ما در دنیایی زندگی می‌کنیم که تعاملات کسب و کار به طور فزاینده‌ای دیجیتالی می‌شوند – از تعاملات دیجیتالی گرفته تا مدل‌های کسب‌وکار دیجیتال که توجه به آن هرروز زیادتر می‌شوند. این بدان معناست که فرآیندهای کسب و کار نیز باید دیجیتال و پویاتر و مبتنی بر داده ها شوند. با افزایش این نرخ تغییر، نیاز به تجزیه و تحلیل فرآیند کسب و کار و درک چگونگی ارتباط فرآیندهای کسب و کار با فرآیندهای بزرگتر، سفرهای مشتری (Customer journey) و پویایی فرآیند افزایش می یابد.
فرآیندها را نمی توان فقط به عنوان دنباله ای از مراحل در مدل فرآیند کسب و کار و نموداری با نماد (BPMN) مشاهده کرد. ما باید در مورد فرآیند، زمان های اجرا، مسیرهای خاص اجرای فرآیند و موارد دیگر را به طور دقیق‌تر بررسی کرده و مورد نظر قرار دهیم. بنابراین، فرآیند را نه فقط با روش های کیفی، بلکه با روش های کمی نیز باید تحلیل کرد. روش تحلیل کمی فرآیند کسب و کار، فرآیند کاوی است. این روش که توسط دانشمند کامپیوتر هلندی Wil van der Aalst در سال ۲۰۱۲ معرفی شد، به یک رویکرد بسیار محبوب برای تجزیه و تحلیل و بهبود فرآیند کسب و کار تبدیل شده است.
فرآیند کاوی یک نمای واقع گرایانه از فرآیند را ارائه می دهد و واریانت‌های فرآیند (تعداد مسیرهای اجرای جایگزین) و بسیاری از معیارهای فرآیند را نشان می دهد. این فناوری مانند یک ابزار اشعه ایکس است که یک تحلیلگر کسب و کار درون فرآیند کسب و کار را می‌بیند. در بازار، ابزارهای فرآیند کاوی زیادی وجود دارند که این بینش ها را ارائه می دهند، مانند Disco ، Prom ، PM4py و …
تقاضا برای رویکرد داده محور
یکی دیگر از جنبه های دیجیتالی سازی فرآیندهای کسب و کار، استفاده از داده ها، هوش مصنوعی و یادگیری ماشین (AI/ML) و اتوماسیون است. بدیهی است که هدف اصلی این نیست که همه فرآیندها را مبتنی بر داده‌ها کنیم اما درک تأثیر رویکرد داده‌محور بر فرآیند کسب‌وکار در هر زمینه‌ای بسیار مهم است.
همین امر در مورد شناسایی و تجزیه و تحلیل فرآیندهای کاندید برای اتوماسیون با استفاده از RPA و AI/ML صدق می کند. ما شاهد افزایش تقاضای مربوط به دانش و مهارت در زمینه تجزیه و تحلیل کسب و کار هستیم که شامل تکنیک های داده محور است و دوباره، برای آن، ما به اطلاعات کمی نیاز داریم تا درک کنیم که فرآیندهای موجود چقدر خوب کار می کنند.
فرآیند کاوی می تواند به ما کمک کند نه تنها وضعیت فعلی فرآیند کسب و کار را با جزئیات درک کنیم، بلکه علل و همبستگی ها را نیز دریابیم و حتی مدل سازی فرآیند را انجام دهیم.
در نهایت، باید درک کنیم که بهبود و تغییرات فرآیند کسب و کار، فرآیندهای پایان ناپذیری هستند و ما به ابزارها و تکنیک هایی برای نظارت بر فرآیندها پس از اعمال تغییرات نیاز داریم. این قابلیت دیگری از فرآیند کاوی است زیرا می توانید فرآیندهای کسب و کار را در زمان واقعی نظارت کنید و تأثیر تغییرات ایجاد شده را اندازه گیری کنید.
از فرآیند کاوی برای شناسایی و اعتبار سنجی موارد استفاده از اتوماسیون استفاده می‌شود. در نتیجه تجزیه و تحلیل با فرآیند کاوی و ML، می‌تواند پیش‌بینی کند که کدام فرآیند برای اتوماسیون، تبدیل دیجیتال یا منطقی‌سازی بهترین است. به عنوان مثال، فرآیند کاوی به یافتن کارهای دستی تکراری با حجم بالا کمک می کند. در تصویر زیر می توانید داشبوردها را مشاهده کنید، بسیاری از سازمان‌ها در حال ساخت داشبوردها با استفاده از فرآیند کاوی و ML از داده های رویدادهای فرآیند کسب و کار هستند. این داشبوردها ابزار دیگری هستند که تحلیلگران کسب و کار می توانند از آن برای درک نحوه عملکرد فرآیندهای تجاری استفاده کنند. تجزیه و تحلیل داده ها یکی دیگر از مهارت های بسیار سخت برای تحلیل کسب و کار(BA) است.
خلاصه
اگر یک تحلیلگر کسب و کار هستید که به دنبال چیز جدیدی برای یادگیری هستید، به چیزی جز فرآیندکاوی، به عنوان بهترین مهارت برای یادگیری در سال ۲۰۲۳ نگاه نکنید. منابع زیادی برای یادگیری وجود دارد، اما می توانید با آموزش رایگان فرآیند کاوی و یا کارگاه کاربردی فرآیندکاوی شروع کنید. این دوره یک درک مشترک از فرآیند کاوی ارائه می دهد و گاهی اوقات می توانید فرآیند کاوی را بدون ابزار خاصی انجام دهید. همچنین آموزش های زیادی توسط ابزارهای برتر فرآیندکاوی مانند Celonis، Disco و Prom ارائه شده است.
دانش فرآیند کاوی به شما کمک می کند نه تنها در تجزیه و تحلیل فرآیندهای کسب و کار بهتر باشید، بلکه به شما کمک می کند تا به حوزه های مرتبط مانند اتوماسیون، تجزیه و تحلیل داده ها، تجربه مشتری و بسیاری موارد دیگر نفوذ کنید.
