Process Mining: мода или необходимость

Грамотное управление бизнес-процессами — одна из наиболее актуальных задач любого бизнеса. Даже их незначительное улучшение в крупной компании способно существенно увеличить прибыль или сократить издержки. Поэтому во многих компаниях все большую популярность приобретает Process Mining.

Process Mining — это группа методов, позволяющих проводить глубинный анализ бизнес-процессов на основе журналов событий. Создателем концепции Process Mining является Вил ван дер Аалст — профессор Эйндховенского технического университета (Голландия) и Квинслендского технического университета (Австралия). Именно он является автором фундаментального труда «Process Mining. Discovery, Conformance and Enhancement of Business Processes», который определил ключевые возможности, сферы применения и перспективы анализа бизнес-процессов.

Process Mining применяется для оценки многоэтапных процессов со сложной иерархией принятия решений, с большим количеством типичных, повторяющихся операций, которые логируются информационной системой. Для Process Mining пригодны логи только массовых операций — пытаться таким способом анализировать единичные процессы не имеет смысла.

Важным достоинством технологии является то, что интересные и полезные результаты можно получить имея для каждого события всего три атрибута: идентификатор процесса, имя действия и временную метку. Используя минимум входных данных, пользователь может провести нетривиальный анализ и получить быструю отдачу. Современные информационные системы, в том числе RPA, генерируют подобные данные, поэтому применять Process Mining можно во всех отраслях, которые оцифровывают свои процессы. Разумеется, чем больше аналитических атрибутов фиксируется, тем более глубокой будет аналитика.

Некоторые информационные системы позволяют выгрузить логи с большим количеством аналитических атрибутов в виде, пригодном для Process Mining. Но чаще всего требуется предварительная подготовка и консолидация данных, обогащение и расчет метрик. Ниже приведен пример подготовки исходных данных для Process Mining. Как можно понять по сценарию, этап подготовки данных для глубинного анализа процессов может быть достаточно трудоемким.

На практике глубинный анализ процессов активно используется в производстве и hi-tech, энергетике и телекоммуникациях, торговле и фармацевтике, страховании и финтехе, аэрокосмической отрасли и обороне. Process Mining для оптимизации процессов используют такие гиганты рынка как: Siemens, Dell, Royal Dutch Shell, Unilever, Adidas AG, LʼOreal Paris, The Coca-Cola Company, AstraZeneca, Сitigroup Inc. Наиболее распространенные сферы применения: работа с клиентами, кредитный конвейер, call-центры, логистика, техническая поддержка, доставка, техобслуживание и ремонт.

Ценность Process Mining в том, что этот метод позволяет восстановить фактическую, реальную модель массового бизнес-процесса, а не «экспертно-идеальную», регламентированную, игнорирующую многие варианты реализации событий.

Рассмотрим бизнес-процесс выдачи кредита:

1. В столбце «Идеальный» показан последовательно-логичный, эталонный процесс выдачи кредита, без прерываний и зацикливаний.
2. В столбце «Реальный-1» представлен незавершенный процесс, который был остановлен на этапе проверки клиента по внутренним источникам. Например, выяснилось, что потенциальный заемщик состоит в «черном списке» должников банка.
3. В столбце «Реальный-2» описан брошенный процесс — завершенный на этапе проверки по внешним сервисам. Сервис временно не функционировал, поэтому произошла ошибка, а повторное обращение после восстановления работоспособности не было выполнено.
4. В столбце «Реальный-3» показано типичное зацикливание — возврат к предыдущим шагам кредитования. Например, клиента попросили предоставить дополнительные документы, сбор которых отбросил его снова на второй этап — «подача документов на кредит». Заемщику еще раз пришлось пройти этапы проверки по внутренним и внешним источникам, андеррайтинга. На этапе оформления кредита снова потребовались дополнительные документы. Такая ситуация возможна, когда клиент хочет увеличить сумму кредита.

Приведенные на схеме примеры — лишь малая часть вариантов реального процесса выдачи кредита.

Глубинный анализ процессов позволяет оперативно выявить «узкие места» и аномалии, определить потенциал для оптимизации. В зависимости от степени погружения Process Mining позволяет ответить на различные вопросы:

1. Дескриптивная аналитика: что происходит с процессом сейчас?
2. Предиктивная аналитика: что произойдет с процессом в будущем?
3. Предписывающая аналитика: что нужно сделать с процессом для его оптимизации?

Майнинг процессов отличается разнообразием и зависит от конкретной сферы применения. При этом можно выделить стандартные этапы, характерные для большинства кейсов независимо от отрасли:

1. Discovery — автоматическое обнаружение процессов — извлечение моделей процессов из журнала событий. Расчет процессных метрик, разведочный анализ, нахождение «бутылочного горлышка» и пр.
2. Conformance checking — проверка соответствия — нахождение отклонений от эталонных процессов.
3. Аutomated construction of simulation models — моделирование и постоянные улучшения.
4. Monitoring — автоматический контроль хода процесса. Информирование об отклонениях в последовательности шагов процесса или в процессных метриках.

Ниже приведен результат Process Mining — итоговый отчет по анализу процесса. Буквенный код, например, MOLMOLMO, — это слово процесса — уникальный путь процесса, где каждой букве соответствует определенная операция или этап. Например, этап обращения клиента обозначается буквой «М», прохождения идентификации — буквой «O», передачи заявки на рассмотрение — буквой «L» и т.д. Повторяющиеся в одном слове буквы означают, что процесс зациклен. Количество случаев зацикливания показывает, сколько раз он присутствует в общей массе уникальных сценариев процесса.

Process Mining решает следующие прикладные задачи бизнес-аналитики:

1. Real-time интеллектуальный анализ процессов.
2. Поведенческий анализ.
3. Бенчмаркинг — сравнение с эталонными процессами.
4. Анализ «if-else» — что-если.
5. Расчет стоимости каждого этапа бизнес-процесса.
6. Расчет временных и финансовых потерь.
7. Анализ соблюдения требований и регламентов процесса.
8. Выявление «узких мест» процесса.
9. Обнаружение избыточных звеньев процесса.
10. Поиск мошеннических операций.
11. Выявление зацикленности.
12. Моделирование и стресс-тестирование.
13. Поиск аномалий в процессе.
14. Выявление нетипичного поведения.
15. Оценка степени влияния каждого из факторов на процесс.

Решение этих задач преследует различные цели бизнеса: улучшение процессов, совершенствование сервиса, укрепление взаимоотношений с клиентами, управление издержками и т.д. В общем виде эффект от внедрения Process Mining заключается в следующем:

1. Оптимизация бизнес-процессов и исключение бесполезных операций.
2. Выявление лучших практик прохождения процесса.
3. Снижение доли неоптимальных сценариев исполнения.
4. Отказ от неэффективных технологий продаж.
5. Отказ от неэффективных инструментов маркетинга.
6. Снижение операционных издержек.
7. Повышение производительности сотрудников.
8. Увеличение скорости обработки заказов.
9. Повышение лояльности и снижение оттока клиентов.
10. Увеличение конверсии контактов в сделки.

Экономический эффект от внедрения Process Mining зависит от отрасли применения. Например, аналитикам «Росбанк Дом» с помощью глубинного анализа процесса ипотечного кредитования в Loginom Process Mining удалось найти резерв для ускорения процесса в 2.3 раза при снижении трудозатрат в 2.2 раза.

Подробнее о результатах применения Process Mining в «Росбанк Дом» в выступлении Владимира Гридчина и Ольги Дмитриевой.

Если ваша компания заинтересована в глубинном анализе бизнес-процессов, свяжитесь с нами.