Мультипроцессная аналитика (Object-centric Process Mining, или МПА) – это технология, позволяющая исследовать взаимосвязанные объекты и события, участвующие в бизнес-процессах. В рамках МПА события соотносятся с объектами, а не с отдельным случаем, что позволяет полностью рассмотреть сложные и взаимодействующие процессы с любой точки зрения.
История
С активным развитием частной предпринимательской инициативы в начале XX века управленцы и экономисты-теоретики стали стремиться к повышению прозрачности происходящего внутри компаний. Так, в 1921 году Ф. Гилбертом, одним из основоположников современной науки об организации труда и управления, было выдвинуто первое обоснование необходимости построения карт бизнес-процессов, получившее название Process Mapping. Метод представлял собой создание визуальной интерпретации выполнения БП, что давало понимание сильных и слабых сторон компании. Недостатками подхода стали его большая трудоёмкость и субъективность. Затраченное время не конвертировалось в полное понимание выполняемых процессов, потому исследователи продолжили поиск оптимальной технологии.
Следующая веха – появление и манифестация Process Mining. Основатель, евангелист и идеолог технологии – профессор Рейнско-Вестфальского технического университета Аахена Вил ван дер Аалст. Работа над концепцией автоматического обнаружения процессов началась ещё в 90-ых, а первым результатом стала гипотеза об использовании данных из корпоративных информационных систем. В 2001 году была разработана первая система класса процессной аналитики с открытым исходным кодом. К 2020-ым технология получила широкое распространение в банковском секторе, ритейле, телекоме и других сферах, а её перспективность не раз отмечали в Gartner.
Ограничения традиционной процессной аналитики
Классическая модель процесса – это изолированное представление о единичном случае, для которого существует персональный идентификатор. В реальности события происходят не совсем так, как хранятся данные, записанные в информационных системах компании. Важно понимать: подразделения не существуют в вакууме – события продаж затрагивают работу смежных структур, таких как закупки, производство, дистрибуция, финансы и т.д. В основе деятельности отделов лежат разные объекты, но прослеживается чёткая взаимосвязь. Рассмотрим на примере.
Отдел продаж хочет проанализировать процесс от момента создания заказа до его получения клиентом. Оформлена заявка на 4 товара: одно изделие находится на складе, ещё три нужно изготовить. Готовая позиция упаковывается и отгружается, остальное необходимо сделать и отправить вовремя. Заказчик же получает единый счёт-фактуру без детализации описанных действий.
Используя традиционный Process Mining, компания может рассмотреть только один объект (заказ) и проследить его путь. Такой подход порождает повторяющиеся циклы и визуализирует результаты в виде сложных диаграмм, где возможна потеря ключевой информации. Таким образом выявляем, что несмотря на огромное количество полезных возможностей у технологии есть ряд ограничений:
- извлечение и преобразование данных проблематично и требует повторения.
Классический анализ бизнес-процесса нуждается в извлечении данных из реляционных БД и преобразования в журнал событий (таблицу), где каждое событие (строка) относится к случаю (экземпляр БП), действию и временной метке. Вернёмся к примеру с отделом продаж. Каждый случай представляет конкретный заказ, вследствие чего с помощью процессной аналитики можно выявить причины их, например, возможной блокировки. Однако, если необходимо узнать, какие клиенты оплачивают счета без задержек, потребуется дополнительное действие в виде загрузки иного журнала событий. Такой алгоритм может оказаться длительным и трудоёмким:
- взаимодействие между объектами не фиксируется.
В ходе извлечения данных из БД и их интеграции в журналы событий теряется исходно определённое взаимодействие между процессами. Аналогичным образом любые модели БП, созданные по этому принципу, описывают жизненный цикл обособленных случаев. Чтобы добиться полной прозрачности, нужно понимать взаимосвязь различных объектов и их типов внутри конкретного процесса.
Важно понимать, что конвертация данных отнимает большую часть времени аналитика и делает результаты исследования менее однозначными. В какие-то моменты специалист может перестать понимать, откуда взялись те или иные действия (особенно в сложных процессах), что делает выводы менее объективными.
Суть технологии
Мультипроцессная аналитика (Object Centric Process Mining, или МПА) устраняет ограничения традиционной технологии путём создания моделей сквозных БП, более точно отражающих их объектно-ориентированный характер, где события не определяются как относящиеся к одному случаю. То есть процессы рассматриваются по отдельности, но с учётом взаимосвязи. В классическом варианте создаётся искусственный процесс, не соответствующий реальности, что ликвидируется с помощью МПА. Нет необходимости придумывать новую модель данных, так как используется то, что есть в собственной информационной системе. Источником данных для МПА выступает объектно-ориентированный журнал событий (OCEL), который позволяет связать событие с несколькими объектами, например, с заказами на продажу и их позициями, производственными заявками и т.д.
В отличие от традиционного журнала событий OCEL фиксирует как связку «один-ко-многим» (клиент делает несколько заказов), так и «многие-ко-многим» (одна позиция включена в несколько заказов) между несколькими объектами. Мультипроцессная аналитика позволяет взглянуть на процесс с любой стороны, приходя к трёхмерному представлению данных, когда рассматриваются одновременно несколько типов объектов и их взаимосвязь. Внедрение МПА позволяет преодолеть ограничения традиционного Process Mining и получить ряд конкурентных преимуществ:
- извлечение данных производится только один раз, что позволяет выбрать вид, объекты и действия, которые необходимо анализировать;
- взаимодействие между объектами фиксируется в объектно-ориентированных журналах событий.
Мультипроцессная аналитика позволяет анализировать такие метрики, как время события в одном процессе до события в другом процессе. Например, время от оформления заказа на сайте до доставки. Доставка может объединять в себе несколько заказов, либо во время поставки может использоваться транспорт, который везёт поставку сразу нескольким клиентам.
Повысить эффективность с Proceset
Proceset – первый и единственный программный продукт в России, имеющий функционал мультипроцессной аналитики. Мы помогаем компаниям получать представление о совокупности реальных бизнес-процессов и их влиянии друг на друга, проводить их комплексный анализ не в вакууме и кастомизировать расчётные метрики в соответствии с потребностями компании.
Proceset – программное решение уровня Enterprise. Внедрение системы позволяет оптимизировать значительный объём работы по предварительной обработке данных, присутствующий в традиционном Process Mining, сократить затраты и время анализа на 80%.
