Gebruik van Process Mining kan Lean Six Sigma versterken
Het gebruik van Process Mining als instrument om meer data sneller te verwerken kan Lean Six Sigma versterken, stelt Armand Rohrbock. De adviseur van Bureau Tromp over hoe Process Mining de rugzak van elke procesverbeteraar kan verrijken en waarom de methodiek (nog) niet grootschalig wordt ingezet.
In de Lean Six Sigma methodologie hanteren we de vaste DMAIC-structuur om continu verbeteren mogelijk te maken. Ondanks deze gestandaardiseerde aanpak is het telkens weer een uitdaging om de juiste balans te vinden tussen datagedreven en persoonsgedreven oplossingen. In de praktijk is een duidelijke trend zichtbaar waarbij, ondanks de zeer mensgedreven aanpak van Lean Six Sigma, er steeds meer gebruik wordt gemaakt van data en analytics.
De beweging naar meer datagedreven oplossingen is niet gek, want er is tegenwoordig simpelweg meer data beschikbaar. De digitalisering van onze bedrijfsprocessen levert meer informatie op, omdat zowel activiteiten als ‘timestamps’ (tijd en datum van deze activiteiten) worden gelogd in de workflow van systemen. Ondanks dat het hier om relatief eenvoudige data gaat, geeft het ons een meer gedetailleerd inzicht in de waardestroom van een proces. Dit inzicht verkrijgen we door de toepassing van Process Mining.
Process Mining, weer wat nieuws…?
Process Mining is een instrument om het verloop van processen (de realistische situatie) te visualiseren en analyseren met behulp van daartoe ontwikkelde software. De term is zeker niet nieuw en er zijn inmiddels diverse (vergelijkbare) software-tools in de markt die je helpen om de waardestroom van een proces te analyseren.
Met behulp van Process Mining software worden zogenaamde ‘eventlogs’ van duizenden activiteiten gecombineerd om overzichtelijk in kaart te brengen hoe het gangbare proces eruitziet, maar ook wat de afwijkingen ten opzichte van de ‘happy flow’ (het proces zonder verstoringen) zijn. Dit kunnen afwijkingen zijn in termen van tijd, resultaat of volgordelijkheid. Process Mining bouwt een waardestroom dus op vanuit beschikbare data zoals deze in de systemen is gelogd.
Process Mining en Lean Six Sigma
Process Mining wordt regelmatig ingezet als een op zichzelf staande analysetool, maar voorziet helaas niet in een structuur van implementeren en controleren. Het ontbreken van een dergelijke structuur maakt het lastig verbeteringen krachtig door te voeren en borgen. Om die reden kan Process Mining als een welkome aanvulling worden gezien in de toepassing van Lean Six Sigma, dat wel over een structuur van implementeren en controleren beschikt.
Process Mining is desalniettemin een welkome aanvulling in de rugzak van een procesverbeteraar, omdat we eenvoudiger en sneller verstoringen kunnen opsporen. Door het proces te visualiseren en reconstrueren worden procesverstoringen makkelijker zichtbaar in termen van tijd, defects en volgordelijkheid. Als we deze drie elementen afzetten tegen de acht vormen van verspilling ontstaat het volgende beeld (zie figuur onder).
Wanneer we Process Mining inpassen in de DMAIC-structuur, zien we een rol weggelegd in alle fasen van de verbeteraanpak (Define, Measure, Analyse, Improve en Control). In de analysefase vinden we echter de grootste meerwaarde van Process Mining. De belangrijkste basisanalyses zoals de Pareto en Regelkaarten worden automatisch gedraaid op basis van ingevoerde data. Met de juiste data worden verstoringen, onnodige stappen en ongewenste uitkomsten direct zichtbaar met één druk op de knop. We kunnen daarmee stellen dat we de analysefase van de Lean Six Sigma methodiek grotendeels standaardiseren. Echter, een analyse blijft een zoektocht naar de kern van een verstoring en dat is altijd maatwerk. Maar door het gebruik van de vaste Process Mining-standaard kunnen we doorlooptijd van de analysefase met wel 60% verkorten en de kwaliteit van de analyse verbeteren. De resultaten uit de analyses wijzen ons in de richting van de oorzaak van procesverstoringen en stellen ons in staat om deze te verbeteren en te monitoren. Na het wegnemen van de verstoringen gebruiken we dan ook dezelfde analyses om met de tooling (kort)cyclisch te monitoren of het proces presteert naar verwachting of om het proces verder te verbeteren.
Waarom horen we zo weinig van Process Mining?
Maar waarom krijgt Process Mining dan niet het podium dat het verdient en twijfelen veel organisaties over de meerwaarde ervan? Om die vraag te beantwoorden zetten we de voor- en nadelen even op een rijtje.
Voordelen van Process Mining
1. Verkort de looptijd van een project: De toepassing van een tool als Process Mining kan de duur van een Analyse fase tot meer dan 60% verkorten.
2. Minder foutgevoelig: Er worden geen fouten gemaakt in toepassing van analyses. De resultaten uit de analyse zijn wel afhankelijk van de kwaliteit van data. Dit betekent dat er van te voren goed nagedacht moet worden over de dataverzameling.
3. Visualiseren van process: Het procesverloop wordt met 1 druk op de knop zichtbaar en in bewegende beelden gepresenteerd. Dit maakt de presentatie naar proceseigenaren en/of management overzichtelijk en interactief. Verbeteren gaat immers beter als je de problemen in kaart hebt.
Nadelen van Process Mining
1. Ontsluiten van data: Er gaat veel tijd en energie uit naar het ontsluiten van de juiste data uit verschillende systemen. Deze exercitie is niet altijd even makkelijk gezien de exotische IT-architecturen van veel organisaties.
2. Slechte kwaliteit van data maakt Process Mining onbruikbaar: Process Mining is een instrument dat ons werk makkelijk kan maken mits we voldoen aan de voorwaarden van juiste data. Kunnen we hier niet aan voldoen, dan geldt het credo: ‘garbage in = garbage out’.
3. Systeemdata niet voldoende: Hoewel veel data wordt vastgelegd in de workflow van systemen gebeurt er in een proces nog veel meer. Deze activiteiten dienen we altijd met behulp van een waardestroomanalyse in kaart te brengen, omdat hier redenering en nuance achter schuilgaan. Oftewel, het verhaal achter de cijfers is minstens zo belangrijk.
De grootste uitdaging in de toepassing van Process Mining zit vooral in het ontsluiten van de juiste data. Onze ervaring leert dat data veelal gefragmenteerd is opgeslagen in de verschillende systemen. Omdat lang niet iedereen makkelijk zijn/haar weg kan vinden in deze systemen, komt het gebruik van Process Mining nog niet echt los. Dat is jammer, want wij zijn ervan overtuigd dat Process Mining een noodzakelijke aanvulling is, vooral in de huidige tijdsgeest, in de rugzak van een procesverbeteraar.
