goede resultaten op. De groeiende belangstelling voor process mining wordt er deels door verklaard.

De waarde van process mining groeit als zij niet alleen beschikbaar is voor data scientists, maar ook voor de business. Het gaat daarbij enerzijds om managers die verantwoordelijk zijn voor processen, denk bijvoorbeeld aan de managers van een afdeling internal auditing of sales. Zij, en niet de data scientists, zijn verantwoordelijk voor effectieve, efficiënte processen met output van hoge kwaliteit. Anderzijds gaat het om de eigenaren van de cases die in de processen worden afgehandeld: de auditor is verantwoordelijk voor individuele audits, de sales executive voor individuele leads.

Nieuwe vragen moeten beantwoord kunnen worden binnen de structuur van de applicatie die business-users kennen

Maar als process mining in de handen moet komen van de business, dan blijft dat de verantwoordelijkheid van de ‘data science leaders’, ongeacht of dat de CIO, IT-, BI-, of Big Data-managers zijn. Die verantwoordelijkheid kunnen zij nemen als ze uitgaan van de eigen en algemene ervaringen met de invoering van data analytics. Daarbij zijn tenminste de volgende drie zaken van belang:

1. Van exploratie en analyse naar continue monitoring.

2. Van tooling naar applicaties.

3. Van desktoptools naar enterpriseplatform.

1. Continue monitoring

In slechts vijftien jaar heeft process mining zich ontwikkeld van academisch onderzoek, onder leiding van founding father Wil van der Aalst (TU/e), tot technologie die vooral in Nederland en Duitsland steeds breder wordt ingezet. Daarbij kunnen we drie fases onderscheiden.

In de eerste fase is process mining, uiteraard, ontwikkeld door onderzoekers met een academische achtergrond. Gebruikers van process mining tooling, zoals ProM, hadden vooral vaardigheid in het verkrijgen en bewerken van data, het gebruik van process mining-algoritmen en de ontwikkeling daarvan.

In de tweede fase kwamen process mining-tools in handen van data scientists en procesanalisten – gebruikers met een technische achtergrond. Zij voeren voornamelijk exploratieve analyses uit van processen. Daarmee ontstaat inzicht in nieuwe, nog onbekende problemen en/of oorzaken: in afwijkingen van het zogenaamde ‘happy path’, in rework, het overslaan van verplichte stappen in het proces, bottlenecks, non-compliance et cetera. Daarop wordt vervolgens root-cause-analyse gedaan om oorzaken te achterhalen. Een en ander resulteert in presentaties aan het businessmanagement, over tactische interventies, dat wil zeggen in veranderingen in processen en organisatie: er is meer capaciteit nodig op de afdeling auditing: medewerkers moeten zich beter houden aan complianceregels et cetera.

RFID-chips

MEWA is een industriële wasserij, met meerdere fabrieken in Europa. Het bedrijf vroeg zich af of de voorziene groei opgevangen kon worden door het efficiënter maken van de productieprocessen, in plaats van de bouw van een nieuwe fabriek. MEWA heeft alle stukken voorzien van RFID-chips en kon daardoor meten waar stukken zich in het proces bevinden. Vervolgens is een process mining-applicatie ontwikkeld waarmee monitoring mogelijk werd: op regelmatige basis is van de processen vastgesteld waar een volgende verbetering mogelijk is, en die is vervolgens uitgevoerd. Deze ‘continuous process improvement’ heeft ertoe geleid dat de investering in een nieuwe fabriek achterwege kon blijven.

In de derde fase, waarin we nu zitten, verplaatst het gebruik zich naar diegenen die hetzij verantwoordelijk zijn voor processen, hetzij voor cases: we duiden die aan als business-users. Dit is sinds kort werkelijkheid geworden. Denk aan managers die teams aansturen die hypotheekaanvragen afhandelen, en aan die operationele teams zelf. De nadruk verschuift daarbij ook van exploratie en analyse naar monitoring. Van tactisch naar operationeel. Het gaat daarbij minder om het vinden van nieuwe problemen en nieuwe oorzaken, en meer om het bewaken van processen en cases op bekende problemen en gestelde eisen. Bij de genoemde voorbeelden: de manager monitort op het verloop van de processen op de afdeling auditing, het team op het overtreden van een specifieke complianceregel.

Degenen die verantwoordelijk zijn voor data science zien hier de eerste parallellen, want de invoering van bijvoorbeeld Business Intelligence verliep in de afgelopen decennia op precies dezelfde wijze: van ad-hocanalyse door data scientists naar continue monitoring door de business. In die zin is de invoering van process mining niet nieuw.

2. Applicaties

Het tweede punt waar ervaringen met data analytics gebruikt kunnen worden, betreft de rolverdeling tussen IT en business. Op enig moment was het idee dat business-users met behulp van interactieve tooling en toegang tot databronnen zelf al hun data analytics zouden doen: niet meer wachten op IT, maar snel zelf antwoorden vinden op businessvragen. Gartner noemde dit ‘self-service analytics’. De rol van IT leek beperkt te worden tot het voorzien in tooling en toegang tot data.

Echter, hoe eenvoudig de tooling ook, en hoe data-minded de business-user, data-antwoorden op businessvragen moeten binnen een paar muisklikken beschikbaar zijn voor gebruikers die niet de data, maar de business als verantwoordelijkheid hebben. Gartner erkende daarom de rol van IT hierbij, en drukte die uit met ‘governed self-service analytics’. IT bereidt data voor, zet gebruikersinteractie op, en biedt dat binnen rijke en flexibele applicaties aan.

Voor process mining door business-users geldt hetzelfde: ook dat dient ‘governed’ te zijn. Daarbij speelt ook dat data scientists bij exploratieve analyse voor elke nieuwe vraag nieuwe dashboards maken, en die na beantwoording weg kunnen gooien. Echter, voor business-users is van belang dat nieuwe vragen beantwoord worden binnen de structuur van de applicatie die ze kennen.

Serieuze process mining voor business-users vergt een enterpriseplatform

Als business-users voor elke nieuwe vraag zelf een nieuw dashboard maken of een nieuw dashboard krijgen, gaan ze uiteindelijk ‘lost in dashboarding space’, en stoppen ze met het gebruik van process mining. De investeringen die gedaan worden in het opzetten ervan, gaan daarmee verloren. De business-user krijgt ook daarom geen dashboarding tool, maar een rijke applicatie. Dit betekent dat voor succesvolle process mining de verantwoordelijken voor data science die applicaties ontwikkelen of laten ontwikkelen. Nieuwe businessvragen worden zoveel mogelijk binnen de applicaties opgelost, zonder steeds nieuwe dashboards toe te voegen. Dat stelt niet zozeer eisen aan de technische vaardigheid van de data scientist, als wel een mindset om oplossingen te zoeken binnen bestaande applicaties, en die waar nodig te herschrijven in plaats van ze uit te bouwen met nieuwe dashboards. Ook op dit punt zijn er dus parallellen tussen data analytics en process mining: in beide gevallen moet sprake zijn van ‘governed self-service analytics’.

3. Enterpriseplatform

Het derde punt waarop process mining zich kan spiegelen aan data analytics heeft hier direct mee te maken: de tooling die gebruikt wordt. Die beweegt zich van desktoptools naar enterpriseplatforms.

Voor serieuze process mining-applicaties voor business-users, is een enterpriseplatform nodig waarmee data scientists, in teams, snel en eenvoudig, applicaties kunnen ontwikkelen, onderhouden en ter beschikking stellen van business-users. Data scientists moeten combinaties kunnen maken van process mining en andere visuele presentaties van data. Ze moeten gebruikers in staat stellen om rijke interactie te hebben, zoals filtering, drillen, selecteren, klikken en zoomen.

Do’s en dont’s

Voor de leiders van data science zijn de volgende zaken van belang bij het inzetten van process mining voor de business.

• Process mining draait om continue verbetering van processen. De fase dat process mining enkel stoere tooling was voor analisten, is voorbij.

• Process mining gaat daarom naast exploratieve analyse over monitoring van processen en cases door business-users. Daarmee ontstaat zowel tactisch als operationeel waarde.

• Stel applicaties beschikbaar, geen dashboard tooling.

• Voor effectieve process mining is een enterpriseplatform nodig.

Ook business-users stellen ‘enterprise’-eisen, bijvoorbeeld aan beschikbaarheid. Van veel data willen business-users nu weten hoe het zit met processen. Belangrijk zijn hoge performance en daarom in-memory architectuur, en verder adequate autorisatie, collaborative development, continuous deployment et cetera. Business-users werken dus niet met lokaal geïnstalleerde desktoptooling, maar met server- en web-based platforms.

Maar ook hier zijn de eisen, aan de tooling, niet anders dan wat de verantwoordelijken voor data science zien bij de introductie van andere data analytics. Ook daar is de beweging doorgaans van desktoptools voor individuele gebruikers naar enterpriseplatform.

Uniek

Natuurlijk heeft process mining unieke eigenschappen. Het veronderstelt procesdenken, en dat is niet in iedere organisatie voor de hand liggend. Process mining is ook veel meer dan een andere manier om data te analyseren. En natuurlijk zijn de leiders van data science en de business samen verantwoordelijk om werkelijk waarde uit process mining te verkrijgen. Maar als data science-leiders ervaringen uit andere data analytics gebruiken voor invoering bij de business, dan neemt de kans op het verkrijgen van waarde, en dus van succes, toe.

Zie ook Development op AG Connect Intelligence
Reactie toevoegen