La nuova spinta al business si chiama process mining. Tecnologia innovativa, figlia dell’Intelligenza artificale e del machine learning, in grado di mettere a disposizione dei manager un cruscotto unico per l’analisi delle singole attività aziendali. E di conseguenza, ottenendo un miglioramento delle performance attraverso taglio di costi e liberazione di risorse da investire su attività ad alto valore aggiunto. Lo spiega a CorCom Luca Flecchia, Manager – Data Driven Innovation di P4i, fotografando lo scenario che la nuova disciplina sta prospettando: temi che verrano ripresi dal webinar Process mining: comprendere, monitorare e governare i processi partendo dai dati (moderato da Manuela Gianni direttore di Digital4Executive, in programma il 21 settembre).
Process mining, una tecnologia innovativa per il mondo enterprise: come agisce?
Applicare il process mining significa utilizzare i dati di log dei sistemi informativi utilizzati a supporto dei processi per ricostruire i processi stessi così come sono eseguiti nella realtà. I dati di log devono contenere almeno tre informazioni: un timestamp dell’inizio dell’attività, un identificativo dell’istanza di processo e un richiamo all’attività eseguita in quel momento. Una volta raccolte queste tre informazioni, è possibile iniziare l’attività di analisi. La prima fase è sicuramente quella di pulizia e discovery dei dati, in cui si analizzano possibili dati mancanti o errati, al fine di avere un’analisi che non sia impattata da questi. Si costruisce poi il dataset, andando ad unire le informazioni di log arrivando dalle diverse attività (e, spesso, dai diversi sistemi) e si utilizzano tool software specifici per il disegno automatico dei modelli di processo. Inoltre, è possibile identificare anche la frequenza con cui i diversi step e/o percorsi di processo vengono eseguiti, andando così ad identificare possibili problemi.
A che punto è la sua adozione? Ci sono mercati in cui è maggiormente diffusa?
Sono sempre di più le aziende che stanno iniziando ad usare le tecniche di process mining per analizzare i propri processi. In Italia, ad esempio, ci sono alcune realtà come Cineca e l’Università degli Studi di Parma, che hanno già svolto con successo dei progetti per l’applicazione di queste tecniche. A livello di mercati, i mercati che sono sicuramente più avanti nell’adozione del process mining sono banking e insurance, ma anche nella pubblica amministrazione, soprattutto in ambito sanità, si registra una sempre crescente adozione. Il process mining è un ottimo strumento a supporto di attività di auditing e compliance dei processi. Nel caso in cui siano presenti in azienda processi formalizzati, è possibile verificare se l’effettiva esecuzione dei processi è coerente con i modelli e le normative cui deve rispondere. Come già visto, il process mining permette di analizzare i processi partendo da dati quantitativi ed oggettivi, risultando particolarmente utile in caso di riorganizzazioni o fusioni e accorpamenti, dando al nuovo management una visione estremamente pratica e oggettiva dei processi così come sono eseguiti al momento. Il process mining è inoltre un ottimo supporto alla digital transformation, perché permette di identificare gli attuali punti deboli dei processi e porvi rimedio tramite tecniche di BPR nel momento in cui nuovi tool verranno implementati a supporto dei processi stessi.
A partire da quali risultati tecnologici si è sviluppata?
Grazie allo sviluppo ed alla sempre crescente adozione degli strumenti di machine learning, le tecniche di process mining hanno subito una grossa accelerazione. Gli strumenti di data wrangling possono notevolmente aiutare nella preparazione del dataset, così come l’applicazione delle tecniche di data science per la fase di exploration e di pulizia dei dati. Sono inoltre stati sviluppati degli strumenti appositi, alcuni commerciali, alcuni open source, che combinando gli strumenti e le metodologie di BPM a funzionalità di machine learning, permettono analisi sempre più sofisticate dei dati ed un disegno preciso dei modelli di processo così come vengono eseguiti, compresi l’analisi delle deviazioni dal flusso principale. Una parte importante è stata svolta anche dall’evoluzione degli strumenti di visual analytics, che permettono una visualizzazione delle evidenze emerse sempre più precisa e puntuale, fornendo inoltre strumenti di dashboard efficaci tramite i quali il management può prendere decisioni che siano davvero data-driven.
Quali sono i vantaggi per l’azienda che l’adotta?
Come dicevo in precedenza, l’adozione del process mining è utile per avere una visione quantitativa ed oggettiva dei processi, in modo da poter analizzare in dettaglio le singole attività ed i percorsi compiuti dalle singole istanze. Così facendo, si è in grado di capire dove sono presenti inefficienze e/o rilavorazioni (tipica fonte di tempi più lunghi e maggiori costi), così da poter poi applicare le metodologie e gli strumenti di BPM per andare a capire come ottimizzare i processi. Eliminare queste inefficienze permette non solo di andare a migliorare la performance aziendale, ma spesso è possibile anche liberare le risorse dal tempo speso su attività a basso valore aggiunto, permettendo loro di dedicare più tempo ad attività a più alto valore aggiunto, generando così più valore per l’intera organizzazione. L’applicazione di tecniche di machine learning poi permette non solo di andare a fare analisi su quanto è successo finora nell’esecuzione dei processi, ma permettono all’azienda di andare a fare anche delle previsioni su cosa accadrà nelle esecuzioni future, così da poter meglio allocare le risorse e prevedere i bisogni dei propri clienti (sia interni che esterni), dando alle organizzazioni un’arma sempre più fondamentale in contesti di mercato che cambiano sempre più velocemente come quelli in cui ci troviamo.
Cosa comporta la sua adozione, per un’azienda?
Per le aziende l’adozione del process mining comporta principalmente abbracciare il Business Process Management come metodologia e modalità di approccio ai processi. Questo è sicuramente un grosso vantaggio per le organizzazioni, poiché permette loro di standardizzare ed unificare il modo in cui vengono strutturati e formalizzati i processi aziendali, da sempre uno dei principali problemi. Non è infatti insolito trovare, anche in presenza di un elevato grado di formalizzazione dei processi, l’utilizzo di diverse tecniche e di diversi modelli di formalizzazione, portando così a diversi linguaggi ed all’utilizzo di diversi tool all’interno dell’azienda. Per quanto riguarda gli strumenti software utili per l’applicazione delle tecniche di process mining, le aziende possono utilizzare tool di mercato (con i relativi investimenti) o possono utilizzare tool open source, sviluppati da alcuni centri di eccellenza (tipicamente universitari), con costi di licenza nulli o, solitamente, inferiori ai tool commerciali.
Quali sono gli ostacoli?
I principali sono solitamente legati alla scarsa qualità dei dati e/o alla loro distribuzione. Ad esempio, soprattutto nel caso di sistemi legacy, è possibile che i log di sistema non presentino il set minimo di informazioni richiesto (ad esempio manca il riferimento all’attività di processo perché il log riporta esclusivamente informazioni tecniche). Anche questa difficoltà è comunque superabile attraverso l’utilizzo di competenze di data science, che permettono di andare a riconoscere e classificare le attività svolte in base alle informazioni disponibili sul sistema sorgente. Spesso invece, nell’esecuzione dei processi, vengono utilizzati diversi sistemi IT, ciascuno con le proprie caratteristiche e, comunemente, con identificativi diversi tra di loro. Anche in questo caso la data science e gli advanced analytics vengono in soccorso dei data scientst nell’applicazione delle tecniche di process mining, permettendo loro di ricondurre i diversi dati ad un “linguaggio” comune, così da poter creare il dataset da analizzare con gli strumenti di process mining.
<a href=”https://twitter.com/robertachiti” class=”twitter-follow-button” data-show-count=”false”>Follow @robertachiti</a><script async src=”//platform.twitter.com/widgets.js” charset=”utf-8″></script>
