Process mining wint aan populariteit in BPM vakgebied

20 januari 2016 Consultancy.nl

Veel organisaties worstelen met vragen als: ‘Hoe kunnen we onze klanten sneller bedienen?’, ‘Hoe kunnen we sneller inspelen op veranderingen in de markt?’ of ‘Hoe kunnen we onze kosten verlagen?’. Organisaties onderkennen vaak dat procesoptimalisatie/-verbetering een belangrijk deel van de oplossing vormt op bovengenoemde vragen. Een goede analyse van de huidige knelpunten is daarbij essentieel. Maar hoe krijg je de echte knelpunten in beeld?

Wanneer organisaties op zoek gaan naar manieren om de knelpunten in beeld te krijgen en processen te verbeteren, komen zij vaak uit op twee verschillende methoden: modelgebaseerde procesverbetering versus een ‘data-driven’ procesverbetering. In dit artikel geven wij een korte typering, vergelijken wij deze twee procesverbeteringsaanpakken en wordt gekeken naar de mogelijkheid om beide methoden te combineren. Dit om te bepalen welke aanpak het beste gekozen kan worden.

Modelgebaseerde procesverbetering
De traditionele procesverbetering (bijvoorbeeld door middel van Lean) is modelgebaseerd: het procesmodel is opgesteld met behulp van informatie van medewerkers en andere stakeholders. Het procesmodel beschrijft de huidige situatie. Dit model is de basis om via workshops en interviews knelpunten te identificeren en verbeterpunten te onderkennen. De verbeterpunten worden verwerkt in een nieuw ontworpen proces, dat vervolgens kan worden geïmplementeerd.

Process mining
Een alternatieve aanpak, die de laatste jaren aan populariteit wint, is de ‘data-driven’ aanpak. Deze aanpak wordt ook wel onderkend als process mining en is gebaseerd op het gebruiken van procesdata. Het idee is om vanuit event logs, welke onderdeel zijn van een informatiesysteem, procesdata op te halen. Bij process mining wordt de verbetering van de processen vervolgens gerealiseerd door middel van technieken en tools gericht op het ontdekken van de werkelijke procesflow, controles binnen deze flow en organisatorische en sociale structuren die te onderkennen zijn in  de procesdata opgehaald uit de event logs van systemen. Tijdens de dagelijkse procesuitvoering ontstaat procesdata zoals gebeurtenissen, transacties, berichten, etc. Deze data wordt vastgelegd (gelogd) in de applicaties die de uitvoering van de processen ondersteunen. Door deze procesdata te ‘minen’ ontstaat het beeld van het werkelijke gedrag van de werknemers in het proces.

Process mining is een nieuwe techniek die past in de trend om steeds meer te doen met data mining / big data. Deze techniek visualiseert namelijk de werkelijke procesgang op basis van kwantitatieve data welke beschikbaar is in de systemen van de organisatie. In plaats van knelpunten gebaseerd op de perceptie van de stakeholders in het proces, worden knelpunten aan het licht gebracht door analyses van grote hoeveelheden kwantitatieve data. Denk hierbij aan afwijkende procespaden, vertragingen, re-work, bottlenecks en doorlooptijd-overschrijdingen. Deze onderdelen vormen na verdere analyse, met hierbij de betrokkenheid van de organisatie, een gedegen basis voor verbeteringen. Hierdoor is het dus mogelijk om een beter inzicht te krijgen in de huidige situatie en gerichter aan de slag te gaan met verbeteringen om zo tot een nieuwe procesmodel te komen.

Door gebruik te maken van process mining ontstaan ook nieuwe mogelijkheden:

  • Objectief vergelijken van soortgelijke processen, bijvoorbeeld van twee vestigingen;
  • Uitvoeren van een nulmeting en daaropvolgende metingen waardoor de effectiviteit van procesverbetering aantoonbaar is.

Vergelijking
In onderstaand tabel worden beide werkwijzen met elkaar vergeleken aan de hand van een aantal aspecten. De model-gedreven procesverbetering heeft zeker een aantal sterke punten. De werkwijze is ogenschijnlijk laagdrempelig en medewerkers worden door de toepassing van workshops op een natuurlijke manier betrokken bij de procesverbetering. De methode kent ook nadelen: zo is men sterk afhankelijk van de kwaliteit van het procesmodel. Indien het model niet accuraat is, zijn analyse en verbeteracties ook op drijfzand gebaseerd. Tevens zijn de benoemde knelpunten op de eerste plaats meningen van stakeholders.

Voor process mining geldt als nadeel dat heel wat geregeld moet zijn voordat met de aanpak begonnen kan worden. Om te beginnen moet de dataset, soms afkomstig uit diverse applicaties, gestructureerd worden voordat deze geschikt is om te analyseren. Daarnaast is er veel tijd nodig om kennis en ervaring met een proces mining tool op te bouwen. Een ander nadeel is - met name als er geen informatiesysteem bij betrokken is - dat grote onderdelen van het proces niet in kaart gebracht kunnen worden omdat de procesdata gewoonweg ontbreekt. Indien het proces wordt afgeleid op basis van het berichtenverkeer, kan men ook verzuipen in uiteindelijk irrelevante data voor de procesflow. Belangrijke voordelen zijn dat het werkelijke verloop van het proces in beeld wordt gebracht en dat de knelpunten onderbouwd zijn met feiten.

Combinatie
Belangrijk bij het doorvoeren van duurzame procesveranderingen is de betrokkenheid van de proceseigenaren en andere betrokkenen. Bij process mining is deze betrokkenheid minder vanzelfsprekend en juist op dit punt onderscheidt de modelgebaseerde aanpak zich positief.

Door gebruik te maken van beide werkwijzen kunnen de voordelen worden gecombineerd. Wij verwachten dan ook dat process mining vooral aanvullend aan de bestaande situatie gebruikt zal worden. Door de input vanuit de analyse verkregen door process mining te toetsen met de knelpunten die genoemd zijn door de stakeholders ontstaat een compleet beeld, waaruit de verbeterpunten gedestilleerd worden en een nieuw procesmodel ontworpen kan worden.

Bij het doorvoeren van procesverbeteringen is het belangrijk om het gehele end-to-end proces te overzien. Zo kun je voorkomen dat verbetering in een deelproces leidt tot  ongewenste neveneffecten in een ander onderdeel. Ook dienen verbeterpunten in relatie tot elkaar beoordeeld te worden, om beïnvloeding te voorkomen. Door model-gedreven procesverbetering te combineren met process mining wordt dit mogelijk gemaakt. De gehele processen kunnen bekeken worden en alle kwalitatieve en kwantitatieve data die beschikbaar is, kan gebruikt worden voor het verbeteren van het gehele end-to-end proces.

Als vervolgens nog gebruik gemaakt wordt van processimulatie in het nieuwe voorgestelde  proces, wordt de loop helemaal mooi gesloten. Hoe werkt het nu (met process mining; en met name waar zitten de knelpunten), wat zouden we willen (met procesmodellering) en hoe zou dit dan gaan werken (met processimulatie).

Valkuilen omzetten in succesfactoren
Bij het toepassen van process mining bestaan een aantal valkuilen waar rekening mee gehouden moet worden. Wanneer dit op de juiste wijze wordt gedaan, zullen de valkuilen worden omgezet tot succesfactoren.

Ten eerste bestaat de valkuil dat er een te groot vertrouwen in de techniek ontstaat. Process mining tools zullen niet vanzelf de gewenste inzichten bieden. De juiste interpretatie van de data is van groot belang. Het is dan ook belangrijk om de data vanuit een businesswaarde te bekijken, bijvoorbeeld effectiviteit (klantbeleving), efficiëntie (kosten) en risico (betrouwbaarheid).

Daarnaast bestaat de valkuil om direct aan de slag te gaan met verbeteringen aan het primaire proces. De kans bestaat dat een te grote verandering wordt doorgevoerd en weerstand vanuit de organisatie ontstaat. Het is dan ook beter om de focus te beperken en met een specifiek businessdomein te starten. Kies hierbij een proces met een duidelijk afgebakend begin en eind en waarbij een duidelijke workflow ondersteuning aanwezig is. Door op deze wijze te werk te gaan, kan sneller succes worden geboekt. Hierdoor kunnen sponsorship op managementniveau en betrokkenheid op het operationele niveau worden geborgd.

Een derde valkuil is de wens om bij een eerste analyse direct alle vragen te willen beantwoorden. De eerste inzichten roepen vaak nieuwe vragen op. Het is dan ook belangrijk om steeds één vraag tegelijk te beantwoorden. Een manier om dit te realiseren is door hypothese gedreven te werk te gaan. Door de businesswaardes op te delen in hypotheses kun je met process mining gericht analyseren of de hypothese bevestigd of ontkracht kan worden.

De laatste valkuil is om geforceerd conclusies te trekken of zaken anders te presenteren dan de feiten weergeven. Er wordt dan onzorgvuldig omgegaan met het verzamelen, voorbereiden en analyseren van data. Bij process mining is het echter van groot belang om op basis van feiten te analyseren in plaats van subjectieve meningen.

De toekomst
Tot voor kort vormden de benodigde specialistische kennis en software een belangrijke drempel om met process mining te beginnen. Deze drempels worden steeds meer weggenomen en daarnaast wordt steeds duidelijker dat de baten hoger zijn dan de kosten. Process mining zal in de toekomst meer gebruikt worden omdat het interessante voordelen biedt. Een belangrijke stimulans is ongetwijfeld dat de process mining software inmiddels meer volwassenheid kent en gebruiksvriendelijker is geworden. Ook het feit dat steeds meer procesdata wordt gelogd (denk aan barcodes, maar ook wearables en the Internet of Things), draagt hieraan bij. Uitdaging blijft wel om al deze data op een goede manier te ontsluiten. Bij implementatie van ERP, CRM en andere bedrijfsbrede applicaties is het zaak om al rekening te houden met de datalogging die nodig is voor process mining.

Process mining is een jong vakgebied dat nog volop in ontwikkeling is. Gezien de geschetste voordelen verwachten wij dat een toenemend aantal organisaties hiermee aan de slag zal gaan.

Een artikel van Ronald Schot en Lars Krewinkel, beiden business consultants bij Novius.

Nieuws

Meer nieuws over