روندهای فرآیندکاوی در سال 2024

زمان مطالعه: 5 دقیقه

این روزها، فرآیندکاوی به یک رویکرد مهم برای کشف و بهبود فرآیندهای تجاری تبدیل شده و پیش‌بینی می‌شود در سال جاری رشد قابل توجهی را تجربه کند. امروز راجع به روندهای فرآیندکاوی در سال 2024 و نحوه بهره‌مندی از این روندها صحبت می‌کنیم.

کسب و کارها تمایل دارند فرآیندهای خود را به عنوان نوعی گردش کار ساده در نظر بگیرند، اما واقعا اینطور نیست. در واقعیت، فرآیندها به دلیل تکرارها، انحرافات و تعاملات متعدد بین واحدهای فرآیندی، بسیار پیچیده هستند. فرآیندکاوی، وضعیت فعلی فرآیندها را از طریق:

• اطلاعات به روز

• بررسی سوابق حوادث جهت شناسایی تنگناها

• کاهش مراحل غیرضروری در جریان کار

• و ارائه بینش‌های واقعی

کشف و نظارت می‌کند. در نتیجه کسب و کارها بهتر می‌توانند تلاش‌های خود را بر روی بهبود، متمرکز کنند.

روندهای فرآیندکاوی در سال 2024

ادغام با سایر پلتفرم‌ها

پایه‌های آکادمیک فرآیندکاوی، توسط Wil van der Aalst بنا نهاده شد. وی معمولا با عنوان «پدر خوانده فرآیندکاوی» شناخته می‌شود. تحقیقات او در اواخر دهه 1990 منجر به ارائه تعداد زیادی از ابزارهای فرآیندکاوی از جمله: Celonis، Disco، Apromore، UiPath Process Mining و… شد. به نظر او در فرآیندکاوی، تغییر به سمت ابزارها و قابلیت‌های یکپارچه‌تر قابل مشاهده است و آنچه به دست می‌آورید، به افزایش تعداد ادغام‌ها کمک می‌کند.

فروشندگان، فرآیند استخراج را با پلتفرم‌های مختلف، به ویژه پلتفرم‌های اتوماسیون مانند IBM Cloud Pak for Business Automation ادغام می‌کنند.

فرآیندکاوی IBM، با ارائه قابلیت تولید ربات‌های خودکار، ربات‌های RPA مبتنی بر داده را ایجاد می‌کند که بر اساس تحلیل‌های ارائه شده توسط وظیفه کاوی و فرآیندکاوی ساخته می‌شوند.

روندهای فرآیندکاوی و ابزارهای استخراج وظیفه، کاربران را قادر می‌سازد تا فعالیت‌ها و وظایفی را شناسایی کنند که با اتوماسیون می‌تواند ارزش بیشتری برای کسب و کار شما به همراه داشته باشد. مانند خودکارسازی فعالیت‌های تکراری. برای این منظور، Task Mining یا فرآیند استخراج وظیفه، رفتار کاربران و داده‌های تعاملی را ثبت می‌کند. با اعمال الگوریتم‌هایی بر روی این رکوردها، در نهایت یک ربات تکرار کننده رفتار کاربر ایجاد می‌شود.

فرآیندکاوی فعال کننده اتوماسیون

یکی از مشکلات معمول در تلاش‌های اتوماسیون فرآیند، عدم درک فرآیندهای زیربنایی کسب و کار است. فرآیندکاوی، برای کسب و کارها امکان تجزیه و تحلیل و تجسم فرآیندها را فراهم می‌کند. علاوه بر این، به کشف مناطق مورد نیاز برای پیاده سازی اتوماسیون فرآیندها نیز کمک می‌کند. هر چند، کسب و کارها به روندهای فرآیندکاوی بیشتر به عنوان راهی برای بهبود فرآیندهای تجاری تمایل داشتند، اما تخمین زده می‌شود که در آینده کسب و کارها استفاده از فرآیندکاوی را بر ایجاد تحول دیجیتال متمرکز کنند.

متخصصان حدس می‌زنند که نیمی از پروژه‌های RPA (اتوماسیون فرآیند رباتیک)، یا با شکست مواجه می‌شود و یا با بازگشت سرمایه اندازه‌گیری شده مطابقت ندارد. اما در برخی موارد، فرآیندکاوی با آشکار کردن دیدگاه‌هایی در مورد فرآیندهای اتوماسیون مداوم، به پروژه‌های RPA کمک می‌کند. همچنین، روندهای فرآیندکاوی با کمک به کشف فرآیندهای درگیر در پروژه‌های RPA، اطمینان ایجاد می‌کند که کسب و کارها علت اصلی مشکلات و انحرافات را شناسایی کرده و گلوگاه‌ها و نقاط شکست برای بهبود در این پروژه‌ها را پیش‌بینی می‌کنند.

فرآیندکاوی در حال سبقت گرفتن از BPM

از سال 2015، جستجو برای هوش فرآیندی و عبارات مرتبط مانند فرآیندکاوی و کشف فرآیند، افزایش یافته است. جستجوهای مدیریت فرآیند کسب و کار (BPM)، روندهای موازی را نشان می‌دهد که مشخص می‌کنند هوش فرآیندی و فرآیندکاوی به ابزارهای اصلی برای مدیریت و بهبود فرآیندهای تجاری تبدیل شده‌اند.

اما تمایل به تکنیک‌های بهبود فرآیند که قبلا به بررسی آنها پرداخته‌ایم، مانند کایزن، شش سیگما و مدیریت کیفیت جامع، اندکی کاهش یافته است. هر چند هنوز ترافیک قابل توجهی را پوشش می‌دهد.

قابلیت‌های اضافه

ارائه دهندگان فرآیندکاوی، قابلیت‌های بیشتری برای تکمیل فرآیندکاوی ارائه می‌دهند. این قابلیت‌ها عبارتند از: استخراج وظیفه، ویژگی تجزیه و تحلیل پیش بینی کننده و قابلیت‌های شبیه سازی فرآیند، مانند فناوری دوقلوی دیجیتال سازمان (DTO). اگرچه طبق بررسی‌های انجام شده، ترافیک کلی برای وظیفه کاوی و شبیه سازی فرآیند، کمتر از فرآیندکاوی است، اما در سالهای اخیر بیش از پیش مورد توجه قرار گرفته است.

DTO

DTO، به عنوان کاربرد فناوری دوقلوی دیجیتال همراه فرآیندکاوی که بر کشف، بهینه سازی و شبیه سازی فرآیندهای سازمان متمرکز است، ظاهر می‌شود. DTO به کسب و کارها کمک می‌کند تا سناریوهای متعددی را اجرا کرده و تصمیمات بهتری بگیرند.

تجزیه و تحلیل پیش بینی کننده

معمولا کاربران فرآیندکاوی، دنبال کننده کشف فرآیندها هستند. آنها به دنبال راهکار مناسب برای ترکیب فناوری‌هایی هستند که می‌تواند بررسی انطباق، پیش بینی و شبیه سازی را ارائه دهد. مانند مدل سازی فرآیند تجاری و نماد گذاری (BPMN).

تجزیه و تحلیل پیش بینی و نتایج تجزیه و تحلیل سناریو DTO، به کسب و کارها در تصمیم‌گیری‌های بهینه مرتبط با فرآیند کمک می‌کند.

وظیفه کاوی

فناوری Task Mining یا استخراج وظایف، تعاملات کاربران در وب سایت‌ها را ضبط می‌کند و نشان می‌دهد که کارمندان یا کاربران وظایف خود را چگونه انجام می‌دهند. این راه حل می‌تواند برای نظارت بر اقدامات کاربران، ارزیابی عملکرد کارکنان و شناسایی اشتباهات در اجرای وظایف مفید باشد. کسب و کارها می‌توانند کارایی وظایف خود را بهبود ببخشند، سیستم اتوماسیون را فعال کنند، از انطباق، اطمینان حاصل کنند و مطمئن باشند که از مزایای وظیفه کاوی برخوردار خواهند شد. استفاده همزمان از دو راه حل فرآیندکاوی و وظیفه کاوی، با فراهم کردن داده‌های کامل‌تر، تحول موفقیت‌آمیز فرآیند را تضمین می‌کند.

فرآیندکاوی چند سطحی

فرآیندکاوی چند سطحی (MLPM)، با فرآیندهای پیچیده مانند خرید برای پرداخت (P2P) و سفارش به پول نقد (OTC) سروکار دارد. الگوریتم‌های فرآیندکاوی سنتی برای کشف، مدل سازی و نقشه برداری این فرآیندهای پیچیده، تلاش و آنها را ساده سازی می‌کنند.

فرآیندکاوی چند سطحی می‌تواند با ردیابی تعامل بین نهادهای مختلف، انجام یک تجزیه و تحلیل کامل و دقیق را تضمین کند.

فرآیندکاوی مبتنی بر هوش مصنوعی

هر چند محققان و فروشندگان به طور فزایند از هوش مصنوعی در روندهای فرآیندکاوی استفاده می‌کنند، اما به گفته Wil van der Aalst، استفاده علمی از این ابزار همچنان محدود است.

تغییر مداوم وضعیت فرآیندها، در دسترس بودن داده‌ها برای رویکردهای مبتنی بر یادگیری ماشین (ML) را محدود می‌کند. این رویکردها برای عملکرد مطلوب و قابل قبول، به حجم قابل توجهی از داده‌های پایدار نیاز دارند.

یادگیری ماشین و هوش مصنوعی به خودکارسازی فعالیت‌های فرآیندکاوی کمک کرده و ویژگی‌های مدل‌سازی و پیش‌بینی را ساده‌تر می‌کنند. به عنوان مثال، انواع خاصی از الگوریتم‌های یادگیری ماشین وجود دارد که به کاربران اجازه می‌دهد فرآیندهای تجاری را با استفاده از پایتون، R و سایر زبان‌ها، کشف و مدل‌سازی کنند.

همچنین فناوری‌های هوش مصنوعی برای کشف فرآیند، شناسایی تعاملات انسانی با کمک رویکرد رایانه محور، اتوماسیون اهرمی در کشف گردش‌های کاری و مدل‌سازی به منظور کوتاه‌تر کردن زمان اجرای راه‌حل فرآیندکاوی مورد استفاده قرار می‌گیرد. این موارد استفاده، کشف فرآیند را به راحتی پیش می‌برد. بنابراین، محققان به کشف فرآیند مبتنی بر هوش مصنوعی، به عنوان کشف فرآیند خودکار اشاره می‌کنند.

برخی شرکت‌های RPA، در حوزه تجزیه و تحلیل و استخراج فرآیند، ابزارهای کشف فرآیند خودکار خودشان را ارائه می‌دهند.

در صورتی که سازمان‌ها داده‌های فرآیندی شفاف‌تری داشته باشند و بتوانند با یکپارچه سازی، ابزارهای استخراج و پردازش داده‌ها را از سیستم‌های سازمانی خارج کنند، یادگیری ماشین، نقش پررنگ‌تر و مهم‌تری در روندهای فرآیندکاوی ایفا می‌کند. بنابراین، تکنیک‌های سنتی روندهای فرآیندکاوی مانند کشف فرآیندها به صورت دستی و بررسی انطباق‌ها در سال 2024 نیز ادامه خواهد یافت.

هوش ترکیبی (Hybrid Intelligence)

هر چند کسب و کارها و فروشندگان به قابلیت‌های هوش مصنوعی و ابزارهای فرآیندکاوی علاقه‌مند هستند، اما هوش انسانی در روندهای فرآیندکاوی همچنان مهم است. هوش انسانی (HI)، بر نقش کمکی فناوری‌های جدید مبتنی بر داده جهت اتصال هوش مصنوعی و انسان برای دستیابی به نتایج دقیق‌تر تاکید می‌کند. به طور ویژه، در زمینه روندهای فرآیندکاوی، HI در پیشرفت‌های فرآیندکاوی شی محور (OCPM) و فرآیندکاوی عمل گرا (AOPM) کاملا مشخص است.

فرآیندکاوی شی محور یا OCPM، تلاش می‌کند تا بر فرضیه تک شی بودن ابزارهای استخراج فرآیند غلبه کند. ابزارهای فرآیندکاوی بر این باور تکیه می‌کنند که یک شناسه واحد وجود دارد. اما در واقعیت، یک رویداد می‌تواند به چندین شی، مثلا یک مشتری، چند مورد و یک مکان اشاره کند.

فرآیندکاوی عمل گرا یا AOPM، به تبدیل رویدادهای مشاهده شده به اقدامات مدیریتی برای هدایت سیستم‌های عملیاتی کمک می‌کند. همچنین اصلاح فعالیت‌هایی که با فرآیندکاوی تشخیص داده می‌شوند، را خودکارسازی می‌کند. در AOPM، مداخله انسان برای روشن شدن موقعیت‌های جدید و بی سابقه، بسیار مهم است.